基于EEMD残差的在线故障诊断新方法

本文主要探讨了基于EEMD残差的故障诊断方法，该方法由王尊、顾祥柏和耿志强共同研究，他们结合了总体平均经验模态分解（EEMD）的优势。EEMD作为一种改进的信号处理技术，它在解决经验模态分解（EMD）中常见的模态混叠问题上表现出了显著效果。传统希尔伯特-黄变换（HHT）中的EMD由于其非线性和局部依赖性，有时难以准确地解析复杂的非平稳信号，而EEMD通过多重复合模式分解，提高了模态分离的精度。 论文的核心贡献在于提出了一种新的故障诊断策略，即利用EEMD的残差信息进行在线故障检测。传统的HHT和主成分分析（PCA）方法在故障定位方面可能存在局限，而基于EEMD残差的方法能够实时监测信号变化，通过移动窗口采样数据，有效地捕捉到故障发生时的异常波动，从而实现故障的在线诊断并确定故障发生的精确时间区间。 研究者在北京化工大学信息科学与技术学院和中国石化炼化工程股份有限公司进行了实际应用，选择了TE过程作为实验场景，对比了所提方法与传统HHT和PCA方法的性能。结果显示，基于EEMD残差的故障诊断方法在准确性、实时性和故障定位能力上具有明显优势，这对于工业监控和维护等领域具有重要的实际价值。 此外，这篇论文还得到了高等学校博士学科点专项科研基金的支持，体现了研究团队对该领域的深入探究和实践。作者王尊在硕士研究生阶段主要研究方向是故障诊断，而耿志强教授则在数据挖掘、知识管理和过程建模、优化及故障诊断等多个领域有深厚造诣。 该研究不仅提升了故障诊断技术的精度和效率，也为在线监控系统的优化提供了新的思路，对于推进工业界故障预测与预防技术的发展具有积极的推动作用。