自适应局部迭代滤波在齿轮故障识别中的应用

针对齿轮实测信号因受噪声干扰而不能准确反映故障特征的问题,提出将自适应局部迭代滤波应用到齿轮故障识别中,与样本熵、灰色关联度相结合实现齿轮的故障识别。利用自适应局部迭代滤波将齿轮非平稳信号分解为有限个平稳的本质模态函数,通过计算各本质模态函数的样本熵,发现以齿轮系统的转频信号对应的本质模态函数的样本熵为界,前几个本质模态函数的样本熵能表征不同故障类型的特征;计算齿轮系统正常、齿面轻度磨损、齿面中度磨损和断齿4种工况下多个训练样本的样本熵的平均值,将其作为对应工况标准故障模式的参考值;计算待检测样本的样本熵与各状态下训练样本的样本熵平均值之间的灰色关联度,与待识别样本灰色关联度最大的标准故障模式即被认为是待识别样本的故障类型。实例分析结果表明,通过自适应迭代滤波能有效抑制模态混叠现象,发现明显的齿轮转频信号,而采用集合经验模式分解(EEMD)方法进行信号分解后,模态混叠现象比较明显,且在EEMD的分解结果中基本看不出齿轮的转频分量;4种工况的样本熵曲线形状存在明显差异,说明样本熵能有效表征齿轮故障特征的变化;灰色关联度方法能有效地将4种不同的故障类型进行分类识别,分类识别性能优于BP神经网络,对小样本数据具有较好的分类识别能力。     

LNG船电力系统故障检测的仿真研究

研究电力推进LNG船电力系统故障有效识别的问题.LNG船电力系统中含有大功率推进电机,其随机变化易造成电力系统故障,产生的故障暂态信号蕴含大量噪声,具有随机、非平稳的特点.传统方法不能有效提取这类故障信号特征,故障检测准确度低.为解决上述问题,提出了一种基于聚类经验模型分解(Ensemble Empirical Mode Decomposition,EEMD)的希尔伯特-黄变换(Hilbert-Huang Transform,HHT)故障检测方法.首先,将故障时刻的电网电压信号进行EEMD分解,得到固有模态函数分量;然后,将上述分量的希尔伯特边际谱进行时频分析,提取较为准确的故障特征信息.仿真结果表明,HHT方法能弥补传统信号分析方法的不足,最大限度的抑制噪声和保留故障信号特征,提高故障检测准确率.     

基于EEMD-SE和栈式降噪自编码网络的局部放电模式识别

由于变电站环境复杂,利用传统的特征统计方法不能准确地提取局部放电(PD)信号的特征及对其识别分类.对此,提出一种基于集合经验模态分解(EEMD)和样本熵(SE)的局部放电信号特征提取方法.利用EEMD算法对局部放电信号进行时频分析;计算EEMD分解得到的固有模态函数(IMF)的样本熵,并将其作为特征向量表征不同放电类型;采用栈式降噪自编码网络(SDAE)对放电类型进行分类识别.通过对四类局部放电故障进行特征提取和模式识别,对比实验结果表明,该方法能有效地提取放电信号的特征,并较准确地识别各类放电类型.     

基于EEMD和改进多小波的故障诊断的研究

针对滚动轴承振动故障信号具有非线性和非平稳的特点以及多小波阈值函数的选取对去噪效果的影响,提出一种基于EEMD(总体经验模态分解)和改进多小波阈值结合的故障特征提取的方法。首先,使用EEMD方法对采集到的信号进行分解,根据峭度值以及能量值选取有效的IMF(基本模态)分量,再选取合适的多小波函数对选取的IMF分量进行去噪,最后利用频谱分析法对去噪后的IMF分量进行重构,从而识别出故障特征频率,并通过获取的频率判断故障类型。实验结果表明,此方法可行且取得了较好的效果。     

基于EEMD能量熵和混合算法的电机轴承故障诊断

针对提升机电机轴承振动信号的非平稳特性和单一粒子群算法(PSO) 优化径向基函数（RBF）神经网络时存在网络收敛速度慢和适应度值易陷入局部最小的缺点，提出基于集合经验模态分解（EEMD）能量熵和模拟退火粒子群混合算法（SAPSO）优化RBF神经网络的提升机电机轴承故障诊断方法。基于EEMD求取振动信号各固有模态函数分量的能量熵，并使用相关性分析方法剔除虚假的分量，把筛选后的有效数据作为故障识别的特征向量；利用模拟退火（SA）算法具有局部概率突跳的特性，将SA算法和PSO算法相结合，在优化RBF诊断模型隐含层参数时以实现不同算法间的优劣互补。仿真结果表明，使用SAPSO算法优化后的RBF神经网络模型在提升机电机轴承故障诊断中能够加快网络收敛速度和提升故障识别精度。     

基于EEMD能量矩与邻域粗糙集的转子故障数据集分类方法

针对旋转机械故障辨识准确率偏低的问题,将经验模态分解（ensemble empirical mode decomposition,EEMD）与能量矩、邻域粗糙集（neighborhood rough set,NRS）结合提出一种转子系统故障模式辨识的方法。首先利用EEMD将采集到的振动故障信号自适应分解成若干个平稳的本征模态函数（intrinsic mode function,IMF）分量并计算其能量矩;以此能量矩作为描述故障状态的条件属性建立故障识别决策表;然后利用邻域粗糙集对决策表进行属性约简消除冗余的属性;最后将约简后的敏感特征子集输入所设计的决策树（decision tree,DT）C4.5 算法中进行模式识别。通过典型转子实验台的故障特征集验证了该方法的有效性。     

敏感SVD和EEMD的故障诊断方法研究

在噪声干扰下有效提取振动信号所包含的微弱故障特征,是轴承故障诊断的关键问题,提出了一种基于敏感奇异值分解(SSVD)和总体平均经验模态分解(EEMD)的故障诊断方法.对时域振动信号进行敏感SVD分析,通过敏感因子选择反映故障冲击特征的敏感SVD分量,并利用定位因子定位分量信号所对应奇异值进行振动信号重构,以滤除噪声干扰;对降噪信号进行EEMD,根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF),有效提取局部微弱故障信息;利用Teager-Kaiser能量算子(TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,以识别故障类型.方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

基于小波包和EMD的HHT时频分析方法在航空试验器轴承故障诊断中的应用

为适应高转速要求,航空试验器轴承通常选用陶瓷的球体和复合材料的保持架。这种轴承发热量小,同时保持架材料具有轻且脆的结构特点。轴承振动经过试验器传递到振动传感器后,常规的振动采集与温度监控都很难识别出有效的轴承故障信息,无法对轴承故障进行准确预判。针对这一问题,提出一种基于小波包、经验模态分解（EMD）和Hilbert-Huang变换（HHT）组合的轴承振动信号分析方法。首先,通过小波包对振动噪声的抑制作用,经由EMD方法,对非平稳信号进行平稳化处理;之后,通过HHT时频分析提取出轴承的故障频率。通过将仿真信号和航空试验器的高速工装轴承的故障试验信号进行对比分析,验证了该技术对提取该类轴承故障特征的有效性,可为轴承故障早期诊断方法的研究提供参考。     

基于白噪声统计特性与EEMD的高速列车横向减振器故障诊断*

针对高速列车横向减振器故障信号非线性非平稳的特点,提出了基于白噪声统计特性与聚合经验模态分解（EEMD）相结合的故障诊断算法。首先,利用经验模态分解（EMD）对故障信号进行去噪,然后对去噪后的信号进行EEMD分解,最后对用相关系数求得的最能反映振动信号的本征模态函数（IMF）计算排列组合熵。在240km/h速度下,对高速列车横向减振器7种工况进行诊断,识别率达到91.8%。实验结果表明：与基于小波熵特征分析的算法相比,该算法具有更高的识别率和更强的抗噪性能。     

基于聚合经验模态分解的情感语音特征提取

特征提取是情感语音识别系统的关键过程,决定系统整体识别性能。传统特征提取技术假定语音信号是线性、短时平稳信号,不具有自适应性。为此,通过聚合经验模态分解(EEMD)算法以非线性的处理方式提取特征。情感语音信号经EEMD分解后得到一组固有模态函数(IMF),利用相关系数法筛选出有效分量集合,对集合函数计算得到IMF能量特征(IMFE)。选用德国柏林语音库作为实验数据来源,将IMFE特征、韵律特征、梅尔倒谱系数特征以及三者的融合特征分别输入到支持向量机中,通过比较不同特征的识别结果验证IM FE特征的有效性。实验结果表明,IM FE特征与声学特征融合后的平均识别率达到91.67%,可有效区分不同的情感状态。     

基于HHT变换的起动电动机特征信号时频分析

针对车辆起动电动机电气和机械故障发生时特征信号的时变不平稳特性,进行了时频域分析处理,提出了利用现代信号处理方法对故障信号提取特征向量的方法,主要对起动电动机的电枢和轴承故障进行诊断。在构建电机故障测试实验平台的基础上,利用破坏性实验构造了故障类型,测取了电枢电流和振动信号,分别采用小波分析理论和HHT变换对信号进行分析,通过分解再重构的方式将信号分解成了频率由高到低的不同分量,并获得了故障的特征频率,提取了特征向量。实验结果表明,基于HHT变换的现代信号处理方法在处理时变非平稳信号方面比小波分析理论更具有自适应性,更易识别。     

基于MCKD-EEMD近似熵和TWSVM的齿轮箱故障诊断

在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取;为了有效地进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法;首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别;仿真实验表明,采用MCKD-EEMD方法能够有效地提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。     

基于改进方法EEMD的HHT脉搏信号分析

针对传统希尔伯特-黄变换(Hilbert-Huang Transform.HHT)中经验模态分解(EmpiricalMode Decomposition.EMD)存在的模态混叠问题,提出一种基于总体经验模态分解(Ensemble EmpiricalMode Function.EEMD)的脉搏信号分析方法.谊方法通过对原...     

风电机组轴承早期故障特征提取研究

针对风电机组滚动轴承早期故障振动信号微弱、强干扰、非平稳、非线性的特点,提出基于自适应噪声完整集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)-排列熵(Permutation Entropy,PE)-遗传算法(Genetic Algorithm, GA)的特征提取方法。方法先计算振动信号经CEEMDAN分解得到多个本征模态函数(Intrinsic Mode Function,IMF)的排列熵值和方差贡献率,剔除虚假、低贡献率分量;根据识别误差最小和特征子集数目最少两个目标,构造了适应度函数,通过GA进行特征选择选出最优特征子集。仿真分析,上述方法能够快速有效提取不同故障的振动信号特征指标,为故障模式识别问題提供良好的思路和方法。     

自适应流形学习在故障诊断中的应用

针对人工干预的旋转轴承故障类型及损坏程度诊断问题,提出了一种基于自适应流形学习的故障诊断新方法。该算法借助集合经验模态分解和双谱分析提取振动信号的故障特征,用纹理分析法构建故障信息的纹理特征矩阵,通过自适应流形学习的方法对高维纹理特征矩阵进行降维。整个过程能够很好地去除噪声,同时自适应选择参数,具有很好的聚类性能和复杂信号处理能力。实验结果表明该方法能够很好地区分不同的故障类型,同时在区分内圈故障、外圈故障、滚动元素故障退化程度方面也有着较好的性能。     

基于EMD阈值方法的轴承故障振动信号去噪

针对随机噪声信号影响对有用信息的获取,提出了EMD分解阈值去噪方法,将小波阈值去噪原理应用于经验模态分解（Empirical Mode Decomposition,EMD）中。首先对实际含噪信号进行EMD分解,根据分解后得到的内蕴模态函数（Intrinsic Mode Function,简称IMF分量）,采用自适应阈值去噪,进行信号重构,得到消噪后的信号,获取有用信息。将该方法应用于实际工程故障振动信号中分析研究表明,该方法可以获得较高的信噪比,能够对实际信号进行有效的故障特征频率提取,降噪后比降噪前的诊断效果更明显。     

基于Storm的局部放电信号集合经验模态分解

电力设备的稳定运行关系到人们的生命和财产安全,通过安装传感器对时序波形信号进行采集,对信号进行分析处理,可以实现对电力设备的故障诊断。集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）算法在非线性、非平稳的信号处理领域有其独特的优势,但是由于其算法复杂度较大,作为运算密集型的算法在串行执行的情况下运算速度无法满足实际需求。因此,借助分布式计算框架Storm并行处理的特点,提出了基于Storm的EMD过程并行和信号分段并行的两种EEMD分解方式。实验表明,两种并行化方案都比传统的串行执行方式速度更快,并且基于分段并行的方式由于其更高的并行度,在长信号处理中更具优势。两种并行EEMD算法的提出为时序信号的快速处理提供了可靠的解决方案。     

基于总体经验模态分解的多类特征的运动想象脑电识别方法研究

人的脑电信号（Electroencephalogram,EEG）复杂且具有非线性及非平稳性的特点使其不易分析处理,其识别效果也依赖于数据集的不同,而表现不稳定.本文中应用的总体经验模态分解（Ensemble empirical mode decomposition,EEMD）是一种具有强自适应性的信号处理方法,其在时频域展现的良好分辨率特别适合脑电识别任务处理.本文提出利用EEMD分解后得到的较具影响能力的固有模态函数（Intrinsic mode functions,IMFs）,利用希尔伯特变换提取边际谱（Marginal spectrum,MS）及瞬时能谱（Instantaneous energy spectrum,IES）时频特征,同时通过加窗的方法提取非线性动力学特征近似熵特征,利用线性判别分类器（Linear discriminant analysis,LDA）作为分类器,实验结果得出,对于被试S2和被试S3可达到识别率分别为79.60%和87.77%,实验中9名被试的平均识别率为82.74%,得到平均识别率也高于近期使用相同数据集文献的其他方法.     

基于Hilbert-Huang变换的特征能量法及其在滚动轴承故障诊断中的应用

Hilbert-Huang变换是一种新的自适应信号处理方法,非常适用于非线性和非平稳过程。该文在介绍Hilbert-Huang变换的基础上,针对滚动轴承故障振动信号的非平稳特征,提出了一种基于Hilbert-Huang变换的特征能量法。该方法在Hilbert-Huang变换的基础上定义滚动轴承振动信号在固有频率段的能量为特征能量,以此作为滚动轴承的故障特征向量,并通过建立M-距离判别函数来识别滚动轴承的故障类型。对滚动轴承外圈和内圈故障信号的分析结果表明,基于Hilbert-Huang变换的特征能量法可以有效地提取滚动轴承振动信号的故障特征。