经验模式分解(EMD)

摘要： 为提高长短时记忆神经网络对畸形波预报精度,研究了长短时记忆神经网络与卷积神经网络(Convolution Neural Networks, CNN)、经验模式分解(Empirical Mode Decomposition, EMD)、差分自回归移动(Auto-Aggressive Integrated Moving Average, ARIMA)模型以及卡尔曼滤波(Kalman Filtering, KF)方法4种组合模型预报方法.基于两个单峰型畸形波和一个三姐妹组合型畸形波实验数据,经过数据归一化、模型参数设置及误差评估建立了组合预报模型和预报.结果表明:4种组合模型预报精度在所研究的3个畸形波序列预报中精度都得到了显著提高,其中与CNN组合模型的预报精度最高.组合模型方法为提高畸形波预报精度提供了可行方案.

摘要： 针对基于传统BP神经网络的齿轮故障诊断方法存在收敛速度慢,误差较大等问题,提出经验模式分解(EMD)与BP神经网络相结合的齿轮故障诊断方法.首先简述经验模式分解和BP神经网络的基本原理,然后采用EMD方法提取齿轮时域信号中的各个IMF分量,计算IMF分量中故障信号能量特征参数,将这些能量特征参数作为BP神经网络输入参数进行故障诊断.在齿传动故障实验台上采集足够的样本数据进行实验研究.结果表明:与传统的BP神经网络相比,可将训练误差从0.01降低至0.001左右.此外,训练迭代次数可减小至10次以内.

摘要： 为了进一步降低桥梁健康监测采样信号的噪声水平,根据其信号特征,在传统EMD小波阈值降噪算法的基础上,提出一种改进的降噪算法,称为EMD小波相关降噪算法.该算法综合了EMD、小波变换和相关检测3种方法的优点,首先对各阶IMF小波降噪前后的分量分别进行整体和局部相关检测,并以前3阶整体相关系数的均值作为降噪阈值,最后进行局部相关阈值降噪,得到降噪后的信号.将该算法与EMD小波阈值降噪和小波默认阈值降噪算法进行数值仿真和有限元仿真试验对比.结果表明,提出的EMD小波相关降噪算法具有更好的降噪效果,能够用于桥梁健康监测采样信号降噪处理.

摘要： 台站形变仪器观测到的地震动信号(下称形变数据)一般情况下是一条各种因素影响下的非线性非平稳的复杂曲线.选取海拉尔台形变数据,通过经验分析识别出有分析价值的形变数据,运用MATLAB对其进行经验模式分解(EMD),EMD分解得到的各分量从高频逐一向低频呈现,依次进行平稳化处理后,成功分解出不同频率的固有模态函数(IM F),与残余函数R,每一个IM F分量都代表形变数据的固有特征,残余函数R代表形变数据的趋势项,形变数据得以被重构提取,通过提取特定分量,更加直观、高效提取形变数据中所需信息,提高形变数据分析效率.

摘要： 针对经验模式分解(EMD)互相关系数-峭度准则降噪方法与小波阈值降噪方法的不足,提出EMD与小波软阈值降噪相结合的降噪方法.该方法主要包括以下4部分:1)对原始信号进行EMD分解得到固有模态函数(IMF)的集合;2)计算各个IMF与原始信号的互相关系数以及各IMF的峭度值;3)利用互相关系数-峭度准则选择需要降噪的IMF以及需要剔除的IMF;4)对选定的IMF进行阈值降噪后与剩余的IMF相加重构信号.利用仿真和实测的故障轴承信号对所提出算法以及EMD互相关系数-峭度准则降噪方法进行对比验证.结果表明:采用EMD软阈值降噪方法比采用EMD互相关系数-峭度准则降噪方法对信号进行预处理,更能确保轴承振动信号的完整性,突出信号的故障特征,降低瞬时转频估计的误差.

摘要： 为提取和表征摩擦振动的特征信号,在摩擦磨损试验机上进行以船用柴油机缸套和活塞环为材质的摩擦副摩擦磨损试验.应用经验模式分解(Empirical Mode Decomposition,EMD)对非线性、非平稳的摩擦振动信号进行分解,获得若干个本征模式函数(Intrinsic Mode Function,IMF).从中选择反映摩擦振动特征的IMF重新合成摩擦振动特征信号,应用重标极差分析法对摩擦振动特征信号进行分析,得到线性回归谱和Hurst指数.结果表明,EMD能够实现摩擦振动特征信号的提取,重标极差分析法可以分析摩擦振动信号的渐变过程,提取摩擦振动信号的特征.该方法可为基于摩擦振动信号的机械摩擦副摩擦磨损行为的研究提供新的途径.

摘要： 介绍了经验模式分解(EMD)的原理。在分析了EMD方法的优点和不足的基础上，首次提出将该方法应用于声发射检测中。通过理论上的分析，本文列举了EMD在声发射检测中的几种典型应用，为将该方法应用于声发射领域提供了参考。

摘要： 介绍了经验模式分解(EMD)的原理。在分析了EMD方法的优点和不足的基础上，首次提出将该方法应用于声发射检测中。通过理论上的分析，本文列举了EMD在声发射检测中的几种典型应用，为将该方法应用于声发射领域提供了参考。

摘要： 介绍了经验模式分解(EMD)的原理。在分析了EMD方法的优点和不足的基础上，首次提出将该方法应用于声发射检测中。通过理论上的分析，本文列举了EMD在声发射检测中的几种典型应用，为将该方法应用于声发射领域提供了参考。

摘要： 趋势分析是设备故障诊断中常用的方法,对研究较长时间范围内设备运行状态的变化具有重要意义.本文研究了一种基于经验模式分解(Empirical Mode Decomposition,EMD)的设备运行状态趋势分析方法,研究表明,与传统趋势分析方法(如最小二乘法)相比,经验模式分解能够更精确地提取信号趋势信息.应用于某炼油厂烟机故障诊断,表明这种基于经验模式分解的趋势分析方法能够有效提取设备运行趋势变化,消除采样中随机因素对趋势分析的影响,为准确评估机械设备运行状态、诊断故障提供可靠依据,具有现场实用价值.

摘要： 趋势分析是设备故障诊断中常用的方法,对研究较长时间范围内设备运行状态的变化具有重要意义.本文研究了一种基于经验模式分解(Empirical Mode Decomposition,EMD)的设备运行状态趋势分析方法,研究表明,与传统趋势分析方法(如最小二乘法)相比,经验模式分解能够更精确地提取信号趋势信息.应用于某炼油厂烟机故障诊断,表明这种基于经验模式分解的趋势分析方法能够有效提取设备运行趋势变化,消除采样中随机因素对趋势分析的影响,为准确评估机械设备运行状态、诊断故障提供可靠依据,具有现场实用价值.

摘要： 趋势分析是设备故障诊断中常用的方法,对研究较长时间范围内设备运行状态的变化具有重要意义.本文研究了一种基于经验模式分解(Empirical Mode Decomposition,EMD)的设备运行状态趋势分析方法,研究表明,与传统趋势分析方法(如最小二乘法)相比,经验模式分解能够更精确地提取信号趋势信息.应用于某炼油厂烟机故障诊断,表明这种基于经验模式分解的趋势分析方法能够有效提取设备运行趋势变化,消除采样中随机因素对趋势分析的影响,为准确评估机械设备运行状态、诊断故障提供可靠依据,具有现场实用价值.

摘要： 趋势分析是设备故障诊断中常用的方法,对研究较长时间范围内设备运行状态的变化具有重要意义.本文研究了一种基于经验模式分解(Empirical Mode Decomposition,EMD)的设备运行状态趋势分析方法,研究表明,与传统趋势分析方法(如最小二乘法)相比,经验模式分解能够更精确地提取信号趋势信息.应用于某炼油厂烟机故障诊断,表明这种基于经验模式分解的趋势分析方法能够有效提取设备运行趋势变化,消除采样中随机因素对趋势分析的影响,为准确评估机械设备运行状态、诊断故障提供可靠依据,具有现场实用价值.

摘要： 一种基于自适应多向经验模式分解的图像纹理分解方法：采用自适应多向经验模式分解对源图像I进行多尺度多向分解，获得源图像的内蕴模式函数分量imfj和剩余分量rj，其中j＝1,2,…,n，n为分解得到的内蕴模式函数分量imf的级数。本发明有益效果：采用本发明分解方法分解过程继承了传统经验模式分解的优点，解决了传统经验模式分解算法出现频率混叠问题，对于后续图像处理具有重要意义和实用价值；利用本发明分解方法分解的结果细节清晰，无畸变，最优地分析出图像中的内蕴分量。

摘要： 本发明公开了一种基于EMD分解的继电保护输入信号分类识别方法，具体按照以下步骤实施：步骤1、采集继电保护装置的输入电流信号i(t)；步骤2、对步骤1中输入电流信号进行EMD分解，得到电流信号本征模态函数IMF的所有分量及为残余分量r(t)；步骤3、基于步骤2得到的本征模态函数IMF的所有分量及模态分量信息熵计算公式，计算各分量的信息熵；步骤4、基于步骤3得到的各分量信息熵，计算输入电流信号中电力系统中一次系统故障、非电力系统一次系统故障的信号分类指标；计算电力系统一次系统故障的信号中负荷状态、测量回路故障的分类指标；步骤5、根据指标进行故障判断。本发明能够简单、有效地区分三种不同的继电保护输入信号。

摘要： 本发明针对MPSK和MQAM两类信号的调制识别问题，提出了一种基于EMD分解的PSK及QAM类信号调制识别方法。首先对待识别信号作经验模态分解，而后提取分解得到的第一阶本征模态分量，对第一阶本征模态分量进行傅里叶变换后取模，并据此确定识别特征量。根据得到的识别特征量，设定相应的门限，将识别特征量和门限相比较，识别PSK和QAM信号。仿真结果表明，在无信号先验信息的条件下可对MPSK和MQAM两类调制信号进行识别。

摘要： 本发明公开了一种基于经验模式分解(EMD)的脑电信号预处理方法，是将原始的脑电信号进行经验模式分解，得到一系列的内蕴模式分量(IMF)分量，观察IMF分量的频谱，找出含有工频干扰的分量，并对该分量进行50Hz滤波，下面计算得到需要保留的IMF阶数，最后重构IMF分量得到预处理后的脑电信号。本方法简单易懂可操作，为脑电信号预处理提供新的思路。

摘要： 本发明公开了一种基于EMD的分接开关振动信号降噪方法，包括以下步骤：1)通过加速度传感器对有载分接开关(OLTC)正常状态下的振动信号、故障状态下的振动信号进行采集；2)采用经验模态分解(EMD)算法对采集的振动信号进行分解，得到IMF分量；3)对EMD分解得到的前几个IMF分量采用基于EMD阈值降噪的方法进行降噪处理，而对于其余的IMF分量则采用Savitzky‑Golay滤波器进行降噪。实验数据表明：本发明对分接开关振动信号降噪可以取得较好的降噪效果。

摘要： 本发明属于电力系统领域，具体涉及一种基于EMD分解的EMD‑XGBoost中长期风电电量组合预测方法。该方法首先将风电电量时间序列经EMD分解为一系列分量；从宏观及局部的角度考虑对各分量进行特征提取，构造特征值向量；以此为基础采用FCM聚类将分量聚类重构为表示包含风电电量不同信息的趋势项、周期项及随机项；基于贝叶斯及k折交叉验证对XGBoost模型分别进行参数寻优，从而对重构项进行预测，最后叠加得到风电电量的预测结果，并分析了序列分解及不同算法对预测精度的影响。本发明结合EMD分解与聚类算法将风电电量序列中真实存在的不同波动量分解出来，将非线性非平稳的电量序列平稳化，产生不同特征的数据序列；针对各重构序列分别建立预测模型，选择各自最优相关参数，从而降低了风电电量数据分线性和非平稳性对电量预测结果的影响，提高了风电电量的预测精度。

摘要： 一种基于自适应多向经验模式分解的图像纹理分解方法：采用自适应多向经验模式分解对源图像I进行多尺度多向分解，获得源图像的内蕴模式函数分量imf

摘要： 本发明提供了一种基于经验模态分解分解的内蕴模式函数的光滑方法及装置。该方法包括：对基于经验模态分解EMD方法分解得到的内蕴模式函数IMF分量信号进行带通滤波，得到参考信号；调整小波包滤波参数，对所述内蕴模式函数IMF分量信号进行自适应小波包滤波，得到滤波后的内蕴模式函数IMF分量信号；计算所述参考信号和滤波后的内蕴模式函数IMF分量信号的相关系数，并将根据最大的相关系数对应的小波包滤波参数得到的滤波后的内蕴模式函数IMF分量信号作为对所述内蕴模式函数IMF分量信号的光滑处理结果。本发明能够清除保留在IMF分量信号中的噪声，修复高频间歇信号引起的低频IMF分量信号的非连续变形。

摘要： 本发明提供一种基于VMD‑EMD‑WT信号分解和SDAE深度学习的短期集群风电功率预测优化方法，包括以下步骤：对原始特征数据库中多维NWP数据和风电场历史功率数据进行预处理后划分为训练集和测试集，利用VMD、EMD和WT对训练集风速和风向特征量进行分解后作为新训练集，将新训练集和测试集的风速和风向特征量输入SDAE进行深度学习，建立VMD‑SDAE、EMD‑SDAE和WT‑SDAE预测子模型；将三个预测子模型输出结果随机划分成几个集合，使用SVM算法对每个集合进行集成，产生单次集成结果；将所有单次集成结果再随机划分成几个集合，再利用SVM算法对每个集合进行集成，建立多重集成学习模型，输出预测结果。本发明具有更高准确性和更好鲁棒性，有效提升短期风电功率预测精度。

摘要： 本发明涉及一种基于EMD分解自学习的风电机组叶片故障识别方法，包括：步骤一，采集风电机组叶片声音信号在线监测数据，并对采集的监测数据进行EMD分解；步骤二，将EMD分解后的声音信号与正常声音信息进行比较，若存在差异，获取差异信息对应的IMF分量，并启动视频监测设备采集差异信息对应的风电机组叶片的视频图像数据；步骤三，基于BP神经网络的图像识别方法对采集的视频图像进行识别，得到风电机组叶片故障识别结果。本发明无需进行大量的人工筛选，当叶片出现故障时声音信号出现异常，通过触发视频监测，对高清视频监测图片内叶片表面裂纹、雷击、断裂等进行判断，进而对故障声信号进行标识，适用于对风电机组叶片的声音微弱信号进行检测。