工业设备健康状态关系着工业生产能否正常进行,为此提出一种基于改进自适应噪声完备经验模态分解(ICEEMDAN)和双向长短期记忆网络(Bi-LSTM)的工业设备健康状态预测方法。ICEEMDAN用于将原始音频信号进行分解得到若干个固有模态函数(IMF)分量,通过计算相关系数选取最佳分量组进行信号重构,然后计算重构IMF分量的模糊熵值构造特征向量集合,最后再输入到Bi-LSTM网络进行模型训练和预测。实验结果表明相较于其他模型,基于ICEEMDAN模糊熵和Bi-LSTM的工业设备健康状态预测方法,能够有效提取音频信号特征,并准确进行健康状态预测。

为识别出柱塞泵的不同故障模式,提出一种柱塞泵故障诊断方法。首先,将柱塞泵的振动加速度信号数据通过改进的自适应噪声完备集成经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)方法分解为多个固有模态分量(Intrinsic Mode Function,IMF),分别计算筛选后的IMF分量的时域、频域特征并拼接为特征向量;其次,使用K近邻算法计算各特征向量之间的相似度,依据相似度生成一种故障样本特征图,实现一维时序数据到图结构数据的转换,刻画不同故障样本之间的联系;最后,将故障样本特征图输入至基于初始残差和恒等映射的图卷积网络(Graph Convolutional Network via Initial Residual and Identity Mapping,GCNII)诊断模型中,准确的识别出柱塞泵的不同故障类型。经实验验证,该方法在5种柱塞泵故障类型上的诊断率达到了98.67%。

针对莲藕超声探测时回波小、信号杂、噪声多,无法找到莲藕特征的问题。为了能准确地从探藕回波信号判明莲藕是否存在,提出了一种基于ICEEMDAN的改进HHT技术。分别针对仿真计算信号和实验回波信号进行计算分析,结果表明可以通过该方法判断莲藕是否存在。该方法减少了噪声和无关杂波的干扰,简单易行,精度较高,便于智能农业机械化,在实际工程应用中具有可行性。