CEEMD与KSVD字典训练相结合的去噪方法

本文提出一种完备总体经验模态分解（CEEMD）方法与K奇异值分解（KSVD）学习字典算法相结合的地震信号去噪方法。含噪信号通过CEEMD分解得到一系列不同尺度的固有模态函数（IMF）；按频率由高到低依次排列IMF各分量，并做自相关分析，去除噪声主导的IMF分量；将累加的过渡IMF分量叠加重构并做CEEMD二次分解，通过自相关分析再次去除噪声主导的IMF分量；分别叠加二次CEEMD分解剩余的IMF分量和一次剩余的IMF分量，得到两个新的含噪信号，并利用KSVD过完备字典分别稀疏表示该两个新的含噪信号，即由稀疏系数重构去噪后地震信号，进而重构最终去噪结果。实验结果证明：该算法的去噪效果明显优于F-X去噪、小波阈值去噪和KSVD字典稀疏去噪等传统方法。     

基于CEEMD和WOA_LSSVM滚动轴承声信号故障诊断

针对强背景噪声下滚动轴承故障诊断问题,结合互补集合经验模态分解(CEEMD)与鲸鱼优化算法优化最小二乘支持向量机(WOA_LSSVM)进行滚动轴承的故障诊断研究。首先对声信号进行快速谱峭度分析并进行带通滤波预处理,提取故障冲击成分;其次,利用CEEMD算法将滤波信号进行分解运算,得到一系列模态分量(IMF);再利用相关系数法选取有效IMF分量进行信号重构;再提取重构信号的近似熵、峭度、峰峰值、峰值因子、波形因子作为特征值组成特征向量;最后,将归一化的特征向量输入WOA_LSSVM进行故障类别识别。将该方法用于滚动轴承试验数据,并进行对比试验分析,验证了该方法的有效性,提高了故障诊断的准确率。     

改进的EEMD算法及其应用研究

总体平均经验模态分解（Ensemble EMD,EEMD）虽然能够在一定程度上抑制模态混淆,但计算量较大,添加的白噪声不能被完全中和,不具有完备性。补充的EEMD（Complementary EEMD, CEEMD）成对地添加符号相反的白噪声到目标信号,大大减小了重构误差。论文结合CEEMD和基于排列熵的信号随机性检测,提出了改进的EEMD方法（Modified EEMD,MEEMD）,MEEMD方法在检测出CEEMD分解的异常分量之后,直接进行EMD分解;MEEMD不仅能够抑制EMD分解过程中的模态混淆,而且减小了计算量,缩小了重构误差。通过分析仿真信号和实测信号,结果表明,MEEMD方法有很好的分解效果,对模态混淆有一定的抑制作用。     

CEEMD与小波包单相接地故障选线算法对比

目前,我国矿井供电系统多采用经消弧线圈接地的中性点运行方式,由于消弧线圈的补偿作用,基于稳态分量的选线算法已不再适用,而基于暂态分量的选线算法的选线效果也不理想。因此,以当前两种主流算法为研究对象,对理想信号以及加噪处理后的信号分别进行小波包分解和CEEMD分解,得出两种选线算法在不同情况下的选线结果,并分析了小电流接地系统单相接地故障选线装置选线准确率低的可能原因。通过RTDS进行了大量仿真验证,结果表明小波包算法在非理想状况下具有更高的可靠性。     

GIL机械故障诊断与预警技术研究

为了有效诊断气体绝缘金属封闭输电线路(GIL)的机械故障,搭建了110 kV GIL试验平台并设计了3种典型机械故障,通过互补集合经验模态分解(CEEMD)模糊熵值与鲸鱼优化极限学习机(WOA-ELM)模型联合方法对GIL机械故障模式进行识别与诊断。首先,利用CEEMD方法对振动信号进行分解,引入正负白噪声组对信号进行处理,得到含有故障信息的模态分量(IMF)。其次,利用模糊熵计算模态分量特征值,得到能表征故障特征的模糊熵值。最后,结合WOA-ELM模型对特征向量集进行模式识别,根据聚类结果与自适应阈值对GIL设备机械故障进行诊断和预警。结果表明,利用CEEMD与模糊熵对GIL振动信号特征进行分析,可以有效避免模态混叠和冗余噪声分量的干扰,得到能够表征故障特征的特征值;利用WOA-ELM模型可以有效实现GIL设备机械故障诊断与预警。     

基于CEEMD和谱峭度的轴承故障诊断

针对共振解调在滚动轴承故障诊断应用中带通滤波器参数选择困难的情况,提出一种互补总体平均经验模态分解方法(CEEMD)与谱峭度相结合的轴承故障诊断新方法。通过实际信号验证了该方法的可行性与准确性。     

基于CEEMD和TEO的电力电缆故障测距方法研究

针对传统希尔伯特黄变换(HHT)中经验模态分解(EMD)在分解过程中存在模态混叠现象,将补充总体平均模态分解(CEEMD)与Teager能量算子相结合.提出一种基于CEEMD和TEO的电力电缆故障行波测距方法,通过CEEMD分解得到故障行波信号的固有模态分量(IMF),采用Teager能量算子得到瞬时能量谱,得到故障初始行波到达检测点时刻.PSCAD/EMTDC仿真结果验证了该方法的正确性,测距精度高.     

基于CEEMD与改进Prony的谐波检测方法

为了解决经验模态分解(EMD)处理非线性非平稳信号的模态混叠现象以及传统Prony方法抗噪性能差的不足。提出基于完全经验模态分解(CEEMD)和改进Prony相结合的谐波分析方法。先将含噪的谐波信号进行CEEMD分解得到固有模态函数,再通过能量门限法对分解的固有模态函数进行阈值去噪。针对原始Prony方法优化了实际阶数和线性预测参数的求解过程。最后将去噪后的谐波分量进行改进Prony变换检测分析。并通过MATLAB仿真实验以及依托三相不可控负载的实测数据验证了该方法能够精确辨识出谐波分量的特征参数且具有良好的抗噪性能,从而为谐波分析提供了一种新思路。     

基于小波降噪和CEEMD的轴承故障诊断

针对滚动轴承故障振动信号难以提取出准确的故障特征的问题,提出了一种基于小波新阈值降噪与互补集合经验模态分解(CEEMD)的轴承故障诊断方法。该方法充分结合了以上2种方法的优点,有效地解决了故障特征提取难的问题。首先构建出新的小波阈值函数,再用此小波阈值降噪,可以有效地消除背景噪声的影响;将降噪后的故障信号用CEEMD方法进行处理,然后重构根据信号的相关系数挑选出的相关性较大的分量;最后将重构信号进行Hilbert变换包络,从包络图中提取故障特征。运用此方法对轴承进行试验分析,结果证实了该方法的有效性和实用性。     

基于改进HHT的矿山微震信号多尺度特征提取及分类研究

针对矿山微震与爆破信号难以识别问题, 提出基于改进Hilbert-Huang变换(HHT)的矿山微震信号识别方法。该方法引入互补集合经验模态分解(CEEMD)对HHT改进, 信号被自适应分解后, 计算IMF分量的偏度、峭度、Hilbert边际谱能量、Lempel-Ziv复杂度以及重构信号的分形盒维数, 运用拉普拉斯得分(LS)对5种时频域特征参数降维, 最后通过遗传算法(GA)优化的支持向量机(SVM)模型, 实现微震信号的分类识别。经400组微震和爆破信号的实例分析验证, 两类信号的5种特征参数均有较大差异, 改进HHT法识别效果优于传统经验模态分解法(EMD)和局部均值分解法(LMD), 且基于改进HHT和GA-SVM分类模型准确率达到95%, 证实了此识别方法的准确性。