一种抑制EEMD端点效应的改进SVR方法

针对总体平均经验模式分解(EEMD)中存在的端点效应问题,考虑到极值延拓只利用端点附近的值、基于数据点的支持向量回归机(SVR)延拓耗时长的缺点,将极值延拓和SVR数据预测延拓结合起来,提出了一种基于极值点的SVR延拓新方法。该方法通过找出信号中的所有极值点,先将端点附近的极值点作为SVR训练样本对信号极值点幅值进行延拓,并利用原信号所有相邻极值点时间尺度之差的平均值来控制延拓极值点的形状,再利用埃尔米特插值将延拓的极值点插值成所需要的数据点完成对信号的延拓。方法既参照了信号两端的变化趋势,又综合考虑了整个数据序列内部极值点的信息。通过仿真信号和对端点效应影响严重的实测液压故障信号分析表明,基于极值点的SVR延拓方法不仅提高了EEMD分解的精度和可靠性,有效地抑制了端点效应现象,解决了端点效应引起的分解失真问题,而且大幅减少了SVR延拓需要延拓的数据点,明显缩短SVR延拓的时间,提高了方法的实用性。     

EMD端点效应抑制方法

针对经验模态分解(empirical mode decomposition,简称EMD)中的端点效应问题,在研究总结了现有端点效应抑制方法的基础上,提出一种新的方法——基于支持向量机(support vector machine,简称SVM)延拓和窗函数相结合的方法,弥补了SVM延拓依然找不到端点以及窗函数会改变原始信号的缺点。首先,采用SVM对原始信号两端分别进行延拓,将延拓后的数据进行加窗处理(中间加矩形窗,延拓数据加海明窗);然后,利用EMD方法对加窗后的信号进行分解,得到若干个内禀模态函数(intrinsic mode function,简称IMF);最后,将IMF分量的两端延拓部分去掉,以此来达到抑制端点效应的目的。以正交性为量化评价指标,对比分析了不同方法的性能,通过仿真和实验结果表明,该方法可以更好地抑制端点效应的发生。     

新型经验模式分解端点效应消除方法

对经验模式分解(Empirical mode decomposition, EMD)的端点效应进行深入分析,指出现有延拓方法的不足,对基于正弦函数延拓的方法进行改进,分析不同的延拓周期、延拓信号长度及信号端点值对EMD分解的影响,并与镜像延拓EMD分解方法进行了分析比较。在此基础上,提出一种基于指数正弦型延拓方法的EMD分解,它从原理上减小了延拓信号端点包络线的发散程度,从而提高了EMD分解精度和速度,并对其进行了仿真分析。研究结果表明,新的延拓方法优于传统的延拓方法,能较好地抑制EMD端点效应。     

EMD端点效应抑制方法仿真比较与实例分析研究

基于经验模态分解的希尔伯特-黄变换分解会产生端点效应,现已提出了诸多的端点效应抑制方法。首先引入了端点效应问题,介绍了镜像延拓法、平行延拓法、极值延拓法、多项式拟合延拓法原理;提出延拓方法评价指标,采用仿真信号对四种抑制方法进行了对比分析,得出镜像延拓法是相对最优的处理方法;采用基于4种端点延拓方法改进的经验模态分解方法对凯斯西楚大学轴承故障数据依次进行处理;最终通过仿真分析与实例故障诊断均验证了镜像延拓法在解决端点效应问题方面的相对最优性。     

HHT端点效应的最大Lyapunov指数边界延拓方法

针对HHT(Hilbert-Huangtransfrom)的端点效应问题,提出基于最大Lyapunov指数预测模型的HHT边界延拓方法.该方法通过相空间重构,并利用时间序列相似点的演化行为,采用最大Lyapunov指数预测模型来对时间序列的端点进行预测,有效避免了不同边界条件的三次样条插值和Hilbert变换频谱泄露对...     

基于支持矢量回归机的Hilbert-Huang变换端点效应问题的处理方法

Hilbert-Huang变换的端点效应表现在两个方面,对信号进行经验模态分解(Empirical mode decomposition, EMD)和对各个内禀模态函数(Intrinsic mode function,IMF)进行Hilbert变换时都会产生端点效应。为了克服 Hilbert-Huang变换中的端点效应,采用支持矢量回归机对信号延拓后再进行经验模态分解,该方法可以有效地克服EMD方法的端点效应问题,得到具有物理意义的内禀模态函数;然后再次采用支持矢量回归机对IMF分量进行延拓后进行Hilbert变换,可有效地抑制Hilbert变换中的端点效应,获得准确的瞬时频率和瞬时幅值,从而得到具有物理意义的Hilbert谱。对仿真和实际信号的分析结果表明,基于支持矢量回归机的数据序列延拓方法能有效地解决Hilbert-Huang变换中存在的端点效应问题,而且其效果优于基于神经网络的数据序列延拓方法。     

基于时间序列差分特性的LMD端点效应处理方法

局部均值分解方法在计算过程中会使信号在端部产生端点效应,为减弱LMD中存在的端点效应,提出了一种基于信号时间序列差分特性的端点延拓方法。将信号曲线看作一段离散函数,利用该函数段末端的一阶差分和二阶差分的符号判断曲线的特征和发展趋势,根据具体情况判定所延拓极值点的值。使用该方法对仿真信号和实验轴承外圈故障和内圈故障信号进行了分解,并将其结果与镜像延拓改进的LMD方法分解的结果进行了对比。该方法在分解中的良好表现验证了其在信号分析中的有效性。     

单导癫痫脑电模糊特征提取的支持向量机发作预测

为了寻找一种通过单通道脑电分析实现癫痫发作预报的新方法,提出了一种基于经验模式分解模糊特征提取的支持向量机二分类预测模型。对7名受试者发作前的各导脑电信号进行经验模式分解,提取各本征模式函数分量的模糊特征向量,将其作为支持向量机的输入进行分类.研究表明,系统预测准确度与导联选择有关,但与支持向量机所用的核函数关系不大。最佳导联选择条件下,所提出的方法在预测癫痫发作时的表现为:准确度为82.8～87.1%,特异性为86.7～91.9%,敏感性为74.6～81.3%范围。     

基于综合型模糊支持向量机的故障诊断方法及应用

设备信息和故障的不确定性、模糊性及故障样本的缺乏给故障诊断带来了较大的困难.针对该问题,分析了现有模糊支持向量机的原理和优缺点,提出了一种综合型模糊支持向量机.该模糊支持向量机既可以处理样本含有模糊信息的情况,又可以解决支持向量机分类中存在的不可分问题.然后,提出了基于综合型模糊支持向量机的故障诊断方法,并在某电路系统故障诊断中开展了应用研究.应用结果表明,该诊断方法在设备状态存在模糊性和故障样本较少的情况下,与现有模糊支持向量机诊断方法相比,实现了较准确的故障诊断.     

基于支持向量机的离心泵故障诊断方法研究

简要论述了支持向量机的原理，介绍了几种支持向量机的多类分类算法，最后将它们应用于离心泵的故障诊断进行比较，获得了令人满意的效果。     

利用Kriging预测模型的EMD端点延拓

结合端点效应的产生机理和关于端点效应的现有研究成果,提出了一种基于Kriging预测模型的抑制EMD端点效应的新方法.通过计算信号及其包络线的最优线性无偏预测,将信号的上、下包络线进行延拓,从而最大化地逼近原始信号两端点,并将未延拓的分解结果、基于镜像延拓法得到的结果和基于Kriging预测延拓法得到的结果进行对比分析.仿真算例和试验结果表明,基于Kriging预测模型的延拓方法抑制EMD端点效应的效果最优,能够精确反映信号特征,有利于准确提取结构的模态参数,提高运算效率.     

基于极值符号序列分析的EMD端点效应处理方法

针对经验模式分解(empirical mode decomposition,简称EMD)的端点效应提出一种新的抑制方法。考虑到极值序列在EMD分解的包络线形成中占有主导地位,将信号局部极值序列进行符号化,根据符号特征进行特征匹配,在信号两端依据符号序列特征匹配结果进行符号序列拓延与对应信号还原,对拓延还原后的信号进行EMD分解以实现端点效应抑制。所提方法对于随机信号与周期信号都有着明显的抑制效果,通过对仿真信号和轴承故障信号端点效应的分析验证了方法的正确性。研究与ARMA模型、BP神经网络、镜像拓延等常见方法进行了对比,所提方法的各分量有效值指标均值为19.64%,低于其他方法,说明对低频分量有着更好的抑制效果。     

支持向量回归法在抽油机系统效率信号经验模式分解中的应用

应用经验模式分解(EMD)方法分析抽油机系统效率变化的趋势项。讨论了EMD方法的端点效应。为了解决EMD的端点效应,首先应用支持向量回归(SVR)方法对抽油机系统效率测试数据进行回归和预测,与实测数据对比表明SVR回归和预测具有较高精度;然后应用SVR方法对系统效率测试原始数据进行双边延拓,对延拓后的数据信号进行经验模式分解。延拓前后分解所得的效率变化趋势对比表明,SVR方法可以有效地解决EMD的端点效应,提高抽油机系统效率变化趋势的预测精度。     

Volterra模型预测在EMD端点延拓中的应用

经验模态分解(empirical mode decomposition,简称EMD)的端点效应使得EMD分解结果产生严重失真,为了减小端点效应在分解过程中产生的影响,将混沌序列模型引入EMD,提出采用Volterra模型解决分解中产生的端点效应问题。论述了基于Volterra模型的数据延拓技术原理,即先对原始数据进行Volterra建模,然后利用该模型对数据进行延拓。该方法使端点处的延拓更加合理,从而使得三次样条曲线在端点处不会发生大的摆动,实现了准确的EMD分解。通过对仿真信号的研究表明,延拓抑制了分解的端点效应。把该技术应用于转子横向裂纹振动信号的EMD分解中,取得了良好效果。     

基于EMD和支持向量机的柴油机故障诊断

为了解决传统小波或小波包变换方法对柴油机振动信号频率分辨率不高、易受邻近谐波分量间交叠影响的缺陷,提出了一种基于经验模态分解和支持向量机的故障诊断方法。该方法首先对振动信号进行经验模态分解,分别提取能量最大的几个基本模式分量的小波包特征;然后采用支持向量机在每个独立的特征子集中进行训练,并按该子集对应的基本模式分量的能量权重进行加权融合。试验中将该方法应用于6135型柴油机的故障诊断,结果表明,针对每个基本模式分量分别进行故障分析是可行的,能够对6135型柴油机常见故障模式进行准确识别。     

基于经验模分解和最小二乘支持矢量机的装载机载质量动态测量混合建模方法

针对同时实现装载机载质量动态测量的高精度和快速性这一复杂问题,在基于动力学分析所给出的测量方法的基础上,给出一种实现高精度快速性装载机载质量动态测量的混合建模方法,该方法采用经验模分解(Empirical mode decomposition,EMD)作为实测信号的前端处理应用,用于从动态暂态测量信号中提取有效信号;采用最小二乘支持矢量机(Least squaresupport vector machines,LS-SVM)对动态和不确定性因素进行自学习,实现载质量动态测量的速度补偿;同时为使最小二乘支持矢量机发挥最优性能,采用贝叶斯证据框架对其参数进行推断优化:最后,通过比例线性计算方法获知待测载质量值.仿真分析和试验结果表明,按照所建立的混合建模方法进行载质量动态测量其测量精度可稳定在l%以内,验证了该方法的有效性.     

改进的经验模式分解在机械故障诊断中的应用

针对经验模式分解(empirical mode decomposition,简称EMD)在工程应用中存在的端点效应和模式混叠问题,提出了一种改进的EMD方法。首先,利用遗传支持向量回归对短信号进行延拓;然后,采用改进的包络拟合方法并结合总体经验模式分解(ensemble empirical mode decomposition,简称EEMD)处理信号,数值仿真结果验证了该方法能够有效抑制端点效应和模式混叠;最后,利用该方法并结合包络解调对滚动轴承内圈故障信号进行实验与分析。结果表明,与EMD相比,该方法可以更有效地提取故障特征,满足机械设备故障诊断工程实际需求。     

基于CEMD的燃油消耗率提取方法

针对飞参系统记录的剩余燃油信号量化噪声较大且呈非线性、非平稳性的特点以及经验模态分解(empirical mode decomposition,简称EMD)中存在的模态混叠给燃油消耗率提取带来的问题,提出了基于复数据经验模态分解(complex empirical mode decomposition,简称CEMD)的燃油消耗率提取方法。首先,提取记录信号中的关键信息,并利用非线性支持向量回归构造与真实信号形态上接近的模拟信号;然后,在CEMD中利用模拟信号来指导记录信号同步分解以减小模态混叠;最后,从分解结果中估算真实的剩余燃油信息并对其求一阶导数得到燃油消耗率。仿真结果表明,该方法相对于其他方法具有明显的性能优势,可以提取出精确的燃油消耗率参数。     

EMD方法在烟机摩擦故障诊断中的应用

提出了一种将经验模式分解（Empirical Mode Decomposition，简称EMD）方法与传统信号处理技术相结合的故障诊断方法。首先将原始信号分解为若干基本模式分量（Intrinsic Mode Functions，简称IMFs），通过希尔波特变换得到每个IMF相应的瞬时频率，再对此瞬时频率曲线做傅里叶变换得到其频谱图，该频谱图即表示了对应IMF的调频频率。利用对应IMF组合成基于EMD的滤波轴心轨迹，这种轴心轨迹可以准确反映轴心的实际运行状况。将该方法应用于某炼油厂烟机摩擦故障诊断中，发现摩擦故障信号具有有色噪声分量存在、工频IMF的调频现象和基于EMD轴心轨迹的反转现象等特征。结果表明提出的方法在旋转设备摩擦故障诊断中非常有效。     

基于经验模态分解的转子启动波德图绘制

提出利用经验模态分解的方法来绘制转子启动的波德图。此波德图能够准确地体现转子启动的动态信息,从而克服了手工绘制波德图时由于间断采样使得数据在临界转速不准确的缺点。同时,针对经验模态分解的边缘效应,采用了一种基于等斜率的新方法,即增加极值点的斜率和临近极值点的斜率相等,与其它的边缘值处理方法相比较,该方法不仅利用了信号的内部特征,而且拥有计算简单的优点。