摘要：在复杂的流程工业中,机械设备往往处在高速、重载、高温、高辐射的环境中,轴承作为主要的机械零部件起着重要作用。由于轴承故障振动信号的微弱和不平稳的特性,造成故障特征向量提取和故障诊断存在着困难。提出一种改进的CEEMDAN(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)轴承故障诊断方法。通过对比分析仿真信号和实测信号可以得知:ICEEMDAN方法可以改善信号重构质量,具有良好的自适应性,能够提高故障信号的信噪比,从而可以有效地识别并提取有用的故障特征信息。

摘要：为了利用靶物反射声有效识别靶物材质,提出了一种新的基于经验模态分解(EMD)和最小二乘支持向量机(LSSVM)相结合的靶物材质识别方法。首先应用模极大值算法识别靶物边界点,提取边界点内的反射声信号进行小波降噪预处理,对预处理后的信号进行EMD分解,并计算获得各个本证模态(IMF)分量的短时能量比,作为对应不同靶物材质的特征值输入到利用LS-SVM建立的多分类模型。介绍了上述方法的基本原理,设计了试验装置和靶物材质识别影响因素分析试验方案。实验结果表明:靶物的内部结构和外形大小因素对靶物材质识别率影响小,利用上述方法进行的四种靶物材质探测,平均识别率达到85.83%,比BP神经网络提高了18.83%,且运算速度也得以提高,因此该方法可以用于靶物材质的识别。

摘要：在工程中对设备进行应力检测和微损伤检测时,采集磁声发射信号易受噪声干扰,同时其特征的提取也存在困难,为此,将变分模态分解与散布熵相结合,提出了一种基于自适应多尺度散布熵的磁声发射(MAE)信号特征识别方法。首先,设计搭建了检测实验平台,采集了Q345钢静载拉伸实验中0 MPa~400 MPa应力状态下的MAE信号;然后,采用变分模态分解方法,对磁声发射信号进行了自适应分解,生成了一系列从低频到高频分布的本征模态函数(IMF)分量;其次,计算了每个本征模态函数分量的散布熵值,构建了MAE信号的特征向量矩阵;最后,将特征向量矩阵输入到基于支持向量机建立的识别分类模型中,进行了信号的训练和识别。研究结果表明:使用基于自适应多尺度散布熵的磁声发射(MAE)信号特征识别方法,能够自适应地实现MAE信号的多尺度化目的,并且准确地识别出不同应力状态下的信号特征,分类识别准确率高达95.3704%,验证了该方法的有效性;说明基于自适应多尺度散布熵和多分类支持向量机的信号特征识别方法能够快速且有效地识别不同应力状态,在信号特征识别方面具有较好的应用潜力。

摘要：针对旋转机械故障辨识准确率偏低的问题,将经验模态分解(ensemble empirical mode decomposition,EEMD)与能量矩、邻域粗糙集(neighborhood rough set,NRS)结合,提出一种转子系统故障模式辨识的方法。首先利用EEMD将采集到的振动故障信号自适应分解成若干个平稳的本征模态函数(intrinsic mode function,IMF)分量并计算其能量矩;以此能量矩作为描述故障状态的条件属性建立故障识别决策表;然后利用邻域粗糙集对决策表进行属性约简消除冗余的属性;最后将约简后的敏感特征子集输入所设计的决策树(decision tree,DT)C4.5算法中进行模式识别。通过典型转子实验台的故障特征集验证了该方法的有效性。

摘要：Hilbert-Huang变换是处理非平稳信号的时频分析新方法,包括经验模态分解(EMD)和Hilbert变换两部分。根据面波主要存在于低频分量中的特点,首先去除只含面波的IMF分量,然后对同时包含面波和有效波的IMF分量进行Hilbert变换,在其时频平面中的位置(即时频通域)设计时频滤波器进行面波去除,最后把去除面波后的低频分量和只包含有效波的分量进行Hilbert-Huang反变换,得到去除面波后的地震记录。实际资料应用结果表明,该方法可以较好地压制面波,有效信号损失较少。

摘要：本研究基于经验模态分解(EMD)与人工神经网络(Artificial Neural Network,ANN)的耦合算法,致力于路基沉降预测方法的深入研究。在道路工程中,路基沉降是一个关键问题,直接影响着道路的安全性和可持续性。为了提高沉降预测的准确性和可靠性,本研究应用EMD将复杂的路基沉降时程信号分解成多个本征模态函数,有效提取信号的局部特征。通过分析各个本征模态函数的特征,确定最具代表性的模态函数为序列趋势项,运用ANN模型对各本征模态函数进行训练,以捕捉各个模态函数之间的非线性关系。通过模型的训练和优化,得到高度适应路基沉降特性的改进ANN预测模型。将经过训练的ANN模型用于对广州某路基沉降进行预测,实验结果表明,采用改进ANN算法的路基沉降预测方法在准确性取得了显著的提升。与传统方法相比,本研究提出的方法能够更好地适应路基沉降信号的复杂变化,并具有更强的泛化能力。因此,该研究为道路工程领域提供了一种先进而可行的沉降预测方法,为提高路基设计的可持续性和安全性提供了有力支持。

摘要：阐述了Hilbert-Huang变换原理,着重讨论了EMD分解应满足的条件及具体分解过程。以黑麋峰抽水蓄能电站进厂交通隧洞实测GPR剖面为例,应用EMD分解去除部分噪声,再利用Hilbert变换求取GPR剖面复信号,提取瞬时振幅、瞬时相位、瞬时频率3个参数,绘制出相互独立的瞬时参数剖面图,根据不同地质状况进行多参数综合解释。结果表明,该方法避免了使用单一时距剖面分析所造成的解释偏差,能够更好地对异常信息做出反映,提高了GPR数据的解析精度。

摘要：对基于声波检测的热网管道泄漏与定位方法进行研究,介绍了基于声波法的热网泄漏检测的实验设计方案与定位原理。利用基于MATLAB的小波函数和EMD分解对原始数据频率进行逐级分离,直至分离能够提取奇异点信息,以达到去噪和判定管道泄漏的目的。并将两种方法进行对比,得到优解。

摘要：为有效预测堤防沉降,利用经验模态分解(EMD)对沉降数据进行处理,提取不同频率成分的特征序列;再通过循环神经网络(RNN),结合注意力机制,对重构后的长时间序列数据进行建模,针对不同输入时长的数据进行筛选和分析,以确定最佳的输入时长,从而捕捉沉降过程中的时间依赖性和关键特征。以万顷沙联围北界河水闸至中山界外江堤防综合整治工程的沉降数据为例,对所提方法进行验证。结果表明:该案例的最优输入步长为3,在此情况下,模型的均方误差为0.60,平均绝对误差为0.59,优于传统的SVM和BPNN方法,有效提升了堤防沉降预测的准确性与可靠性。该方法可为类似城市基础设施维护和管理提供参考。

摘要：针对转子高维故障特征识别精度低的问题,提出基于集成经验模态分解(EEMD)能量矩和邻域保持嵌入(NPE)算法相结合的转子故障分类方法。首先利用EEMD对转子系统的振动故障信号进行分解,得到各阶的本征模态分量(IMF)并计算其能量特征向量矩阵,然后应用NPE算法将高维特征集向低维投影,使降维后类内散度最小化及类间分离度最大化,最后将降维后得到的低维特征集输入K近邻分类器进行模式识别。通过双跨度轴承转子试验台的故障特征数据集验证,结果表明该方法能够有效地解决转子故障特征集的降维问题。