EEMD方法及其在机械故障诊断中的应用
作者 张梅军，唐建，何晓晖 著
出版时间 2015年
内容简介
本书是在国家自然科学基金项目“基于EEMD 的液压系统故障诊断方法研究” （编号：51175511）的基础上完成的，是研究机械信号特征提取、机械故障诊断及智能诊断方面的学术专著。EEMD 方法作为一种全新的信号分析技术，在研究信号的局部特征方面具有独特的优越性，非常适合处理非线性、非平稳信号，是目前国内外机械故障诊断研究的新方法。全书共分7 章，第1 章EMD 方法，第2 章EEMD 方法，第3 章EEMD 改进方法，第4 章SVRM 延拓的影响分析，第5 章EEMD 方法的应用，第6 章SVM 智能诊断理论及参数优化，第7 章EEMD 与SVM 结合的智能诊断应用。本书可供高等院校机械相关专业教师、研究生和高年级学生阅读，还可供从事信号处理和机械故障诊断的科研人员参考。 [1]
目录
第1章EMD方法
1.1内禀模态函数1
1.1.1EMD分解过程2
1.1.2EMD筛分终止条件5
1.2Hilbert变换和Hilbert谱6
1.3EMD的特点和存在的问题7
1.3.1EMD的特点7
1.3.2EMD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
2.1EEMD方法概述17
2.2EEMD方法的优点及存在的问题19
2.2.1EEMD方法的优点20
2.2.2EEMD存在的问题23
2.3EEMD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
3.1EEMD降噪29
3.1.1EEMD阈值降噪30
3.1.2EEMD自相关降噪32
3.1.3EEMD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
3.4EEMD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
3.5EEMD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 [1]
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
4.1SVRM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
4.2SVRM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
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
5.3.1FFT时频分析在信号奇异性检测中的应用99
5.3.2STFT时频分析在信号奇异性检测中的应用99
5.3.3WVD时频分析在信号奇异性检测中的应用99
5.3.4WT时频分析在信号奇异性检测中的应用1
5.3.5EMD时频分析在信号奇异性检测中的应用101
5.3.6EEMD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
6.1SVM理论112
6.1.1统计学习基本理论112
6.1.2SVM原理114
6.2SVM的分类115
6.2.1最大间隔分类SVM115
6.2.2软间隔分类SVM117
6.2.3基于核的SVM118
6.3SVM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 [1]
6.4SVM参数的优选121
6.4.1SVM参数优选的网格寻优法121
6.4.2SVM参数优选的粒子群算法(PSO)122
6.4.3SVM参数优选的遗传算法(GA)124
6.4.4SVM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
7.1EEMD与SVM结合的智能诊断方法134
7.2EEMD与SVM结合的高维大样本二分类故障识别135
7.2.1EEMD与SVM结合的轴承故障高维大样本二分类识别135
7.2.2EEMD与SVM结合的液压故障高维大样本二分类识别141
7.3EEMD与SVM结合的低维小样本二分类故障识别149
7.3.1EEMD与SVM结合的轴承故障低维小样本识别149
7.3.2EEMD与GA-SVM结合的液压故障低维小样本识别150
7.4EEMD与SVM结合的超低维小样本二分类识别152
7.4.1EEMD与SVM结合的液压冲击故障超低维小样本识别152
7.4.2EEMD和GA-SVM结合的液压故障超低维小样本二分类识别158
7.4.3EEMD与SVM结合的轴承故障超低维小样本识别159
7.5EEMD与SVM结合的多分类故障识别161
7.5.1EEMD与SVM结合的液压故障高维大样本多分类识别161
7.5.2EEMD与SVM结合的液压故障超低维超小样本多分类识别163
7.5.3EEMD与SVM结合的液压泄漏故障高维大样本多分类识别164
7.5.4EEMD与SVM结合的液压泄漏故障超低维超小样本多分类识别166
7.5.5EEMD与SVM结合的液压冲击故障高维大样本多分类识别168
7.5.6EEMD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
