检索结果-内蒙古大学图书馆

现代制造工程 2007年第5期 5-7,89页

作者：杨宇于德介程军圣湖南大学机械与汽车工程学院长沙410082

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... 详细信息

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。

关键词：内禀模态函数自回归模型关联维数滚动轴承故障诊断

来源：评论

学校读者我要写书评

暂无评论

一种新的内禀模态函数判据

引用

计算机系统应用 2017年第4期26卷 284-287页

作者：郭艳平邓志杰中山火炬职业技术学院电子工程系中山528436 兰州交通大学光电技术与智能控制教育部重点实验室兰州730070

针对现有EMD(Empirical Mode Decomposition)分解过程中内禀模态函数判据必须确定某一经验值的缺点,本文提出了一种基于信息熵的内禀模态函数判据,该判据不必设定某一参数的经验值,从而避免了由于经验取值不同造成分解结果有很大差异的... 详细信息

针对现有EMD(Empirical Mode Decomposition)分解过程中内禀模态函数判据必须确定某一经验值的缺点,本文提出了一种基于信息熵的内禀模态函数判据,该判据不必设定某一参数的经验值,从而避免了由于经验取值不同造成分解结果有很大差异的缺陷.通过与现有方法的对比表明:依此判据所得内禀模态函数更准确,能够很好的体现信号的非线性、非平稳特征,同时使分解结果具有更好的正交性.将此判据应用在风力发电机组齿轮箱高速端轴承的故障诊断中,验证了依此判据所得分解结果更好的保留了冲击脉冲、幅值和频率调制等故障特征信息,从而准确诊断出故障部位所在.

关键词： EMD 内禀模态函数信息熵滚动轴承故障诊断

来源：评论

学校读者我要写书评

暂无评论

基于内禀模态奇异值分解和支持向量机的故障诊断方法

引用

自动化学报 2006年第3期32卷 475-480页

作者：程军圣于德介杨宇湖南大学机械与汽车工程学院长沙410082

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,... 详细信息

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．

关键词：旋转机械故障诊断经验模态分解内禀模态函数奇异值分解支持向量机

来源：评论

学校读者我要写书评

暂无评论

基于Hilbert-Huang变换的QRS波检测算法研究

引用

仪器仪表学报 2009年第7期30卷 1469-1475页

作者：行鸿彦黄敏松南京信息工程大学电子与信息工程学院南京210044

心电图(ECG)被广泛应用于心脏疾病诊断,而ECG中QRS复合波的检测是对ECG进行处理和分析的基础。本文提出一种新的QRS复合波检测算法。该算法利用Hilbert-Huang变换(HHT)中的经验模式分解(EMD)将心电信号自适应地分解为一组称为内禀模态函... 详细信息

心电图(ECG)被广泛应用于心脏疾病诊断,而ECG中QRS复合波的检测是对ECG进行处理和分析的基础。本文提出一种新的QRS复合波检测算法。该算法利用Hilbert-Huang变换(HHT)中的经验模式分解(EMD)将心电信号自适应地分解为一组称为内禀模态函数(IMF)的波动模态成分。然后,结合软阈值去噪方法,构造出有利于QRS复合波检测的检测层,利用模极大值和QRS复合波特征点之间的对应关系,实现了对QRS复合波的检测。经MIT-BIH心率失常数据库验证,该算法对QRS复合波检测的平均准确率达到了99.34%,平均灵敏度为99.77%,平均阳性预测率为99.56%。

关键词： Hilbert—Huang变换经验模式分解 QRS复合波内禀模态函数

来源：评论

学校读者我要写书评

暂无评论

一种基于改进总体经验模态分解与反向传播神经网络的短期负荷预测方法（英文）

引用

Journal of Zhejiang University-Science A(Applied Physics & Engineering) 2016年第2期17卷 101-114页

作者： Yun-luo YU Wei LI De-ren SHENG Jian-hong CHEN Institute of Thermal Science and Power System Zhejiang University

目的:短期电力负荷预测是电力系统安全调度、经济运行的重要依据。研究处理非线性、非稳态电力负荷信号的新方法,建立短期负荷预测的混合模型,提高短期负荷预测的精确度。创新点:1.提出一种改进总体经验模态分解(EEMD)方法,抑制传统EEM... 详细信息

目的:短期电力负荷预测是电力系统安全调度、经济运行的重要依据。研究处理非线性、非稳态电力负荷信号的新方法,建立短期负荷预测的混合模型,提高短期负荷预测的精确度。创新点:1.提出一种改进总体经验模态分解(EEMD)方法,抑制传统EEMD方法中的端点效应问题;2.提出一种基于改进EEMD和反向传播神经网络(BPNN)的短期负荷预测方法。方法:1.使用改进的EEMD方法将非稳态、非线性的电力负荷信号分解为一系列的内禀模态函数和一个趋势余量;2.移除所得的高频内禀模态函数;3.使用BPNN分别预测各内禀模态函数及趋势余量;4.使用BPNN组合各内禀模态函数及趋势余量预测结果,即为最终负荷预测结果。结论:1.所提出的改进EEMD方法能有效抑制传统EEMD方法中的端点效应问题;2.在相同条件下,所提出的基于改进EEMD和BPNN的短期负荷预测方法较BPNN、EMD-BPNN、EEMD-BPNN、SARIMA-BPNN、WTNNEA和WGMIPSO预测方法有更高的精确度。

关键词：集合经验模态分解内禀模态函数反向传播神经网络短期负荷预测

来源：评论

学校读者我要写书评

暂无评论

基于初值优化的自适应最稀疏时频分析方法

引用

湖南大学学报（自然科学版） 2017年第8期44卷 50-56页

作者：彭延峰刘贞涛程军圣杨宇刘燕飞湖南大学汽车车身先进设计制造国家重点实验室湖南长沙410082

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... 详细信息

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.

关键词：故障诊断自适应最稀疏时频分析内禀模态函数经验模态分解

来源：评论

学校读者我要写书评

暂无评论

基于EMD拟合特征的耳语音端点检测

引用

电子与信息学报 2008年第2期30卷 362-366页

作者：潘欣裕赵鹤鸣陈雪勤徐敏苏州大学电子信息学院苏州215021

耳语音作为人类发音的一种特殊形式,与正常语音相比具有信噪比低、元音的周期特征不明显等特性,因而耳语音处理比正常语音更为困难。耳语音处理研究的第1个关键步骤就是语音的端点检测,该文利用希尔伯特-黄变换(Hilbert-Huang Transform... 详细信息

耳语音作为人类发音的一种特殊形式,与正常语音相比具有信噪比低、元音的周期特征不明显等特性,因而耳语音处理比正常语音更为困难。耳语音处理研究的第1个关键步骤就是语音的端点检测,该文利用希尔伯特-黄变换(Hilbert-Huang Transform,HHT)中的经验模态分解(Empirical Mode Decomposition,EMD),首次提出了一种基于EMD拟合特征的耳语音端点检测新方法。利用EMD得到的内禀模态函数(Intrinsic Mode Function,IMF)能量,以其归一化拟合参数为耳语音端点检测的特征,可以准确地划分出耳语音端点。实验表明,该方法在耳语音端点检测中取得了很好的效果,在1200个信噪比为2～10dB的测试样本中,检测准确率为98.25%。

关键词：希尔伯特-黄变换经验模态分解内禀模态函数归一化拟合特征

来源：评论

学校读者我要写书评

暂无评论

基于经验模态分解的煤油发动机爆震因子计算

引用

内燃机工程 2013年第5期34卷 29-32,37页

作者：盛敬魏民祥刘锐南京航空航天大学能源与动力学院南京210016 南昌工程学院机械与电气工程学院南昌330099

为解决利用爆震因子作为电控二冲程煤油发动机缸内压力信号爆震强度判定依据的问题,提出了基于经验模态分解的爆震因子计算方法。该方法对电控二冲程煤油发动机缸内压力信号进行经验模态分解,自适应地得到若干内禀模态函数分量与残余函... 详细信息

为解决利用爆震因子作为电控二冲程煤油发动机缸内压力信号爆震强度判定依据的问题,提出了基于经验模态分解的爆震因子计算方法。该方法对电控二冲程煤油发动机缸内压力信号进行经验模态分解,自适应地得到若干内禀模态函数分量与残余函数。对内禀模态函数分量利用快速傅里叶变换得到爆震高频信号分量,选取残余函数峰值对应的曲轴转角作为爆震窗口的起始点及参考窗口的终点,将高频信号分量绝对值进行积分,计算爆震窗口和参考窗口内的高频信号分量的积分能量比,得到爆震因子。通过大量缸内压力信号的爆震因子计算分析,结果表明:基于经验模态分解的爆震因子计算方法快速有效,同时可有效解决Siemens VDO算法的低通与带通滤波器设计时存在的关键参数主观经验选取的问题。

关键词：内燃机爆震因子经验模态分解内禀模态函数电控二冲程煤油发动机

来源：评论

学校读者我要写书评

暂无评论

基于经验模式分解和广义维数的机械故障诊断

引用

吉林大学学报（工学版） 2012年第2期42卷 392-396页

作者：郝研王太勇万剑张攀刘路天津大学精密仪器与光电子工程学院天津300072 天津大学机械工程学院天津300072

结合经验模式分解方法和广义维数的特点,提出了基于经验模式分解和广义维数的机械故障诊断方法。先对信号进行经验模式分解,得到内禀模态函数,然后求每个内禀函数的广义维数,从中提取盒维数、信息维数和关联维数,组成广义维数矩阵。通... 详细信息

结合经验模式分解方法和广义维数的特点,提出了基于经验模式分解和广义维数的机械故障诊断方法。先对信号进行经验模式分解,得到内禀模态函数,然后求每个内禀函数的广义维数,从中提取盒维数、信息维数和关联维数,组成广义维数矩阵。通过分析待检测信号和各样本信号的广义维数矩阵相关系数,判断故障状态。实验结果表明,该方法可以准确地识别机械故障状态,是一种有效的机械故障诊断手段。

关键词：机械故障故障诊断经验模式分解广义维数内禀模态函数

来源：评论

学校读者我要写书评

暂无评论

基于改进的经验模态分解的滚动轴承故障诊断研究

引用

计量学报 2013年第2期34卷 101-105页

作者：臧怀刚李清志韩艳龙王石云燕山大学电气工程学院河北秦皇岛066004

传统的时频分析方法不能有效地处理非平稳信号，经验模态分解（EMD）非常适合处理非平稳信号，但结果可能出现伪内禀模态函数（IMF）和不敏感内禀模态函数。针对EMD的不足，提出能量门限法和敏感IMF选择法相结合来识别真IMF和敏感IMF的... 详细信息

传统的时频分析方法不能有效地处理非平稳信号，经验模态分解（EMD）非常适合处理非平稳信号，但结果可能出现伪内禀模态函数（IMF）和不敏感内禀模态函数。针对EMD的不足，提出能量门限法和敏感IMF选择法相结合来识别真IMF和敏感IMF的方法，对同时满足这两个条件的IMF作频谱变换，频谱图上可以清晰呈现故障特征信息。将改进后的EMD应用到滚动轴承故障诊断实例，证明了此方法的可行性和准确性。

关键词：计量学滚动轴承故障经验模态分解内禀模态函数能量门限敏感IMF

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：