一种改进的经验模态分解方法

针对经验模态分解中存在的端点效应及模态混叠现象,提出一种新的改进方法。利用镜像延拓方法对信号两端数据进行延拓后,结合余弦窗函数以解决端点效应对分解结果的影响,再利用高频谐波法结合掩膜信号法抑制EMD分解过程中存在的模态混叠。通过实验对比验证了该方法的有效可行性。     

局部经验模态分解算法

对经验模态分解算法中的异常事件干扰机制做了深入的探讨,指出发生频率混叠现象时必须满足的两个条件。为了避免出现频率混叠现象,提出了基于动态窗口的局部分解算法。利用信号的时间特征尺度检测出信号的突变并定位局部高频分量,在分解信号的过程中,局部分解算法并不对信号的整个时间区域进行分解,而是以定位好的局部高频分量位置为窗口,进行局部的经验模态分解,分离出高频分量。通过这种局部分解,就可以有效地消除模态间的频率混叠,得到的固有模态函数更可靠地反映了真实物理过程。和现有异常事件处理方法相比,局部经验模态分解算法在理论上和经验模态分解算法更为统一,方法更为简便。通过实例表明了局部经验模态分解算法的有效性。     

基于高阶导数改进的经验模态分解算法

经验模态分解(Empirical mode decomposition,EMD)自提出以来已广泛用于信号检测与处理,但其存在很多的缺陷,如频率混叠现象等.为了减轻混叠现象,提取真实的频率成分,本文分析了信号及其一阶导数和二阶导数的关系,作出一种用信号二阶导数的极值点处的信号值取代原EMD算法中的信号极值点进行三次样条插值的方法,其余计算流程不变,仍采用镜像拓延法改善端点效应.仿真结果与原EMD计算结果对比表明,基于信号二阶导数改进的算法能准确分解出信号中幅值分量表现不明显的高频信号,具有实用价值.     

基于脑电EEG的改进EEMD算法

为了有效地改善模态混叠问题以适应脑电信号的研究,提出了一种改进的集合经验模态分解算法。首先对脑信号进行相关性筛选;然后自适应地从原始脑信号中预测脑电特性信号,融合高斯白噪声生成新型脑信号噪声;最后基于该噪声进行集合经验模态分解。仿真实验表明,新型脑信号噪声不仅具有自适应特性,而且可以更好地解决脑信号经验模态分解中的模态混叠问题,同时也证明了该算法在脑电研究领域的理论和应用价值。     

基于改进LMD方法的风电机组齿轮箱故障诊断研究

局部均值函数的求取是局部均值分解(LMD)的关键环节。针对局部均值函数求取存在偏差进而造成模态混叠的问题,提出了一种基于局部积分均值的LMD风电机组齿轮箱故障诊断方法。该方法改变了对相邻两极值点求平均值的思路,采用求取相邻两极值点的局部积分均值,再通过滑动平均法进行平滑处理,最终得到局部均值函数。为实现风电机组齿轮箱故障诊断,首先采用改进LMD方法对信号进行降噪处理,然后采用多尺度熵提取降噪处理后信号的特征向量,最后采用极限学习机进行故障诊断。通过仿真分析,证明了该方法能有效解决模态混叠现象,提高了LMD的分解精度。试验验证分析表明,该方法的故障诊断准确率为100%,通过对比分析表明,该方法优于其他故障诊断方法,具有工程应用价值。     

一种改善EMD端点问题的方法

经验模态分解（EMD）是一种先进的数据处理方法,对脑电信号（EEG）等非线性非平稳信号的处理非常有效。但是其在利用三次样条曲线构造上下包络时,端点附近的包络存在严重的摆动。针对该问题,在镜面延拓算法的基础上,提出了二次延拓算法。根据邻近端点的数据计算出该信号在端点处的拟合函数;利用该拟合函数在左右端点各延拓出一个极值点;采用镜面延拓算法对延拓后的信号进行EMD分解。算法考虑了信号端点处的变化趋势,使得端点处的延拓更加合理,从而使三次样条曲线在端点处不会出现大的摆动。仿真结果表明,该算法能有效地对脑电信号进行分解。     

交联电缆局部放电检测研究

为了提取局部放电信号特征,将集合经验模态分解方法用于交联电缆局部放电信号分析中,提出了一种用于处理局部放电数据的自适应阈值算法。首先利用集合经验模态分解方法将含有噪声的局部放电信号分解成一些相互独立的模态函数分量,然后对所得的模态函数分量进行自适应阈值处理与重构,从而抑制噪声干扰。该算法克服了经验模态分解方法易产生的模态混叠问题,仿真和实测数据验证了其正确性及可行性。     

EMD间歇信号的检测和提取方法

讨论了由于间歇信号嵌入导致经验模式分解结果出现模态混叠的现象,指出极值点序列幅值突变是产生模态混叠的根本原因.利用第一阶固有模态函数极值点间距的变化和信号极大值以及极小值序列值的变化,构建了两种间歇信号的判别方法,并讨论了间歇信号的边界延拓方式.在间歇信号识别的基础上,用局部经验模式分解的方法提取间歇信号.最后以实际算例证明了该方法的有效性.     

改进的局域均值分解在机械故障诊断中的应用

为了准确地提取出故障特征,把局域均值分解算法应用于机械故障振动信号的特征提取中.然而在对信号进行局域均值分解时,由于端点的趋势无法预知,在分解时会污染到整个信号序列,而且滑动平均造成了信号的过平滑处理,导致故障特征不能准确地提取.采用波形匹配解决端点处信号的走势,之后再利用线性插值求得信号的局域均值函数与包络函数,通过在Matlab环境下仿真调幅信号验证了该算法在端点处能很好的保持原有信号的特征;并采用实际的机械振动信号进行实验验证,引入端点效应评价指标,根据分解后的生产函数与原信号的相关系数验证了改进的局域均值分解更能准确地提取故障特征.     

抑制局域波分解端点效应方法的研究

针对局域波分解存在的端点效应问题,提出了三角波形相似估计法对信号端点局部均值进行估计.方法根据三角形相似原理设定了两个相似估计误差,通过两次筛选得到与边界三角波形最相似的三角波形,从而实现对端点局部均值的估计.过镜面闭合延拓法、多项式拟合估计法、边界波形匹配预测法和三角波形相似估计法进行比较研究.仿真和比较结果表明,方法在运行时间、存储空问和最大估计误差三个方面均具有较好的性能,能够有效地抑制局域波分解端点效应.     

基于EEMD和关联维数的小电流接地故障选线方法

针对小电流接地系统发生单相接地故障时,各线路零序电流的非平稳、非线性等复杂特性,提出一种基于总体模态分解(EEMD)和关联维数相结合的选线方法.EEMD算法是在经验模态分解(EMD)的基础上加以改进,能够消除模态混叠现象,同时保留了经验模态分解具有的良好的时频特性;EEMD能根据信号本身的特点对瞬时出现的信号进行分析,并将信号分解成若干个固有模态函数(IMF)分量和一个剩余分量.利用关联维数不易受噪声干扰特点,对分解的IMF信号分量进行处理,采用G-P算法计算关联维数,通过比较关联维数的大小选出发生故障的线路.仿真结果表明,该选线方法可靠性高且效果较好.     

基于BEMD的染噪混沌时间序列预测方法

基于经验模态分解(EMD)方法对染噪混沌时间序列进行预测时,模态混叠会降低预测精度和最大可预测时间.针对这一问题,将复数据经验模态分解(BEMD)引入到染噪混沌时间序列的预测,在BEMD过程中以高斯白噪声分解的内禀模态函数(IMF)为基函数来驱动染噪混沌信号的分解,从而减小模态混叠对混沌预测的影响.Lorenz混沌时间序列和Henon混沌时间序列的预测实例表明,本方法相对于EMD方法在预测精度和最大可预测时间上都有一定程度的提高.     

An improved EEMD method based on the adjustable cubic trigonometric cardinal spline interpolation

The empirical mode decomposition (EMD) has recently emerged as an efficient tool to adaptively decompose non-stationary signals for nonlinear systems, which has a wide range of applications such as automatic control, mechanical engineering and medicine and biology. A noise-assisted variant of EMD named ensemble empirical mode decomposition (EEMD) have been proposed to alleviate the mode mixing phenomenon. In this paper, we proposed an improved EEMD method, namely cardinal spline interpolation based EEMD (C-EEMD), by optimizing the sifting procedure. Specifically, we employ the adjustable cubic trigonometric cardinal spline interpolation (CTCSI) to accurately represent free curves, other than the original one used in the traditional EEMD. The new interpolation approach can be used to build the mean curve in a more precise way. By virtue of CTCSI, we can therefore obtain the mean value curve from midpoints of the local maxima and minima by just one interpolation operations, which saves almost half the computational cost. Extensive experimental results on synthetic data and real EMI signals clearly demonstrate the superiority of the proposed method, compared to the state-of-the-arts.     

极限学习机延拓的BS-EMD端点效应抑制算法及应用

针对希尔伯特-黄变换过程中经验模态分解出现的端点效应问题,采用极限学习机（Extreme Learning Machine,ELM）算法对原始数据序列分别向左右两端延拓,对扩展后的数据序列用B样条插值函数求其平均曲线,在此基础上进行下一步分解,结束分解后摒弃两端延展的数据,使算法得到优化,起到了抑制端点效应的作用。通过与未经延拓,BP神经网络延拓和支持向量机延拓各项指标的对比分析表明,该算法不仅有效抑制了经验模态分解过程中的端点效应,在预测速度和分解精度上都有一定的优势。将该方法应用于电力系统的谐波分析中,仿真结果表明该方法能有效抑制EMD的端点效应,更好地分解出谐波中含有的不同频率谐波分量。     

经验模式分解回顾与展望

经验模式分解EMD打破了Fourier变换、小波分解等传统数据分析方法需要预先设定基函数的局限,是一种完全由数据驱动的自适应非线性非平稳时变信号分解方法,可以将数据从高频到低频分解成具有物理意义的少数几个固有模态函数分量和一个余量。首先介绍了原始EMD方法的原理和算法;接着,总结归纳了EMD当前的研究现状,分析了EMD存在的端点效应、模态混叠、运行速度问题及其在二维情况下的问题并对国内外学者解决这些问题的方法进行了概述和比较;最后结合EMD研究存在的难题指出了EMD进一步研究与应用的发展方向。     

EEMD方法在刀具磨损状态识别的应用

总体经验模态分解(EEMD)方法在EMD的基础上消除了模态混叠的现象,从而更能准确地揭露出信号特征信息。根据声发射信号的非稳态、非线性的特点,提出一种基于EEMD应用于刀具磨损状态识别的方法。通过EEMD获取无模态混叠的IMF分量;通过敏感度评估算法从所有IMF分量中提取敏感的IMF;提取敏感IMF的能量作为支持向量机(SVM)分类器的输入,将刀具分成正常切削、中期磨损和严重磨损3种状态。通过比较EEMD与应用EMD等方法的分类准确率,确立了基于EEMD的方法在提取刀具磨损状态特征信息的优势。     

一种新的BEMD筛分停止准则

为优化二维经验模态分解(Bidimensional empirical mode decomposition,BEMD)算法,提出了根据空间位置信息的稳定性制定BEMD筛分停止准则的思想;明确了一维经验模态分解和二维经验模态分解在筛分停止需求上的本质区别.均值曲面的物理状态预示了待筛分曲面极值点数量和分布变化规律,基于此制定出一种BEMD筛分停止准则.实验表明,该准则较传统的停止准则有明显优势.     

Partial ensemble approach to resolve the mode mixing of extreme-point weighted mode decomposition

Empirical mode decomposition (EMD) is an effective tool for breaking down components (modes) of a nonlinear and non-stationary signal. Recently, a newly adaptive signal decomposition method, namely extreme-point weighted mode decomposition (EWMD), was put forward to improve the performance of EMD, in particular, to resolve the over- or undershooting issue associated with the large amplitude variations. However, similar to EMD, EWMD also suffers the mode mixing problem caused by intermittence or noisy signals. In this paper, inspired by complementary ensemble EMD (CEEMD), a noise-assisted data analysis method called partial ensemble extreme-point weighted mode decomposition (PEEWMD) is proposed to eliminate the mode mixing problem and enhance the performance of EWMD. In the proposed PEEWMD method, firstly white noises in pairs are added to the targeted signal and then the noisy signals are decomposed using the EWMD method to obtain the intrinsic mode functions (IMFs) in the first several stages. Secondly, permutation entropy is employed to detect the components that cause mode mixing. The residual signal is obtained after the identified components are separated from the original signal. Lastly, the residual signal is fully decomposed by using the EWMD method. The proposed PEEWMD method is compared with original EWMD, ensemble EWMD (EEWMD) and CEEMD using simulated signals. The results demonstrate that PEEWMD can effectively restrain the mode mixing issue and generates IMFs with much better performance. Based on that the PEEWMD and envelope power spectrum based fault diagnosis method was proposed and applied to the rubbing fault identification of rotor system and the fault diagnosis of rolling bearing with inner race. The result indicates that the proposed method of fault diagnosis gets much better effect than EMD and EWMD.     

EMD信号分析方法边缘效应的分析

在论述了经验模式分解（EMD）信号分解原理的基础上，分析了其存在的边缘效应，并提出了通过添加极值点抑制边缘效应的思路和策略。然后，针对一个单分量非线性信号和齿轮箱振动信号，对比分析了添加两个极值点，一个极值点和直接以数据端点作为极值点三种方式进行EMD分解的效果，所提出的预测附加极值点较好地抑制了边缘效应，并指出了进一步完善的方向。