利用经验模态分解（Empirical Mode Decomposition,EMD）的方法将直升机声信号进行分解,得到一系列本征模态分量（Instrinsic Mode Function,IMF）。计算实际直升机声信号及由其分解得到的每个IMF分量的四阶累积量对角切片谱,并由此得到实际信号及每个IMF分量的四阶累积量对角切片谱的幅度绝对值之和E。计算每一个IMF的E值与实际信号E值的比值构成直升机声信号特征矢量。采用神经网络分类器,对两种不同机型的直升机声信号进行分类和识别。仿真实验验证了该方法是可行的、有效的,分类识别取得了较好的效果。

在利用空间滤波和电容传感器测量两相流速度时,需要准确测量电容传感器输出信号的带宽。针对此问题提出一种利用经验模态分解算法来测量传感器带宽的方法。文章首先介绍电容传感器的空间滤波效应和经验模态分解的基本原理,并给出固体速度和电容传感器输出信号带宽之间的关系。然后将经验模态分解和平滑滤波器结合对测量信号进行平滑处理,测量处理后的信号带宽,利用带宽计算得到两相流的速度,最后进行了仿真实验,由此方法得到的测量误差都在2%以内,这比利用小波变换方法得到的相对误差要小得多。仿真实验结果表明该方法能够对两相流速度进行比较准确地测量,这也证明了该方法的可行性与有效性。

为了提高柱塞式液压泵的故障诊断效率和准确性,提出了SA-EMD-PNN柱塞泵故障诊断方法。提取各种状态下振动信号的特征参数,并对所提取特征参数进行敏感度分析(SA),找出敏感度较高的特征参数;对原始故障信号进行经验模态分解(EMD)结合,构造新的故障信号,再提取敏感度高的特征参数;将所提取特征参数以向量的形式输入概率神经网络(PNN)进行训练和测试。实验表明,SA-PNN方法能快速、有效的诊断出柱塞泵故障,减少诊断时间;而SA-EMD-PNN能在SA-PNN的基础上提高正确率。

基于振动信号辨识是实现综放开采煤矸识别的有效手段,现有方法在识别准确性和有效性方面有待进一步研究。提出了一种基于经验模态分解(EMD)特征提取与随机森林(RF)的煤矸识别方法。采用加速度传感器及数据采集仪采集了某综放工作面煤和矸石冲击液压支架尾梁产生的振动信号,分别对2种信号进行EMD,得到一系列本征模态函数(IMF);根据EMD结果选取有效IMF,分别提取IMF能量、峭度、矩阵奇异值及对应熵作为特征向量,采用各特征向量独立训练RF模型,根据各RF模型对测试样本的识别结果筛选特征向量,并建立特征数据集;采用特征数据集训练RF模型,采用训练好的RF模型实现煤矸识别。测试结果表明:该方法对200组煤矸测试样本的识别准确率达96.5%,且当RF模型中决策树数量设置为100或150时识别准确率最高,对测试样本进行特征提取与识别的耗时不超过0.2 s,满足综放...

通过将经验模态分解(EMD)和AR功率谱参数估计模型相结合,提出一种基于EMD-AR谱估计提取频带能量特征的方法。对振动信号进行经验模态分解,并将分解后能量占比较大的前几组固有模态函数分别进行AR谱估计得到EMD-AR谱曲线;按照频带对EMD-AR谱曲线分段并分别对每一段的能量进行求和,归一化后作为特征值。搭建齿轮箱故障试验平台,采集振动信号进行EMD-AR谱频带能量特征提取,并将所得特征值输入到SVM中进行训练和诊断。结果表明:该特征提取方法结合SVM所得

经验模态分解（EMD）作为一种非常灵活的自适应时频分析方法，已广泛用于旋转机械故障诊断中的振动信号分析。但是，经验模态分解存在两个问题：端点效应以及模态混叠。针对EMD中存在的端点效应问题，在积分延拓局部均值分解（IELMD）的基础上，提出了一种利用波形平均来改进IELMD的方法。该方法利用一组相似波形来代替最佳匹配波形与特征波形相匹配，通过对相似波形左边或右边波形取平均得到延拓波形，将其附加在原始信号左端或右端。仿真和应用结果表明，与IELMD方法相比，该方法能够更有效地抑制经验模态分解端点效应。

[目的]针对滚动轴承故障信号非线性、非平稳特征导致的故障特征频率难以提取的问题,提出了一种基于改进的带有自适应白噪声的完全集合经验模态分解(ICEEMDAN)和小波阈值降噪的滚动轴承故障特征提取方法。[方法]首先用小波阈值降噪对故障信号进行预处理,然后利用ICEEMDAN对降噪后的信号进行模态分解,产生一系列的固有模态函数(IMF),并根据互相关系数法提取与原信号相关的模态分量,作各层模态分量的包络谱图,提取滚动轴承的故障特征频率。[结果]通过仿真试验与滚动轴承故障试验分析,并将其与集合经验模态分解(EEMD)处理的进行比较,基于ICEEMDAN方法分解后的包络谱幅值更加明显。[结论]本研究提出的方法能精确地提取滚动轴承的故障特征频率。

针对大型风力发电机组齿轮出现不同劣化故障时对应频率范围内能量会发生变化的特点,提出了利用经验模式分解(EMD)能量分布作为故障特征向量,灰色相似关联度作为故障模式识别算法的大型风力发电机齿轮劣化故障诊断方法。首先,对采集到的原始信号进行EMD分解,运用相关系数法对获得的本征模式函数(IMF)进行筛选,剔除无意义的IMF分量;然后计算有效IMF的能量及能量比,构造故障特征向量;最后,根据待识别状态特征向量和已知标准状态故障特征向量的灰色相似关联度大小判断齿轮劣化故障类型。通过实验对所提方法进行了验证,结果表明,该方法能有效用于大型风力发电机齿轮常见的劣化故障诊断。

齿轮泵动态压力信号蕴含了丰富的状态信息,是齿轮泵的关键性能参数之一;负熵是随机变量独立性的自然测度,反映了机械信号信息的动态变化特征。为了进行基于齿轮泵动态压力信号的故障诊断,在引入经验模态分解技术的基础上,提出了齿轮泵压力信号的负熵基ICA特征提取方法,并进而联合最小二乘支持向量机,探讨了基于ICA和LS-SVM的齿轮泵特征提取和故障诊断方法;理论和试验研究表明,基于负熵的ICA特征提取和故障诊断方法是有效的。

针对振动信号非平稳性和特征优化选择的问题,提出一种基于EMD和GA-PLS的特征选择算法。在该算法中,首先,采用EMD方法将振动信号分解成多个固有模态函数（Intrinsic Mode Function,IMF）,对IMF分量建立自回归（AR）模型,以AR模型系数和残差作为初始特征向量,然后,遗传算法与偏最小二乘法相结合（GA-PLS）的算法对初始特征向量进行筛选得到新的特征向量,最后,以新的特征向量为输入,建立分类器,用来识别手动换向阀的工作状态和判断故障类型。实验结果表明,采用该特征选择算法能准确地选择出特征,并能应用于手动换向阀的故障诊断。