基于经验模态分解的大型轮船锚机齿轮箱故障诊断

经验模态分解法(EMD)是一种针对信号变化的自适应处理方法。针对某大型轮船锚机齿轮箱,首先通过测量不同转速和位置的振动信号预估故障源;其次对采集出的原始故障信号进行处理,提取故障特征,即通过EMD将原始信号分解为若干个IMF分量,不同的IMF分量包含不同频段所对应的能量,然后再对IMF分量进行包络分析和谱分析,最终便可确定故障源,并对其进行修复。通过测试比较,验证了EMD理论方法的正确性和有效性。     

基于经验模态分解的舰船运动姿态预测模型研究

运动姿态准确性预测对提高舰船水上作业安全性具有重要的现实意义,为此,基于经验模态分解算法,构建一种新的舰船运动姿态预测模型。该模型首先利用EMD分解舰船运动时间序列,然后采用游程判别法来判定IMF和r_n (t)的波动程度,划分高频、中频和低频3个分量,最后利用基于支持向量机算法构建的预测模型预测舰船运动姿态。实验结果表明:与卡尔曼滤波法、谱估计法、艏前波法3种运动姿态预测方法得到的结果相比,本模型的纵摇角预测误差更小,精度更高。     

一种通用型基于经验模态分解的小波阈值滤波方法研究

首先针对中高频水声信号,提出一种改进的经验模态分解加小波软阈值滤波方法;然后将信号进行带通滤波处理及经验模态分解,将分解得到的各个模态转换为频域信号,采用小波软阈值方法在频域上对这些模态进行滤波,最后对信号进行重构,并将其转换为时域信号。分别采用本方法和原时域上的小波阈值方法对不同频率的水声信号进行滤波,经计算分析可知,对频率小于800 Hz的水声信号,采用原方法可获得较好的滤波效果;当信号频率大于800 Hz时,采用本方法的滤波效果更好,因此应针对不同频率的水声信号,选择合适的滤波方法,以获得满意的滤波效果。     

一种通用型基于经验模态分解的小波阈值滤波方法研究

首先针对中高频水声信号,提出一种改进的经验模态分解加小波软阈值滤波方法;然后将信号进行带通滤波处理及经验模态分解,将分解得到的各个模态转换为频域信号,采用小波软阈值方法在频域上对这些模态进行滤波,最后对信号进行重构,并将其转换为时域信号。分别采用本方法和原时域上的小波阈值方法对不同频率的水声信号进行滤波,经计算分析可知,对频率小于800 Hz的水声信号,采用原方法可获得较好的滤波效果;当信号频率大于800 Hz时,采用本方法的滤波效果更好,因此应针对不同频率的水声信号,选择合适的滤波方法,以获得满意的滤波效果。     

引入经验模态分解的舰船运动非线性极短期预报

船舶运动的极短期预报在船舶系统、设备作业等方面具有重要的意义，采用自回归模型对船舶运动进行预报等预报效果，如精度和时间长度，与实际应用的需要还存在较大距离。在自回归（AR）数学模型中引入经验模态分解（EMD）法，利用该方法将船舶运动的时历数据以“筛分”的方式分解成几个平稳的本征模态函数（IMF），并分别建立每个IMF的AR模型，用AR模型进行预报，然后将每个IMF的预报结果相加，将各预报结果的和作为原始信号的预报结果。采用该方法进行船舶非线性极短期预报对提高预报精度有一定的积极作用。     

基于小波去噪与经验模态分解的混合储能容量优化配置

针对风电出力并网困难的问题,提出采用混合储能系统平抑风电输出功率波动.首先,采用小波分析对风电输出功率信号进行小波去噪;其次采用经验模态分解对去噪后的功率信号进行分解;然后将储能系统内部功率指令划分与系统容量配置相结合,以储能系统容量配置成本最小为目标,建立混合储能容量优化模型,通过穷举对不同分界点所对应的系容量配置成...     

基于模糊聚类的数据关联融合算法

利用模糊相似性和模糊C均值聚类算法相结合，提出一种求解多传感器多目标跟踪数据关联问题的方法。该方法的目的是实现多传感器观测数据的模糊聚类，使源于不同目标的观测数据能正确划分到该目标中去。仿真结果表明，该算法可以实现数据与目标的正确关联，克服传统硬判断的一些缺点。     

经验模态分解方法在结构冲击信号分析中的应用

介绍一种非线性非平稳信号分析的新方法，此方法是基于经验模态分解（EMD）技术的振动信号分析算法。基于这种方法编写了非线性信号分析程序，把振动信号分解成多个本征函数，在分析过程中比较EMD方法与传统的FFT方法，通过两种方法的对比分析，体现了基于EMD的希尔伯特一黄变换的先进性。对水下爆炸载荷作用下的舰船结构响应进行数值模拟分析，并将EMD方法应用于水下爆炸结构冲击信号分析。通过研究每一个本征函数，从本质上分析水下爆炸冲击加速度信号的组成成分及特点。     

基于小波降噪的经验模式分解方法研究

通过正常工况下的转子位移信号,分析不同幅值噪声对经验模式分解(EMD)分解的影响。对于幅值较小的随机噪声,EMD分解可以自适应地将主要特征信息从噪声中分解出来。而对于幅值较大的噪声,小波降噪的EMD分解则可以有效避免模态间能量泄漏,从而得到准确的分析结果。     

基于模糊聚类的数据关联融合算法

利用模糊相似性和模糊C均值聚类算法相结合,提出一种求解多传感器多目标跟踪数据关联问题的方法.该方法的目的是实现多传感器观测数据的模糊聚类,使源于不同目标的观测数据能正确划分到该目标中去.仿真结果表明,该算法可以实现数据与目标的正确关联,克服传统硬判断的一些缺点.     

基于低通滤波和经验模态分解的舰船耐波性试验信号分析方法研究

针对舰船耐波性实测信号中趋势项难以消除而影响滤波精度这一问题,采用经验模态分解方法消除趋势项的影响.根据舰船对波浪运动响应的低频特点,在经验模态分解前先进行低通滤波,可使实测运动信号中的谱峰频率处在相对高频位置,减少EMD迭代次数,并使有用信息包含在第一个IMF中,方便对有用模态的识别.还针对实船耐波性试验无法直接获得垂荡位移的实际问题,对垂向运动加速度联合采用低通滤波、数值积分和EMD去趋势项消除积分误差的方法获得垂荡,通过模型耐波性试验以及对实舰横摇角速度采用该方法求得的横摇与实测横摇的比较,验证了该方法在舰船耐波性实测信号分析中的有效性.     

一种基于遗传算法的模糊聚类算法及基与FCM算法的结合

在各种糊聚类算法中,模糊C－均值聚类算法FCM（Fuzzy C-Mean Clustering Algorithm）的应用最为广泛。但在实际的应用中,FCM算法却容易陷入局部最优解。因此,本文首先提出了一种基于遗传算法GA（Genetic Algorithm)的模糊聚类分析方法,它利用了遗传算法随机搜索的特点,可以避免陷入局部最优解。实验表明,将该遗传算法与FCM算法结合起来进行聚类分析,比单一使用遗传算法或单一使用FCM算法进行聚类分析的效果都要好。     

一种基于遗传算法的模糊聚类算法及其与FCM算法的结合

在各种糊聚类算法中,模糊C-均值聚类算法FCM(Fuzzy C-Mean Clustering Algorithm)的应用最为广泛.但在实际的应用中,FCM算法却容易陷入局部最优解.因此,本文首先提出了一种基于遗传算法GA(Genetic Algorithm )的模糊聚类分析方法,它利用了遗传算法随机搜索的特点,可以避免陷入局部最优解.实验表明,将该遗传算法与FCM算法结合起来进行聚类分析,比单一使用遗传算法或单一使用FCM算法进行聚类分析的效果都要好.     

基于模糊神经网络的导弹故障智能诊断方法

采用模糊神经网络技术并辅以其他的诊断方法模块,利用协同计算机技术,能够对导弹武器系统进行实时在线和离线的故障进行智能诊断。研究表明,这是一种提高导弹武器故障诊断智能化的可行方法。     

基于集合谱峭度法的轴承故障诊断

轴承早期故障引起的微弱振动变化信号往往淹没在机械传动系统的背景振动噪声中,其故障特征提取困难。本文针对滚动轴承故障振动信号的非平稳性及调制特性,提出集合经验模式分解和谱峭度法合的滚动轴承故障特征信号提取及其故障诊断的新方法——集合谱峭度法(Ensembled Kurtogram,EK)。该方法应用集合经验模式分解将振动信号分解为多个固有模式函数,分别计算各个固有模式函数的峭度值及其与故障工况下振动信号、正常工况下振动信号之间的相关性,根据IMFs自动选取规则选取合适的IMFs进行轴承故障信号的重构;然后针对重构后的信号进行谱峭度计算得到对应的峭度图,根据峭度图上最大值原则选取最佳带通滤波器进行滤波;最后运用包络解调后的信号进行故障诊断。本文通过模拟仿真和实验验证,验证了该算法的故障信号提取有效性和故障诊断能力。     

模糊聚类算法在船舶火灾探测中的应用

在火灾探测时,由于火灾对象的非确定性,以及现场环境的复杂性,存在许多困难.火灾与非火灾数据并不存在明确的差异,人们也不能把这种差异用函数来表示.本文提出了采用模糊C均值聚类算法对船舶火灾数据进行分类.计算结果表明该算法能有效地区分各种火灾现象.     

基于频谱分析的汽轮发电机组振源诊断

采用频谱分析技术对某型船用汽轮发电机组进行振源诊断。分析结果表明汽轮机的振动对整个机组有较大影响,指出机组轴系的不对中和轴系动平衡的变化是产生低频特征频率的主要原因。对部分特征频率的传递路径进行分析并给出改进建议。     

基于经验模式分解的滤波去噪算法

经验模式分解法被认为是非线性、非平稳数据处理方法的新进展.其最大优点是根据信号本身的特性自适应地产生合适的模态函数,这些模态函数能很好地反映信号在任何时间局部的频率特征,克服了小波变换中要选取合适小波基的困难.基于经验模式分解的分解特性,本文提出了一种新的阈值去噪方法,通过事先建立的经验阈值,根据自适应方法对噪声进行去除,然后对去除的噪声进行随机采样后加入到去噪信号中重新滤波,通过反复滤波迭代进行噪声的去除.实验结果证明了本方法与小波相比具有自身独特的优势.     

结合EMD和功率谱熵的船舶轴频电场线谱提取

为实现强海洋背景噪声中的微弱船舶轴频电场信号检测,提出了一种结合经验模态分解(Empirical Mode Decomposition,EMD)和窄带子区间功率谱熵的线谱提取新算法.首先,利用EMD方法从含噪信号中分解出一组有效固有模态函数(Intrinsic Mode Functions,IMFs),对各有效IMF的功率谱进行子区间划分;其次,定义并计算各子区间的能量峰值熵比(Energy Peak Entropy Ratio,EPER)特征;最后,通过对轴频信号和环境噪声物理特征差异的分析,结合K-均值聚类方法进行特征量的筛选,实现线谱提取.海上实测数据的处理结果表明,相比于直接的功率谱分析,算法的线谱可提取下限降低了6.7 dB.     

结合EMD和功率谱熵的船舶轴频电场线谱提取

为实现强海洋背景噪声中的微弱船舶轴频电场信号检测,提出了一种结合经验模态分解(Empirical Mode Decomposition,EMD)和窄带子区间功率谱熵的线谱提取新算法。首先,利用EMD方法从含噪信号中分解出一组有效固有模态函数(Intrinsic Mode Functions,IMFs),对各有效IMF的功率谱进行子区间划分;其次,定义并计算各子区间的能量峰值熵比(Energy Peak Entropy Ratio,EPER)特征;最后,通过对轴频信号和环境噪声物理特征差异的分析,结合K-均值聚类方法进行特征量的筛选,实现线谱提取。海上实测数据的处理结果表明,相比于直接的功率谱分析,算法的线谱可提取下限降低了6.7 d B。