基于VMD和CNN的滚动轴承故障定量诊断方法

针对滚动轴承故障尺寸难以定量诊断的问题,提出了变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural networks,CNN)相结合的诊断方法。首先对带有不同故障尺寸滚动轴承的运行进行监测,得到1个与滚动轴承故障尺寸有关的数据库;然后对数据进行VMD,提取有效的训练模式分量,并去除噪声等的干扰;最后将训练模式分量置入CNN进行训练,得到能对滚动轴承故障尺寸进行预测的网络模型。实验结果表明,所提方法可有效实现对滚动轴承的定量诊断。     

基于小波能量和EMD小电流接地故障选线

针对小电流接地系统中故障合闸角在0°附近时现有选线方法成功率低的问题,提出1种新的选线方法。该方法将暂态零序电流进行小波包变换和经验模态分解(empirical mode decomposition,EMD),在变换分解的过程中,根据不同的故障合闸角求取不同的故障特征量。若故障合闸角在0°附近,则求取各馈线的衰减直流分量,其极大值的馈线即为故障线路;若故障合闸角在90°附近,则求取各馈线的小波能量,其极大值即为故障线路;若衰减直流分量或小波均无极大值,则母线故障。在PSCAD/EMTDC中对搭建的6条电缆馈线的配网模型进行仿真,并通过MATLAB处理仿真数据。仿真结果证明了该方法在不同条件下小电流接地故障选线的准确性。     

基于EMD的运动想象脑电特征提取与识别

针对运动想象脑电特征的提取与识别,提出了一种采用经验模态分解(EMD)提取脑电信号能量特征与幅值特征的分类识别方法。首先用时间窗对脑电信号进行细分;然后利用EMD方法对细分后的数据进行分解,取前三阶的固有模态函数分量(IMF),提取能量和平均幅值差作为特征向量;最后,使用支持向量机对左右手运动想象进行分类识别。多次仿真试验数据表明,分类准确度达到88.57%,证明了该方法有效、适用。     

基于烟花算法的EMD信号降噪方法

为了增加基于阈值的EMD方法的降噪性能和自适应性,提出一种基于烟花算法的EMD信号降噪方法,依据EMD分解得到本征模函数分量个数,动态确定烟花的维数,以批处理方式确定各个本征模函数分量的最优阈值并降噪,然后利用降噪后的本征模函数分量进行信号重构.仿真结果表明,所提出的方法降噪性能优于软阈值的EMD和基于蚁群优化的EMD降噪方法.     

EMD以及类EMD方法

经验模态分解(Empirical Mode Decomposition, EMD)是一种处理非线性、非平稳信号的时频分析方法。该方法依据输入信号自身的特点,自适应地将信号分解成若干个本征模态函数( Intrinsic Mode Function, IMF)之和。EMD被认为是对以线性和平稳假设为基础的傅立叶分析和小波变换等传统时频分析方法的重大突破。随着EMD的发展,很多类EMD方法逐渐出现。总结归纳了EMD以及类EMD方法的应用。     

基于改进EMD与FastICA—样本熵的齿轮故障特征提取方法

针对齿轮常见故障及信号在传统EMD算法分解中产生的端点效应,提出一种基于改进经验模态分解（EMD）与快速独立分量分析（FastICA）—样本熵的齿轮故障特征提取方法。首先对信号进行EMD分解,得到一系列IMF分量和残余量,在此过程中通过匹配差别最小的极值包络线段确定端点处极值,然后从每个信号中分别选取周期性明显的分量与原始信号组成混合信号作为FastICA的输入,获得ICA计算后的分量,最后分别计算EMD分量与各独立分量的样本熵。实验结果表明,改进后的EMD算法可以有效改善端点效应问题,并通过与EMD—样本熵的对比,表明FastICA—样本熵能更明显、稳定地反映齿轮故障,因此可作为一种有效的故障特征。     

基于复合字典降噪和优化傅里叶分解的齿轮箱故障特征提取方法

针对傅里叶分解对噪声敏感且存在模态混叠导致无法准确提取齿轮箱故障特征的问题,提出了一种复合字典降噪与优化傅里叶分解相结合的齿轮箱故障特征提取方法.首先,根据齿轮箱信号特点构造复合字典,结合正交匹配追踪算法降低振动信号中的噪声;其次,针对傅里叶分解过程中的模态混叠现象,提出了利用频谱的极值点划分频带的方法对其进行优化,提...     

基于MEEMD与TEO的电缆故障测距方法

正确识别故障行波波头和精确的双端测距算法可保障电缆故障行波测距精度。为解决希尔伯特黄变换（HHT）中经验模态分解（EMD）存在的模态混叠问题,提出一种基于改进集总经验模态分解（MEEMD）和Teager能量算子相结合的电缆故障行波检测方法。针对故障行波波速及线路实际长度变化对双端测距精度的影响,推导出一种不受波速影响的双端测距算法。PSCAD/EMTDC仿真结果验证了该方法可行且测距精度高。     

MRSVD-EMD方法在滚动轴承故障诊断中的应用

经验模态分解(EMD)广泛应用在故障分析过程中,特征提取时从状态信息中提取与机械设备故障有关的信息［1］。针对经验模态分解受噪声影响较大的问题,提出多分辨奇异值分解的方法,可以先利用多分辨奇异值分解将信号分成具有不同分辨率的近似信号和细节信号实现信号降噪,再进行经验模态分解,并计算其Hilbert边际谱得到准确的特征频率。实验通过仿真信号和滚动轴承故障特征提取,证明了多分辨奇异值分解（MRSVD-EMD）方法在滚动轴承故障诊断中能有效去除信号中的噪声成分,提取故障特征频率。     

基于EMD与NARX网络的汇率预测方法研究

探索构建对汇率进行直接预测的高精度组合预测算法.采用NARX神经网络作为基础模型,并结合经验模态分解模型进行混合预测,提高模型精度.为研究不同时间间隔对预测结果的影响,采用美元兑日元汇率的时间间隔为5分钟与1天的数据进行预测.实验结果显示,时间间隔较短时,模型的预测精度更高.此外,通过对汇率改革前后的人民币汇率的预测发现,汇率改革对EMD-NARX模型的预测结果影响不大,说明模型稳定性较高.     

基于EMD和复杂度的期货市场农产品交易额分析

文章基于经验模态分解（EMD）和复杂度相结合的方法对大连和郑州商品交易所的近5年的农产品期货交易额进行非线性分析。首先,对两大交易所的农产品期货交易额进行非线性定性分析,然后对交易额进行EMD分解,得出两大交易所农产品交易额的有效基本模式分量（IMF）,并对交易所的农产品期货交易额第1层IMF进行复杂度分析,能有效实现其非线性特征的定量评估。     

基于GAPSO-SVM的滚动轴承故障分类方法

针对滚动轴承故障分类准确率低的问题,提出一种利用遗传算法结合粒子群算法优化支持向量机分类器的故障诊断方法.实验通过提取滚动轴承不同故障状态下的振动信号,以转化成时域和频域组成的特征集为特征向量,利用粒子群生成二维粒子,即惩罚因子C、核函数参数G,并喂入支持向量机进行训练和交叉验证,取最优适应度对应的粒子,进而构建遗传粒...     

基于倒谱预白化和辛几何模态分解数量规律的轴承故障特征提取方法

为了有效提取轴承的故障特征,避免轴承损伤引起的冲击成分受到离散频率分量和背景噪声的干扰,提出了一种基于倒谱编辑信号预白化和辛几何模态分解数量规律的轴承故障特征提取方法.首先,对原始信号进行倒谱预白化来增强轴承故障的冲击特性,去除复杂振动信号中的周期性频率成分,产生只包含背景噪声和损伤引起的非平稳冲击成分的白化信号.其次...     

基于EMD和PSO-SVM的通用航空飞机燃油流量预测

提出了一种EMD与SVM的组合预测模型,对通用航空飞机燃油流量进行预测。首先对数据缺失值与异常值进行处理,应用经验模态分解算法对燃油流量数据进行分解,得到各分量IMF,然后采用支持向量机对每一个分量进行预测。在预测过程中,采用PSO算法对支持向量机的参数进行优化,最后叠加各分量得到预测数据。采用通航飞机实际飞行数据进行验证,结果表明：该组合模型可以有效地预测燃油流量,准确率较高,其MSE可以达到0.254,高于传统的单一预测模型。     

基于改进特征提取方法的五线谱识别

针对传统五线谱识别方法存在谱线过删和漏删的缺点,以及现有音符特征提取方法与谱线删除相互制约的问题,提出一种改进的、无需删除谱线的特征提取方法。在图像预处理阶段保留谱线,将音符与谱线同时投影,结合音符符杆垂直像素数据与音符其它部位像素数据携带的映射特征,对横纵向投影数据进行数理统计分析,得到供音符类型识别的归一化特征值,再利用基准谱线与音符符头的相对位置获取音调信息。实验结果表明,该方法在保证较高识别精度的基础上,进一步提高了识别速率,可以有效识别音符组合形式较复杂的乐谱,对于五线谱识别应用具有重要意义。     

经验模式分解的滤波器特性及其在故障检测中的应用

对经验模式分解(EMD,Empirical Mode Decomposition)的滤波器特性进行了研究.事实上,EMD的倍频程滤波器特性在几年前就被发现了,在此基础上,针对EMD滤波器的其他特性展开了研究.首先,对EMD滤波器的自适应特性展开了研究,其自适应特性除了表现为倍频程滤波器的形式,还有两个表现:其一是滤波器的上限频率随信号自身的上限频率而定,另一表现是每一个IMF滤波器的形式不仅与信号频率有关,还与信号的结构有关.利用EMD的自适应特性,建立了一种新的信号表示方法,与已有的EMD方法相比,该方法可以提供更多的关于信号的信息.还对该方法进行了相关的讨论.     

融合Elman神经网络与EMD的交通拥堵指数预测

为了提高传统方法生成交通拥堵指数（TPI）的准确率,引入一种基于经验模态分解（EMD）与Elman神经网络的组合模型实现交通拥堵指数预测。首先,利用EMD将TPI序列分解为不同时间尺度下的IMF分量和剩余分量;然后,通过偏自相关函数（PACF）计算各分量的滞后期数,以此确定各分量在Elman神经网络中的输入和输出变量;之后,通过上述方法计算出各分量预测值并相加;最后,计算出总预测结果。通过计算结果可知,EMD-PACF-Elman预测方法3个评价指标（平均绝对误差、均方误差、平均绝对百分误差）的计算结果与单一Elman神经网络模型、EMD-Elman神经网络模型、单一BP神经网络模型、EMD-BP神经网络模型相比都为最低,分别为0.562 4、0.598 9、0.110 7。因此, EMD-PACF-Elman预测方法可以有效地预测TPI,同时也为进一步预测交通拥堵趋势提供了依据。     

基于EMD和ANFIS的股票市场短期预测

结合经验模态分解（empiricalmodedecomposition,EMD）算法和自适应神经模糊推理系统（adap-tiveneuralfuzzyinferencesystem,ANFIS）算法应用于股票市场预测,提出了一种新的股票市场的预测模型,即EMD-ANFIS的多步预测模型。首先应用EMD算法把原始数据分解成不同尺度的基本模态函数（IMF）和残差（RES）,然后通过ANFIS算法对生成的各个IMF和RES进行自适应神经模糊推理,再把各个预测结果进行简单的聚合作为股票的预测价格,并与传统的预测方法进行比较,实验证明了EMD-ANFIS的多步预测模型具有更高的预测精度。     

基于EMD-WVD时频分布的齿轮故障诊断方法

针对Wigner-Ville分布(WVD)存在交叉项干扰的问题,采用基于经验模态分解(EMD)的WVD交叉项抑制方法,将齿轮故障信号分解为各阶固有模态函数,剔除伪分量后计算其各阶WVD,将WVD计算结果线性叠加就得到原始故障信号的WVD时频分布。仿真和实验结果表明,该方法结合EMD和WVD的优点,有效抑制WVD交叉项的干扰,保证其时频分布聚集性,达到诊断齿轮故障的目的。     

基于VMD分解和小波阈值的语音信号去噪

为了对非平稳、非连续的语音信号进行降噪,提出一种基于VMD分解和小波阈值的语音降噪方法。通过仿真信号对比分析了VMD、EMD和EEMD算法对信号分解中存在的伪分量、模态混叠问题。先用VMD对语音信号进行分解,再利用小波阈值降噪。实验结果表明,该降噪方法明显优于小波阈值的语音信号降噪、基于EMD和小波阈值的语音信号降噪以及基于EEMD和小波阈值的语音信号降噪。