基于改进HHT的双电机消隙状态动态定量评价技术

双电机消隙这一技术的引入为重型数控机床进给系统的高精度传动提供了一种可靠的解决方案。针对目前双电机消隙动态定量效果评价方法缺乏的问题,提出了基于改进HHT的双电机消隙进给系统消隙状态定量识别技术。以进给系统电流变化作为检测技术,实现在不干扰生产的同时获得高信噪比的测试信号。以EEMD和Hilbert局部能量谱对传统HHT进行改进并作为电机电流信号处理技术,解决了电流信息的非平稳和非高斯分布问题,实现了对双电机消隙的消隙状态进行定量化识别。仿真和实验验证了该方法的有效性。     

基于EEMD的变压器振动与声音信号IMF峭度特征量提取方法

针对变压器振动问题,提出了一种基于集合经验模态分解(EEMD)的本征模函数(IMF)峭度特征量提取方法,并运用相关系数法、快速谱峭度图法提取敏感IMF分量。提取试验变压器正常、铁心松动故障状态下的振动、声音信号的特征量,研究变压器在正常、故障状态下这两种信号特征量分布情况;分析实际运行中出现铁心磁路故障、铁心多点接地故障状态的变压器的IMF峭度特征。结果表明,提出的特征量提取方法可同时反映频域、时域特性;在不同故障条件下,振动与声音信号的特征量变化不同,二者可相互补充,研究两种信号更有利于变压器状态的判定。     

基于EEMD和小波阈值法的爆破振动信号预处理研究

针对爆破振动信号去噪和趋势项消除问题,借助相关性分析,引入了一种基于集合经验模态分解(EEMD)和小波阈值法的预处理滤波方法。首先运用EEMD方法进行信号分解,利用互相关系数进行含噪IMF分量和趋势项分量的预选,然后分别借助自相关函数特性和频带特点进行判断,最后完成含噪分量的小波阈值去噪和趋势项分量的去除,重构波形。实例验证结果表明,该方法能有效消除噪声、趋势项干扰,保留波形真实信息,进而提高频谱分析精度。     

改进的EEMD算法及其在多相流检测中的应用

针对低信噪比下EEMD法在分解过程中产生模态混叠导致滤波效果变差的问题,提出了一种改进的EEMD滤波方法.该方法首先设计最优带通滤波器,滤除信号中的脉冲干扰,再将滤波后的信号进行EEMD分解,然后采用SG滤波器对筛选的IMF再进行滤波,最后对滤波后IMF进行重构.最后将改进的EEMD法和EEMD法分别用于多相流测量信号滤波及含水率测量,结果表明,改进的EEMD法与EEMD法相比,信噪比提高了约2～3 dB,滤波效果更好;含水率平均测量精度提高了约3％,测量误差更小.     

基于EEMD-增强因子自适应的液压泵微弱故障特征提取

针对斜盘式轴向柱塞泵微弱故障特征难以提取的问题,提出了一种基于EEMD-增强因子自适应的液压泵微弱故障特征提取方法。对故障信号EEMD分解得到一组IMFs,采用增强因子作为各IMF权值合成信号以突出故障特征并抑制不相关成分;对合成信号EEMD分解,用敏感因子筛选出最能够表征故障信息的IMFs分量重构信号;对重构信号做Hil-bert变换求得包络谱,分析包络谱诊断出具体故障。仿真信号和液压泵实测信号的分析结果均很好地验证了该方法的有效性和优越性。     

EEMD-NNBR模型在降水预测中的应用

为解决降水资源预测复杂的问题,建立了具有物理意义的新预测模型,即利用集合经验模态分解(EEMD)方法,分解降水资源并识别其演变模式,获得各本征模函数(IMF),然后结合最近邻抽样回归模型(NNBR)对数据进行预测分析,汇总相应的计算结果,从而构成了EEMD-NNBR降水预测模型。以无锡市惠山区的降水序列资料为例,采用EEMD-NNBR模型预测降水资源,并与单一的NNBR模型预测值进行对比分析。结果表明,所建模型稳定性较好,能合理预测水资源演变趋势,提高降水资源预测精度,具有一定的应用价值。     

中国区域经济和产业的空间布局演变特征分析

分析中国区域经济空间布局特征以及产业空间布局变化对整体经济的驱动关联作用,进而提出南北方、东西部区域协调、均衡发展的宏观政策建议。通过重心理论运用集合经验模态分解法（EEMD）和灰色关联度分析方法,以基于时间序列具有多尺度周期波动的视角,重点分析1952—2014年我国区域经济重心的变动特征及其与产业重心移动的关联性。研究发现,经济重心的变动是由准9 a、准20 a、准50 a的周期波动与趋势项复合而成的,在纬度向上主要以长周期要素（方差贡献率63.76%）和固有趋势决定,在经度向上主要以短周期要素（方差贡献率7598%）与固有趋势决定。产业重心移动和经济重心变动的关联性在纬度向上显示第一产业与经济的关联性逐渐减弱,第二产业和经济的关联性一直较强,第三产业与经济的关联性逐步增强;在经度向上,三次产业重心的移动均能影响经济重心的变动,且第三产业重心和经济重心的关联度逐渐增加。通过剥离周期性波动因素,显示经济重心的变动趋势是向南、向西移动,但由于受到自然条件与社会条件的制约,向南、向东移动受到的拉力较大。经济重心的实际移动和固有趋势存在差异,从而表现出区域经济空间布局的不均衡。均衡国民经济空间布局既需要政策、战略的调整,也需要遵循市场力量,发挥比较优势,优化区域产业结构。南北方的差异主要在于市场发展的程度与产业升级的速度,北方应遵循产业演替的规律,提高市场化程度,加快发展符合要素结构和比较优势的第三产业。东西部的差距主要在于区位优势与集聚效应,西部需要完善区域基础设施建设,提高对不同层次劳动力的社会保障服务质量,承接东部转移的符合区域比较优势的产业,实现东西部产业和要素的良性互动。     

Study on planetary gear fault diagnosis based on entropy feature fusion of ensemble empirical mode decomposition

Because planetary gear is characterized by its small size, light weight and large transmission ratio, it is widely used in large-scale, low-speed and heavy-duty mechanical systems. Therefore, the fault diagnosis of planetary gear is a key to ensure the safe and reliable operation of such mechanical equipment. A fault diagnosis method of planetary gear based on the entropy feature fusion of ensemble empirical mode decomposition (EEMD) is proposed. The intrinsic mode functions (IMFs) with small modal aliasing are obtained by EEMD, and the original feature set is composed of various entropy features of each IMF. To address the insensitive features in the original feature set and the excessive feature dimension, kernel principal component analysis (KPCA) is used to process the original feature set. Kernel principal component extraction and feature dimension reduction are performed. The fault diagnosis of planetary gear is eventually realized by applying the extracted kernel principal components and learning vector quantization (LVQ) neural network. The experiments under different operation conditions are carried out, and the experimental results indicate that the proposed method is capable of extracting the sensitive features and recognizing the fault statuses. The overall recognition rate reaches to 96% when the motor output frequency is 45 Hz and the load is 13.5 N m, and the fault recognition rates of the normal gear, the gear with one missing tooth and the broken gear can reach to 100%. The recognition rates of different fault gears under other operation conditions also can achieve better results. Thus, the proposed method is effective for the diagnosis of planetary gear faults.     

基于EEMD和多元多尺度熵的风力发电机组滚动轴承故障特征提取

为了降低风力发电机组滚动轴承信号的噪声和进行多信道数据处理,提出了一种基于EEMD和多元多尺度熵的特征提取方法。利用EEMD算法对多信道的原始声发射信号进行分解获取无模式混淆的IMF,通过敏感度评估算法选取反应故障特征敏感的IMF进行多元多尺度熵分析,由单因素方差分析选择最优尺度对应的多元样本熵作为各种故障的特征值。通过从实验台采集得到正常、轻微损伤和断裂3种状态的样本数据,与多种特征提取方法相比较和SVM算法分类分析,证明了所选择故障特征量的准确性,同时也验证了所提出的滚动轴承故障特征提取方法的有效性和准确性。     

基于DHMM的机械密封端面膜厚识别技术的研究

维持机械密封端面间一定的膜厚是保证机械密封正常运行的关键,利用声发射技术监测得到的反映机械密封膜厚状态的信号往往信噪比很低,对其工作状态进行分类存在一定的困难。提出一种基于声发射信号利用总体经验模式分解(EEMD)和离散隐马尔可夫模型(DHMM)识别的机械密封端面膜厚识别技术。首先对声发射信号进行分帧处理,运用EEMD方法对信号进行时频分析,对分解出的子频分量分别提取时域和频域特征,再由核主成分分析法对特征参数进行优化降维,利用简化后的特征参数矢量训练各个机械密封端面膜厚状态的DHMM,最后由训练好的DHMM实现机械密封端面膜厚状态的识别,从而实现机械密封端面接触状态的监测。试验研究表明:该方法能够快速有效地判断出膜厚状态,并且需要的训练样本少,训练速度快,对实现机械密封端面接触状态的智能化在线监测具有重要的意义。