爆破振动信号的局部波分解方法

针对爆破振动信号具有非线性、随机性较强的特点,提出利用局部波分解(Local Mean Decomposition,LMD)处理并分析爆破振动信号。结合露天铁矿逐孔起爆方式下爆破振动测试信号分析,研究信号的时频及能量分布特征。结果表明:LMD方法能完整地分解重构爆破信号,有效减少模态混叠现象,更加真实反映信号的原始信息;相比经验模态分解方法(Empirical Mode Decomposition,EMD)、LMID方法的端点效应轻微,具有较高的解凋精度;LMID方法可以精确分析振动能量的分布规律,有利于进一步识别爆破本身的力学作用特征。     

解相关EMD:消除模态混叠的新方法

模态混叠是制约希尔伯特-黄变换(Hilbert-Huang Transform,简称HHT)在工程上推广应用的一个主要难题,采用在经验模态分解(Empirical Mode Decomposition,简称EMD)过程中嵌入解相关操作有效解决了EMD过程中产生的模态混叠问题。模态混叠的本质是各本征模态函数(Intrinsic Mode Function,简称IMF)分量之间信息相互耦合,无法表征有意义的物理过程,因此可认为模态混叠现象是由于IMF之间不完全正交导致。根据零均值随机信号正交性与不相关具有等价关系,在EMD过程中嵌入解相关操作,可有效保证IMF之间的正交性,消除模态混叠。仿真信号处理结果证明了方法的有效性。     

爆破振动信号的局部波分解方法

针对爆破振动信号具有非线性、随机性较强的特点,提出利用局部波分解(Local Mean Decomposition,LMD)处理并分析爆破振动信号。结合露天铁矿逐孔起爆方式下爆破振动测试信号分析,研究信号的时频及能量分布特征。结果表明:LMD方法能完整地分解重构爆破信号,有效减少模态混叠现象,更加真实反映信号的原始信息;相比经验模态分解方法(Empirical Mode Decomposition,EMD)、LMID方法的端点效应轻微,具有较高的解凋精度;LMID方法可以精确分析振动能量的分布规律,有利于进一步识别爆破本身的力学作用特征。     

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。     

解相关多频率经验模态分解的故障诊断性能优化方法

针对故障诊断中采用EMD方法存在模态混叠现象,引起故障特征提取精度低的问题。提出了一种解相关多频率经验模态分解(Decorrelation Multiple-Frequency Empirical Mode Decomposition,DMFEMD)方法,首先对初始信号添加多个频率的掩蔽信号,初步分解其中不同频率比的信号分量得到多个IMF分量;其次计算相邻IMF之间的相关系数并对其解耦,进一步分离IMF中存在混叠的部分,得到最优IMF;最终,从原始信号中减去最优IMF,然后重复上述步骤,直到残余分量为常数或单调。由于保证了IMF之间互不相关且互不干扰,因此模态混叠现象显著减弱,有效提高故障特征提取精度。利用排列熵算法对一系列最优IMF构造特征样本集,引入SVM建立故障分类模型,实现设备故障诊断。通过试验证明,DMFEMD与传统的方法相比,能有效分离不同频率比混合信号,提高分解效果。同时以轴承振动信号为例,DMFEMD可以更好的提取轴承的故障特征,结合PE与SVM能够实现不同故障类型的高效精确的诊断。     

基于频率截止的EEMD方法研究

为解决总体平均经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)中虚假IMF分量过多问题,提出了一种基于频率截止的EEMD方法。该方法采用一种新的IMF筛分终止条件--以信号自身的最小频率为EMD分解IMF分量的截止频率;然后将基于频率截止的IMF筛分终止条件引入EEMD分解。通过仿真和实测信号分析,并与EMD、EEMD分解结果比较得到,运用频率截止的EEMD方法不仅有效减少了虚假IMF分量的产生,使得分解的目的性更加明确,而且保证了EEMD分解出的IMF分量的完备性,更好地抑制了模态混叠现象。     

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。     

爆破振动信号3种经验模态分解差异性研究

为了准确评估冻结立井爆破对井壁产生的影响,采用井壁预埋法对大药量爆破下井壁的振动响应进行了监测。利用EMD、EEMD和CEEMD典型经验模态算法对井壁信号进行了分析,并结合时频谱对分解和重构效果进行了综合评价。分析结果表明:受测试环境影响,爆破信号中普遍含有噪声等干扰成分。EMD分解存在明显模态混叠和端点效应,EEMD分解虽对模态混叠现象有所改善,但去噪效果仍不理想,CEEMD分解对模态混叠和噪声消除方面均具有很好的处理效果。CEEMD重构信号时频谱能够深刻揭示爆破能量在时频域上的分布且对干扰成分不敏感,适合用于批量信号的预处理过程。分析结果对于爆破能量识别和振动损伤控制具有积极的现实意义。     

爆破振动信号3种经验模态分解差异性研究

为了准确评估冻结立井爆破对井壁产生的影响,采用井壁预埋法对大药量爆破下井壁的振动响应进行了监测。利用EMD、EEMD和CEEMD典型经验模态算法对井壁信号进行了分析,并结合时频谱对分解和重构效果进行了综合评价。分析结果表明:受测试环境影响,爆破信号中普遍含有噪声等干扰成分。EMD分解存在明显模态混叠和端点效应,EEMD分解虽对模态混叠现象有所改善,但去噪效果仍不理想,CEEMD分解对模态混叠和噪声消除方面均具有很好的处理效果。CEEMD重构信号时频谱能够深刻揭示爆破能量在时频域上的分布且对干扰成分不敏感,适合用于批量信号的预处理过程。分析结果对于爆破能量识别和振动损伤控制具有积极的现实意义。     

频率调制经验模态分解在轴承故障诊断中的应用

在密集频率情况下,针对经验模态分解(Empirical Mode Decomposition,EMD)容易产生模态混叠的问题,研究了基于频率调制经验模态分解(Frequency Modulated Empirical Mode Decomposition,FM-EMD)振动信号处理方法。该方法可以较好地分解相对密集频率的弱非线性信号,得到物理意义相对明确的本征模函数(Intrinsic Mode Function,IMF)。通过数值仿真证明了该方法的有效性。利用频率调制经验模态分解方法对故障轴承振动信号进行分析,准确地确定了故障类型。     

基于CEEMD低通的隧道爆破振动信号去噪

为了消除隧道爆破振动信号中无规则混杂的噪声,引入了一种基于CEEMD(互补集合经验模态分解)的低通去噪方法。首先对模拟正弦信号进行EMD、EEMD、CEEMD分解,验证CEEMD分解方法的优越性,然后使用EMD和CEEMD低通方法分别对新鼓山隧道爆破信号进行去噪处理,结果表明该方法不仅克服了小波类去噪基函数选择困难和EMD模态混叠的问题,还能够使爆破波形保留其真实性和完整性,为爆破信号的精确处理奠定了基础。     

基于CEEMD低通的隧道爆破振动信号去噪

为了消除隧道爆破振动信号中无规则混杂的噪声,引入了一种基于CEEMD(互补集合经验模态分解)的低通去噪方法。首先对模拟正弦信号进行EMD、EEMD、CEEMD分解,验证CEEMD分解方法的优越性,然后使用EMD和CEEMD低通方法分别对新鼓山隧道爆破信号进行去噪处理,结果表明该方法不仅克服了小波类去噪基函数选择困难和EMD模态混叠的问题,还能够使爆破波形保留其真实性和完整性,为爆破信号的精确处理奠定了基础。     

应用自适应带宽信号的BS-EMD混叠消除

经验模态分解(Empirical Mode Decomposition,EMD)存在的模态混叠现象严重影响了其应用效果,成为制约其在工程中推广应用的一个重要难题。在总结引起模态混叠的主要原因及分析模态混叠产生机理的基础上,借鉴高频谐波加入法(High Frequency Harmonic Added EMD,HFHA-EMD)原理并对高频谐波信号的构造进行改进,提出了一种应用自适应带宽信号的B样条EMD(B-Spline EMD,BS-EMD)模态混叠消除方法。该方法利用EMD的二进带通滤波特性和总是先分离高频分量的特点,根据被分析信号的BS-EMD得到的第一个IMF分量确定带宽限制频率和带宽限制幅值,从而构造出自适应带宽限制信号。通过在原始信号中添加自适应带宽限制信号来改变EMD带通滤波器的中心频率,再进行BS-EMD分解消除模态混叠。与EMD、BS-EMD进行对比分析,验证了该方法的优越性。与HFHA-EMD的对比仿真分析表明,两种方法都可以有效消除模态混叠现象,但是该方法在构造自适应带宽限制信号上更加明确可行,也更具自适应性。对含复杂异常事件的实际转子故障信号分析也验证了该方法在工程应用中的有效性和可行性。     

基于改进EMD和滑动峰态算法的滚动轴承故障特征提取

针对滚动轴承故障特征往往被强背景噪声淹没的特点,提出一种基于改进经验模态分解(Empirical Mode Decomposition,EMD)与滑动峰态算法的滚动轴承故障特征提取方法。首先利用EMD方法分解原故障信号得到一组平稳固有模态分量(Intrinsic Mode Function,IMF)。然后采用互信息和广义相关系数筛选法消除传统EMD分解结果中虚假分量,并运用滑动峰态算法对真实IMF分量处理得到滑动峰态时间序列。最后计算滑动峰态序列频谱提取故障特征频率。滚动轴承的实例研究结果表明：该方法能够有效提取滚动轴承故障特征,可以取得比直接滑动峰态算法和传统包络解调分析更好的效果。     

基于经验模态分解的爆破延期识别优化方法

针对爆破延期识别中采用经验模态分解(empirical mode decomposition, EMD)方法存在模态混叠现象,导致延期识别精度低的问题。提出了一种完全正交经验模态分解(principal empirical mode decomposition, PEMD)方法,首先对原始信号进行EMD初步分解,得到多个具有模态混叠现象的本征模函数(intrinsic mode function, IMF)分量,其次对IMF分量进行主成分分析(principal component analysis, PCA),将混叠的IMF分量完全正交化,之后选择幅值较大且波形衰减明显的主分量,使用Hilbert变换提取包络线,最后对包络线峰值点进行识别。通过相似物理模拟试验证明,PEMD与传统方法EMD相比,有效地抑制振动信号EMD分解时出现模态混叠现象,延期识别误差降低至0,并通过控制高程和延期时间对PEMD方法的稳定性进行了检验;同时以德兴露天边坡延期爆破试验为例,PEMD能够更好地对爆破振动波峰值点进行精确识别,识别率稳定在90%以上,对后续爆破工程中爆破参数设计优化和盲炮的识别具有重要意义...     

基于改进CEEMD的超声检测信号自适应降噪

针对超声时域检测污垢数据的非平稳性和模态混叠难以实现污垢特征分离的问题,对于采用功率谱密度判定噪声区间的CEEMD分解,进而直接舍弃高频分量容易造成有效信息损失的不足,以及传统小波降噪易造成重构信号的变形等缺陷,提出基于CEEMD自相关函数的自适应软阈值降噪,引入模态自相关特性曲线判定含有噪声成分较多的IMF分量,并结合小波自适应软阈值方法拾取噪声分量中的高频有用信号。仿真分析和实验研究表明:基于CEEMD和自相关的自适应降噪方法优于传统小波阈值和单纯的CEEMD,且能很好的解决模态混叠问题,提取出污垢特征信号,对超声检测信号的处理具有重要意义。     

基于屏蔽技术的经验模式分解改进方法

经验模态分解(EMD）具有优越的自适应性,对非平稳、非线性信号的不同时间尺度可进行正确的局部化处理,然而,当信号组合分量的频率相近时会出现模态混叠现象。针对该问题,提出引入信号屏蔽技术对其改进,通过向原始信号添加一定频率的屏蔽信号,将低频成分屏蔽在高频成分所在的本征模态函数(IMF)之外,而屏蔽信号自身通过加减二次分解取平均值消除对IMF分量的影响。仿真及实际应用验证了改进方法可有效克服模态混叠现象,为EMD改进提供一种新的途径。     

消除经验模态分解中混叠现象的改进掩膜信号法

经验模态分解方法能在时频域上正确地描述非平稳非线性信号的局部特征。但由于模态混淆,当信号组合分量的频率太接近时,常不能得到正确的经验模态分解结果。针对这一情况,提出了消除经验模态分解中混叠现象的一种方法——改进的掩膜信号法,并将其应用于风机叶片振动信号的分析中。该方法以能量为基础对掩膜信号的选择进行改进,并通过掩膜信号结合EMD来达到消除模态混叠现象的效果。对风机叶片振动信号进行验证的结果表明,该方法简便易行,可有效分离混叠模态,提取有用信号,并且对白噪声也有削减效果。     

基于MS-EEMD的滚动轴承微弱故障提取研究

在实际工况下,轴承的早期故障信号与强噪声信号相比属于微弱信号,而轴承的早期故障特征从强噪声环境中提取出来一直是故障诊断课题的一大难点。基于上述问题,提出一种基于MS（Mask Signal）和EEMD（Ensemble Empirical Mode Decomposition）方法的滚动轴承微弱故障提取方法。由于EEMD方法在噪声背景下分解出的IMF分量存在模态混叠现象,很难辨别故障频率的真伪,所以引入掩膜信号法对分解出的IMF分量进行处理,抑制虚假频率,将故障频率提取出来。通过将掩膜信号法与EEMD方法相结合的方式,对存在噪声的故障信号进行处理,提取出故障特征。     

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.