自适应软测量方法在动液面预测中的研究与应用

针对传统人工检测方法在测量动液面时存在精度低、实时性差等问题,采用软测量技术来完成对动液面的测量工作.根据对现场数据特性的分析,提出采用经验模态分解和基于黑洞的最小二乘支持向量机预测相结合的算法来实现动液面软测量建模;通过构建模型性能评价模块,动态更新模型,解决在油田生产过程中,静态模型不能完全反映生产工况导致模型失效的问题,提高算法的自适应能力及预测量精度.最后通过对油田生产现场监测数据进行实验验证,结果表明,该方法对油田动液面测量精度高,对生产波动的自适应能力强,满足油田现场测试使用要求,提高油田生产自动化程度.     

航空发动机涡轮叶片裂纹检测信号特征提取

航空发动机涡轮叶片是高精密重要器件,其表面微裂纹检测属于不规则曲面检测的一种,是无损检测领域研究的热点和难点。考虑到涡流检测的特有优势,设计了一种不同于传统方式的简单实用且有效的差激励涡流探头,实现对涡轮叶片预制微裂纹的识别。由于叶片表面为曲率变化的弧面,检测过程难免会发生提离,因此获得的检测信号中包含噪声和多个奇异点等多种干扰因素。为保证缺陷位置重要信息不丢失,采用镜像延拓经验模态分解（EMD）重构与小波奇异性检测相结合的方法对得到的微裂纹信号进行处理,滤除了非裂纹位置的多处畸变点影响,有效准确地实现了叶片微裂纹位置的判定。实验结果表明,该方法可以有效降低检测信号的噪声和干扰,准确提取裂纹信号特征信息,对飞机涡轮叶片类零件微缺陷的早期检测和完整有效性评估具有一定的借鉴意义。     

HHT和神经网络结合的血细胞识别算法

多形态血细胞信号影响细胞分类与计数。提出了一种希尔伯特黄变换（Hilbert-Huang Transform,HHT）和神经网络相结合的血细胞识别算法。利用经验模态分解（Empirical Mode Decomposition,EMD）和Hilbert变换提取血细胞信号能量特征,与时域特征一起构成特征向量;建立神经网络模型进行训练与仿真,以实现对多形态血细胞信号的识别。仿真结果表明,该算法识别准确率高,具有良好的识别效果。     

A Method for Gear Fault Diagnosis Based on the Empirical Mode Decomposition

According to the characteristics of gear fault vibration signals, a method for gear fault diagnosis based upon the empirical mode decomposition (EMD) is proposed in this paper. By using EMD, any complicated signal can be decomposed into a finite and often small number of intrinsic mode functions ( IMFs) , which are based upon the local characteristic time scale of the signal. Thus, EMD is perfectly suitable for non-stationary signal processing and fault characteristics extracting. It is well known that a gear vibration signal consists of a number of frequency family components, each of which is a modulated signal. Thus, we can use EMD to decompose a gear fault vibration signal into a number of lMF components, some of which correspond to the frequency families, and the others are noises. Therefore, the frequency families can be separated and the noise can be decreased at the same time. The proposed method has been applied to gear fault diagnosis. The results show that both the sensitivity and the reliability of this method are satisfactory.     

基于EMD-HMM的机床刀具磨损故障诊断

针对机床刀具磨损故障诊断,提出基于经验模态分解(EMD)进行信号处理和基于隐马尔科夫模型(HMM)进行模式识别的刀具故障诊断方法。在信号处理阶段,对机加工过程中的振动信号进行经验模态分解,得到若干固有模态函数(IMF),计算IMF的能量值并选用前几阶高能量的IMF作为识别参数。在模式识别阶段,先将训练样本使用HMM的基本方法进行模型训练获得HMMs,再使用测试样本进行模型准确性验证。完成验证的模型就可以表示该机床刀具磨损和机加工刀具信号的对应关系,可以应用到刀具磨损的监测识别中。     

基于EMD与邻域粗糙集的液体电磁阀故障诊断

液体电磁阀的故障诊断是保证飞行器动力系统正常工作、实现故障快速定位的重要手段。为了对液体电磁阀进行检测与诊断,提出了一种基于经验模态分解（EMD,Empirical Mode Decomposition）与邻域粗糙集相结合的新方法。首先对电磁阀的结构、故障形式、故障机理进行了分析,通过采集电磁阀正常、弹簧失效、阀芯卡滞、线圈异常、电气短路五种状态的驱动端电流信号,对不同状态的电流进行了分析。针对电流稳态长度难以控制,EMD分解获得的本征模态函数（IMF,Intrinsic Mode Function）分量的能量熵存在不一致的特点,选用电流变化率作为特征对其进行EMD分解。引入数据挖掘思想,采用邻域粗糙集构造贪心式属性约简算法进行属性约简,将约简后的属性集输入所设计的C4.5决策树算法,经过训练,其诊断准确率达到98%。研究结果表明：该方法能够实现液体电磁阀的快速诊断,具有一定的应用价值。     

公共空间模式算法结合经验模式分解的EEG特征提取

常规的公共空间模式分解方法需要大量的输入通道、缺乏频域信息,发展受到限制。为了克服以上缺点,将经验模式分解（Empirical Mode Decomposition,EMD）和公共空间模式算法结合,改变CSP滤波器成分选择方式,提出EMD-CSP算法来获取特征向量。该算法对预处理后的信号进行经验模式（EMD）分解,得到固有模态函数（Intrinsic Mode Functions,IMFs）,观察并计算每个IMF分量的能量谱,筛选有效的IMF频段（5~28 Hz）,使用改进的CSP滤波器进行滤波获取特征,最后使用支持向量机（Support Vector Machine,SVM）进行分类。分类结果得到9位受试的想象运动平均分类正确率为92%,证实了该算法的可行性与有效性。     

几种信号去噪方法在爆破振动信号中的应用分析

介绍了小波阈值法、EMD以及EEMD的信号去噪原理,并采用3种方法分别对露天爆破开采下所获得的爆破地震波信号进行去噪处理.对比分析去噪后波形图、信噪比以及均方根误差,发现小波阈值去噪法对于不同信号源去噪时效果各不相同,其信噪比与均方根误差值波动幅度大,说明小波阈值法在爆破振动信号去噪中具有不稳定性.与小波阈值法相比,EMD与EEMD对信号去噪效果稳定,体现了它们在信号分析中的自适应性.与EMD去噪法相比,EEMD能消除EMD分解信号时所产生的模态混叠现象;EEMD去噪法能够获得更高的信噪比以及更小的均方根误差值,去噪效果要明显好于EMD法,缺点在于计算时间太长.      

基于EMD-SVD差分谱的DWT域LMMSE自适应信道估计算法

针对当前基于奇异值分解的线性最小均方误差（SVD-LMMSE）法信道估计误差相对较大的问题,提出了一种基于经验模态分解和奇异值分解（EMD-SVD）差分谱的离散小波变换（DWT）域线性最小均方误差（LMMSE）自适应信道估计算法。在对信号进行最小二乘（LS）信道估计及预滤波处理后,运用DWT对信号的高频系数进行阈值量化去噪处理;然后结合基于EMD-SVD差分谱的自适应算法,将强噪声小波系数中微弱的有效信号提取出来,并进行信号的重构;最后根据循环前缀（CP）内、外噪声方差的均值设置相应门限,对循环前缀以内的噪声进行再次处理,从而进一步降低噪声的影响。对算法的误码率（BER）和均方误差（MSE）性能进行实验仿真,实验结果表明：所提算法的整体性能明显优于经典的LS算法、传统的LMMSE算法和目前较为流行的SVD-LMMSE算法,能够较好地降低噪声的影响,并可有效提升信道估计的精确度。     

一种改善EMD端点问题的方法

经验模态分解（EMD）是一种先进的数据处理方法,对脑电信号（EEG）等非线性非平稳信号的处理非常有效。但是其在利用三次样条曲线构造上下包络时,端点附近的包络存在严重的摆动。针对该问题,在镜面延拓算法的基础上,提出了二次延拓算法。根据邻近端点的数据计算出该信号在端点处的拟合函数;利用该拟合函数在左右端点各延拓出一个极值点;采用镜面延拓算法对延拓后的信号进行EMD分解。算法考虑了信号端点处的变化趋势,使得端点处的延拓更加合理,从而使三次样条曲线在端点处不会出现大的摆动。仿真结果表明,该算法能有效地对脑电信号进行分解。