基于EEMD和关联维数的矿山微震信号特征提取和分类

针对岩体工程中岩体破裂信号与爆破振动信号难以自动区分的问题,提出了一种基于集合经验模态分解(EEMD)关联维数与机器学习相结合的微震信号特征提取和分类方法。利用EEMD将微震信号分解为本征模态函数(IMF)分量,并从得到的IMF分量中筛选出主分量IMF1～IMF4,再通过相空间重构计算出各个主分量的关联维数,最后将所得到的关联维数作为特征向量,使用SVM方法进行微震信号自动识别,并与其他机器学习方法进行对比分析。试验结果表明:该方法对微震信号的自动识别具有较高的准确率,且基于高斯核函数的SVM的识别效果明显优于逻辑回归(LR)和K-近邻算法(KNN)判别法的识别结果,其准确率达到93.7%。     

基于多域流形的行星齿轮箱局部故障识别

行星齿轮箱振动信号包含多种频率成分和噪声干扰，频谱具有复杂的边带结构，容易对故障识别造成误导甚至引起错判.在不同故障状态下，行星齿轮箱振动信号的多域特征量将偏离正常范围且偏离程度不同，根据这一特点，提取振动信号的时域、频域特征参量用于故障识别.为了避免传统分析方法中负频率及虚假模态问题，增强对噪声干扰的鲁棒性，采用局部均值分解法将信号自适应地分解为单分量之和，提取时频域单分量瞬时幅值能量.针对多域特征空间构造过程中出现的高维及非线性问题，采用流形学习对数据进行降维处理.提出基于改进的虚假近邻点的本征维数估计及最优k邻域确定方法，并通过等距映射对多域特征空间进行降维分析.对于行星齿轮箱实验信号，根据样本流形特征聚类结果，分别识别出了太阳轮、行星轮和齿圈的局部故障，从而验证了上述方法的有效性.      

基于集合经验模式分解和交叉能量算子的滚动轴承故障诊断

振动信号的周期性冲击及其重复频率是滚动轴承故障诊断的关键.本文提出了一种基于集合经验模式分解和交叉能量算子提取滚动轴承故障特征的方法.首先,应用集合经验模式分解方法将振动信号分解为本征模式函数以满足交叉能量算子对信号单分量的要求.然后根据相关程度和峭度从本征模式函数中选取敏感分量,计算敏感分量和原始信号的瞬时交叉能量及其傅里叶频谱.最后根据交叉能量的频谱结构和特征频率识别轴承故障.通过分析滚动轴承故障仿真信号和实验测试信号,诊断了滚动轴承元件故障,验证了该方法的有效性.     

基于PEMD-MPE算法的露天矿爆破振动信号降噪方法

为了去除露天矿山爆破振动信号中混入的噪声成分,提出了一种基于PEMD-MPE算法的降噪方法。该算法通过自适应性正交经验模态分解（PEMD）得到完全正交的本征模态函数（IMF）分量,然后对各个IMF分量进行多尺度排列熵（MPE）的随机性检测,成功确定其中的噪声分量并将其去除。采用该算法对实测的露天矿山爆破振动信号进行降噪处理。结果表明：相比EMD-MPE和EEMD-MPE算法,PEMD-MPE算法的信噪比分别提高了3.520 dB和1.107 dB,且重构标准差和均方根误差最小,说明该算法不仅能够有效去除爆破振动信号中的噪声成分,还能有效保留真实信号。     

基于改进CEEMDAN-DCNN的声发射源识别分类方法

声发射源的准确分类识别是声发射地压监测预报预警研究的重要基础。针对矿山井下围岩体声发射事件信号和采掘作业噪声信号分类识别问题,提出了一种基于改进完备总体经验模态分解和深度卷积神经网络（DCNN）的智能识别分类方法。首先,对信号进行改进CEEMDAN降噪处理,即利用相关性系数阈值和排列熵（PE）阈值剔除伪分量和噪声分量;然后,利用DCNN对降噪后的信号自动提取高维特征;最后,将特征用于softmax分类器分类识别,实现智能化井下信号源多分类。研究表明：改进CEEMDAN能够有效剔除伪分量及噪声分量;相比其他机器学习方法,改进CEEMDAN-DCNN方法具有准确率高和稳定性较好等优点。信号源识别分类方法研究为地压监测预警预报提供了重要的基础数据,准确的灾害预警预报可为矿山井下作业人员和设备提供安全保障。     

油水两相流电导信号的IMF特征提取及流型识别

石油开采过程中油水流型对压力等参数影响很大,准确识别流型可以提高传输效率、降低开采成本.利用INV306型智能信号采集处理系统和电导探针测量系统,采集垂直上升管中三种不同油水两相流流型的电导波动信号.应用经验模态分解(EMD)对电导波动信号进行了IMF特征参数的提取,然后分别提取各模态的能量特征,并将其作为Elman神经网络的输入,训练并建立网络.用检测样本进行检测,结果表明:该方法可以准确识别出三种典型流型,具有较好的识别效果.     

基于数据降噪的冷轧板形调控功效系数获取

 针对轧制过程实际数据噪声大、难以获取准确板形调控功效系数的问题,提出了一种融合集成经验模态分解(EEMD)和小波变换(WT)的数据降噪方法。将含有噪声的实际生产数据经过EEMD分解后,利用小波变换方法对噪声主导的本征模态分量(IMF)进行降噪处理,处理后的噪声分量与其余分量重构得到降噪后数据,并结合结构方程模型(SEM)计算得到板形功效系数。利用1 450 mm五机架冷连轧生产线实际数据进行试验,结果表明,EEMD-WT-SEM方法可以有效降低数据噪声,有效提升板形调控功效系数的准确性。     

基于智能识别的金属加工过程监测

采用计算机视觉图像智能识别方法进行金属加工过程监测,降低金属加工瑕疵生产率。提出一种基于虚拟像素经验模态分解的金属加工过程视觉图像识别方法,进行了金属加工过程的视觉图像采集和像素特征分析,然后进行虚拟像素经验模态分解,进行轮廓特征的分水岭分割,实现金属加工视觉图像的智能识别。仿真结果表明,该方法进行金属加工过程的视觉特征分析,图像细节的识别性能较好,过程监测效果较优。     

基于EEMD形态谱和支持向量机复合的滚动轴承故障诊断方法

针对滚动轴承的内圈、外圈和滚动体故障提出了一种新的诊断方法,该方法融合了集总经验模态分解(EEMD)、形态谱和支持向量机(SVM)三种方法的优势.首先,利用经验模态分解对滚动轴承故障振动信号进行分解,得到若干个具有物理意义的内禀模态分量(IMF);其次,基于最大能量法筛选出含有故障特征信息最丰富的一个内禀模态分量为故障诊断数据源;再次,对数据源在选定尺度范围内进行形态谱的提取,从而构造故障特征向量;最后,利用支持向量机对滚动轴承的三种故障进行诊断.研究结果表明,该方法能够有效地诊断出滚动轴承的三种故障,且具有很高的故障诊断正确率.     

25kJ液压模锻锤工作状况下试验模态分析研究

采用基于ODS的测试方法对25kj液压模锻锤机身系统进行试验模态分析，采用Vib’SYS振动信号采集、处理和分析软件，由试验数据识别出机身系统的模态参数及其振型图，找出了机身系统的薄弱环节及需要注意和改进的地方。     

迭代生成微分方程分解方法研究

针对实际振动信号中多分量分离问题,在生成微分方程解调技术的基础上,提出一种新的迭代分解方法.首先采用生成微分方程(generating differential equation,GDE),估计初始振动信号的瞬时频率和幅值包络,然后对瞬时频率通过低通滤波分离出第一个频率,基于此频率对原始信号通过高通滤波器后提取的成分作为第一个分量,最后用初始信号减去第一个分量的余值作为下一次迭代的初始值,迭代同样的步骤分析分解直到获取所有信号分量,以低于能量比阈值作为迭代终止条件.本方法不需要先验信息.通过仿真信号验证并与传统方法进行对比分析,证明了方法的有效性.通过实测轴承试验信号的故障分析,证明了方法的实用性.      

振动分析技术在大功率风机领域的应用

在现代工业生产过程中,往往需要对系统的工作状态参数进行实时的监控,对监测的数据结果进行分析与处理,并以此为依据,通过数据转换,从而得到需要的测量数据。例如,通过对风机振动、温度、压力等信号的采集、转换、分析、判断,预测设备早期运行状态,及早发现设备故障,达到预知维护的目的。     

基于经验模态分解方法的拉曼光谱信号处理研究

经验模态分解(EMD)方法是一个以信号内在物理频率成分为对象的自适应时频分析方法,而常见的非平稳信号分析方法,比如小波分析,它需要选择小波基,不同小波基的分析结果不同;拉曼光谱信号是典型的非线性和非平稳信号,EMD方法充分地保留了信号本身的非线性和非平稳的特征,适应于拉曼光谱信号的分析。实验在自行研制的拉曼光谱测试平台上获得了原始的拉曼光谱信号,并通过经验模态分解将信号分解成不同频率的10个本征模式分量,信号能量集中在750cm^-1和1500cm^-1左右,最后进行了频率成分分析和去噪处理,并和小波分析方法进行了对比,验证了EMD方法的有效性和实用性,该方法在拉曼光谱信号分析中有较好的应用前景。     

应用Matcom开发振动信号分析模块

利用数字信号处理技术分析在线监测系统采集的振动数据，对于监控平整机的工作状态，进而抑制振动纹的产生有着重要的意义。本文详细描述了如何应用Matcom开发振动信号分析模块，并介绍了其中的一些关键技术。     

基于HHT方法的微差爆破延时识别

基于HHT方法,利用EMD分解的自适应性和Hilbert谱平方的能量密度意义,提出微差爆破延时时间的幅值包络线识别法和瞬时能量识别法。先对爆破振动信号进行EMD分解并识别主震分量,然后作Hilbert变换,获取主震分量幅值包络线和信号瞬时能量,依据炸药能量的释放引发测点爆破振动信号速度或者能量突增原理,寻找主震分量幅值包络线和瞬时能量突峰点,便可计算微差爆破延时时间。工程实例分析表明：由幅值包络线和瞬时能量识别的延时时间都在理论值范围内,说明这2种方法识别微差爆破延时时间可行。     

陡脉冲干扰下的心电信号滤波及QRS提取

为消除陡脉冲带来的干扰,分析了陡脉冲干扰的特点,建立了陡脉冲噪声数学模型,提出了基于变分模态分解（Variational mode decomposition, VMD）的心电信号滤波算法,提取叠加在心电信号中陡脉冲干扰分量、识别陡脉冲干扰分量并剔除陡脉冲干扰分量;为减少VMD分解层数、提高实时性并减少内存消耗,提出了心电信号预处理算法;针对医疗环境中的随机噪声伴随陡脉冲出现的情况,分析了VMD后子信号中随机噪声的特点,提出了基于VMD子信号能量估计的阈值去噪算法;利用变分模态分解的带通滤波器组特性,提出了基于变分模态分解子信号重组的QRS波群检测算法,配合滤波算法以提高心电信号特征检测精度。以添加了高斯白噪声和模拟陡脉冲干扰的MIT?BIH数据库心电信号和医疗环境中采集的心电信号为实验对象,分别实现对滤波算法和QRS波群检测算法的定量对比分析。      

基于智能磨矿介质及CNN和优化SVM模型的球磨机负荷识别方法

当前球磨机负荷检测方法难以准确评估磨机内部变化,给磨机综合运行状态的控制和优化带来较大难度。本文设计了一款内嵌加速度传感器且与钢球介质物理性质相一致的智能磨矿介质用于识别磨机负荷,开展了不同充填率等磨矿条件下的磨矿试验,设计磨矿效果系数划分磨机负荷状态;分别采用了卷积神经网络方法(CNN)和优化的支持向量机(SVM)模型对智能磨矿介质获取的加速度信号进行球磨机负荷识别。基于优化的SVM模型将获取的一维加速度信号进行互补集合经验模态分解算法（CEEMD）去噪、时域特征值和样本熵提取等预处理,将上述磨机负荷的特征向量分别输入GA?SVM、GS?SVM、PSO?SVM分类模型进行训练,研究表明,PSO?SVM模型的识别准确率可达98.33%,但存在训练过程繁琐,耗费时间长的问题。在图像识别领域具有优秀应用能力的CNN模型是把智能磨矿介质检测加速度信号数据转换为二维图片后直接输入基于VGG19网络的CNN模型进行分类识别,磨机负荷分类识别准确率高于优化的SVM模型,可达98.89%,在保证识别准确率的同时有效节约了计算时间。基于CNN的智能磨矿介质球磨机负荷识别方法可为实现球磨机负荷检测与在线评估提供重要解决方案与技术保障。      

基于EEMD方法的爆破振动信号去噪研究

鉴于小波类去噪法存在小波基和分解层数的选择问题、EMD类去噪法受限于端点震荡和模态混叠效应,将EEMD方法引入,对爆破振动原始信号进行去噪研究。在EEMD分解的基础上,通过波形和频谱分析,得到IMF4~IMF8属于爆破振动真实信号分量,将其重构,获取了爆破振动真实波形。与EMD去噪法相比,EEMD去噪法避免了端点震荡和模态混叠效应的影响,不仅有效去除了噪声,还保留了爆破真实波形的真实性和完整性。     

基于ELMD分解和MED的齿轮箱故障诊断分析

针对齿轮早期故障振动信号的非平稳特性和现实中受环境噪声影响严重,故障特征微弱难以提取的问题,利用总体局部均值分解对齿轮故障振动信号进行分解得到有限个单分量的乘积函数,从而凸显信号的局部特性。但由于噪声的干扰,从各分量的频谱中很难提取故障特征频率信息。文章基于此提出总体局部均值分解和最小熵反褶积的故障诊断方法。通过对齿轮故障仿真实验和工程案列分析,能够准确、有效地提取齿轮故障特征信息,为实际工程应用提供了一种新方法。     

经验模式分解在QRS波群和T波检测中的应用

针对未经预处理的心电信号中QRS波群和T波,提出一种基于经验模式分解的检测算法.该方法首先采用结合端点延拓的经验模式分解方法对信号进行分解,然后通过适当选择分解后的固有模态函数和残余分量,不使用"经验阈值"能得到准确的检测结果.利用MIT BIH Arrhythmia Database中心电数据检测表明,QRS波群的检测率达到99%以上,T波的正确识别率也获得较大的提高.该算法中提出的端点延拓方法能有效地减少使用经验模式分解的次数,提高检测的实时性,具有较好的应用前景.