研究表明高速列车的噪声由多种因素混合而成,有效的分离出各种噪声对列车的减振降噪具有重要意义.针对动车组模型试验提出一种适用于分离试验段观测噪声的盲源分离方法.对观测噪声进行EEMD分解,使单通道欠定问题转化为正定问题;利用主成分分析进行源信号数目的估计,提出利用至少包含源信号信息90%的主成分重构观测信号;对重构的观测信号利用独立分量分析进行分离.仿真实验说明该方法可有效的分离出源信号.在动车组模型风洞试验中,试验段传声器的观测信号主要是由气动噪声和风机振动噪声混合而成,所估计的源信号数目与试验条件一致.分离出的气动噪声和风机振动噪声源信号与原始源信号的主要频率一致,相关系数都大于0.65,属于强相关,说明了该方法对动车组模型试验噪声分离的有效性.

为了能够提高液压钻机液压系统故障诊断的正确率,深入地研究了EEMD在其中的应用。首先,分析了液压钻机液压系统的常见故障;接着,研究了EEMD的基本原理;然后,分析了EEMD的降噪原理;最后,进行了液压钻机液压系统的故障诊断分析,诊断结果表明,该方法具有较高的诊断正确率。

提出了一种基于总体平均经验模态分解和极限学习机的故障诊断方法,该方法利用EEMD将单向阀振动信号分解成若干个不同尺度的本征模函数(IMF),从IMF分量中提取近似熵、能量熵、峭度和均方根4个特征构成特征向量集,用于建立基于极限学习机算法的故障诊断模型。实验结果表明,该方法可以监测高压隔膜泵运行状态,成功诊断出单向阀运行时产生的故障。

鉴于数控车床刀具在机械加工系统中占有重要的地位,故数控车床刀具磨损故障的在线检测与识别具有重要意义。以华中数控车床为研究对象,提出了以平均经验模态分解(EEMD)、混沌粒子群(CPSO)以及核极限学习机(ELM)等方法对车床刀具磨损故障进行诊断。介绍了EEMD、CPSO以及ELM的基本原理和过程;对采集得到的刀具磨损信号进行前期预处理,经EEMD分解后得到IMF分量,以峭度、峰值、均方根值作为一种选取标准,选择包含较多故障信息的几个IMF进行信号重组并计算;将计算结果组成特征向量输入CPSO-ELM、SVM以及BP神经网络等分类器进行故障识别和对比。实验结果表明:对比传统的BP神经网络和SVM分类器,CPSO-ELM分类器具有快速、精确、有效的识别特性,能够有效检测和识别刀具磨损故障。

为了提取齿轮裂纹故障的特征参数并识别不同裂纹深度齿轮的类型,以单级齿轮箱中的圆柱齿轮为实验对象,采集3种不同裂纹深度齿轮的振动信号。对采集到的信号进行时频域分析和EEMD分解,分别提取时域特征参数和EEMD能量特征参数,分析和构造齿轮裂纹故障特征向量,选用基于径向基核函数的支持向量机分类方法进行不同裂纹深度齿轮的识别。结果表明:结合时域特征参数和EEMD能量特征参数构造的齿轮裂纹故障特征向量能准确识别不同裂纹深度齿轮的类型。

工程机械液压系统发生冲击故障时,液压冲击引起的振动信号包含了大量的故障信息。该文针对液压冲击产生的振动信号,通过EEMD方法计算有效IMF分量的能量分布作为振动信号的特征向量,研究了基于SVM分类预测的典型冲击振动信号的高维大样本的分类识别,比较了不同SVM分类器的分类识别效果。结果表明:基于EEMD和SVM相结合的方法可有效进行高维大样本条件下液压系统冲击振动信号分类识别,能实现液压系统冲击振动信号的智能诊断。

针对主轴切削加工状态下的转子振动测试信号存在噪声干扰严重的问题，提出一种基于EEMD信号处理技术的加工振动测试信号提纯方法，该方法能够有效滤除噪声干扰实现信号提纯，并且该方法能够解决加工状态下转子振动测试信号非平稳特征的有效提取，相比于EMD方法能够有效避免模态混叠现象的发生，具有更好的信号处理效果，通过仿真分析和实验验证本方法在主轴加工状态下的转子振动测试信号提纯中具有很好的效果。该方法为主轴切削加工状态下的故障诊断提供必要的基础。

针对刀具切削加工过程产生的声发射信号进行噪音滤除,以有效监测刀具磨损情况,提高工件加工质量。研究形态滤波与集合平均经验模态分解(EEMD)的有效组合方法,在时域和频域对信号进行降噪处理。首先采用加权级联形态滤波,滤除声发射信号的尖峰脉冲干扰;进而采用EEMD分解处理后的信号,计算所得本征模态分量(IMF)的相关性以去除虚假分量,达到去噪效果。仿真实例分别对模拟加噪声发射信号和实测刀具声发射信号进行处理,并提取去噪前后信号频率特征进行比较,仿真结果说明了此方法的有效性。

为解决EMD(经验模态法)在应用时存在的缺陷如端点效应和模态混叠现象问题,采用EEMD(集合经验模态法)与小波包相结合的方法对液压管道振动信号进行研究,通过小波包对原信号降噪、压缩小波包系数,并将信号进行重构,再将重构的信号进行EEMD分解之后计算与重构信号的相关系数,选择系数大的进行Hilbert(希尔伯特)包络谱分析.以Case Western Reserve University Bearing Data Center轴承数据和液压机实测信号进行分析,检测出相关故障频率,证实该方法切实有效,能更准确地对液压系统故障进行诊断分析.

针对斜盘式轴向柱塞泵微弱故障特征难以提取的问题，提出了一种基于EEMD-增强因子自适应的液压泵微弱故障特征提取方法。对故障信号EEMD分解得到一组IMFs，采用增强因子作为各IMF权值合成信号以突出故障特征并抑制不相关成分；对合成信号EEMD分解，用敏感因子筛选出最能够表征故障信息的IMFs分量重构信号；对重构信号做Hil-bert变换求得包络谱，分析包络谱诊断出具体故障。仿真信号和液压泵实测信号的分析结果均很好地验证了该方法的有效性和优越性。