基于I-ELM的飞机复合材料结构损伤识别研究

针对飞机复合材料结构损伤难以有效识别问题,本文提出一种基于增量型极限学习机(Incremental Extreme Learning Machine,I-ELM)的飞机复合材料结构损伤识别新方法。首先对某型机用复合材料层合板进行冲击,而后对其进行疲劳拉伸试验,通过优化布局在复合材料层合板上的光纤光栅传感器募集应变信息,并对其进行预处理。采用互补总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)方法对募集的应变信息进行自适应分解,得到多个本征模态分量(Intrinsic Mode Function,IMF),计算各阶IMF分量的样本熵,通过核熵成分分析(Kernel Entropy Component Analysis,KECA)方法对样本熵进行特征融合,构建融合特征向量,采用融合特征向量建立基于I-ELM损伤识别模型,通过实验对损伤识别模型的有效性进行了验证,并与所构建的BP的损伤识别模型的识别结果进行了比较。结果表明,该方法能有效对飞机复合材料结构损伤进行识别,具有很好的应用前景。     

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.     

改进变分模态分解-多尺度排列熵结合广义回归神经网络的高压直流输电线路故障辨识

针对现有的高压直流(high voltage direct current, HVDC)输电线路故障识别方法识别准确率低,且无法同时准确识别低阻和高阻故障的问题,提出一种改进变分模态分解(variational mode decomposition, VMD)-多尺度排列熵(multi-scale permutation entropy, MPE)结合广义回归神经网络(general regression neural network, GRNN)的HVDC输电线路故障辨识方法。首先,采用鲸鱼算法改进后的VMD对故障电流信号进行分解,并选择合适的本征模态函数(intrinsic mode function, IMF)分量计算多尺度排列熵和IMF能量和比值提取故障特征组成故障特征向量;其次,将特征向量输入到GRNN网络中进行训练与测试,利用GRNN网络对小样本数据的高分类能力识别不同类型的故障。实验结果表明,所提出的方法对HVDC输电线路不同类型故障辨识准确率高,无论发生低阻或高阻故障都能够准确辨识,耐受过渡电阻能力强,在小样本故障辨识方面性能突出,可靠性高。     

EMD近似熵与支持向量机在音频分类处理中的应用

将动物声音作为音频源,针对家养动物声音的非线性、非平稳特征和在现实条件下难以获取大量动物声音样本的实际情况,提出一种经验模态分解(EMD)近似熵(ApEn)结合支持向量机(SVM)的家养动物声音分类识别方法.通过EMD方法将非平稳的动物声音信号分解成若干个平稳的固有模态函数(IMF);对IMF进行筛选,计算所筛选IMF的近似熵构成特征向量;将特征向量输入SVM分类器进行分类识别.对家养动物声音样本按该方法进行测试,结果表明,该方法能有效提取声音特征,在小样本情况下也具有较高的精度和较强的泛化能力,该方法能有效地应用于动物声音的识别分类.     

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.     

免疫遗传优化Elman神经网络的旋转机械故障诊断

针对旋转机械故障诊断过程中故障知识相互关联的过程难以用传统机器学习模型快速得到全面的典型故障数据,提出一种免疫遗传算法(immune genetic algorithm,IGA)优化Elman神经网络的故障诊断模型。首先对滚动轴承振动信号进行经验模式分解(empirical mode decomposition,EMD),得到多个内禀模态分量(intrinsic mode function,IMF),再提取表征状态特征的内禀模态分量能量构建特征向量输入到IGA优化的Elman神经网络进行故障模式辨识,IG     

基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法研究

针对滚动轴承故障信号的自适应提取和分解的问题，提出一种基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法。将变分模态分解(variational mode decomposition, VMD)方法的关键参数K和α采用新型的乌鸦搜索算法(crow search algorithm, CSA)进行优化，得到最优参数组合；再将最优参数组合输入到变分模态分解算法中，对故障信号进行分解从而得到多个本征模态分量(intrinsic mode function, IMF);以样本熵值为适应度函数挑选最优分量，对最优分量进行包络解调，分析其包络谱判断出轴承的故障类型。结果表明，提出的方法在兼顾全局搜索和局部搜索的同时也能将复杂的轴承故障信号准确地进行分解，提取出最优分量进行分析从而判断出轴承故障类型。     

基于EMD和多重分形谱参数的耐火材料损伤模式识别

考虑到耐火材料损伤声发射信号模式识别困难,提出一种结合经验模态分解(EMD)、多重分形谱参数和支持向量机的耐火材料损伤形式分类方法。首先对耐火材料损伤声发射信号进行EDM分解得到若干本征模态函数(IMF)分量,并取前4个分量作为研究对象,然后将整个信号的多重分形谱宽及各IMF分量的多重分形谱宽组成的特征向量输入支持向量机进行学习训练,最后实现耐火材料损伤模式识别。研究结果表明,采用由原信号及各IMF分量的多重分形谱宽值组成的特征向量能够有效进行损伤信号的特征提取。该方法对耐火材料界面相损伤的分类准确率为99%,对其基质相损伤的分类准确率为89%。     

基于EMD多尺度能量熵的气液两相流型表征

采用经验模态分解(EMD)和信息熵相结合的方法研究垂直上升气液两相流多尺度非线性动力学特性。首先,对采集的电导波动信号进行经验模态分解,然后根据得到的本征模态函数分量(IMF)求取指标能量,在此基础上建立了一种基于指标能量的多尺度特征熵计算方法。结果表明,多尺度特征熵值不仅可以作为流型识别的特征向量,同时还可有效揭示气液两相不同流型的复杂流动特性。     

基于互补集合经验模态分解-模糊熵-深度信念网络的短期风速预测

针对原始风速序列具有非线性、非平稳性和不可控性的问题,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-模糊熵(fuzzy entropy,FE)-深度信念网络(deep belief network,DBN)的短期风速预测模型。首先,利用CEEMD方法将原始风速序列分解为一系列不同尺度的本征模态分量(IMF)以降低其非平稳性;其次,利用模糊熵方法将多个IMF分量进行重组以避免分量数目过多给预测精度造成的影响;最后,利用深度信念网络其强大的深度特征提取能力和非线性映射学习能力的优点,分别对新的分量进行预测和叠加获得最终预测值。实验表明,较BP神经网络模型和DBN模型,组合模型提高了预测精度,具有可行性和有效性。     

CEEMDAN-SE-WT降噪方法在航空发动机燃油流量信号中的应用

燃油流量信号是反映发动机状态和计算飞机排放物排放量的重要信号,但飞机飞行过程中传感器采集信号时不可避免地会受到外界环境以及内部因素干扰。提出一种结合样本熵(sample entropy,SE)的完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with Adaptive Noise,CEEMDAN)与小波变换(wavelet transform,WT)的联合降噪方法。首先使用CEEMDAN对燃油流量信号进行分解得到本征模态分量,利用样本熵筛选含噪分量,并用相关系数与方差贡献率进行复核。对于含噪分量使用小波阈值降噪进行处理。最后将未处理的模态分量和完成降噪的模态分量重构得到最终燃油流量信号。通过与其他方法比较,CEEMDAN-SE-WT方法拥有最高信噪比为85.287,降噪后燃油消耗总量与飞机总重变化最为接近,可以认为该方法较大程度保留了燃油流量信号中的有效特征,为后续计算民机排放物排放总量提供了良好的数据支持。     

基于改进信息熵和LSTM网络的轴承故障诊断

针对传统的时频域故障诊断方法无法对故障实现自适应识别和分类,且准确率较低的问题,提出一种基于改进信息熵(improved information entropy, IIE)的长短时记忆网络(long-short time memory network, LSTM)方法。首先对原始信号分别进行集合经验模态分解(ensemble empirical mode decomposition, EEMD)和变分模态分解(variational mode decomposition, VMD);将包含故障信息的所有本征模式分量(intrinsic mode functions, IMF)进行信息熵的求取;通过信息熵反映IMF的信息量和峭度指标对描述冲击成分的优势改进信息熵,构成特征向量;最后结合LSTM处理非线性数据的优势,利用组合特征训练LSTM网络建立诊断模型。实验结果表明：该方法能准确、高效地识别多种故障,准确率要比单一的EEMD-LSTM、VMD-LSTM、人工神经网络等传统方法更高。     

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...     

基于经验模态分解特征的无线电引信抗扫频式干扰方法

针对目前调频无线电引信在复杂电磁战场环境中对抗扫频式干扰能够力弱的问题,提出一种基于经验模态分解(empirical mode decomposition,EMD)特征的无线电调频引信对抗扫频干扰的方法.对基于目标和扫频干扰作用下的调频无线电引信检波端输出信号进行EMD分解,得到10层本征模态函数(intrinsic mode function,IMF)分量,提取每层IMF分量中本征模态函数能量占比、能量聚集度和Renyi熵特征,并利用主成分分析算法对于特征进行降维,保证累积解释差异在95%以上,以降维后的特征矩阵作为支持向量机的输入对目标和扫频式干扰信号进行分类识别.实测数据结果表明,所提方法能够有效对目标和扫频式干扰信号进行分类识别,分类识别精度可以达到98.06%±0.003 8,目标检测率达到96.65%±0.003 7,虚警率为3.35%±0.003 7.     

改进的熵特征在行星齿轮裂纹故障识别中的应用

针对利用精细复合多尺度散布熵(RCMDE)特征在行星齿轮裂纹故障识别时存在噪声鲁棒性差、尺度选择依赖人工等不足,通过改进RCMDE特征,提出一种基于自适应精细复合多尺度散布熵(ARCMDE)特征的行星齿轮裂纹故障识别方法。改进从以下3个方面展开:首先在计算RCMDE特征前利用变分模态分解(VMD)算法对信号进行分解,以获取预设数量的固有模态分量(IMF),再计算IMF与原信号的互信息,选取互信息大于阈值的IMF重构信号,实现降噪预处理;然后提出特征重合度及其计算公式,评价多个状态样本的均值标准差之间的重叠交叉情况,利用特征重合度选择较好的若干尺度构建特征向量;最后,结合粒子群优化(PSO)与支持向量机(SVM)实现故障模式识别。行星变速箱实验数据验证结果表明,与多尺度散布熵(MDE)和RCMDE特征相比,采用改进的ARCMDE特征构建的特征向量输入PSO-SVM的分类准确率提高了20%以上,验证了所提裂纹识别方法的有效性和优势。     

CEEMDAN自适应阈值去噪算法在地震方向的应用

提出一种基于自适应完备集合经验模态分解(CEEMDAN,complete ensemble empirical mode decomposition with adaptive noise)的自适应阈值去噪算法。含噪信号经CEEMDAN算法分解成若干个模态分量(IMF,intrinsic mode functions),根据样本熵理论,对IMF分量中高频分量自适应选取,根据噪声和有用信息与原始信号的相关性不同,对高频分量中的噪声系数定位,利用能量熵选取噪声主区间,用高频分量中噪声主区间的噪声系数方差作为阈值,对高频分量进行阈值去噪,进一步去除噪声,保留高频中的有用信息,最后将信噪分离的高频分量和低频分量重构。分别对合成和实际地震信号去噪处理,并与常规去噪算法进行对比。数据仿真和实验结果表明,在原始信号信噪比为0.5dB时,常规与改进算法去噪后信噪比分别为4.55dB和9.97dB,大幅提高信噪比,达到随机噪声压制的目的,实现了高频分量的自适应选取和高频分量中有用信息的再提取。     

基于两级分解和GRU-AT网络的短时交通流预测模型

为提升城市道路短时交通流预测准确性,提出了一种基于小波分解(wavelet decomposition,WD)、变分模态分解(variational mode decomposition,VMD)和融合注意力机制(attention ,AT)的门控循环单元(gated recurrent units,GRU)网络的短时交通流预测模型。首先采用WD算法将原始交通流数据分解重构成低频分量和高频分量;然后将各高频分量累加,利用VMD算法将其分解为多个本征模态函数(intrinsic mode functions,IMF)分量;最后通过建立GRU-AT模型,提高模型对交通流重要特征信息提取的能力,分别预测算法分解后的交通流分量,将各个分量预测的最优结果进行聚合后获得最终的交通流预测结果。以国内外道路交通流数据为基础进行实例验证,结果表明,WD+VMD+GRU-AT模型的均方误差的平方根、平均绝对误差均小于长短时记忆(long short-term memory,LSTM)网络模型、 GRU、WD+GRU、WD+VMD+GRU,提高了短时交通流预测结果的准确度和稳定性。     

基于变分态分解与灰狼优化支持向量机的齿轮箱故障诊断

由于行星齿轮齿轮箱的振动信号具有非平稳、非线性特性,在复杂工况下,会对其早期微弱的故障信号造成干扰,不能正确地识别出故障信息。为解决以上问题,采用基于变分模态分解(variational mode decomposition, VMD)与灰狼优化支持向量机的故障诊断方法。利用中心频率近似方法,求解出了变分模态分解的参数K,对分解出的本征模态函数(intrinsic mode function, IMF)分量进行相关性分析,优选出分量进行信号重构。将重构信号进行故障特征提取,利用灰狼优化支持向量机的方法进行故障模式识别。实验结果表明：采用所提方法对行星齿轮箱的故障识别准确率达到99.375%。     

基于VMD-LSTM-IPSO-GRU的电力负荷预测

为了挖掘电力负荷数据中的潜藏信息,提高负荷预测的精度,针对电力负荷强非线性、非平稳性等特点,提出一种基于变分模态分解(variational mode decomposition,VMD)、优化长短期神经网络(long-term and short-term memory network,LSTM)、改进的粒子群算法(improve particle swarm optimization,IPSO)优化门控循环单元(gated recurrent unit neural network,GRU)的混合预测模型。首先,使用相关性分析确定确定输入因素,再将负荷数据运用VMD算法结合样本熵分解为一系列本征模态分量(intrinsic mode fuction,IMF)和残差量,更加合理地确定分解层数和惩罚因子;其次,根据过零率将这些量划分为低频和高频,低频分量使用LSTM网络,高频分量利用IPSO-GRU网络分别进行预测;最后,将预测结果重构得到电力负荷的最终结果。仿真结果表明,相对于其它常规模型,该混合模型可有效的提取模态特征,具有更高的预测精度。     

结合EEMD与K-SVD字典训练的语音增强算法

该文提出一种总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)方法与K奇异值分解(K-singular value decomposition,K-SVD)字典算法相结合的语音增强算法。将带噪语音通过EEMD分解得到各本征模式分量(intrinsic mode function,IMF),对各IMF分量进行互相关和自相关分析,去除噪声IMF分量,并将过渡IMF分量再次进行EEMD分解,去除其中的噪声IMF分量。将过渡IMF分量和剩余的IMF分量叠加,得到预降噪的带噪语音。利用纯净语音,通过K-SVD字典训练算法得到过完备字典。对预降噪的带噪语音通过过完备字典进行稀疏表示,稀疏系数重构出纯净语音。实验结果表明:在低信噪比和高信噪比情况下,该算法的去噪效果明显优于传统的谱减法、小波阈值去噪法和K-SVD字典训练。