基于加速度信号的吊弦断裂检测方法

吊弦是高铁接触网的关键部件，长期裸露于外部环境，且日复一日地承受列车受电弓的冲击作用，容易发生吊弦断裂故障. 本文基于弓网动态仿真模型，对兰新高铁试验段进行仿真，产生在脉动风和受电弓同时作用下的接触网正常和吊弦断裂时接触线和承力索的加速度数据，然后运用EEMD（Ensemble Empirical Mode Decomposition）计算加速度信号的能量熵、奇异熵、平均熵，建立吊弦断裂故障检测的$\mathrm{L}_{1/2}$-LR正则化模型．实验结果表明，在脉动风和受电弓共同作用工况下，所得到的检测方法对吊弦断裂检测的准确率可达97.25%．本文提出的基于EEMD的$\mathrm{L}_{1/2}$-LR模型，具有变量选择作用，发现只需采集承力索跨中位置处的垂直加速度和水平加速度，分别计算其能量熵、平均熵，便可以很高的精度和计算效率检测跨中吊弦是否断裂．     

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。     

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。     

液压系统故障特征提取方法研究

针对液压系统故障特征不清楚、诊断特别困难的难题,提出利用EEMD分解与相关性分析相结合的液压系统故障特征提取方法。首先用EEMD分解液压故障信号得到一组IMF分量,从中筛选出与故障信号自身相关系数大的IMF分量作为一组故障的候选IMF分量集;再在故障信号的IMF分量中筛选出与正常信号相关系数小的IMF分量,作为另一组故障的候选IMF分量集;两组候选IMF分量集的交集确定原故障信号的主要故障特征IMF分量,作自功率谱分析即可得到所提取IMF分量包含主要故障特征频率,并通过所提取IMF分量与正常信号的互功率谱验证特征提取的正确性。用该方法准确提取出液压实验台泄漏故障特征IMF分量以及故障特征频率。     

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。     

基于EEMD能量熵的齿轮接触疲劳试验点蚀分析

为了研究大模数合金钢齿轮采用单齿表面感应淬火热处理工艺后的接触疲劳特性,进行了相应的齿轮接触疲劳试验。采用总体平均经验模态分解(EEMD)将采集的振动信号分解,并计算其能量熵,进而分析试验过程中能量熵值变化情况,以及其与齿面点蚀情况的对应关系;从而可以将能量熵值作为一个辅助性指标来判断齿轮是否点蚀失效,完善齿轮接触疲劳试验点蚀失效的判据,为齿轮疲劳寿命预测提供基础试验数据。     

基于EEMD、模糊熵和SVM的齿轮故障诊断方法

齿轮故障信号具有不平稳特性,故障信号特征向量难提取,典型的齿轮故障数据样本少。针对这些问题,提出基于总体平均经验模式分解(EEMD)、模糊熵和支持向量机(SVM)相结合的诊断方法。首先通过传感器采集得到加速度信号,然后,通过EEMD降低模态混叠,并将加速度信号分解成多个稳定的本征模态函数信号(IMFs)。其次,利用模糊熵能够表现信号复杂程度并且稳定的性质,取多个稳定IMFs的前几项计算模糊熵。因为SVM能够在小样本集情况下建立决策规则,所以将IMFs的前几项模糊熵值作为特征向量输入SVM训练。最后,SVM算法与常用神经网络比较,对样本训练、测试并诊断故障,说明SVM算法优于神经网络。齿轮故障诊断实验结果表明,所提出的方法诊断准确率达92.5%,可实现齿轮故障信息提取和齿轮故障的有效诊断。     

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...     

基于EEMD与多分辨SVD的电能质量信号自适应去噪方法

针对电能质量信号去噪问题,提出一种基于集合经验模态分解(EEMD)与多分辨奇异值分解(MRSVD)的自适应去噪新方法。首先对原始含噪信号进行EEMD分解,并对所得固有模态函数按设定阈值进行筛分;然后对符合处理条件的模态函数进行合适层数的二分递推SVD分解,得到相应的近似分量;最后利用处理后分量进行信号重构,完成去噪。通过利用电压暂降信号进行仿真,证明该方法去噪效果较好,且具有自适应性,能有效保留原始信号的特征信息,为电能质量信号去噪提供了新思路。     

基于信号分析与神经网络的人民币汇率预测模型研究

在人民币持续升值的趋势下,外汇风险管理的重要性不言而喻。因此采用科学有效的方法来预测和优化汇率预测模型具有重要意义。本文根据汇率模型的特点选择综合的时频信号分析和神经网络模型分析方法,对人民币汇率的价格水平进行了前期的数据分析和处理,利用EEMD方法进行了有效信号筛选和重构,利用神经网络进行了人民币汇率的价格水平的预测,模型准确反映了波动变化的趋势,验证了本预测方法的有效性,为外汇管理规避市场风险,应对利率、汇率波动带来的影响具有重要的现实意义。