局部均值分解

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。

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。

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。

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。

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。

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.

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。

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。

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。

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。

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.

摘要： 局部均值分解(Local Mean Decomposition,LMD)方法是一种以信号局部极值点为基础的非平稳信号分析方法.在实际应用过程中,由于信号采样点与信号局部极值点的偏差,会导致分解结果失真.以三角函数信号为研究对象,分析了不同采样频率下LMD方法分解误差的变化情况,并提出了相位平均模型定量描述不同采样率下LMD方法的理论分解误差.在此基础上,通过数值实验验证了理论误差模型与实际误差的一致性,为运用LMD方法时采样频率的选择提供了理论依据.

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.

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.

摘要： 研究了一种新的自适应时频分析方法一局部均值分解(Local mean decomposition，简称LMD)方法。LMD方法可以自适应地将任何一个复杂信号分解为若干个瞬时频率具有物理意义的PF(Product function，简称PF)分量之和，从而获得原始信号完整的时频分布。本文在介绍LMD方法的基础上，采用LMD方法对仿真信号进行了分析，结果表明了该方法的有效性。

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.

摘要： 本发明公开了一种基于局部特征尺度分解改进算法的均值曲线构建方法，采用四控制点插值方法计算均值点，并利用向内匹配极值点延拓法对信号进行端点效应抑制，从而使得得到的均值曲线更加贴合信号变化规律。

摘要： 本发明公开了一种用于低速旋转机械故障诊断的局部均值分解方法，通过对局部均值分解方法中的端点效应、PF筛分停止准则进行改进，对采样后的信号进行倍速处理能够有效避免后期频谱分析时的低频段错误；在局部均值分解中加入极值点的端点延拓机制，能够有效降低端点效应影响；通过结合峭度准则与纯调频性判定的PF筛分停止准则，提高了PF计算的稳定性，不易出现不收敛现象；通过少量PF函数重构实现噪声消除，能够有效提升故障特征成分的能量使其更加明显，有利于进行故障判定且计算量小，实现信号降噪与故障特征分析，适用于生产现场低速设备的诊断。

摘要： 本发明公开了一种基于集成噪声重构的总体局部均值分解的滚动轴承故障检测方法，采用局部均值分解方法对滚动轴承的故障信号进行分解，得到PF分量集合，求PF分量集合的信噪比的平均值，判断信噪比的平均值是否满足低信噪比条件，若满足，采用极大极小阈值噪声估计方法估计噪声信号；若不满足，采用局部重构方法估计噪声信号，采用局部均值分解方法对含噪的估计信号进行分解，完成故障信号的提取，对提取的故障信号经过傅里叶变换得到功率谱，将功率谱与滚动轴承故障特征频率进行对比，检测轴承是否存在故障以及故障类型，本发明克服了现有方法只能对强噪声进行噪声估计的缺点，鲁棒性好，大大降低了对硬件采样速率的要求，有较强的实用性。

摘要： 一种基于局部均值分解和支持向量机的网络攻击检测方法，包括如下步骤：1)对原始信号进行LMD分解，由纯调频信号求得对应的瞬时频率波形；2)经过积分求能量，归一化后作为特征向量；3)将数据集如上处理后划分为训练集和测试集，由训练集得到SVM模型，将测试集输入该模型中得到信号是否受到攻击的结果。本发明通过LMD分解得到的瞬时频率始终具有实际物理意义，以此作为特征向量，即便攻击信号的幅值很低也能被识别出来。

摘要： 本发明公开一种基于样条插值局部均值分解和卷积神经网络的管道泄漏检测和定位方法，包括：首先通过采用改进型样条局部均值分解对泄漏产生的负压波降噪；在此基础上，将泄漏产生的负压波信号转化为图像信号作为卷积神经网络模型的输入，通过对卷积神经网络的训练，实现对不同泄漏大小的检测；最后通过计算泄漏点上下游压力信号的广义相关函数确定泄漏时延，从而确定泄漏位置。与目前的局部均值降噪方法相比，本发明不仅更高的计算效率，而且还具有更好的分解精度，能够更为准确的还原压力信号；通过提出的基于卷积神经网络的泄漏检测方法具有良好的准确度和模型泛化能力。

摘要： 本发明公开了一种经验模态分解‑局部均值分解联合方法，涉及信号处理技术领域，该方法包括：S1：针对非线性非稳定的原始信号，进行经验模态分解，得到所有的固有模态函数；S2：以所有的固有模态函数作为输入，使用局部均值分解方法进行分解，得到瞬时频率物理意义明确的处理信号。采用本发明的技术方案能够克服以往由希尔伯特‑黄变换产生的负频率问题，同时具备强鲁棒性并且得到的瞬时频率物理意义明确，从而能够适用于处理自然界及工程领域的复杂非线性非稳定信号。

摘要： 本发明公开了一种基于二维局部均值分解的脑电信号分类方法，包括以下步骤：通过脑电采集装置采集得到的多通道的脑电信号，并对脑电信号进行预处理；选取代表左、右脑活动的通道信号构造二维信号，通过二维局部均值分解，得到乘积函数分量；分别对两个通道的乘积函数分量进行希尔伯特—黄变换，获得边缘希尔伯特—黄频谱图；计算边缘希尔伯特—黄频谱图中指定频段的平均波带功率作为特征值；将特征值输入到分类器中对不同运动想象任务下的脑电信号进行分类。利用本发明方法，可以针对较少的电极的脑电信号进行特征提取，实现对不同运动想象任务时的脑电信号的分类，有助于推动基于运动想象的在线实时脑机交互控制系统的研究。

摘要： 本发明公开了一种基于局部均值分解的小波阈值自动化变形监测信号去噪方法，包括：获取一组连续多期次观测的静力水准仪自动化变形原始监测信号；采用局部均值分解法对原始监测信号进行分解处理，得到一系列从高频到低频分布的PF分量及一个残余分量；采用连续均方误差准则获取代表高频噪声信号的PF分量与代表低频变形信号的PF分量的分界点；采用小波阈值去噪法对分界点前的各PF分量进行去噪处理，得到去噪后分界点前的各PF分量；利用去噪后分界点前的各PF分量及剩余PF分量和所述残余分量构造去噪后信号。该方法复杂度低、简单快捷，减弱了测量噪声对被监测对象变形信息提取的影响，提高了自动化变形监测信号的真实性。

摘要： 本发明公开了一种基于局部均值分解与支持向量机的变压器绕组松动识别方法，其步骤如下：步骤1：分别采集变压器合闸瞬间的正常状态与绕组松动状态的振动信号；步骤2：对采集的振动信号进行变分模态分解，取得各PF分量；步骤3：计算各PF分量的能量与奇异值及重构信号的排列熵与奇异谱熵；步骤4：通过Fisher‑Score法选出精度较高的特征来构成特征向量组；步骤5：利用训练样本集对模拟退火优化的支持向量机模型进行训练；步骤6：用得到的支持向量机模型作为分类器对测试样本集进行分类识别，实现故障诊断。本发明可在变压器合闸瞬间对变压器绕组松动状态进行识别，实现了变压器的早期预警，为进行变压器振动信号特征提取与故障诊断提供了一种新的方法。

摘要： 本发明公开了一种用于低速旋转机械故障诊断的局部均值分解方法，通过对局部均值分解方法中的端点效应、PF筛分停止准则进行改进，对采样后的信号进行倍速处理能够有效避免后期频谱分析时的低频段错误；在局部均值分解中加入极值点的端点延拓机制，能够有效降低端点效应影响；通过结合峭度准则与纯调频性判定的PF筛分停止准则，提高了PF计算的稳定性，不易出现不收敛现象；通过少量PF函数重构实现噪声消除，能够有效提升故障特征成分的能量使其更加明显，有利于进行故障判定且计算量小，实现信号降噪与故障特征分析，适用于生产现场低速设备的诊断。