基于特征优选和GA-SVM的滚动轴承智能评估方法

针对滚动轴承等旋转机械设备零部件的退化状态识别问题,研究并提出一种基于支持向量机(support vector machine,SVM)的智能评估方法。对于在线持续输出的轴承振动信号,采用时域方法和集成经验模态分解(ensemble empirical mode decomposition,EEMD)能量熵提取轴承特征,并基于相关性、单调性和鲁棒性进行特征选择。综合考虑三个指标,计算选择准则,得到最终的退化特征。针对SVM参数选择困难问题,使用遗传算法(genetic algorithm,GA)优化SVM参数,确定参数最优值。定义轴承性能退化指标,用三种不同故障类型的轴承数据训练模型。分别输入不同故障的轴承全寿命周期数据,得到轴承故障的类型和性能退化曲线,确定早期故障点,并对方法进行对比和验证。实验表明,模型故障诊断平均准确率为97.69%,性能退化评估曲线结果准确,早期故障检测能力强。     

基于电动机电流和EEMD的伺服旋转轴故障诊断技术研究

提出了一种基于交流伺服电动机电流和EEMD的伺服旋转轴故障诊断方法,研究了电动机电流测试原理,建立电流信息与故障的关联模型,提出了不同的电动机电流获取策略和电动机电流信息的位置及时间表达方法;并针对伺服旋转轴的运行特性,建立了典型的伺服旋转轴机械传动结构动力学模型,深入分析了采用EEMD对伺服旋转轴进行故障诊断的原理。试验结果表明:交流伺服电动机电流信息和EEMD方法用于伺服旋转轴机械传动部件故障诊断的可行性和有效性,从而为其在线监测和故障快速溯源,提供技术支撑。     

风力发电机组早期故障诊断

随着风力发电行业的快速发展,风力发电机组装机数量迅猛增加。然而恶劣的工作环境导致风力发电机组故障率较高。通过故障诊断技术及时发现设备存在的故障,进而确保发电机组安全可靠运行,是降低事故的有效途径。提出一种风力发电机组早期故障诊断的方法,通过对风力发电设备运行状态进行实时监测并进行趋势预测,及时发现运行过程中存在的故障隐患,并利用信号处理方法 EEMD对故障信号进行分析处理,提取故障特征信息,进而诊断故障发生的原因和部位等情况,最后综合评价决策釆取适当的应对措施,并通过实验验证了该方法的有效性。     

基于改进EEMD方法的数字滤波器

提出一种基于改进的整体平均经验模态分解( EEMD)方法的数字滤波器.针对经验模态分解( EMD)滤波方法的不足,采用对含噪信号先用中值滤波法平滑处理,再对处理后的信号EEMD的方法.改进后的方法结合了平滑处理滤除脉冲噪声以及EEMD方法滤除随机噪声和高频连续噪声的优点,且不存在模态混叠.通过数字仿真,研究了其滤波性能...     

EEMD在电能质量扰动检测中的应用

提出了一种基于聚类经验模态分解(EEMD)的希尔伯特-黄变换(HHT)电能质量扰动检测新方法.首先采用EEMD对电能质量扰动信号进行分解,获得固有模态函数后,再进行HHT,可以定量、准确地刻画相应时刻的瞬时特征量.该方法可以确定非平稳的电能质量扰动信号的时间、频率和幅值等信息.仿真试验结果表明,该方法可以有效克服经验模...     

桥梁动力测试信号的自适应分解与重构

针对桥梁结构动力测试信号噪声水平高、难以分离结构有效信号的特点,在总体平均经验模态分解方法和主成分分析的基础上,建立了自适应分解与重构方法。对经验模态分解结果的模态混叠现象进行深入分析,利用白噪声概率密度函数的均匀性对模态混叠模式一进行了改进,基于相关性分析改进了模态混叠模式二,改进后的分解方法在计算效率和分解精度上均有较大提升;随后对所有分解获得的固有模态函数进行多尺度主成分分析,实现降噪和选择并重构测试信号。分别用模拟信号和实际桥梁测试信号对所提方法的有效性进行了验证。结果表明:改进后的信号自适应分解和重构方法能在降噪的同时,有效地提取桥梁结构信息,可用于实际桥梁结构的动力测试分析中。     

基于EEMD和小波的爆破振动信号去噪

针对爆破振动信号去噪的问题,提出基于EEMD(ensemble empirical mode decomposition,集成经验模态分解)和小波变换结合的去噪方法。首先,采用EEMD将爆破振动信号分解成若干个IMF分量,然后利用自相关函数选择主要包含噪声的分量,再利用基于无偏估计的小波阈值去噪方法分别对含噪声分量进行去噪,最后,将去噪得到的分量之和与剩余分量相加,得到最终的消噪信号。该方法兼具了小波去噪以及EEMD去噪的优点,使得去噪后的信号信噪比更高,有用信息保留更完备,为爆破振动信号的去噪提供了一条新的途径。     

运用总体经验模态分解的疲劳信号降噪方法

将总体经验模态分解(ensemble empircal mode decomposition,简称EEMD)用于疲劳应变信号降噪,并与小波变换(wavelet transform,简称WT)方法进行了对比.提出了基于EEMD方法的疲劳应变信号降噪计算步骤,并分别用于模拟信号、试验数据和实测资料的降噪处理.讨论了EEMD计算参数对降噪效果的影响,给出了计算参数的选取原则.结果表明,EEMD方法可以较好地降低疲劳信号的噪声,提高应力循环次数统计的准确度,具有自适应的特点.     

Trends in Temperature Extremes in Association with Weather-Intraseasonal Fluctuations in Eastern China

Trends in the frequencies of four temperature extremes (the occurrence of warm days, cold days, warm nights and cold nights) with respect to a modulated annual cycle (MAC), and those associated exclusively with weather-intraseasonal fluctuations (WIF) in eastern China were investigated based on an updated homogenized daily maximum and minimum temperature dataset for 1960-2008. The Ensemble Empirical Mode Decomposition (EEMD) method was used to isolate the WIF, MAC, and longer-term components from the temperature series. The annual, winter and summer occurrences of warm (cold) nights were found to have increased (decreased) significantly almost everywhere, while those of warm (cold) days have increased (decreased) in northern China (north of 40°N). However, the four temperature extremes associated exclusively with WIF for winter have decreased almost everywhere, while those for summer have decreased in the north but increased in the south. These characteristics agree with changes in the amplitude of WIF. In particular, winter WIF of maximum temperature tended to weaken almost everywhere, especially in eastern coastal areas (by 10%-20%); summer WIF tended to intensify in southern China by 10%-20%. It is notable that in northern China, the occurrence of warm days has increased, even where that associated with WIF has decreased significantly. This suggests that the recent increasing frequency of warm extremes is due to a considerable rise in the mean temperature level, which surpasses the effect of the weakening weather fluctuations in northern China.     

全矢EEMD在轴承故障诊断中的应用

实际工况中滚动轴承故障的振动信号为非线性,非平稳的信号。为了对滚动轴承的故障做出准确识别,根据轴承故障信号的特点,在此提出一种用全矢谱和EEMD相结合来提取故障特征指标,然后利用隐马尔科夫模型对滚动轴承故障进行分类的新方法。首先对实验得到的滚动轴承同源双通道振动信号进行EEMD分解,得到数个IMF分量,选取相关性较高的分量进行全矢融合。然后提取与故障类型相对应的故障特征频率下的幅值作为滚动轴承故障分类的指标,并利用HMM方法进行训练和识别,从而区分出不同的故障类型。最后,利用实验得到的轴承故障信号进行测试,实验结果表明,该方法可以对滚动轴承故障做出较为准确的识别。