基于EEMD能量熵和支持向量机的轴承故障诊断

提出了一种基于总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和支持向量机(Support Vector Machine,SVM)的轴承故障诊断方法。首先通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);轴承发生不同的故障时,信号在不同频带内的能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断轴承的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于轴承的故障诊断。     

EEMD和TFPF联合降噪法在齿轮故障诊断中的应用

为了消除噪声对齿轮传动系统故障特征提取的影响,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)和时频峰值滤波(time-frequency peak filtering,简称TFPF)相结合的降噪方法。针对TFPF算法在窗长的选择方面受到限制的问题,采用了EEMD方法对其进行改进,使得信号在噪声压制和有效信号保真两方面得到权衡;含噪声的信号经过EEMD分解后,得到一系列频率成分从高到低的本征模态函数(intrinsic mode functions,简称IMFs),计算出各IMFs间的相关系数,判断需要滤波的IMFs。对不同的IMFs选择不同的窗长进行TFPF滤波,把过滤后的IMFs和剩余的IMFs重构得到最终的降噪信号。用模拟仿真信号和齿轮齿根故障信号对该方法进行验证,可见EEMD+TFPF能有效地去除噪声,成功提取齿根裂纹故障特征。     

一种非平稳非线性频谱占用度时间序列分析方法

针对传统频谱占用度分析模型由于未考虑序列的非线性非平稳特性,导致无法准确描述频谱占用度特性的问题,该文提出将集合经验模式分解(EEMD)方法与人工神经网络(ANN)的方法结合应用于频谱占用度时间序列建模方法中,采用EEMD+ANN的频谱占用度序列建模和预测方法.首先应用EEMD分解算法把原始频谱占用度时间序列分解成不同尺度的基本模态分量,再根据不同尺度的基本模态分量分别构建ANN模型,提高了模型针对复杂频谱占用度时间序列的学习能力.结合实测数据分析,表明该模型相对传统频谱占用度模型具有更高的拟合和预测精度,验证了该方法的正确性与有效性.     

不同生弧原因下串联型故障电弧实验研究

串联型故障电弧是供电系统的常见故障,会严重影响供电可靠性,甚至引发供电安全事故。在搭建低压串联型故障电弧实验平台的基础上,以三相异步电机和三相变频器为实验负载,针对接触松动和机械振动两种原因引起的串联型故障电弧开展实验研究。利用集合经验模态分解EEMD(ensemble empirical mode decomposition)方法将实验电流信号分解为若干本征模态函数IMF (intrinsic modal function);选取前4阶IMF组成初始向量矩阵,对其进行奇异值分解SVD(singular value decomposition);构建以奇异值平均值为特征量的特征向量,从而获得了不同生弧方式下串联型故障电弧电流信号在奇异值大小上的变化规律。研究结果表明,对不同生弧原因引起的故障电流信号,将经EEMD分解得到的前4阶IMF分量的奇异值作为串联型电弧故障的特征量是可行的。     

基于峭度原则的EEMD-MCKD的柔性薄壁轴承故障特征提取

谐波减速器用柔性薄壁轴承运行过程中因内圈长、短轴交替产生周期性冲击成分。当柔性薄壁轴承发生故障后,这种正常的周期性冲击成分和因故障引起的冲击叠加在一起,使得其故障特征提取难度很大。针对这一特点,提出基于峭度原则的EEMD-MCKD的柔性薄壁轴承故障特征提取方法。首先使用集成经验模态分解算法(EEMD)对信号进行预处理,选用峭度原则滤除信号中的无关分量和冗余分量,重构筛选后的固有模态分量(IMF)得到EEMD重构信号;在此基础上,针对柔性薄壁轴承振动信号特点进行MCKD算法进行参数优化,利用参数优化后的MCKD对EEMD重构信号进行提取。运用此方法对实测柔性薄壁轴承外圈故障振动信号进行特征提取,结果表明,准确提取到了清晰的故障特征频率。将提取效果与单一EEMD算法和MCKD算法进行对比分析,EEMD-MCKD算法提取效果更佳。     

基于 EEMD 能量矩与 ISSA-SVM 算法的 GIS 局部放电类型识别方法

为有效识别气体绝缘开关组合电器(gas insulated switchgear, GIS)局部放电(partial discharge, PD)类型,进而保障设备安全稳定运行,提出了一种基于集合模态分解(ensemble empirical mode decomposition, EEMD)联合能量矩与改进麻雀群搜索算法优化支持向量机(improved sparrow search algorithm-support vector machines, ISSA-SVM)算法的GIS局部放电类型识别方法。首先搭建能产生4种局部放电类型效果的GIS局部放电实验平台,以获取4种局部放电信号,然后利用EEMD联合能量矩算法分别对4种局部放电信号进行模态分解与特征向量提取,最后利用经ISSA算法优化后的SVM算法对GIS局部放电类型进行识别。实验结果表明,所提方法可有效识别GIS不同局部放电类型,且较PSO-SVM与SSA-SVM算法识别精度分别提高了16.7%与8.5%,验证了所提GIS局部放电类型识别方法的有效性以及优越性。     

洞庭湖流域极端降水变化特征分析

随着极端降水事件变率增强,洞庭湖流域频繁的极端洪旱事件严重威胁了地区人水和谐。基于洞庭湖流域28个国家气象站1961-2015年的逐日降水资料,采用RClim Dex模型定义阈值来识别极端降水事件,利用线性倾向估计法和集合经验模态分解(EEMD)组合的方法进一步分析了洞庭湖流域极端降水变化特征,由EEMD方法分解得到的各类极端降水指数的3个固有模态函数分量分别表现出3~6a、8~15a和21~27a的准周期。结果表明:洞庭湖流域极端降水频次峰值出现在6月,4-10月份极端降水频次之和占全年的82.7%,南岳和安化为极端降水高发带。洞庭湖流域除持续湿润日数CWD略有减小外,各项极端降水指数均表现出小幅上升趋势。在空间分布上,该流域东南部受山区地形地貌的影响,极端降水呈明显上升趋势。洞庭湖流域极端降水时空格局变化特征分析对流域水资源开发利用和水安全预警具有重要参考价值。     

基于盲源分离和EEMD的水电机组转子故障诊断研究

转子系统发生振动时产生的信号是多个故障源振动信号的混合,如何分离出混合信号中的各个故障源振动信号,是进行水电机组转子系统故障诊断的关键;针对此问题,采用一种基于EEMD-PCA-ICA的自适应单入多出盲源分离法,通过转子系统故障的实验研究表明,该算法具有很好的分离效果。     

基于CEEMD阈值和相关系数原理的MEMS陀螺信号去噪方法

针对经验模态分解（EMD）方法易产生模态混叠问题,而集成经验模态分解（EEMD）方法又存在重构误差较大的缺陷,提出了一种基于完备集成经验模态分解（CEEMD）阈值滤波和相关系数原理的MEMS陀螺信号去噪方法。首先通过CEEMD方法对陀螺信号进行有效完备的分解,并利用相关系数原理合理确定分解后噪声分量与有效分量的界限。在此基础上,通过借鉴小波阈值处理方式和EMD阈值设置方法,对信号进行阈值滤波去噪。对仿真信号和实际MEMS陀螺信号的研究结果表明,CEEMD阈值去噪方法的去噪效果要优于CEEMD、EEMD、EMD强制去噪方法和小波分析方法。这也充分体现了其在MEMS陀螺信号去噪应用中的可行性和有效性。     

基于EEMD和GA-BP的列车辅助逆变器开路故障诊断研究

地铁列车随着运营年限增加,辅助逆变器故障频发,严重制约轨道交通安全运营,故障及时诊断至关重要。针对列车辅助逆变器典型的大功率器件开路故障,提出了一种基于集合经验模态分解(EEMD)和遗传算法优化的BP神经网络(GA-BP)的故障诊断方法,该方法以辅助逆变器输出的三相半波电压值为监测信号,通过EEMD分解采用能量矩的方法提取故障特征向量,基于GA-BP神经网络实现故障智能诊断。仿真实验结果表明该方法故障诊断准确率能达到95.5%。