局部均值分解
局部均值分解的相关文献在2008年到2022年内共计295篇,主要集中在机械、仪表工业、自动化技术、计算机技术、无线电电子学、电信技术
等领域,其中期刊论文250篇、会议论文6篇、专利文献53681篇;相关期刊140种,包括计量学报、振动工程学报、噪声与振动控制等;
相关会议5种,包括2016年全国设备监测诊断与维护学术会议、第十五届全国设备故障诊断学术会议、第十七届全国设备监测与诊断学术会议、2016年全国设备诊断工程会议、2015年全国智能电网用户端能源管理学术年会、第11届全国设备故障诊断学术会议等;局部均值分解的相关文献由782位作者贡献,包括程军圣、杨宇、张亢等。
局部均值分解—发文量
专利文献>
论文:53681篇
占比:99.53%
总计:53937篇
局部均值分解
-研究学者
- 程军圣
- 杨宇
- 张亢
- 孟宗
- 边杰
- 黄传金
- 陈亚农
- 赵荣珍
- 宋海军
- 张庆
- 张昭
- 张淑清
- 徐乐
- 朱晓军
- 杨斌
- 林近山
- 王亚超
- 窦春红
- 贾林山
- 赵海洋
- 郎超男
- 陈涛
- 于德介
- 何宽芳
- 何青
- 余建波
- 吴文轩
- 周世健
- 周铜
- 孟雅俊
- 张纪平
- 张航飞
- 徐友良
- 曹文思
- 李世平
- 李庆
- 杜冬梅
- 杨怡
- 杨波
- 王名月
- 王志坚
- 王晓光
- 王金东
- 秦喜文
- 缪炳荣
- 董小刚
- 谢磊
- 邓佳敏
- 郭佳静
- 陈铁军
-
-
叶星瑜;
叶小岭;
马伟叁;
熊雄;
陈昕;
袁诗云
-
-
摘要:
大风是影响高铁安全运行的主要气象灾害之一,为保证高铁的运行安全,需监测高铁沿线风速观测资料。高铁沿线风速数据在采集和传输的过程中易受到各种干扰,导致风速观测资料中存在一些可疑值,故对其进行质量控制是解决此类问题的必要环节。提出一种融合局部均值分解法(Local Mean Decomposition,LMD)和时间卷积网络法(Temporal Convolutional Network,TCN)的风速观测资料质量控制算法,以此来提高高铁沿线风速观测资料的质量。为证明该方法的可行性,选取我国京沪高铁沿线江苏段4个观测站2018年秒级风速观测资料进行质量控制分析,并与时间卷积网络法(TCN)、长短期记忆神经网络法(Long Short-Term Memory,LSTM)和支持向量回归法(Support Vector Regression,SVR)这3种方法对比。通过插入人工误差,并以检错率为评价指标来衡量上述4种方法进行质量控制的效果。试验结果表明,该方法相比于其他3种方法能准确地检测出人为插入的误差,可以满足高铁沿线风速质量控制的需求,同时具有季节适应性强的特点。
-
-
岑钊华;
徐立成;
杨嘉辉;
刘士亚
-
-
摘要:
在电力系统中,由于加入了大量非线性用电设备,导致电能质量大幅度降低。对大规模电力系统进行实时性电压扰动识别,是提升电能质量的有效手段之一。为降低谐波扰动信号对电力网络的影响,通过对电压扰动信号建模,采用局部均值分解与神经网络相结合来构建分类模型,实现对七种电压扰动信号的分类处理。局部均值分解通过三层分解,将电压扰动信号转化为电压幅频信息的乘积函数,送入神经网络进行分类。仿真结果证明了该方法的有效性。
-
-
徐乐;
朱玉斌;
郎超男
-
-
摘要:
针对小样本情况下齿轮箱复合多种故障特征难以提取和分类的问题,提出了基于局部均值分解(LMD)能量熵和支持向量机(SVM)的故障诊断方法。首先利用LMD方法对采集的齿轮箱振动信号进行分解,得到有限个PF分量;然后根据不同故障下齿轮箱振动信号在频域区间内分布不均的特性,分析出PF分量能量在不同频域范围离散情况,即求出LMD能量熵;最后利用SVM多故障分类器对提取出的特征展开训练和测试,进行齿轮箱故障分类。实验结果显示,即使在小样本情况下,且同时存在非单一、多种齿轮箱故障时,基于LMD能量熵和SVM方法也可以对齿轮箱故障进行特征提取和精准分类,实现齿轮箱故障诊断。
-
-
孟良;
许同乐;
马金英;
蔡道勇
-
-
摘要:
在轴承的故障诊断中,为了解决核函数在最小二乘支持向量机中参数选择困难及稀疏性差的问题,提出了局部均值分解(LMD)形态滤波的最小二乘支持向量机(LS-SVM)方法。该方法首先利用LMD对信号进行分解得到PF分量,并对信号做相关分析去除虚假分量,形态滤波降噪后再进行LMD分解得到新PF分量,提取能量特征;其次,对LS-SVM的核函数进行改进,解决核参数选择的问题;应用特征加权法对拉格朗日参数进行特征加权,取其加权平均值作为剪枝方法的阈值,降低稀疏性;最后将能量特征信号输入LS-SVM中,对信息进行训练预测。实验表明,应用该方法能快速有效地对轴承故障信号进行自适应的分类及轴承故障的判断。
-
-
魏文军;
李政;
武晓春;
高利民
-
-
摘要:
为解决S700K型电动转辙机正常、亚健康、故障和严重故障等全周期运行状态难以评估的问题,考虑其动作功率曲线和状态信息的一致性,结合局部均值分解(LMD)和排列熵(PE)理论,提出基于模糊聚类分析的S700K型电动转辙机运行状态评估算法。首先利用LMD分解将曲线分解成不同频率特性的乘积函数分量;其次结合PE算法量化不同分量复杂度,构建功率曲线的特征向量;最后用不同运行状态下的特征向量建立初始模糊矩阵,利用模糊聚类方法求得模糊相似矩阵和模糊等价矩阵。当置信因子从大到小变化时,由对应布尔矩阵得到动态聚类图,在置信因子取特定值时,测试集和样本集进行了匹配分类,从而实现了转辙机运行状态评估。实验结果表明,该算法模型具有结构简单、自适应和小样本的优势,更容易有效识别转辙机全周期运行状态。
-
-
田宝凤;
孙士聪;
刘隆昌;
蒋川东
-
-
摘要:
地面核磁共振(surface nuclear magnetic resonance,SNMR)技术由于其直接、定量、高效探测等优势在水文环境调查、预警灾害水源等领域中有着广泛应用.但在实际应用中,纳伏级别的SNMR信号往往淹没在复杂的环境噪声中难以分离,导致反演出的结果准确度降低.针对这一问题,本文提出了一种基于局部均值分解(local mean decomposition,LMD)的SNMR信号包络提取方法.首先,对含噪SNMR信号的实部包络与虚部包络从高频到低频依次进行分解;进而去除信号中的噪声干扰,提取所需的信号成分;最后合成有效的实部分量与虚部分量获得目标SNMR信号包络.结果表明:LMD算法提取SNMR信号包络获得初始振幅的拟合误差在±4.17%之内,平均横向弛豫时间拟合误差在±5.63%以内,信噪比提高了30.3~37.2dB.
-
-
薛政坤;
汪曦;
于晓光;
王宠;
张小龙
-
-
摘要:
针对航空液压管路故障特征难以提取问题,考虑到航空液压系统中振动信号存在非平稳性以及非线性等特点,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)的多尺度能量熵(Multi-scale Energy Entropy,MEE)和麻雀搜索算法(Sparrow Search Algorithm,SSA)优化极限学习机(Extreme Learning Machine,ELM)的航空液压管路故障诊断方法。首先,采用局域均值分解方法将采集的振动信号自适应分解;其次,综合考虑相关系数-能量比准则,选取最佳PF分量;最后,计算最佳分量的多尺度能量熵,选取合适的尺度因子并将其对应的能量熵值作为特征向量,输入到麻雀搜索算法优化的极限学习机网络模型进行学习训练,实现对航空液压管路的故障进行分类识别。结果表明:该方法能够有效地实现对航空液压管路故障类型的准确识别,为区分航空液压管路故障提供了一种可行的诊断思路。
-
-
周鸿芸
-
-
摘要:
为提高建筑物沉降变形预测精度,准确掌握建筑物变形趋势,发挥局部均值分解(LMD)算法与Elman神经网络模型在数据处理、数据预测中的优势,提出一种新的LMD-Elman神经网络模型。该组合预测模型有效实现建筑物沉降预测的流程为:①通过LMD方法将沉降序列分解为若干的不同尺度具有物理意义的乘积函数;②发挥Elman神经网络模型在数据预测中的优势,针对不同分量建立预测模型得到各分量预测值;③将各分量预测值重构得到最终预测结果。将组合预测模型应用于实测建筑物沉降数据预测中,结果表明,相较于GM(1.1)模型与单一的Elman神经网络模型,本文提出组合预测模型预测结果与实际监测值具有较高的一致性,预测精度更高。该组合预测模型能够充分发掘建筑物沉降数据本身所蕴含的物理机制与物理规律,提高了建筑物沉降变形的预测精度。
-
-
王鹏翔;
沈娟;
王菁旸;
林重驰
-
-
摘要:
对光伏发电功率进行准确预测,可减弱其并入电网的波动性,有利于电网对新能源发电的调度。基于主成分分析法和局部均值分解相结合的鲸鱼优化算法,构造优化后的极限学习机模型,并使用该模型对光伏发电短期功率进行预测。先用主成分分析法对影响光伏发电功率的因素进行筛选,并使用局部均值分解对选取的主要影响因素及发电功率序列数据进行分解;然后基于子序列使用鲸鱼优化建立极限学习机模型;最后将各序列短期预测结果叠加获得光伏发电短期功率预测结果。通过仿真验证及对比分析,说明该预测方法具有较高的预测精准度。
-
-
孙恺
-
-
摘要:
针对涉铁监测工程自动化变形监测信号中存在粗差和噪声的问题,提出基于时频分析的自动化监测信号粗差探测和去噪方法。原始监测信号通过时频分析方法局部均值分解(LMD)得到一系列乘积函数分量(PF),利用PF分量瞬时幅值函数极大值的位置定位粗差发生的历元,利用支持向量回归机(SVR)对信号进行预测修复处理,实现粗差探测修复的工作;通过连续均方误差准则定位噪声信号与有用信号的分界点,然后经小波阈值去噪法处理得到去噪后信号,实现信号去噪的工作。利用本文方法对涉铁工程监测信号的处理结果表明:本文方法可定位粗差发生的历元并修复,在去除监测信号中噪声的同时亦可保留变形细部特征。
-
-
GAO Yun;
高云;
XIANG Jiawei;
向家伟
- 《2018年全国设备监测诊断与维护学术会议暨第十六届全国设备故障诊断学术会议、第十八届全国设备监测与诊断学术会议、2018年全国设备诊断工程会议》
| 2018年
-
摘要:
极限学习机(Extreme Learning Machine,ELM)是一种基于单隐层前馈神经网络的新型快速学习算法,为提高ELM对故障分类的准确性,提出一种基于局部均值分解(Local Mean Decomposition,LMD)的ELM的轴承故障分类方法.首先用LMD对故障信号进行分解,得到若干乘积函数(Production Function,PF),然后提取与原信号相关度较大的PF分量重构成新的待测数据;其次,建立轴承的极限学习机故障分类模型;最后,将参数指标组成的特征向量输入ELM进行故障的分类识别.实验表明,与ELM直接分类相比,新方法能以更高的准确率进行轴承故障分类.
-
-
-
Liu Weixin;
刘伟鑫;
Zhou Songbin;
周松斌;
Liu Yisen;
刘忆森;
Han Wei;
韩威;
Zhang Hongzhao;
张宏钊
- 《2016年广东省测控与计量仪器学术研讨会》
| 2016年
-
摘要:
针对当前输电线路行波故障测距存在波速不确定性与行波波头到达时间难以准确测量问题,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)的行波故障测距方法,该方法在传统双端测距线路中间增加一个测量点,利用无故障线段的长度和测量点检测波头时间求出输电线路的行波波速,有效消除波速对测距精度的影响;并利用LMD算法对行波故障电流线模分量进行分解,根据分解得到第一个分量PF的瞬时频率曲线的首个频率突变点准确测量行波波头到达时间.基于采用Simulink搭建输电线路仿真模型,将本文行波故障测距方法与小波变换测距、HHT变换测距方法进行仿真对比,结果表明,本文方法测距精度高于小波变换测距、HHT变换测距方法,具有重要应用价值.
-
-
Liu Penghui;
刘鹏辉;
Zheng Xiaoxia;
郑小霞
- 《2015年全国智能电网用户端能源管理学术年会》
| 2015年
-
摘要:
介绍了一种新的非线性、非平稳信号分析方法-局部均值分解(Local Mean Decomposition,LMD).由于风电场风能的波动性和间歇性特点,使电网电能质量受到很大的影响.针对电压信号的非线性,采用LMD算法对信号进行分解,得到PF分量,由PF分量的调幅函数可得信号瞬时幅值,由调频信号则求取信号的瞬时频率.由得到的瞬时幅值可以得到波动发生时刻、结束时刻和持续时间,由得到的瞬时频率则可以得到不同时刻下信号频率的变化.通过仿真信号验证了算法的有效性,可以对风电场电压波动进行很好的检测.
-
-
-
SHEN Chao;
沈超;
YANG Jianwei;
杨建伟;
YAO Dechen;
姚德臣;
BAI Tangbo;
白堂博
- 《2018年全国设备监测诊断与维护学术会议暨第十六届全国设备故障诊断学术会议、第十八届全国设备监测与诊断学术会议、2018年全国设备诊断工程会议》
| 2018年
-
摘要:
为更好的进行齿轮故障诊断的研究,采用模糊熵(Fuzzy Entropy,FE)对不同类型、不同转速下的齿轮进行研究.首先,运用实验信号进行模糊熵参数进行计算确定;然后,对实验信号进行改进局部均值分解(Local Mean Decomposition,LMD)得到多个不同分量(Product Function,PF),最后,对分解得到的PF分量进行模糊熵值计算,利用支持向量机(SVM)进行故障识别诊断.齿轮实验数据的处理结果表明该方法可以有效的诊断辨别齿轮故障,具有一定的优势.