基于经验模态分解的煤矿设备温度预测

煤矿设备出现故障时,设备温度会迅速上升,表现出非线性和非平稳性的特点。为了较准确地预测温度异常,采用了基于经验模态分解（EMD）的神经网络方法对设备温度进行预测。该方法首先采用经验模态分解算法对设备温度时间序列进行分解,得到若干个平稳性较好的本征模态函数（IMF）分量和一个剩余量,然后分别对各分量及剩余量进行神经网络预测。仿真结果表明,基于EMD的神经网络预测方法比单一神经网络预测方法,预测精度更高,对于温度异常预测更有效。     

改进Hilbert-Huang变换的滚动轴承故障诊断

以自适应噪声完备集合经验模态分解(CEEMDAN)为基础,提出了一种改进的Hilbert-Huang变换(HHT)时频分析法。对滚动轴承振动信号进行CEEMDAN获得一组本征模态函数(IMF)。通过自动提取敏感IMF算法,筛选特征敏感IMF分量,计算特征敏感IMF分量的Hilbert包络谱和HHT二维时频谱,提取故障特征频率信息。研究结果表明:CEEMDAN算法有效降低了模态混叠,比经验模态分解(EMD)算法和集合经验模态分解(EEMD)算法具有优越性。将改进的HHT与自动提取敏感IMF算法相结合,可以有效分解信号的特征信息,筛选出含有故障特征信息的敏感IMF,剔除背景噪声和无故障IMF的干扰,有效提取轴承振动的故障特征频率,诊断出轴承故障的发生部位。     

希尔伯特-黄变换端点效应的自适应端点相位正弦延拓方法

针对希尔伯特-黄变换（Hilbert Huang Transform,HHT）的端点效应问题,提出一种自适应端点相位正弦延拓经验模态分解（Empirical Mode Decomposition,EMD）方法.该方法根据端点附近数据变化趋势,通过在信号两端自适应加上相位、幅值和频率适当的正弦延拓函数,使得原端点的包络线顺着端点附近波形延展,以改进EMD分解精度.为满足EMD内禀模态分量（Intrinsic Mode Function,IMF）与原信号的相关性精度和EMD较低迭代次数的要求,引入能表征EMD性能的目标函数.该函数可通过迭代次数、IMF个数和有效IMF的相关系数大小等来衡量.由于该方法的边界延拓参数是根据延拓周期比例系数、延拓信号长度系数和采样频率自动确定的,故其分解过程完全是一个自适应过程,不需要人为设置,具有较好的实用性.仿真和液压系统实例分析表明,该方法不仅能较好地解决HHT的端点效应,而且相对现有的延拓方法而言,筛选次数更少,能显著提高信号EMD分解精度,且减小Hilbert谱的端点效应,更加精确地提取了液压系统齿轮泵振动信号的故障特征,取得了较好的应用效果.     

基于EMD和ICA的感应电动机故障检测

针对感应电动机的转子断条故障和轴承故障,以定子电流信号为研究对象,结合经验模态分解(EMD)和独立分量分析(ICA)原理提出了一种新颖的故障检测方法.该方法首先对定子电流信号进行经验模态分解,去除高频IMF部分,消除噪声干扰;然后用独立分量分析的方法进行特征提取,进而判断故障类型.仿真试验结果表明,该方法用于感应电动机故障诊断是行之有效的.     

EMD去噪法在FMCW雷达信号处理中的应用

针对调频连续波(frequency modulated continuous wave,FMCW)雷达信号在传播过程中会受到各种噪声影响的情况,提出了一种新型的基于自相关函数能量特性的经验模态分解(empirical mode decomposition,EMD)降噪算法。该算法首先对差频信号进行EMD分解,得到包含原信号不同尺度信息的本征模态函数(intrinsic mode function,IMF)分量;其次对每一IMF分量进行无偏自相关运算,并计算其能量;第三,根据IMF分量的自相关函数能量变化曲线,确定出有用信号贡献率最大的IMF分量;最后进行EMD重构。实验结果表明:该方法在各种信噪比条件下,能够准确判断出有用信号主导的IMF分量,对差频信号具有良好的去噪效果,同时该方法具有自适应性,不受主观因素的影响,适合应用在FMCW雷达系统中。     

小波分析在变压器励磁涌流识别中的研究

励磁涌流是影响变压器差动保护正确动作的重要因素,而如何区分励磁涌流和内部故障电流又是变压器保护存在的主要问题,为此,文中利用Coif5小波函数在奇异信号处理方面的优势,分别对励磁涌流和内部故障电流进行小波分析。仿真研究结果表明:经过小波变换后励磁涌流呈现周期性奇异点,而内部故障的波形无奇异点,coif5小波变换后的周期性奇异信号能够很好地识别励磁涌流和内部故障,且方法简单、可靠。     

基于自适应局部迭代滤波和能量算子解调的滚动轴承故障特征提取

为了提高滚动轴承的故障特征提取可靠性,该文提出了一种基于自适应局部迭代滤波(Adaptive local iterative filtering,ALIF)和能量算子解调的滚动轴承故障特征提取的方法。该方法首先利用ALIF将轴承的故障振动信号分解为若干个本征模态函数(Intrinsic mode function,IMF)分量,然后对包含故障信息最多的分量进行能量算子解调,得到分量的包络谱来提取轴承的故障特征。仿真结果表明:ALIF能够准确获取IMF分量,解决经验模式分解(Empirical mode decomposition,EMD)带来的模式混叠问题,结合能量算子解调方法能更好地凸显故障信号的包络谱特征,有效地提取轴承故障特征频率。     

基于改进的经验模态分解的后视镜驱动器故障诊断方法

针对电动后视镜驱动器振动信号非平稳非线性及信噪比低,提取传统特征难以有效识别样本故障状态的问题,提出了一种改进的集成经验模态分解算法(EEMD).使用EEMD对振动信号进行了分解,利用相关系数与峭度系数筛选有效本征模态函数(IMF)分量.应用自回归模型(AR)功率谱估计方法,建立最佳阶次的AR模型,对有效IMF分量进行...     

基于多重匹配同步压缩变换的充电机电压扰动分析

为了提高电力系统的安全性和稳定性,解决传统时频变换方法在电能扰动分析中不能准确分离提取扰动信号的缺陷,提出一种基于多重匹配同步压缩变换（Multiple Matching Synchrosqueezing Transform,MMSST）的电能扰动分析方法. 首先,利用MMSST将含扰动的信号分解为一组本征模态函数分量（Intrinsic Mode Functions,IMF）;然后,对每个IMF分量进行希尔伯特变换（Hilbert Transform, HT）,从而获得各个分量的瞬时频率和瞬时幅值,实现扰动信号的检测与分类. 仿真和实测实验结果表明,与经验模态分解（Empirical Mode Decomposition, EMD）算法相比,MMSST可以准确地分离提取电压扰动信号中的各个扰动分量,可以实现各个扰动分量的瞬时频率和幅值的准确提取,并且具有较强的鲁棒性.     

希尔伯特-黄变换在微电网故障定位中的应用

基于微电网双向潮流结构运行及故障电流小等特点,采用不受波速和线路弧垂影响的三端行波测距与希尔伯特-黄变换(Hilbert-Huang Transformation,HHT)结合对故障电流行波进行检测。通过经验模态分解(Empirical Mode Decomposition,EMD)提取故障电流行波信号的固有模态函数(Intrinsic Mode Function,IMF),再对首个固有模态函数(IMF1)进行希尔伯特谱分析(Hilbert Spectrum Analysis,HSA),得到相应的瞬时频率谱,根据瞬时频率谱的突变点对行波波头到达测量端的时刻准确检测。利用Matlab/Simulink建立微电网仿真模型,针对微电网不同故障类型进行仿真分析,仿真结果表明所提出的故障定位方法有效且具有较高的定位精度。     

基于EMD的复合故障诊断方法

针对转子不平衡故障和滚动轴承微弱损伤性故障的复合故障诊断问题,提出了一种基于经验模式分解的故障诊断方法,进行复合故障的耦合特征分离和轴承损伤性故障信号特征提取研究. 该方法首先通过经验模式分解将复合信号分解为若干个本征模函数(intrinsic mode function, IMF);然后通过计算各IMF与原始复合信号的相关系数确定包含故障特征信息的主要成分,除去虚假分量;最后针对主要成分中的低频成分进行频谱分析提出转子故障特征,针对主要成分中的高频成分进行Hilbert包络解调提取调制故障特征,即轴承损伤性故障特征. 仿真及实验结果表明该方法的有效性和实用性.     

一种新的基于小波分析的变压器励磁涌流判别方法

文章提出了一种基于小波理论的区分励磁涌流和短路电流的新方法,利用Harr小波变换进行励磁涌流特征提取,通过分析励磁涌流和故障电流的有效小波系数比的差别,提取有效小波系数比作为特征量,可以可靠地区分励磁涌流和短路电流,该原理判别速度快,可靠性高.     

基于阶次跟踪和经验模式分解的齿轮故障诊断

提出了一种研究旋转机械瞬态信号的分析方法.对齿轮箱加速时测得的原始振动信号进行角域重采样,并对角域里的信号进行经验模式分解(EMD)得到多个固有模式函数(IMF),最后对包含齿轮故障信息的IMF分量进行阶次谱分析.结果表明,阶次跟踪技术能够有效地避免传统频谱方法所无法解决的频率模糊现象,EMD方法能够提取包含故障信息的IMF分量,将两种方法相结合是对传统的频谱分析法的有力补充,具有很广阔的应用前景.     

基于HHT的高压直流输电故障测距算法的研究与仿真

本文介绍了用希尔伯特黄变换(HHT)对直流输电线路进行故障测距的方法。首先对测得的故障电流行波信号进行经验模态分解(EMD)得到一系列对应固有模态函数(IMF),对IMF进行希尔伯特(Hilbert)变换得到其时频图。根据时频图中的频率突变点得出故障行波到达两侧测量点的时间,并且根据其对应时刻的瞬时频率和具体线路的参数计算出其波速度。用改进的双端测距理论对直流线路进行测距。并对测得误差总体趋势和误差因子进行详细分析。相关仿真分析用EMTDC环境进行,仿真结果证实了所提方法的有效性。     

基于ARMA模型双谱分布与FCM方法的轴承故障识别

针对滚动轴承信号非线性和非高斯性的特点,提出了基于自回归滑动平均(ARMA)模型双谱分布特征与模糊c均值(FCM)聚类分析的故障识别方法.首先,利用经验模态分解改善信号,对获得的信号主分量建立ARMA模型;然后,对ARMA模型进行双谱分析;最后,以阈值化的双谱分布二值图为特征向量,借助FCM聚类算法构建类模板与最近邻模板分类器,实现故障识别.滚动轴承实例诊断结果表明,该方法能准确地判断轴承的实际性态,是一种有效的故障识别方法.     

Hilbert能量谱及其在齿轮故障诊断中的应用

将Hilbert—Huang变换引入齿轮故障诊断，提出了局部Hilbert能量谱的概念，同时建立了一种基于Hilbert—Huang变换的齿轮故障诊断方法：Hilbert能量谱方法。该方法首先采用EMD方法将齿轮故障振动信号分解为若干个固有模态函数(Intrinsic Mode Function，简称IMF)之和，然后选择包含故障信息的IMF分量进行Hilbeft变换得到局部Hilbert能量谱。在局部瞬时能量图中可以发现，齿轮故障振动信号具有明显的冲击特征，从而可进一步对齿轮故障进行诊断。     

Identification of Modal Parameters with Linear Structure under Non-stationary Ambient Excitation

Empirical mode decomposition (EMD) is proposed to identify linear structure under non-stationary excitation,and non-white noise coefficient is introduced under the assumption of random signals consisting of white noise and non-white noise signals. The cross-correlation function of resoonse signal is decomoosed into mode functions and residue by EMD method. The identification technique of the modal parameters of single freedom degree is applied to each mode function to obtain natural frequencies, damping ratios and mode shapes. The results of identification of the five-degree freedom linear system demonstrate that the proposed method is effective in identifying the parameters of linear structures under non-stationary ambient excitation.     

IFD与KELM结合的滚动轴承故障诊断方法

针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition, IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions, IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition, EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.     

基于特征量融合和支持向量机的滚动轴承故障诊断

为了提高滚动轴承的故障诊断率,提出了一种经验模态分解(empirical mode decomposition, EMD)结合时域分析后使用主成分分析(principal component analysis, PCA)融合特征量的特征提取方法。首先,通过EMD分解得到前5个本征模态函数(intrinsic mode function, IMF)分量的上、下包络值矩阵的奇异值;然后,对轴承原始信号进行时域分析得到各种时域特征参数;最后对奇异值和时域特征参数使用PCA降维融合后输入到多分类支持向量机(support vector machines, SVM)中进行分类。通过实验仿真验证,融合后的特征量诊断准确率达到了98.6%,该方法能充分地提取出轴承故障特征信息,诊断效果良好。     

基于EEMD与形态滤波的滚动轴承故障诊断方法研究

为从滚动轴承故障信号中提取出包含故障信息的特征频率,提出集合经验模式分解法(EEMD)与形态滤波相结合的解调方法。该方法首先利用EEMD自适应地将信号分解成多个IMF分量,然后计算各IMF分量与原信号的相关系数,选择合适的IMFs进行信号重构,再对重构后的信号进行形态滤波,滤除脉冲干扰,提取出故障特征信息。将该方法应用于滚动轴承故障诊断实例中,并将分析结果与直接对原信号进行包络谱分析解调的结果进行对比。结果表明,该方法提取故障信息的效果较包络谱分析解调的效果要好。