基于EEMD-Renyi熵和PCA-PNN的滚动轴承故障诊断

针对滚动轴承故障特征提取与状态监测问题,提出一种基于集合经验模式分解(EEMD)、Renyi熵、主元分析(PCA)和概率神经网络(PNN)的新方法.首先,将轴承振动信号通过EEMD分解成一组本征模态函数(IMF),计算每个IMF分量的Renyi熵值作为表征故障特征的向量,采用主元分析(PCA)对特征降维,提取主元输入概...     

基于EEMD的中国地区1956—2005年日照变化的趋势分析

根据国家气象信息中心给出的逐日日照时数资料,利用集合经验模态分解(ensemble empirical mode decomposition, EEMD)方法,得到中国地区日照时数的非线性趋势变化特征.对各气象台站日照时数的非线性变化趋势类型做了分类以及分区域和季节研究,并与线性趋势进行对比.结果表明:近50年来中国地区绝大部分气象台站(占总气象台站数的67.5%)日照时数呈现下降的趋势,尤其是在中国南部和东北地区,呈现明显的区域特征和季节特征.日照时数的年代际变化整体上在1980年前后出现气候转型,即呈现前期日照较长、后期较短的气候形态     

基于改进的EEMD数据融合方法在轴承故障诊断中的应用

提出一种基于改进的EEMD谱峭度的多传感器联合轴承故障诊断方法,通过多个加速度传感器联合采集振动信号,利用EEMD自适应地将信号分解成多个分量,通过计算每个IMF分量的互相关系数法进行自适应重构以突出故障特征信号;对合成后的信号画快速峭度图,获得峭度最大时的中心频率和带宽;根据快速峭度图自适应确定电子谐振器的参数,并对此合成信号进行谐振增益;对谐振增益后的信号进行Hilbert解调,并与理论计算的轴承故障特征频率比较,从而确定故障部位.通过仿真的故障轴承信号和滚动轴承实验进行了验证,结果表明:该方法对滚动轴承故障的检测精度更高,提取精度和抗噪声能力方面有了明显的改进,对工程实践具有重要的指导意义.     

基于EEMD阈值的MOA避雷器泄漏电流去噪的研究

MOA避雷器泄漏电流中的阻性分量是反映MOA运行状态的有效特征量,但MOA通常运行在强电场和强磁场环境中,MOA避雷器在线监测系统采集的泄漏电流信号必然混叠很多噪声,不经有效的信号去噪即采用,会影响监测系统的信号处理、分析和MOA避雷器故障诊断的准确性。针对MOA避雷器泄漏电流的特点,结合通用阈值(sqtwolog)原则、启发式阈值(heursure)原则、无偏似然估计阈值(rigsure)原则和极值阈值(minimax)原则,提出了总体经验模态分解(简称EEMD)阈值去噪方法。采用均方根值、三次倍频幅值比和去噪后的波形这三个评价标准来判断EEMD阈值去噪的优劣,通过对信号仿真和现场采集的实测信号进行分析,得出基于无偏似然估计阈值原则是最佳的EEMD阈值去噪方法。     

基于EEMD-PSO-LSSVM的中国沿海散货运价指数预测

针对中国沿海散货运价指数(CBFI)预测对精度的要求,从内在波动特性角度出发,提出一种基于集合经验模态分解(EEMD)-粒子群优化算法(PSO)-最小二乘法支持向量机(LSSVM)的组合预测模型.对比LSSVM、PSO-LSSVM、EMD-PSO-LSSVM三种预测模型,EEMD可对CBFI序列中波动较大数据进行降噪分解,保留序列的内在波动特性,且预测精度有一定提升,预测性能更佳.     

基于EEMD-BP组合模型的区域海平面变化多尺度预测

海平面变化具有非线性、非平稳性以及多时间尺度变化特性,传统的基于时间序列的统计预测模型对于这种变化的预测存在较大局限性,预测结果不够理想.结合集合经验模式分解(ensemble empirical mode decomposition,EEMD)与BP (back propagation)神经网络,本文提出一种改进的海平面变化多尺度预测方法——EEMD-BP组合模型.首先利用EEMD分解提取海平面变化序列中具有物理含义的信号并降低噪声影响,得到不同尺度的多个固有模式函数(intrinsic mode functions,IMFs),确定出海平面变化中隐含的周期及趋势;然后利用BP神经网络分别对不同尺度IMF分量建立预测模型分析其未来变化趋势,最后将各IMF分量的预测结果重构,得到海平面变化序列的最终预测值.结果显示:EEMD分解能有效提取海平面变化中隐含的多时间尺度信号,神经网络能较好地预测不同尺度海平面变化趋势.相对于直接利用BP神经网络进行预测(R=0.74,RMSE=37.51 mm,MAE=48.02 mm),EEMD-BP组合模型预测精度显著提高(R=0.88,RMSE=29.23 mm,MAE=37.50 mm).EEMD-BP组合模型首先对海平面变化序列进行平稳化、降噪等处理,再对分解后的不同尺度时间序列分别进行预测,能够有效提高预测精度,为区域海平面变化预测研究提供了一种新方法.     

基于EEMD分解的电场时序差分在雷电预警中的可行性分析

为了解决大气电场数据预报雷暴虚警率高的问题,将集成经验模态分解(EEMD)方法和二阶差分法结合应用于大气电场资料的分析,提出了一种雷电预警分析方法。该方法先用EEMD分解出晴天天气和雷暴天气大气电场的不同时间尺度变化分量,然后对包含雷电信号的高频模态分量IMF1(本征模态函数)进行二阶差分分析。晴天无雷暴发生时,地面大气电场的差分值集中在-0.5~0.5 k V/m3之间;雷暴过程中,差分大气电场出现剧烈变化,雷暴发生前,IMF1二阶差分量的增幅会明显变大,所对应的电场频率在0.016 5~0.045 5 Hz之间跳跃。经过仿真试验,结合雷达回波资料进行验证,得到雷电探测概率(probability of detection,POD)为85.1%,预警平均时间为30.2 min。     

基于二次EEMD的转子故障信号时频分析方法研究

HHT时频分析被广泛应用于机械故障诊断中,但其模态混叠成为应用时的瓶颈。针对此问题提出了利用二次集合经验模态分解分解(ensemble empirical mode decomposition,EEMD)来消除模态混叠的时频分析方法。该方法首先用EEMD将原信号分解成若干个本征模函数(intrinsic mode function,IMF),然后选取相关系数较大的分量重构原信号,再利用EEMD对其进行二次处理,便可获得去除模态混叠的时频分布。通过对仿真与实验转子信号分析,该方法可以有效抑制经验模式分解(empirical mode decomposition,EMD)的模态混叠现象,相比一次EEMD,二次EEMD去除模态混叠更明显,能有效应用于旋转机械故障诊断中。     

基于EEMD与模糊信息熵的旋转机械故障诊断方法

针对旋转机械故障识别率偏低的问题,提出一种基于EEMD与模糊信息熵的旋转机械故障诊断方法.该方法结合EEMD分解和模糊信息熵在特征提取方面的优势,构造出一种能够精细度量不同类别振动信号故障概率复杂度的特征集合.首先将原振动信号进行EEMD分解,获得若干个本征模态函数(IMFs);计算出前5个高频IMF分量的模糊信息熵组成高维特征集;利用LPP对高维特征集进行维数约简剔除冗余不相关特征;最后将约简后的样本集输入到KNN分类器中进行故障识别.用双跨转子实验台采集的数据对所述方法进行验证,并与EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法进行故障识别率对比,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更高的故障识别率.     

基于EEMD分解的欧洲温度序列的多尺度分析

利用EEMD方法对欧洲5个站大于150年逐日温度序列进行分解,分析了欧洲温度序列的低频变化、年循环及季节变化。结果表明：欧洲5站温度低频变化均存在明显的特征时间尺度,即年际、年代际和世纪尺度等;年循环强度在1910-1940年及1970年年末以后的两个暖期里均处于偏弱的状态,尤其是最近30年里年循环强度减弱趋势更加明显...