基于ICEEMDAN-MPE和GWO-SVM的滚动轴承故障诊断方法

针对滚动轴承故障状态难以准确且快速的识别,提出了一种基于改进自适应噪声完备集成经验模态分解(Improved Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise, ICEEMDAN)-多尺度排列熵(Multi-Scale Permutation Entropy, MPE)和灰狼算法优化支持向量机(Grey Wolf Optimization Algorithm-Support Vector Machine, GWO-SVM)结合的故障诊断方法。首先将轴承信号进行ICEEMDAN分解,然后选取其中相关性较大的IMF(Intrinsic Mode Function)分量计算多尺度排列熵构成特征集合,最后通过GWO-SVM算法进行故障状态识别。通过滚动轴承数据集和不同算法的对比实验,验证了ICEEMDAN-MPE-GWO-SVM方法的有效性,表明该方法可以准确且快速的诊断滚动轴承的故障情况。     

基于EMD和Wigner分布的轴承故障诊断研究

将经验模态分解和Wigner—Ville分布应用于轴承故障诊断的研究。首先将故障信号分解成一系列固有模态函数，再对分解后的固有模态函数进行Wigner—Ville分布分析，可有效抑制频率干扰现象，使时频分布图更加清晰，仿真信号和轴承故障实验信号的研究结果表明：基于经验模态分解和Wigner—Ville分布的分析方法，能有效地诊断轴承的故障。     

经验模态分解在桥梁检测中的应用

文章介绍了经验模态分解（EMD）的原理、特点及其应用,编制了EMD算法程序并验证了程序的正确性,最后采用EMD方法对某桥梁基于环境激励条件下的实际信号进行分解,结果表明,该方法能有效对信号进行分解,是一种无需预设带宽的自适应高通滤波方法,适用于结构模态参数识别。     

基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法

为有效提取非平稳特性的滚动轴承振动信号特征,提高故障诊断效率,提出一种采用集合经验模态分解（empiricalmode?decomposition,EEMD）、Hilbert变换的特征提取方法,并利用烟花算法优化支持向量机（support vector machine,SVM）分类参数的滚动轴承故障诊断方法. 通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获取模态函数的瞬时频率,并对模态函数及其瞬时频率进行统计特征提取,从而实现特征的有效降维. 结果表明:信号经过EEMD-Hilbert处理后特征能有效提取,将训练集和测试集各600组数据代入烟花算法优化SVM模型得到测试集正确率为99.63%;比传统的遗传算法和粒子群算法优化模型分别提高0.4%和0.2%左右;同时收敛时间更短,验证了该算法模型的可行性与有效性.      

环境激励下钢筋混凝土拱桥模态参数识别

为正确选择模态参数识别方法,对某钢筋混凝土拱桥进行了环境振动试验,采用频域、时域和时频分析方法——峰值拾取法(PP)、随机子空间识别(SSI)以及基于经验模态分解(EMD)和随机减量技术(RDT)的方法——识别其模态参数;比较了3种模态参数识别方法的特点和识别结果,并与有限元法计算结果进行了比较.研究结果表明:峰值拾取法的识别速度快,识别的频率较可靠,但识别过程需要较多人工干预;随机子空间识别的理论体系完备,适合程序实现,识别过程能较好地抵消测试过程中噪声等的影响;由于模态混叠的影响,EMD-RDT识别结果具有一定随机性.     

智能网联环境下基于混合深度学习的交通流预测模型

为适应未来智能网联环境下精细化交通流预测需求，提出一种基于混合深度学习 (Hybrid Deep Learning, HDL)的车道级交通流速度预测模型. 模型以智能网联系统强大的数据采集和计算能力为基础，采用集成经验模态分解算法将原始速度序列分解为多个固有模态函数分量和残差分量，并将所得分量重构为模型输入；利用双向长短期记忆神经网络和注意力机制，构建深度学习模型框架；为检验模型预测精度和可靠性，选择北京市二环路多个连续车道断面速度数据进行算法验证. 结果表明，HDL模型在不同车道均有理想的预测结果，单步和多步预测精度均显著优于对比模型.     

基于Copula函数的高速列车转向架故障特征提取

为了实时监测高速列车转向架关键部件的工作状态,提出了一种基于Copula函数的特征提取方法.以某型高速列车转向架正常、抗蛇形减振器失效、空气弹簧失效、横向减振器失效4种工况的振动信号为研究对象,将信号进行聚合经验模态分解,针对得到的本征模态函数,使用Gaussian Copula函数构建它们的联合概率密度函数.提取边缘分布的Kullback-Leibler Distance值,及联合概率密度函数的均值和方差作为特征,采用支持向量机进行识别.实验结果表明,在200 km/h速度下,故障平均识别率在95%以上,表明了该特征提取方法的有效性.      

基于EEMD-ELM 的航班运行风险混沌预测

针对航班运行风险可靠预测方案，以某航空公司2016-2018 年航班运行风险数据为基准，通过相空间重构，序列混沌特征的识别，构建基于极端学习机(ELM)的航班运行风险混沌短期预测模型，基于集成经验模态分解(EEMD)阈值降噪方法进行改进；最后，计算风险预测结果，分析不同方式下的预测精度. 结果表明：航班运行风险时间序列具有混沌特征， EEMD方法可抑制序列本征模态函数(IMF)的模态混叠现象；经由EEMD阈值降噪处理后，短期预测结果的修正平均绝对百分误差(MAPE)值显著下降. 证实本文航班运行风险预测方案可行且有效.     

一种改进模态参数识别方法在结构工程中的应用

提出了一种采用带有间断频率的经验模式分解(EMD)与自然激励法(NEXT)相结合的新的模态时域识别方法,并在理论上证明了该方法的正确性.数值模拟与工程实例识别结果表明,该方法能够准确识别出结构的模态频率和模态阻尼比.     

基于变分模态分解和奇异值分解的结构模态参数识别方法

为了准确获得结构的固有频率、阻尼比与振型, 将变分模态分解与奇异值分解相结合, 提出一种新的结构模态参数识别方法; 基于已有时频参数识别方法, 根据测量的脉冲激励与加速度响应估计系统的频响函数, 对系统的频响函数进行反傅里叶变换得到脉冲响应函数; 对各测点的脉冲响应函数进行变分模态分解, 得到与结构固有频率对应的本征模态分量; 提取本征模态分量的固有频率, 利用与固有频率相近的本征模态分量作为行向量构造奇异值分解矩阵, 对所构矩阵做奇异值分解, 利用最大奇异值重构左、右奇异值向量, 识别结构的振型、固有频率和阻尼比; 通过四自由度质量-弹簧-阻尼模态仿真试验和车体横梁锤击模态试验, 验证了所提出的模态参数识别方法的有效性。研究结果表明: 在四自由度理论模型参数识别中, 系统固有频率和阻尼比的识别结果与理论计算结果的最大相对误差分别不超过0.025%和1.490%, 理论计算与识别的1~4阶振型的模态置信度分别为0.999、1.000、0.999和0.999;在车体横梁锤击模态试验中, 提出方法识别的固有频率和阻尼比与理论计算结果的最大相对误差分别不超过1.57%和1.47%, 且车体横梁的理论振型与识别振型趋势相同。可见, 提出的方法能有效识别结构的模态参数。