小波包去噪与改进HHT的微弱信号特征提取

为提取机械设备早期故障微弱信号特征频率,在对信号进行小波包降噪后,利用改进Hilbert-Huang变换(Hilbert-Huang transform,简称HHT)进行特征提取,通过经验模态分解(empirical mode decomposition,简称EMD)得到若干个固有模态函数(intrinsic mode function,简称IMF)后,利用IMF与EMD分解前信号的相关系数作为判断标准,剔除分解中产生的多余低频IMF,选取有效IMF集进行边际谱分析。改进HHT不仅可消除多余IMF的影响,还可节省Matlab计算内存,提高运算速度。     

Hilbert-Huang变换中的模态混叠问题

希尔伯特-黄变换(Hilbert-Huang transform,简称HHT)存在的模态混叠现象严重影响了实际应用效果。在分析研究HHT原理及模态混叠产生机理的基础上,提出了基于形态滤波预处理与端点延拓相结合的方法抑制模态混叠现象。与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)方法比较,所提出的方法能够更快速、准确地分解出表征信号的本征模态函数(intrinsic mode function,简称IMF)分量。将该方法应用于滚动轴承的实测信号分析,结果表明,该方法在实际应用中同样具有很好的模态混叠抑制效果。     

绝对重力仪振动特性研究

振动干扰是影响激光干涉绝对重力测量精度的主要因素,基于经验模态分解(empirical mode decomposition,简称EMD)和希尔伯特黄变换(Hilbert-Huang transform,简称HHT)在分析瞬态类、非平稳时变信号方面的优势,提出一种基于改进的集成经验模态分解-希尔伯特黄变换(modifi...     

小波包去器械与改进HHT的微弱信号特征提取

为提取机械设备早期故障微弱信号特征频率,在对信号进行小波包降噪后,利用改进Hilb ert Huang变换(Hilbert Huang transform,简称HHT)进行特征提取,通过经验模态分解(em pirical mode decomposition,简称EMD)得到若干个固有模态函数(intrinsic mode functio n,简称IMF)后,利用IMF与EMD分解前信号的 相关系数作为判断标准,剔除分解中产生的多余低频IMF,选取有效IMF集进行边际谱分析。 改进HHT不仅可消除多余IMF的影响,还可节省Matlab计算内存,提高运算速度。     

基于HHT的钢筋混凝土结构损伤检测新方法分析

针对混凝土结构损伤信号的特点,引入一种非平稳信号的时频分析新方法--希尔伯特-黄变换(Hilbert-Huang变换,简称HHT)用于混凝土结构损伤检测.该方法是通过经验模态分解(empirical mode decomposition, EMD)提取信号的固有模态函数(intrinsic mode function, IMF),再进行Hilbert变换,求瞬时频率、瞬时振幅,得到信号的Hilbert谱.试验中通过对无损伤和有损伤两种钢筋混凝土梁进行侧向激振检测,对无损伤信号和损伤信号谱特征进行比较分析,结果表明HHT方法能识别结构损伤,且优于常规的Fourier变换方法及小波变换(wavelet transform, WT)方法,值得推广.     

APEEMD及其在转子碰摩故障诊断中的应用

总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)是抑制经验模态分解(empirical mode decomposition,简称EMD)模态混叠的有效方法,针对EEMD分解效果依赖于添加噪声的大小、筛分次数和总体平均次数等参数的选择及噪声残留大、分解不完备等问题,提出了自适应部分集成经验模态分解。该方法通过成对地向目标信号加入自适应噪声,并对每个内禀模态函数(intrinsic mode function,简称IMF)自动选择筛选次数,通过排列熵检测筛分出高频IMF,再对剩余信号进行EMD分解。将提出的方法应用于仿真和转子碰摩故障试验数据分析,结果表明提出的方法能够有效地应用于转子碰摩故障诊断,而且在分量的精确性、完备性和模态混叠的抑制等方面优于EEMD方法。     

改进小波去噪Teager算子的齿轮微弱故障提取方法

针对齿轮箱在强噪声背景下齿轮微弱故障振动信号的特征不易被提取的问题,提出将改进小波去噪和Teager能量算子相结合的微弱故障特征提取方法。采用改进小波阈值函数对振动信号进行去噪处理,与形态学滤波和传统小波阈值函数相比能够有效地提高信号的信噪比。对去噪后的信号进行集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)得到若干本征模式函数(intrinsic mode function,简称IMF),计算各IMF分量与原信号的相关系数并结合各IMF分量的频谱剔除虚假分量。对有效的IMF分量计算其Teager能量算子,并重构得到Teager能量谱,对重构信号进行时频分析并将其结果与原信号的希尔伯特黄变换(HilbertHuang transform,简称HHT)得到的边际谱进行对比。实验研究结果表明,本研究方法相比HHT能够对齿轮微弱故障特征进行更为有效地提取,验证了本研究方法在齿轮箱微弱故障诊断中的可行性。     

高超声速飞行器模型振动及传力特性研究

提出了一种应用加速度信号研究飞行器试验模型传力特性的方法,采集飞行器试验模型不同位置的振动加速度信号,应用小波包分解方法对采集到的加速度信号进行预处理。对滤波后的信号采用经验模态分解(empirical mode decomposition,简称EMD)方法进行处理,得到信号的本征模态函数(intrinsic mode functions,简称IMFs),并通过相关系数判别并剔除伪分量。对剩余IMF分量进行希尔伯特(Hilbert)变换,得到信号的希尔伯特谱,并计算不同方向上飞行器试验模型壳体与内部结构加速度信号的能量分布差异,判断各方向上飞行器试验模型传力特性的优劣。结果表明:该方法能够用于飞行器模型的传力特性研究,且飞行器模型各向传力误差分别为0.189 1,0.098 1,0.0377,大部分气动载荷能够有效地从飞行器壳体传递到其内部结构,垂直方向上的力学传递性能最佳。     

基于VMD-HHT边际谱的水工结构损伤诊断

为了准确识别水工结构的损伤,提出一种变分模态分解(variational mode decomposition,简称VMD)和Hilbert-Huang变换(Hilbert-Huang transform,简称HHT)边际谱相结合的水工结构损伤诊断方法。首先,采用联合的小波阈值和经验模态分解(empirical mode decomposition,简称EMD)降噪方法对原始信号进行降噪,减小环境噪声对结构损伤特征信息的干扰;其次,运用方差贡献率数据融合算法对降噪后各测点信号进行动态融合,提取结构完整的振动特性信息;然后,采用VMD方法将动态融合信号分解为一系列固态模量(intrinsic mode function,简称IMF),对各IMF分量进行Hilbert变换,求出融合信号的边际谱;最后,在VMD边际谱的基础上提取一种新的损伤特征向量-损伤灵敏指数,将其与马氏距离相结合对水工结构的损伤类型进行分类,并将该方法应用于悬臂梁模型试验。结果表明:该方法能够有效提取水工结构的损伤特性,准确识别水工结构的损伤和运行状态,为水工结构的安全运行提供了基础。     

噪声环境下滚动轴承故障特征提取

滚动轴承故障振动信号采集中往往含有大量的噪声信号。为了从含噪信号中提取故障特征,首先对采集的信号进行小波降噪,然后利用经验模态分解(empirical mode decomposition,EMD)得到若干个内禀模态函数(intrinsic mode function,IMF),并考虑分解的各模态函数的能量特征,将分解后的IMF分量与分解前信号的能量比作为判断标准,剔除附加低频成分,最后选取有效的IMF集进行包络谱分析,提取故障特征。通过仿真分析和以真实滚动轴承为研究对象的故障诊断实验,表明该方法有效地去除了混杂在故障信号中的噪声,有效地提取旋转机械中的故障特征信息。     

基于HHT的非平稳信号分析仪的研究

本文介绍了希尔伯特-黄变换（HHT）的原理，首先通过经验模态分解（EMD），信号被分解成一系列固有模态函数（IMF），再通过Hilbert变换得到每个IMF的瞬时频率（IF）和瞬时幅值函数，最终得到原始信号的IF分布和Hilbert谱。Hilbert谱是信号的时间-频率-能量分布。为使HHT能有效分析非平稳信号，引入了改进HHT的方法，即在HHT过程中，将小波包变换（WPT）作为预处理器，外加IMF的筛选。采用虚拟仪器开发技术研制了一台基于HHT的非平稳信号分析仪。最后以HHT去噪为例，介绍了基于HHT的非平稳信号分析仪的应用。     

基于希尔伯特－黄变换的往复运动摩擦力信号分析

往复运动中的摩擦力信号往往是非平稳信号,采用经验模式分解法可以自适应地分解这些非线性、非平稳信号,合理地提取其信号特征。应用希尔伯特－黄变换方法,分析不同往复速度和载荷条件下往复运动产生的摩擦力信号,并提取时频段能量比及其标准差,研究其润滑状态特征。结果表明：通过希尔伯特－黄变换并结合能量比分析,可以很好地反映出往复运动过程中润滑状态的变化;在一定载荷下,随着往复速度的增加,摩擦力频率成分趋于平稳,能量比标准差则逐渐减小;在一定往复速度下,随着载荷的增加,润滑状态变差,消耗的能量随之增大,能量比标准差逐渐减小;和往复速度相比,载荷对摩擦力频率分布影响相对较小。     

用HHT变换处理离心压缩机喘振试验数据

为了提取离心压缩机早期喘振特征频率,在对信号进行小波包降噪抽样后,利用Hilbert-Huang变换(HHT)进行信号特征提取。通过经验模态分解(EMD)得到若干固有模态函数(IMF),然后利用相关系数法对IMF进行筛选。通过趋势项和原始信号对比可知压缩机流量减少是造成振动的主因,最后对有效IMF信号进行Hilbert变换,并求其边际谱,提取压缩机喘振频率为7.3Hz。     

非平稳振动信号分析中Hilbert-Huang变换的对比研究

Hilbert-Huang变换是一种信号分析新方法，特别适合于对非平稳信号进行分析。介绍该方法的基本理论，并利用它对一个典型的旋转机械非平稳振动信号进行分析。然后通过与利用短时傅里叶变换和小波变换所得到的分析结果的对比，研究Hilbert—Huang变换在分析一般非平稳振动信号中的优势和缺陷。最后结合实际应用中遇到的问题，简要论述Hilbert—Huang变换中的经验模态分解在分析频率成分非常靠近的复杂信号时的不足和原因。研究结果表明，Hilbert—Huang变换和其他方法相比，具有分辨能力强、自适应分解、物理意义清晰、信息完整、形式简洁和易于精确分析等优点；同时也存在具有端点效应、实时性稍差和难以将复杂信号中特别靠近的频率成分分解为独立的本征模分量的缺陷。     

Application of Hilbert-Huang Decomposition to Reduce Noise and Characterize for NMR FID Signal of Proton Precession Magnetometer

The parameters in a nuclear magnetic resonance free induction decay (FID) signal contain information that is useful in magnetic field measurement, magnetic resonance sounding and other related applications. A real time sampled FID signal is well modeled as a finite mixture of exponential sequences plus noise. We propose to use the Hilbert-Huang transform (HHT) for noise reduction and characterization, where the generalized Hilbert-Huang represents a way to decompose a signal into so-called intrinsic mode function (IMF) along with a trend, and obtain instantaneous frequency data. First, acquiring the actual untuned FID signal by a developed prototype of proton magnetometer, and then the empirical mode decomposition is performed to decompose the noise and original FID. Finally, the HHT is applied to the obtained IMFs to extract the Hilbert energy spectrum of the signal on the frequency axis. By theory analysis and the testing of an actual FID signal, the results show that, compared with general noise reduction methods such as auto correlation and singular value decomposition, combined with the proposed method can further suppress the interfered signals effectively, and can obtain different components of FID signal, which can be used to identify the magnetic anomaly, the existence of groundwater etc. This is a very important property since it can be exploited to separate the FID signal from noise and to estimate exponential sequence parameters of FID signal.     

A Feature Extraction Method for the Wear of Milling Tools Based on the Hilbert Marginal Spectrum

Abstract

The Hilbert–Huang transform (HHT) can adaptively delineate complex non-linear, non-stationary signals when used as the Hilbert–Huang marginal spectrum through empirical mode decomposition (EMD) and the Hilbert transform, to highlight local features of signals. Characterized by high resolution, the Hilbert marginal spectrum has been widely applied in mechanical signal processing and fault diagnosis. In the research, an HHT based on the improved EMD was proposed to analyze the cutting force, vibration acceleration (AC), and acoustic emission (AE) signals during tool wear in the milling process. At first, the collected signals were subjected to range analysis, which revealed that tool wear was closely related to the signals collected during the cutting process. Then, EMD was applied to the signals, followed by variance analysis after calculating the energies of each intrinsic mode function (IMF) component. Afterwards, the IMF components significantly influenced by wear degree, while slightly influenced by the three cutting factors (cutting velocity, feed per tooth, and cutting depth), were selected as IMF sensitive to the degree of wear. The HHT was finally applied to the sensitive IMF components of signals containing major tool wear information, thus obtaining the Hilbert marginal spectra of the signals, which were able to reflect the changes in signal amplitude with frequency. On the basis of the Hilbert marginal spectrum, the method defined the feature energy function which was then used as the eigenvector for predicting tool wear in milling processes. The analysis of signals in four tool wear states indicated that the method can extract salient tool wear features.     

基于HHT的单自由度结构渐进损伤识别方法

为了解决结构健康监测中非平稳随机信号的时变性并有效地监测损伤过程,研究了基于Hilbert-Huang变换的结构渐进损伤识别方法。首先,该方法模拟产生单自由度结构系统发生渐进损伤的加速度振动信号;然后对加速度振动信号进行经验模式分解,将其分解为多个平稳的固有模式函数之和;最后再选取若干个包含主要损伤信息的固有模式函数进行Hilbert变换,提取瞬时频率作为特征参数进行损伤特征提取。研究结果表明,瞬时频率可以作为结构渐进损伤的特征参数,它对损伤较敏感;损伤前后,瞬时频率会发生明显的变化。     

应用Hilbert-Huang变换的齿轮箱故障诊断

提出了基于经验模态分解(EMD)的齿轮箱故障诊断HHT方法,介绍了Hilbert-Huang变换理论及其算法.此后以1台现场轧机故障减速机为对象,对采集的故障信号进行EMD分解,得到固有模态函数(IMF)分量,然后对所有固有模态函数进行Hilbert变换处理,所得三维图和边际谱图较为清晰地表达了故障信息,说明了该方法在工程应用中的适用性.     

多自由度振动系统非线性动力特性的HHT辨识方法研究

HHT方法(包括EMD方法)已成功地用于线性振动系统的辨识研究。本文针对多自由度非线性振动系统,利用小波分析方法对非线性振动响应进行预处理,把信号分解成一系列的窄带信号,应用EMD方法使得各阶内在模函数(IMF)均为单一成份信号,然后运用HT方法辨识自由振动响应的非线性特征。典型的线性振动系统和非线性振动系统的辨识结果说明了该方法的有效性。