改进的HHT方法及其在旋转机械故障诊断中的应用

针对希尔伯特-黄变换(Hilbert-Huang Transform,HHT)方法中存在的模态混叠和虚假固有模态函数(Intrinsic Mode Function,IMF)问题,提出一种基于总体包络均值经验模态分解(Ensemble Envelop Mean Empirical Mode Decomposition,EEMEMD)和虚假模态函数剔除算法相结合的改进HHT方法。该方法利用EEMEMD可准确反映加噪后信号的自身变化,一定程度上中和残留在各模态分量间的噪声,获得无模式混淆的较纯净的IMF分量。同时,通过基于归一化能量熵值的虚假模态函数剔除算法可有效剔除噪声干扰成分和迭代误差分量,从而提高信号特征提取的准确性。通过仿真分析和转子不对中故障诊断的工程实例表明,改进HHT方法能够较好地抑制模态混叠问题并有效剔除同故障无相关的虚假IMF,实现对旋转机械故障的有效诊断。     

HHT的理论依据探讨--Hilbert变换的局部乘积定理

希尔伯特-黄变换（Hilbert—Huang Transform，简称HHT）是上世纪90年末才出现的一种非平稳信号分析方法，对于这种方法的理论框架还有值得深入探讨的空间。为了进一步，探索HHT的理论依据，本文从分析HHT的固有模态函数（Intrinsic Mode Function，简称IMF）的定义入手，在Hilbert变换的Bedrosian乘积定理基础上提出了Hilbert变换的局部乘积定理，采用理论推导和物理意义分析相结合的方法巧妙地论证了这一定理，从而首次为HHT中IMF的定义、瞬时频率的计算公式、经验模态分解（Empirical Mode Docomposition，简称EMD）及其收敛性等系列问题提供了较统一的理论依据。     

一种EEMD-HHT与时频重排结合的转速曲线估计新方法

HHT(Hilbert-Huang Transform)和传统时频分析存在模态混叠、时频聚焦性差等问题,在估计转速曲线时误差较大。因此,提出将EEMD-HHT与时频重排算法结合的转速曲线估计新方法。采用EEMD(Ensemble Empirical Mode Decompositon)方法获取IMFs;找出参考轴所对应的IMF,并做Hilbert变换;用时频重排算法处理该IMF两端各一定长度的数据,对得到的重排矩阵进行限制条件的瘠线搜索,并将获得的瞬时频率值代替对应时间点内Hilbert变换得到的瞬时频率值;对"拼接"得到的整个时间段的瞬时频率值进行最小二乘拟合,得到光滑的转速曲线。将该方法应用于转子不平衡故障的阶比分析中,对实际测量信号进行了分析,并与HHT估计结果作比较,验证了其优越性和有效性。     

改进的Hilbert-Huang变换在信号瞬态特征提取中的应用

通过对Hilbert-Huang变换(Hilbert Huang Transform,HHT)方法的机理的研究,提出了一种提取非平稳信号中瞬态特征的新方法,即正交经验模态分解(Orthaogonal Empirical Mode Decomposition,OEMD)与Hilbert变换结合法.OEMD是一种以快速带通滤波为基础的,获得同有模态函数(IMF)的新方法,其最大特点是具有严格的正交性.通过OEMD得到IMFs后,再进行Hilbert变换求得瞬时频率和幅值,便能精确检测出信号中瞬态成分的时间、频率和幅值等信息.仿真和应用结果表明,该法比原HHT方法能更加有效地提取信号的瞬态特征,并成功地解决了原HHT中存在的模态混叠、虚假模态和边界效应等问题.     

基于FDM的爆破振动信号时频分析

为提高爆破振动信号时频分析精度,引入一种基于傅里叶分解(FDM)的时频分析方法.首先,基于FDM理论对原始仿真信号进行分解,计算模态分量与原始信号相关系数及其能量占比,从而筛选优势分量.然后,对筛选所得分量进行Hilbert变换,求取时频谱.同时,基于EMD方法、EEMD方法、CEEMDAN方法对原始仿真信号进行分解,利用能量占比理论评价分解结果的模态混叠效应,利用Hilbert变换求取对应时频谱,比较四种方法时频谱分辨率.最后,将该方法用于实测爆破振动信号时频分析.结果表明:FDM可以有效解决模态混叠问题,且其分解结果经Hilbert变换所得时频谱具有良好分辨率,有利于提取爆破振动信号局部细节特征,有助于获取爆破振动信号时间-频率-能量三者之间联系,提高隧道爆破振动信号时频分析准确度.     

Hilbert-Huang变换在水声瞬态信号处理中的应用

1引言Hilbert-Huang Transform(HHT)是近年来发展起来的一种新的时间序列信号分析方法[1],其核心是经验模态分解(Empirical Mode Decomposition,EMD),能把复杂的信号分解为若干固有模态函数     

自适应噪声加权优选经验模态分解及其在机械故障诊断中的应用

自适应噪声辅助集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)解决了集成经验模态分解在集成平均过程中的分解不完备问题,但噪声残留和虚假分量问题仍然存在。针对CEEMDAN的不足,提出了自适应噪声加权优选经验模态分解(Weighted Mean-optimized Empirical Mode Decomposition with Adaptive Noise,WMEMDAN)。该方法用改进的均值曲线构造方式提取内禀模态函数(IMF),以正交性最小为依据,从不同权重的迭代筛分结果中选取出最优IMF,改善了CEEMDAN的分解能力,同时通过对不同权重下的分解结果进行筛选,确保每一阶的IMF分量都是整体最优,减少虚假分量和残留噪声。仿真和实验信号分析结果表明,WMEMDAN在减少虚假分量和提高分解精度等方面具有优势。将所提方法应用于滚动轴承和齿轮的故障诊断,分析结果表明了方法的有效性和优越性。     

基于HHT方法的爆破地震信号分析

在介绍HHT(Hilbert HuangTransform)理论的基础上,结合现场测试,将这种理论引入到爆破地震信号分析中。HHT方法主要通过经验模式分解方法将信号分解成有限的固有模态函数,并对每个固有模态函数进行Hilbert变换从而得到Hilbert谱。经过FFT、小波谱对比分析,结果表明:在爆破地震信号分析中,利用经验模式分解不需要固定的基函数,可将原始信号分解为少量的、频率自高至低排列的固有模态函数,分解过程具有自适应性、高效性;再通过Hilbert变换所得的谱图能清晰地反映原始地震信号能量随时间、频率的分布。HHT法能有效地提取爆破地震信号的主要特征,更能适应信号突变快、衰减快的特征,为进一步认识爆破地震波的传播机理、破坏原因和危害判据的确定提供了新的途径。     

辛几何模态分解方法及其分解能力研究

针对经验模态分解(Empirical Mode Decomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、局部特征尺度分解(Local Characteristic scale Decomposition,LCD)等方法的不足,提出了一种新的分析方法——辛几何模态分解(Symplectic Geometry Mode Decomposition,SGMD)方法,该方法采用辛矩阵相似变换求解Hamilton矩阵的特征值,并利用其对应的特征向量重构辛几何分量(Symplectic Geometry Component,SGC),从而对复杂信号去噪的同时进行自适应分解,得到若干个SGC。通过仿真信号模型,研究了SGMD方法的分解性能、噪声鲁棒性,分析了分量信号的频率比、幅值比和初相位差对SGMD方法分解能力的影响。将SGMD方法应用于齿轮故障实验数据分析,结果表明SGMD方法能够有效地对待分解信号完成分解并剔除噪声信号。     

复线隧道爆破振动信号的HHT分析

结合现场采集到的爆破信号,从实践验证HHT(Hilbert-Huang Transform)理论在爆破振动信号处理中的可行性。首先采用经验模态分解(EMD)提取爆破振动信号的固有模态函数(IMF)分量,对主成分分量作Hilbert变换,提取其包络曲线,得到实际延时爆破中的延时时间。再对原始信号经EMD得到的IMF分量进行Hilbert变换,得到信号的Hilbert能量谱,并从瞬时能量的角度研究了爆破振动不同频率的能量作用机理。从而验证了HHT方法的自适应强和高效性在爆破振动信号分析中的优良特性。     

复线隧道爆破振动信号的HHT分析

结合现场采集到的爆破信号,从实践验证HHT(Hilbert-Huang Transform)理论在爆破振动信号处理中的可行性。首先采用经验模态分解(EMD)提取爆破振动信号的固有模态函数(IMF)分量,对主成分分量作Hilbert变换,提取其包络曲线,得到实际延时爆破中的延时时间。再对原始信号经EMD得到的IMF分量进行Hilbert变换,得到信号的Hilbert能量谱,并从瞬时能量的角度研究了爆破振动不同频率的能量作用机理。从而验证了HHT方法的自适应强和高效性在爆破振动信号分析中的优良特性。     

基于同步挤压小波变换的振动信号自适应降噪方法

振动信号在噪声影响下,特征提取十分困难。为此应用同步挤压小波变换(Synchrosqueezing Wavelet Transform,SST)对振动信号进行降噪,针对分解后本征模态分量(Intrinsic Mode Function,IMF)的选取问题,提出一种基于瞬时频率复杂度和自相关系数峰度值的同步挤压小波变换降噪方法。算法首先对原始信号进行SST信号分解并提取小波脊线生成固有模态分量,然后对生成的分量进行Hilbert变换得到瞬时频率曲线,再根据瞬时频率的复杂度选择相应的合成分量重构信号。为了进一步消除噪声影响,该方法同时采用了自相关系数峰度阈值法对筛选后的分量进行二次剔除,最终实现对原始信号降噪的目的。试验最后通过不同标准方差的噪声仿真信号以及物流机械传送设备振动信号验证该方法的可行性和有效性,同时将该方法与基于集成经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)和小波变换的方法进行比较,结果表明该方法的降噪性能要优于其他方法。     

改进EEMD方法及混沌降噪应用研究EI北大核心CSCD

在总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)降噪过程中,对本征模态分量(Intrinsic Mode Function,IMF)的有效处理一直是影响降噪效果的关键。为此,提出一种基于改进EEMD的去噪方法。基于"3σ"法则和奇异值分解(Singular Value Decomposition,SVD)提取第一个IMF分量中有用信号细节。利用连续均方误差准则对剩余IMF分量进行高低频区分,分别使用SVD和S-G算法提取高低频分量的有用信号,可以有效避免了高频部分有用信号的流失,同时剔除低频分量中的部分噪声,克服了EEMD去噪时IMFs难以有效处理的不足。为了验证该方法的有效性,进行了数字仿真与双势阱混沌振动试验,结果表明,该方法的降噪效果优于小波加权和EEMD去噪方法。     

航空发动机试飞中转静子碰摩故障信号处理 的希尔伯特－黄变换（HHT）方法

时变信号处理的新方法希尔伯特－黄变换,是把一时间序列数据通过经验模态分解（Empirical Mode Decomposition,简称EMD）成本征模函数组（Intrinsic Mode Function, 简称IMF）,然后经希尔伯特变换（Hilbert Transformation,简称HT）获得频谱的信号时频分析方法引入到航空发动机转静子碰摩故障振动信号处理领域。该方法的理论和算法为用MATLAB语言编写分析程序,再用仿真信号验证程序的正确性和有效性;然后对飞行试验中获得的故障振动信号进行分析。结果表明,用EMD和HT方法对航空发动机转静子碰摩故障振动信号进行时频分析是有效的。     

基于CEEMD-HHT方法确定隧洞爆破网路实际延迟时间

为解决爆破网路设计延迟时间和实际延迟时间存在较大误差的问题,利用互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)对爆破振动信号分解求出IMF分量,对各IMF分量进行Hilbert变换求出各分量的能量,选取能量最大的分量进行Hilbert变换求出该分量的包络线。各段雷管的起爆时刻即该包络线峰值点对应的时间,通过峰值点的时间间隔可以确定微差爆破的实际延期时间。以黄河上游某水电站引水发电隧洞实测爆破振动信号为例进行分析,同一次爆破,两个不同测点的信号按CEEMD-HHT方法确定的各段别雷管的实际延迟时间,具有很好的一致性,验证了此方法的有效性。     

小波和希尔伯特变换在脑电信号消噪中的对比研究

为了更好地消除混杂在脑电信号中的噪声,完成脑电分析,对小波和希尔伯特变换（HHT）的脑电信号消噪效果进行了对比研究。在HHT消噪方法中,利用经验模态分解（EMD）算法对脑电信号进行8尺度分解,得到固有模态函数（IMF）分量的组合,经过滤波和信号重构,得到消噪后的脑电信号。实验结果表明,HHT方法能较好地去除脑电信号中的噪声。运用评价准则比较了HHT方法和小波变换方法的消噪效果,发现HHT方法的脑电信号消噪效果优于传统的小波变换消噪,且算法的效率更高。     

适于泥石流除噪的EMD联合小波阈值除噪方法

次声传感器采集到的泥石流次声信号中包含有大量的无关干扰信号,严重影响信号的分析与评估。针对含噪泥石流信号中无法准确确定噪声频段的特点,以及传统经验模态分解(Empirical Mode Decomposition, EMD)联合小波阈值去噪方法无法智能分辨噪声所在频段的缺点,提出了信号经EMD分解后,基于相关性选择噪声频段的方法。首先利用EMD分解获取信号的固有模态函数(Intrinsic Mode Function, IMF)分量,然后计算各个IMF分量与原始信号的相关性,根据相关性大小确定IMF噪声频段,然后采用小波阈值去噪方法对噪声频段进行处理,最后对处理后的信号进行重构得到去噪泥石流信号。通过模拟实验分析,证明该方法具有智能选择噪声频段的能力,是一种更适于泥石流信号的去噪方法。     

基于Hilbert-Huang变换的心率变异信号分析

提出一种基于Hilbert-Huang变换(HHT)的心率变异信号分析的新方法。心率变异分析被广泛应用于评估心脏自律功能以及疾病诊断领域。为获得更多心率信号内在特征,首先利用经验模态分解(Empirical Mode Decomposi-tion,EMD)方法将信号分解为一组固有模态函数(Intrinsic Mode Function,IMF),运用Hilbert变换计算并分析各层IMF的瞬时频率和瞬时幅值,从而获取信号所包含的内在信息、心率变异突发时刻和变化趋势。结合积分脉冲频率调制(Inte-gral Pulse Frequency Modulation,IPFM)模型模拟出的心率信号以及真实的心率信号,利用小波分析方法以及HHT方法对心率信号进行对比分析,实验结果证明了HHT方法的可行性,显示了该方法相对于小波分析方法的优势。     

基于CEEMD-MPE-NHT的地下洞室爆破网路延时分析

爆破网路延时识别易受EMD模态混淆的影响,得到混有虚假分量的IMF。而Hilbert变换受Bedrosian定理的约束在处理此类分量会产生负值瞬时频率,造成巨大的识别误差。为解决传统HHT在爆破网路延时分析时遇到的问题,提出了CEEMD-MPE-NHT爆破网路延时分析算法。该算法通过改进EMD得到补充集合经验模态分解-多尺度排列熵(CEEMD-MPE)算法,实现EMD模态混淆抑制。再对CEEMD-MPE得到IMF进行归一化Hilbert变换,解除Bedrosian定理对Hilbert变换的约束。对蕴含能量最大的IMF分量进行包络求解,包络峰值对应的时间间隔即为爆破网路实际延时。最后通过分析实际延时和理论延时之间的差值,可判断雷管是否处于正常服役状态。进一步通过干扰降震法得到本工程最合理爆破网路延时为54.51～59.75 ms,研究结果表明：基于CEEMD-MPE-NHT的爆破网路延时分析对爆破安全控制具有重要的现实意义。     

一种新的声发射信号消噪及故障诊断方法

在旋转机械故障诊断中,声发射信号极易受到噪声的干扰。针对经验模态分解(EMD)易产生模态混叠现象,提出了一种基于经验小波变换(Empirical Wavelet Transform,EWT)的消噪和旋转机械声发射碰摩故障诊断的方法。利用了EMD和小波变换的优点,通过对傅里叶频谱进行自适应划分,并构建小波滤波器组来提取声发射信号所包含的不同固有模态分量,可有效消除模态混叠现象,同时对分量进行Hilbert变换从而实现声发射信号的消噪和故障诊断。采用该方法对仿真信号进行加噪声和消噪处理,在同信号源下,对比基于d B4全阈值消噪、d B4默认软阈值消噪、d B4对高频系数处理消噪和EMD消噪效果。并将该方法应用到实际的声发射碰摩信号中。仿真和实验分析结果表明:EWT方法可以有效地分解出信号的固有模态,分解出的模态少,并且不存在难以解释的虚假模态,消噪效果优于其他方法,并且在声发射故障诊断中也有较大的优势。