基于经验模态分析的故障诊断方法及应用研究

为实现对微弱动态响应的准确辨识及故障状态的早期诊断,提出了基于经验模态分析的故障诊断方法,将模态分解、互信息熵与主元分析结合,故障特征更凸显,方法更有效。首先模态分解,得到一系列固有模态分量,利用互信息熵判断所有固有模态分量的高低频分界点并对高频分量自适应阈值去噪。将去噪后的所有高频分量和低频分量主元分析,计算各主元的峭度值,选取峭度值大的分量求时频谱得故障频率,从而确定故障。将该方法应用到含有高频环境噪声的轴承故障信号中诊断可靠、准确。     

基于多准则融合的滚动轴承振动信号消噪方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出了基于多准则融合的滚动轴承振动信号消噪方法。该方法采用集合经验模态分解(EEMD)方法对原始振动信号进行分解得到一组IMF分量,计算各阶IMF分量和原始振动信号的相关系数、各阶IMF分量和原始振动信号包络谱的J散度、各阶IMF分量的峭度值;分别根据相关系数准则、J散度准则、峭度准则选取有效IMF分量,将同时保留的IMF分量作为有效分量进行信号重构。实验结果表明,该方法可以有效地提取滚动轴承早期微弱故障信息,能够有效抑制经验模态分解(EMD)中的模态混叠问题,同时削弱低频噪声,突出高频共振成分,具有良好的自适应性。     

基于小波去噪和EMD的船舶液位信号特性分析

为提高船舶液舱液位测量精度,研究了液位测量信号的特性,提出基于小波去噪和经验模态分解(EMD)的水位信号处理新方法。用平移不变小波去噪算法对液位信号进行预处理,消除异常事件对EMD方法的影响,用EMD分解信号,按照给定的置信度去除高频固有模态(IMF)分量,提取低频IMF及趋势项进行重构,得到的无干扰成分即为液位真实信号。理论及实验研究表明,只有在有效消除异常干扰的情况下才能获得可靠的IMF分量,采用该方法提取有异常干扰的液水位信号真实趋势是有效可行的。     

基于奇异谱分析的经验模态分解去噪方法

提出了一种基于奇异谱分析(SSA)的经验模态分解(EMD)去噪方法。该方法先对带噪信号进行EMD分解,得到若干个本征模态函数(IMF)。再通过SSA对每个IMF分量进行去噪处理:把第一个IMF分量作为高频噪声,并根据它计算出剩余IMF中所含的噪声能量,从而得到剩下的每个IMF中信号所占的能量比值。然后选择合适的窗口长度,对每个IMF进行SSA变换,根据IMF中信号所占的能量比值选择合适的奇异值分解(SVD)分量重构,得到去噪后的IMF。再将所有重构得到的IMF分量以及余项相加,得到最终去噪后的信号。经过实验,对比研究了该方法与小波软阈值、EMD软阈值和EMD滤波方法的去噪效果,结果表明该方法整体优于其它方法,是一种有效的信号去噪方法。     

基于EMD-DFA-NLM的电涡流传感器信号去噪方法

针对电涡流位移传感器输出信号中的非稳态噪声,提出一种基于经验模态分解(EMD) －去趋势分析(DFA)－非局部均值(NLM)原理的去噪方法。该方法解决了EMD去噪方法信号、噪声模态不易确定的问题,并且可在滤除高频背景噪声的同时保留信号细节。首先通过EMD将信号分解得到若干本征模态(IMF)分量,然后使用DFA区分噪声主导IMF分量和信号,主导的IMF分量,对噪声主导分量进行NLM去噪处理,最后与信号主导分量一起重构信号,分别对仿真信号和电涡流传感器输出信号进行去噪处理。结果表明,相较EMD去噪法和EMD－小波阈值去噪法,所提方法去噪性能更优SNR(MSE)值提升(减小)明显,去噪后信号的毛刺与高频震荡大大减少。     

基于经验模态分解的小波阈值降噪方法研究

针对小波阈值降噪方法中小波基和阈值缺乏选取依据的缺陷,提出了一种基于经验模态分解(EMD)的小波阈值降噪方法。首先将带噪信号进行EMD分解得到一系列本征模态分量(IMF),仅对带噪的高频IMF分量进行小波阈值降噪处理,将处理结果与不含噪声的低频IMF分量进行信号还原得到降噪后信号。方法有效避免了直接小波阈值降噪高频分量损失的问题,同时还可直接去除信号中可能存在的趋势项,比直接小波阈值降噪具有更好的效果。仿真数据处理证明了方法的有效性。     

煤矿机械振动信号预测研究

根据煤矿机械振动信号高低频组成成分变化规律的差异,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的煤矿机械振动信号组合预测方法。将滚动轴承振动信号进行EMD分解,得到相对平稳的本征模态函数(IMF)分量,并将波动程度相近的IMF分量进行重构,得到高频子序列和低频子序列,采用SVM分别对高频子序列和低频子序列进行预测,将2个预测结果叠加,得到最终预测值。选取轴承实验数据对组合预测方法的有效性进行验证,结果表明该方法的均方根误差、平均绝对误差和平均绝对百分比误差均小于直接预测方法。将该组合预测方法应用于某选煤厂主井带式输送机滚动轴承状况预测,预测结果与实际情况相符。     

经验模态分解与EOSA方法的滚动轴承故障诊断

提出了一种利用经验模态分解(EMD)与Teager能量算子解调算法(EOSA)相结合的滚动轴承故障诊断方法;故障轴承振动信号往往是多分量AM-FM信号,首先对滚动轴承内圈故障调制信号进行EMD分解,得到若干个不同特征时间尺度的内禀模态信号(IMF),然后利用Teager能量算子解调法计算各个内禀模态信号的瞬时幅值,对主要内禀模态信号的瞬时幅值包络谱进行分析,可提取轴承故障信号特征信息;实验分析结果表明,利用经验模态分解与EOSA相结合的方法,可有效提取6205-2RS型深沟球滚动轴承的内圈特征频率fi=162.2Hz及其倍频。     

基于SVD优化EMD的电梯导靴振动信号故障 特征提取

针对电梯导靴振动信号采用经验模态分解(Empirical Mode Decomposition,EMD)难以直接提取早期微弱故障特征的问题,提出基于奇异值分解(Singular Value Decomposition,SVD)优化经验模态分解的电梯导靴振动信号故障特征提取方法。该方法首先对原始信号进行SVD分解,通过奇异值贡献率原则来确定相空间重组的最佳Hankel矩阵结构,利用曲率谱原则与奇异值贡献率原则相结合来确定有效奇异值的阶次;筛选出包含主要故障信息的奇异值进行信号重构,得到剔除噪声信号与光滑信号的突变信号;然后对突变信号进行EMD分解,得到信号的本征模态函数(Intrinsic Mode Function,IMF)分量。最后,对IMF分量作Hilbert变换,求得其Hilbert边际谱,从而获得电梯导靴故障特征频率信息。仿真结果表明该方法有效改善了EMD难以直接提取早期微弱故障特征的问题,更准确地提取了振动信号的故障特征频率,验证了所述方法的有效性。     

基于EMD的幅值归一化涡街流量计信号处理

采用经验模态分解(EMD)方法对涡街信号中混杂的干扰噪声进行滤除,提取出真实的涡街信号。该方法首先将原始信号输至二阶低通滤波器进行幅值归一化,然后将处理后的信号经EMD算法分解成各噪声分量和真实涡街信号分量,进一步通过施密特阈值翻转法统计频率并且判别出真实的涡街信号所在的分量,从而达到提取涡街信号的目的。最后,通过对在线涡街流量信号进行仿真分析,验证了该数字信号处理方法的有效性。     

基于小波包和EMD的断路器机械故障诊断研究

以ZN63A-12型高压真空断路器为研究对象,针对处理高压断路器振动信号时单独使用小波包特征熵或经验模态分解(EMD)特征熵作为特征向量进行诊断正确率低的缺点,将高压断路器振动信号的小波包能量熵、经验模态分解能量熵、经验模态分解能量相结合作为特征向量,采用马氏距离判别法进行模式识别,实现对断路器两种机械故障模式的判别.实验结果表明,该方法准确率达97.40％,具有较高的实用价值.     

Partial ensemble approach to resolve the mode mixing of extreme-point weighted mode decomposition

Empirical mode decomposition (EMD) is an effective tool for breaking down components (modes) of a nonlinear and non-stationary signal. Recently, a newly adaptive signal decomposition method, namely extreme-point weighted mode decomposition (EWMD), was put forward to improve the performance of EMD, in particular, to resolve the over- or undershooting issue associated with the large amplitude variations. However, similar to EMD, EWMD also suffers the mode mixing problem caused by intermittence or noisy signals. In this paper, inspired by complementary ensemble EMD (CEEMD), a noise-assisted data analysis method called partial ensemble extreme-point weighted mode decomposition (PEEWMD) is proposed to eliminate the mode mixing problem and enhance the performance of EWMD. In the proposed PEEWMD method, firstly white noises in pairs are added to the targeted signal and then the noisy signals are decomposed using the EWMD method to obtain the intrinsic mode functions (IMFs) in the first several stages. Secondly, permutation entropy is employed to detect the components that cause mode mixing. The residual signal is obtained after the identified components are separated from the original signal. Lastly, the residual signal is fully decomposed by using the EWMD method. The proposed PEEWMD method is compared with original EWMD, ensemble EWMD (EEWMD) and CEEMD using simulated signals. The results demonstrate that PEEWMD can effectively restrain the mode mixing issue and generates IMFs with much better performance. Based on that the PEEWMD and envelope power spectrum based fault diagnosis method was proposed and applied to the rubbing fault identification of rotor system and the fault diagnosis of rolling bearing with inner race. The result indicates that the proposed method of fault diagnosis gets much better effect than EMD and EWMD.     

基于改进HHT的风力发电系统轴承故障诊断

轴承是风力发电机组中故障率较高的部件,其故障信号为非线性、非平稳信号,经验模态分解是一种自适应的信号处理方法,可用来分析此类信号,但是模态混叠使得经验模态分解无法准确地将固有模态分离出来。针对此问题,采用总体平均经验模态分解进行改进,利用高斯白噪声的频率均匀分布的统计特性,抑制模态混叠现象,并通过计算固有模态函数与故障信号的互信息来剔除虚假分量,从而得到更准确的Hilbert-Huang谱,由此提取故障信息,判断故障类型。仿真试验及轴承故障诊断实例均证明了该方法的有效性。     

基于经验模态分解和SVM的脑电信号分类方法

脑电信号的非线性、非平稳性造成对运动想象脑电信号的分类识别存在特征提取困难、可区分性低以及分类识别性能差等问题。本文提出一种基于经验模态分解(Empirical Mode Decomposition, EMD)和支撑向量机(Support Vector Machine, SVM)的运动想象脑电信号分类方法,充分利用EMD算法在处理非线性、非平稳信号的自适应性以及SVM在小样本条件的高识别性能和强泛化能力。首先利用EMD算法将C3、C4导联信号分解为一系列本征模函数(Intrinsic Mode Function, IMF),然后从IMF的信息和能量等维度提取特征将脑电信号转换至区分性更强的特征域,最后利用SVM进行分类识别。采用国际BCI竞赛2003中的Graz数据进行验证,所提方法可以得到94.6%的正确识别率,为在线脑-机接口系统的研究提供了新的思路。     

经验模式分解回顾与展望

经验模式分解EMD打破了Fourier变换、小波分解等传统数据分析方法需要预先设定基函数的局限,是一种完全由数据驱动的自适应非线性非平稳时变信号分解方法,可以将数据从高频到低频分解成具有物理意义的少数几个固有模态函数分量和一个余量。首先介绍了原始EMD方法的原理和算法;接着,总结归纳了EMD当前的研究现状,分析了EMD存在的端点效应、模态混叠、运行速度问题及其在二维情况下的问题并对国内外学者解决这些问题的方法进行了概述和比较;最后结合EMD研究存在的难题指出了EMD进一步研究与应用的发展方向。     

基于IMF能量谱的水声信号特征提取与分类

经验模态分解（EMD）是用来处理非平稳时变信号的一种信号分析方法,该方法对所分析信号的局部特征信号进行不同时间尺度的分解,从而得到这些局部特征信号的各阶本征模函数（IMF）。提出了一种基于IMF能量谱的水声信号特征提取与选择方法,通过对水声信号进行经验模态分解,提取信号的本征模式分量并转换为能量谱特征向量,从而观测不同信号子频带能量谱的特征变化。分类实验采用支持向量机（SVM）分类器进行。实验结果表明,相对于小波能量谱特征提取法而言,利用IMF能量谱作为特征向量的分类实验具有更佳的分类效果,平均正确率达88%以上。     

基于改进小波阈值-CEEMDAN算法的ECG信号去噪研究

Electrocardiogram (ECG) signal denoising has always been a hot research issue. In order to eliminate the noises in ECG signal, a denoising method based on adaptive complete set empirical mode decomposition (CEEMDAN) and wavelet improved threshold function is proposed. Firstly, this method firstly decomposes the ECG signal by CEEMDAN to obtain a set of intrinsic modal functions (IMFs) from high frequency to low frequency. CEEMDAN decomposition is performed on ECG signal to yield several modal components (IMF). Secondly, the correlation coefficient method is used to perform wavelet denoising with improved threshold on the high frequency IMFs. For the low frequency IMFs, by setting a fixed threshold, the IMFs below the threshold is considered to be the baseline drift signal and removed. Finally, the denoised IMFs and the retained IMFs are reconstructed. The experimental results show that the proposed method is more effective than the empirical mode decomposition (EMD) wavelet denoising, and the global average empirical mode decomposition (EEMD) wavelet denoising method.     

基于谱插值与经验模态分解的表面肌电信号降噪处理*

根据表面肌电(surface electromyography, sEMG)信号的噪声特性来探讨其降噪方法的应用问题。采用谱插值法来削弱工频干扰以避免工频处的肌电信息成分丢失,再选取通过经验模态分解(empirical mode decomposition, EMD)方法获得的内在模态函数(intrinsic mode function, IMF)分量作小波软阈值分析,并将部分明显的低频IMF干扰分量及冗余分量去除,然后对相应IMF分量进行重构便可得到降噪处理后的sEMG信号。仿真和真实信号的降噪实验结果     

基于EMD和选择性集成学习算法的磨机负荷参数软测量

针对磨机筒体振动和振声信号组成复杂难以解释、蕴含信息存在冗余性和互补性、与磨机负 荷参数映射关系难以描述等问题,提出了基于经验模态分解（Empirical mode decomposition,EMD）技术和选择性集成学习算法分析 筒体振动与振声信号组成,建立磨机负荷参数软测量模型的新方法.首先从机理上定性分析了筒 体振动及振声信号组成的复杂性;然后采用EMD技术将原始信号自适应分解为具有不同时间尺度的系列组 成成分,即本征模态函数（Intrinsic mode function,IMF）;接着在频域内基于互信息（Mutual information,MI）方法分析并选择IMF频谱特征;最后采用基 于核偏最小二乘（Kernel partial least square,KPLS）建模方法、分支定界优化算法的选择性集成学习方法建立磨机负荷参数软测量模型,实现了多源多尺度频谱特征的选择性信息融合.基于实验球磨机的实际运行数据仿真验证了该方法的有效性.