基于EMD方法的机电作动系统故障特征提取

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (3): 247-249.

基于EMD方法的机电作动系统故障特征提取

谢文俊1，2，齐蓉1，肖蕾3

1.西北工业大学自动化学院，西安 710072
2.空军工程大学工程学院，西安 710038
3.西安卫星测控中心，西安 710043

出版日期:2014-02-01 发布日期:2014-01-26

Electromechanical actuation system fault feature extraction based on EMD method

XIE Wenjun1，2, QI Rong1, XIAO Lei3

1.School of Automation, Northwestern Polytechnical University, Xi’an 710072, China
2.College of Air Force Engineering, Air Force Engineering University, Xi’an 710038, China
3.Xi’an Satellite Control Center, Xi’an 710043, China

Online:2014-02-01 Published:2014-01-26

摘要/Abstract

摘要： 提出基于经验模式分解（EMD）分析的特征提取方法，该方法自适应地将故障信号分解为不同频段上的基本模式分量（IMF）之和，由于只有少数IMF对故障敏感，从而可以有效提取故障特征。实验结果表明该方法可有效提取电机早期隐性故障特征，为飞机机电作动系统的故障预测和健康评估提供必要的前期准备。

关键词: 机电作动系统, 故障诊断、预测与健康管理, 经验模式分解

Abstract: An improved feature extraction method based on Empirical Mode Decomposition（EMD） analysis is presented. This method decomposes the fault signal into the sum of Intrinsic Mode Function（IMF） adaptively, which effectively obtains the characteristic information of raw data for only little IMF is sensitive to the fault. As simulation result shows, this method can extract the forepart recessive fault feature, and provide necessary forepart provision for fault prognostics and health evaluation for airplane electro-mechanical actuation system.

Key words: electro-mechanical actuation system, fault diagnosis, prognostics and health management, Empirical Mode Decomposition（EMD）

谢文俊1，2，齐蓉1，肖蕾3. 基于EMD方法的机电作动系统故障特征提取[J]. 计算机工程与应用, 2014, 50(3): 247-249.

XIE Wenjun1，2, QI Rong1, XIAO Lei3. Electromechanical actuation system fault feature extraction based on EMD method[J]. Computer Engineering and Applications, 2014, 50(3): 247-249.

[1]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[2]	张学军1，2，王龙强1，黄婉露1，黄丽亚1，2，成谢锋1，2. EMD和CSP融合最优波长空间滤波脑电特征提取方法[J]. 计算机工程与应用, 2018, 54(24): 149-155.
[3]	王霞1，王丹1，王光艳2，张艳1. 压缩感知与EMD相结合的带噪面罩语音增强[J]. 计算机工程与应用, 2017, 53(18): 137-140.
[4]	张学军 1，2，黄婉露1，黄丽亚1，2，成谢锋1，2. 公共空间模式算法结合经验模式分解的EEG特征提取[J]. 计算机工程与应用, 2017, 53(13): 9-15.
[5]	吴龙华1，朱嘉钢1，陆晓2. 抑制边缘效应的自适应单通道盲源分离[J]. 计算机工程与应用, 2016, 52(14): 130-135.
[6]	王卫朝1，石国良2，李晓2，金炜东2. 应用EMD熵和ReliefF分析高铁横向减振器故障[J]. 计算机工程与应用, 2016, 52(14): 226-231.
[7]	潘峥嵘，戴芮，张宁. 改进的基音周期检测算法研究[J]. 计算机工程与应用, 2015, 51(10): 223-226.
[8]	李广琼，陈荣元. 基于EMD和自适应提升小波分析的图像增强[J]. 计算机工程与应用, 2014, 50(21): 195-199.
[9]	郭耸1，2，顾国昌2，李常有3，栾方军1，宋晓宇1. 利用EMD的自适应图像去噪[J]. 计算机工程与应用, 2013, 49(8): 12-16.
[10]	郭兴明，黄林洲. IMF复杂度特征在心音信号分类识别中的应用[J]. 计算机工程与应用, 2013, 49(21): 212-215.
[11]	谢文俊1，2，齐蓉1，肖蕾3. 作动系统健康状况对飞行安全影响的评估方法[J]. 计算机工程与应用, 2013, 49(15): 242-245.
[12]	王巍1，2，赵宏1，2，梁朝晖1，马涛1，2. 基于EMD和SVR的混合智能预测模型及实证研究[J]. 计算机工程与应用, 2012, 48(4): 225-227.
[13]	郭兴明¹，林辉杰¹，肖守中^1，2. 心音中医学指标的提取[J]. 计算机工程与应用, 2011, 47(3): 214-217.
[14]	吕建新1，吴虎胜2，田杰3. EEMD的非平稳信号降噪及其故障诊断应用[J]. 计算机工程与应用, 2011, 47(28): 223-227.
[15]	周勇1，李念水1，程春田2. 时间序列数据流预测模型应用研究[J]. 计算机工程与应用, 2011, 47(26): 135-139.