EEMD方法及其在机械故障诊断中的应用PDF电子书下载

第1章 EMD方法 1

1.1 内禀模态函数 1

1.1.1 EMD分解过程 2

1.1.2 EMD筛分终止条件 5

1.2 Hilbert变换和Hilbert谱 6

1.3 EMD的特点和存在的问题 7

1.3.1 EMD的特点 7

1.3.2 EMD存在的问题 8

1.4 端点效应和信号延拓 12

1.4.1 波形匹配延拓法 12

1.4.2 极值延拓法 14

1.4.3 数据预测延拓法 15

第2章 EEMD方法 17

2.1 EEMD方法概述 17

2.2 EEMD方法的优点及存在的问题 19

2.2.1 EEMD方法的优点 20

2.2.2 EEMD存在的问题 23

2.3 EEMD方法改进效果的评价方法 26

2.3.1 仿真信号EEMD改进评价方法 26

2.3.2 实测信号EEMD改进评价方法 27

第3章 EEMD改进方法 29

3.1 EEMD降噪 29

3.1.1 EEMD阈值降噪 30

3.1.2 EEMD自相关降噪 32

3.1.3 EEMD奇异值差分谱降噪 34

3.2 基于频率截止的EEMD算法改进 38

3.2.1 基于频率截止的EEMD算法改进方法 38

3.2.2 仿真信号验证 39

3.2.3 实测信号验证 43

3.3 改进三次样条插值的EMD（EEMD）方法 46

3.3.1 常用插值函数拟合效果分析 46

3.3.2 基于极值中心三次样条插值的改进EMD（EEMD）方法 48

3.3.3 极值中心三次样条插值的实例分析 49

3.3.4 包络能量阈值法 56

3.4 EEMD的端点延拓方法 60

3.4.1 基于支持向量回归机的EEMD延拓方法 60

3.4.2 基于极值点SVRM的EEMD延拓方法 63

3.4.3 基于极值波延拓的EEMD端点效应处理方法 69

3.5 EEMD的虚假IMF分量识别 76

3.5.1 基于时域互相关系数的EEMD虚假IMF分量识别 77

3.5.2 基于频域互相关系数的EEMD虚假IMF分量识别 79

3.5.3 能量熵增量的EEMD虚假IMF分量识别 82

第4章 SVRM延拓的影响分析 85

4.1 SVRM预测长度的影响 85

4.1.1 预测长度对预测精度的影响 85

4.1.2 预测长度对运算效率的影响 86

4.2 SVRM样本点数的影响 88

4.2.1 样本点数对预测精度的影响 88

4.2.2 样本点数对运算效率的影响 89

4.3 信号采样频率的影响 89

4.4 信号复杂性的影响 90

第5章 EEMD方法的应用 92

5.1 改进EEMD在信号趋势分析中的应用 92

5.1.1 改进的EEMD分解与小波分解提取趋势项的比较 92

5.1.2 改进的EEMD分解与EMD、EEMD分解提取趋势项的比较 94

5.2 改进的EEMD在调制信号分析中的应用 96

5.2.1 改进的EEMD在调幅信号中的应用 97

5.2.2 改进的EEMD在调频信号中的应用 98

5.2.3 改进的EEMD在幅频调制信号中的应用 98

5.3 改进的EEMD在信号奇异性检测中的应用 99

5.3.1 FFT时频分析在信号奇异性检测中的应用 99

5.3.2 STFT时频分析在信号奇异性检测中的应用 99

5.3.3 WVD时频分析在信号奇异性检测中的应用 99

5.3.4 WT时频分析在信号奇异性检测中的应用 100

5.3.5 EMD时频分析在信号奇异性检测中的应用 101

5.3.6 EEMD时频分析在信号奇异性检测中的应用 101

5.3.7 改进的EEMD时频分析在信号奇异性检测中的应用 102

5.4 改进的EEMD在机械故障诊断中的应用 102

5.4.1 改进的EEMD在轴承故障诊断中的应用 103

5.4.2 改进的EEMD在液压系统故障诊断中的应用 105

第6章 SVM智能诊断理论及参数优化 112

6.1 SVM理论 112

6.1.1 统计学习基本理论 112

6.1.2 SVM原理 114

6.2 SVM的分类 115

6.2.1 最大间隔分类SVM 115

6.2.2 软间隔分类SVM 117

6.2.3 基于核的SVM 118

6.3 SVM多分类器算法 119

6.3.1 “一对多”多分类算法 120

6.3.2 “一对一”多分类算法 120

6.3.3 层次多分类算法 121

6.4 SVM参数的优选 121

6.4.1 SVM参数优选的网格寻优法 121

6.4.2 SVM参数优选的粒子群算法（PSO） 122

6.4.3 SVM参数优选的遗传算法（GA） 124

6.4.4 SVM的优化对分类的影响 126

6.5 各参数对SVM分类的影响 130

6.5.1 特征向量维数对分类的影响 130

6.5.2 样本变化对分类的影响 131

第7章 EEMD与SVM结合的智能诊断方法 134

7.1 EEMD与SVM结合的智能诊断方法 134

7.2 EEMD与SVM结合的高维大样本二分类故障识别 135

7.2.1 EEMD与SVM结合的轴承故障高维大样本二分类识别 135

7.2.2 EEMD与SVM结合的液压故障高维大样本二分类识别 141

7.3 EEMD与SVM结合的低维小样本二分类故障识别 149

7.3.1 EEMD与SVM结合的轴承故障低维小样本识别 149

7.3.2 EEMD与GA-SVM结合的液压故障低维小样本识别 150

7.4 EEMD与SVM结合的超低维小样本二分类识别 152

7.4.1 EEMD与SVM结合的液压冲击故障超低维小样本识别 152

7.4.2 EEMD和GA-SVM结合的液压故障超低维小样本二分类识别 158

7.4.3 EEMD与SVM结合的轴承故障超低维小样本识别 159

7.5 EEMD与SVM结合的多分类故障识别 161

7.5.1 EEMD与SVM结合的液压故障高维大样本多分类识别 161

7.5.2 EEMD与SVM结合的液压故障超低维超小样本多分类识别 163

7.5.3 EEMD与SVM结合的液压泄漏故障高维大样本多分类识别 164

7.5.4 EEMD与SVM结合的液压泄漏故障超低维超小样本多分类识别 166

7.5.5 EEMD与SVM结合的液压冲击故障高维大样本多分类识别 168

7.5.6 EEMD与SVM结合的轴承故障超低维超小样本多分类识别 169

参考文献 172