基于EMD和RBF的隧道围岩监测数据分析

文章针对隧道围岩监测数据中含有大量随机误差的问题,基于经验模态分解和奇异谱分析的基本思想,提出了一种对监测数据进行降噪处理的方法,该方法首先将监测时间序列分解为多个固有模态函数,并形成特征矢量矩阵,然后根据该矩阵的奇异谱选择最优的重构阶数对固有模态函数进行重构,从而消除或削弱随机误差的干扰.以某隧道的围岩监测数据为例,...     

基于小波降噪和EMD方法的风力发电系统齿轮箱故障诊断

将小波降噪和经验模态分解相结合,提出一种风电机组齿轮箱故障诊断的方法。先对齿轮故障振动信号进行小波降噪预处理,再进行经验模态分解,对包含故障特征的固有模态函数用Hilbert变换得到包络谱,通过对包络信号做功率谱分析,提取故障特征频率,与未降噪信号处理的结果进行比较,降噪后诊断效果明显。     

基于非局部均值去噪和快速谱相关的滚动轴承早期故障诊断方法

针对如何从非线性、多分量、强背景噪声的滚动轴承早期故障振动信号中有效提取出微弱故障特征并准确判断故障类型,提出基于非局部均值去噪和快速谱相关的故障诊断方法。首先利用非局部均值去噪算法对原始振动信号进行降噪预处理,提高信号信噪比。然后,对降噪信号进行快速谱相关分析,增强信号中的周期成分,获得快速谱相关谱及其对应的增强包络谱。最后,将增强包络谱中幅值突出的频率成分与故障特征频率进行对比,判定故障类型并实现故障诊断。使用本文提出方法对仿真故障信号、实验故障信号进行分析。研究结果表明:相较于快速谱相关方法、谱峭度结合非局部均值去噪方法以及非局部均值去噪结合经验模态分解方法,本文提出方法可以抑制轴承早期故障振动信号中的背景噪声,有效提取出微弱故障特征,准确判断故障类型,避免出现误诊。     

经验模态分解的时频分析方法及其应用

研究了经验模态分解与希尔伯特变换相结合提取信号特征参数的方法,并对其性能进行了分析。给出了经验模态分解时频特性分析方法及步骤,并用该方法对瞬态信号特征提取及信号趋势提取进行了研究,仿真实验验证了该方法的可行性和有效性。将经验模态分解时频分析方法应用于信号的趋势提取领域,验证了此时频分析方法的有效性以及反映信号局部时频特征的独特优点。     

采用小波包树能量矩阵奇异值分解的局部放电模式识别

为了从局部放电信号电磁波大量冗余的频率信息中提取有效的局部放电特征参量,提出了采用小波包和奇异值分解相结合的能量特征提取方法。该方法从大量小波包树节点的能量信息中提取了一组能量特征参量用于局部放电类型识别,首先对4种放电类型的电磁波信号进行小波包分解,计算每个小波包节点系数的能量,接着采用奇异值分解法从小波包树所有节点的能量信息中提取奇异值较大的一组参量,利用这组参量建立识别模型,最后使用支持向量机对4种变压器典型放电类型进行识别。结果表明,小波包树能量矩阵奇异值分解可以从包含有大量无效和冗余频率信息的电磁波信号中提取能量特征参量,从而进行局部放电识别。研究内容可为局部放电类型识别提供一种有效的特征提取方法。     

基于EMD-SVD的声发射信号特征提取及分类方法

针对胶合板损伤声发射(AE)信号的非平稳性和损伤类别特征相互重叠的实际情况,提出了基于经验模态分解(EMD)和奇异值分解(SVD)相结合的信号特征提取与识别方法.首先对AE信号进行EMD分解,运用互相关系数和方差贡献率筛选出包含主要信息的本征模态函数(IMF)分量;其次对各IMF分量构建的初始特征矩阵进行SVD分解,将得到的奇异值作为表征各损伤信号的特征向量;最后建立Mahalanobis距离判别函数对各损伤信号进行识别分类.五层胶合板损伤的实测数据表明,该方法能够方便地提取出AE信号特征并对其损伤类型进行有效的识别.     

基于小波变换和奇异值分解的模态参数识别方法

提出了一种新的基于小波变换和奇异值分解相结合的结构模态参数识别方法.该方法首先对环境激励下的结构加速度响应信号进行互协方差分析,得到时域互协方差响应,通过小波变换将互协方差响应转换到时频域中得到信号的时频系数并沿每一个尺度点提取协方差响应的小波系数阵,然后对提取的小波系数阵进行奇异值分解得到奇异值和奇异向量,最后从重组的奇异值和奇异向量中识别出结构的模态参数.文章对提出的方法进行了理论证明,通过三自由度系统的数值算例验证了该方法的可行性,表明与直接小波变换方法相比,其识别结果精度更高.     

基于EMD和SVD特征提取的通信辐射源个体识别方法

为改善通信辐射源指纹特征提取算法抗噪声及干扰能力差导致的对通信辐射源个体分类识别率低和稳定性差的问题,提出了一种基于经验模态分解和奇异值分解特征提取的方法.通过对信号进行经验模态分解,来克服噪声对指纹特征提取的影响,经希尔伯特-黄变换和奇异值分解实现对通信辐射源信号的指纹特征提取,结合支持向量机算法完成对通信辐射源的个体识别,从而提高了分类识别的正确率,经过对4类辐射源信号的实验验证表明识别效果具有明显提升.     

奇异谱分析在GPS站坐标监测序列分析中的应用

利用SSA(奇异谱分析)对测站坐标时间序列进行数据处理,包括数据补缺、趋势项和周期项的识别和提取.奇异谱分析是一种从时间序列的动力重构出发并与经验正交函数相联系的统计技术,可以较好地从含噪声的有限尺度时间序列中提取趋势和周期等信息,目前已应用于多种时间序列的分析中.将奇异谱分析的优点应用到GPS时间序列分析中:利用奇异谱分析对中国地壳运动观测网络GPS数据服务提供的测站坐标(NEU)时间序列(以BJFS(北京房山)站为例)进行补缺,各向插补的均方误差均为mm级;根据降噪重构序列提取坐标时间序列中的趋势成分(N方向-11.688 mm·年-1,E方向29.585 mm·年-1,U方向2.557 mm·年-1)和周期成分(N,U方向上存在年周期和半年周期,U方向上还存在着1.5年和0.25年左右的周期,E方向上只存在年周期);对完整序列进行重构降噪,即从原始序列中提取有用信息而丢弃一些干扰信息,起着平滑作用.试验结果表明,BJFS站的各方向上均存在显著的变动周期和明显的趋势,也有较多的噪声信息.     

混合谱动态测试信号综合分析法

提出的混合谱动态测试信号综合分析法 ,是经典谱分析方法和现代谱分析方法的综合应用 ,即先用奇异值分解法确定混合谱信号中的谐波数 ,然后用FFT法逐个分离谐波分量 ,最后用线性回归分析方法同步分离非周期信号和随机信号分量 .还给出了“综合分析法”的数学模型 ,并通过计算机仿真证明了该方法可高精度地辨识和分离测试信号中不同特性的信号分量 ,是一种用计算机自动处理一般几何量动态测试信号的有效方法     

VMD参数优化及其在轴承故障特征提取中的应用

针对群优化算法对变分模态分解所需模态数和二次惩罚项参数寻优效率较低的问题,提出了快速局部均值经验模态分解的信号预处理方法.对预处理后的模态分量根据相似系数准则进行模态数预估,同时利用多评价指标选择二次惩罚参数.针对VMD对故障信号中存在的固有振动高频带分解效果较差的问题,利用自相关能量函数实现降噪和减小高频带的影响.通过仿真实验和实测轴承故障数据分析,并与群优化算法选择参数以及中心频率相近选取模态数的VMD分解效果相比,该方法能有效提取故障信号的特征频率.      

基于模拟机匣的中介轴承微弱故障特征提取技术

中介轴承是航空发动机支承传动系统中的重要零件,其运行状态直接影响航空发动机的工作状态和运行安全。围绕航空发动机中介轴承微弱故障特征信号提取的问题,以振动信号分析和处理为基础,开展航空发动机中介轴承微弱故障特征信号提取实验。仿照某型涡扇发动机机匣结构设计加工了模拟机匣,用来模拟振动信号的复杂传递路径。基于包络谱分析和经验模态分解（Empirical Mode Decomposition）包络谱分析处理振动信号,对比二者对滚动轴承微弱故障特征信号的提取效果。实验结果表明,在中介轴承微弱故障特征信号提取中,模拟机匣可以有效地模拟振动信号的复杂传递路径,EMD包络谱分析法比单一采用包络谱分析的方法能够更加明显有效地提取中介轴承微弱故障信号。     

基于EEMD的奇异谱熵在旋转机械故障诊断中的应用

针对旋转机械振动信号的非平稳、非线性等特点,提出一种基于集合经验模式分解(EEMD)的奇异谱熵信号分析及故障诊断方法.该方法利用EEMD有效抑制模式混叠现象的优点,首先对原始振动信号进行EEMD分解,得到各阶本征模态函数(IMF),然后将各阶IMF分量构成一个特征模式矩阵,并对该特征模式矩阵求奇异谱熵值.奇异谱墒值的大...     

EEMD-SVD方法及其在高速列车滚动轴承故障诊断中的应用

结合聚合经验模态分解(Ensemble empirical model decomposition,EEMD)优秀的非平稳信号分解能力和奇异值分解(Singular value decomposition,SVD)的强去噪能力,提出了一种高速列车滚动轴承故障检测的新方法。该方法是应用EEMD对轴承轴箱位置的振动信号分解得到基本模式分量(Intrinsic Mode Function,IMF),对IMF矩阵做SVD得到正交化结果,分别利用各奇异值重构信号,应用各特征信号的Hilbert包络解调处理得到的包络谱诊断轴承故障类型。利用仿真信号数据和人工伤轴承试验数据对该方法进行验证,结果表明,该方法能有效提取轴承的故障特征信息,特征波形清晰准确,相比传统EEMD方法,在强噪声干扰时故障特征的诊断能力得到了显著提高。     

基于模态重构与多维评价的时间序列趋势提取

为了准确提取时间序列的趋势特征，提出一种基于模态重构与多维评价的时间序列趋势提取算法。定义重要点作为时间序列分段点的候选集，运用自适应噪声的完备经验模态分解方法对时间序列进行分解和模态重构得到全局因子，使用全局因子度量重要点在整体维度上的重要程度，给出特征因子和边界因子的定义并分别用来度量重要点在单点维度和局部维度上的重要程度，根据3个评价因子综合评价重要点来选取分段点。仿真实验结果表明，该方法具有良好的去噪能力，在相同压缩率情况下的拟合精度比现有方法高，在对心电图趋势提取的实验中也验证了方法的有效性。     

基于四元数理论与流形学习的多通道机械故障信号分类方法

提出一种基于增广四元数矩阵奇异值分解与流形学习正交邻域保持嵌入算法的多通道机械故障信号分类方法,通过引入四元数来耦合4个通道信号,并且利用四元数乘方的性质对数据进行增广处理,充分利用各通道信息并挖掘通道之间的相关性,从而减少因故障特征信息丢失对分类结果的影响。此外,针对传统奇异谱分析提取特征参数的分类效果受噪声影响较大的问题,引入正交邻域保持嵌入算法对奇异值序列进行维数约简,最后使用分类器完成故障分类。对仿真信号的分类结果表明,在强噪声背景下,相较于单通道奇异谱分析方法和机械故障信号中常用的排列熵方法,本文提出的方法分类效果更好。将其应用于更为复杂的实测轴承故障信号的分类与识别中,同样有着较好的效果。     

基于奇异值分解的液压缸动态特性分析新方法

针对经验模态分解(EMD)方法、数学形态法和经验模态分解(MM-EMD)方法在处理液压缸油压波动信号时产生模态混叠的缺点,提出了一种基于奇异值分解(SVD)的液压缸动态特性分析的新方法。首先,在相空间对周期性冲击力作用下的液压缸油压波动信号进行重构,得到合适的特征矩阵;然后将特征矩阵进行奇异值分解,获得奇异值序列和多个可线性叠加的分量信号;最后,根据奇异值分布规律、分量信号特点和油压波动模型,将分量信号进行分类和重组,提取能够反映液压缸动态性能的自由振动分量。试验结果表明,基于奇异值分解的液压缸动态特性分析新方法提取的自由振动分量,能够避免模态混叠,保留了更多的信号细节,为评价液压缸动态性能提供可靠的依据。     

基于功率谱的扎龙湿地降水周期分析

降水等时间序列往往存在周期性波动的特征,其周期的识别和提取通常采用谱分析方法从频域角度进行分析。基于谱分析中的功率谱原理对扎龙湿地1951~2008年的降水时间序列进行分析。结果表明,该地区存在3年左右的降水周期;研究也表明功率谱对于短周期的识别比较稳定和准确,最大时滞主观选择的不同会造成不同长周期的识别和提取,产生虚假的周期。     

基于改进EMD的船舶液舱液位测量方法及数据分析

分析了自由浮态下提高液位测量精度的方法,然后针对采集到的非平稳液位信号,提出了一种改进的局部经验模态分解(empirical mode decomposition,EMD)方法进行滤波处理,去除信号中各瞬时频率成分,提取信号的平均趋势,并计算液位有效高度.仿真结果表明,采用改进后的局部EMD方法能有效地提高分解精度,实验数据的分析表明提出的液位测量方法是可行的,具有工程应用价值.     

基于EMD和SVD的在线手写签名特征提取方法

为使在线手写签名认证的使用更具实用性,提出了一种基于经验模态分解(EMD)和奇异值分解(SVD)的在线手写签名特征提取方法.针对在线签名数据的坐标信息,以EMD分解所得的本征模态函数(IMF)分量为初始矩阵,并进行矩阵奇异值分解,以奇异值的能量值作为样本数据的特征分量构成用户特征向量,建立了基于支持向量数据描述(SVDD)的一类认证模型验证该方法效果.在SVC2004签名数据库上的实验结果表明:该方法提取的签名特征区分明显,使用少量的单类真实签名作为训练样本,得到FAR=3.38%,取得了较好的认证识别效果.