摘要:

超声波定位法是一种对变压器内部不同部位放电点进行检测的行之有效的方法.由于变压器所处现场存在大量电磁干扰,采集到的信号包含大量噪声,因此必须做相应的预处理.变压器局部放电超声波定位中,首要任务是对超声波信号的提取,其准确性将直接影响到定位的实现.EMD方法可以将非线性、非平稳信号分解为不同频率成分的内禀模态函数,从而提取超声波信号.以陕西省高压电气设备局部放电定位项目为背景,详细分析了EMD方法的原理、实现过程,并用实例测试仿真,验证了该方法的有效性与准确性.

摘要:

自适应最稀疏时频分析(adaptive and sparsest time-frequency analysis,ASTFA)是一种新的时频分析方法,该方法需要事先确定较为准确的初始值,缺乏自适应性.针对ASTFA存在的问题,提出了基于初值优化的ASTFA方法.该方法使用残余量的能量作为优化目标函数,使用不同的初始值对信号进行分解,当残余量的能量最小时,则认为该初始值为最优初始值.因此,该方法能够自适应地寻找最优的初始值,增加了ASTFA方法的自适应性.采用仿真信号将该方法与原ASTFA方法进行对比,结果表明该方法能自适应地得到更准确的分解结果.对仿真信号和滚动轴承故障数据进行分析,结果表明ASTFA在抑制端点效应和模态混淆、抗噪声性能、提高分量的准确性等方面要优于经验模态分解(empirical mode decomposition,EMD),并能有效应用于滚动轴承故障诊断.

摘要:

对于混入色噪声的混合信号,如果可以通过测量得到产生色噪声的白噪声,对白噪声进行非线性训练即可逼近色噪声,达到非线性滤波的目的.自适应模糊推理系统(adaptive neuro-fuzzy unference system,ANFIS)可以实现上述非线性逼近.文中在上述算法的基础上,提出一种EMD(empirical mode decomposition)-ANFIS的自适应色噪声消除方法,首先对混合信号进行EMD分解,得到各个内禀模态函数分量(intrinsic mode function, IMF),然后对分解得到的内禀模态分量进行ANFIS模糊消噪,最后对消噪后的各个分量信号进行叠加.由于所得内禀模态函数为近似平稳信号,且图形越来越趋于平缓,减小了ANFIS方法的逼近难度.在混合信号信噪比为2.840 7 dB时,经过EMD-ANFIS消噪后的估计误差比只经过ANFIS消噪后的估计误差减少11.74 dB,证明EMD-ANFIS方法的有效性.

摘要:

为克服风电齿轮箱部件故障各调制载波边带重叠的影响和传统滤波方法造成的信号相位变化,提高故障诊断的精度,引入基于IMF希尔伯特解调的复合故障识别方法.该方法首先通过经验模态分解得到若干个对应不同的调制频率族的内禀模态函数,然后采用希尔伯特解调分析提取调制信号对应的内禀模态分量的故障信息,以达到精确识别故障的目的.结合实际案例分析,验证了该方法可以有效地提取非线性、非稳定性和多调制混杂复合信号中的故障信息,有效地提高了风电齿轮箱故障识别的精度.

摘要:

管道泄漏诊断是泄漏定位的前提，为诊断管道是否泄漏，针对管道泄漏状态下声发射信号非平稳随机性的特点，提出了基于内禀模态奇异值熵的声发射管道泄漏诊断方法。该方法用EMD分解声发射信号得到内禀模态函数，将内禀模态函数组成初始特征向量，求得奇异值熵，通过对比奇异值熵的大小诊断管道有无泄漏。计算机模拟仿真验证了该方法的有效性，实验结果表明该方法可以准确诊断管道有无泄漏。

摘要:

自适应最稀疏时频分析(adaptive and sparsest time-frequency analysis,ASTFA)是一种新的时频分析方法,该方法需要事先确定较为准确的初始值,缺乏自适应性.针对ASTFA存在的问题,提出了基于初值优化的ASTFA方法.该方法使用残余量的能量作为优化目标函数,使用不同的初始值对信号进行分解,当残余量的能量最小时,则认为该初始值为最优初始值.因此,该方法能够自适应地寻找最优的初始值,增加了ASTFA方法的自适应性.采用仿真信号将该方法与原ASTFA方法进行对比,结果表明该方法能自适应地得到更准确的分解结果.对仿真信号和滚动轴承故障数据进行分析,结果表明ASTFA在抑制端点效应和模态混淆、抗噪声性能、提高分量的准确性等方面要优于经验模态分解(empirical mode decomposition,EMD),并能有效应用于滚动轴承故障诊断.

摘要:

目的：对非线性、非稳态的小鼠血液光谱信号的时频局部特征进行分析，形成小鼠是否存在肝损伤的健康状况判断依据。方法：用近红外光谱法采集正常和肝损伤小鼠的血液指标的光谱信号，应用希尔伯特-黄变换(HHT)方法对信号进行研究。结果：初步形成了判断小鼠是否存在肝功损伤信号依据。结论：基于HHT的分析方法对小鼠血液光谱信号的分析能准确判断小鼠的健康状况，同时为利用近红外光谱法进行血液无创检测提供了一种新的分析方法。

摘要:

超声波定位法是一种对变压器内部不同部位放电点进行检测的行之有效的方法.由于变压器所处现场存在大量电磁干扰,采集到的信号包含大量噪声,因此必须做相应的预处理.变压器局部放电超声波定位中,首要任务是对超声波信号的提取,其准确性将直接影响到定位的实现.EMD方法可以将非线性、非平稳信号分解为不同频率成分的内禀模态函数,从而提取超声波信号.以陕西省高压电气设备局部放电定位项目为背景,详细分析了EMD方法的原理、实现过程,并用实例测试仿真,验证了该方法的有效性与准确性.

摘要:

提出了一种基于内禀模态(Intrinsic mode functions,简称IMFs)奇异值分解和支持向量机(Support vector machine,简称SVM)的故障诊断方法.采用经验模态分解(Empirical mode decomposition,简称EMD)方法对旋转机械故障振动信号进行分解,将得到的若干个内禀模态分量自动形成初始特征向量矩阵,然后对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并进一步根据支持向量机分类器的输出结果来判断旋转机械的工作状态和故障类型.对齿轮振动信号的分析结果表明,即使在小样本情况下,基于内禀模态奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.

摘要:

提出一种基于内禀模态函数(Intrinsic Mode Function,IMF)、自回归(Auto-Regressive,AR)模型和关联维数的滚动轴承故障诊断方法.该方法首先采用经验模态分解(Empirical Mode Decomposition,EMD)将滚动轴承振动信号分解成若干个IMF,然后对包含主要故障信息的IMF分量建立AR模型,计算AR模型自回归参数的关联维数,并以关联维数作为特征向量输入神经网络分类器,最后通过网络的输出结果来识别轴承的工作状态和故障类型.对实验数据的分析结果表明,该方法能有效地应用于滚动轴承的故障诊断.