基于独立分量分析的EMD模态混叠消除方法研究

针对经验模态分解(empirical mode decomposition,EMD)算法中存在的模态混叠现象,提出一种应用独立分量分析进行模态混叠消除的新方法.首先应用形态学滤波方法将信号中的噪声予以消除,减少由于噪声因素造成的模态混叠现象.然后将信号进行EMD分解,获得不同的IMF分量,将存在模态混叠成分的IMF分量进行相空间重构,利用基于峭度最大化的独立分量分解算法实现混叠成分的分离,仿真分析和工程应用的结果表明,所提方法能有效地消除EMD分解过程中的模态混叠现象.     

基于平移不变小波阈值算法的经验模态分解方法

针对经验模态分解(EMD)处理存在间断事件的数据会引起模态混叠的问题,提出了一种经验模态分解与小波去噪相结合的新方法.由于传统的小波变换去噪会使信号在间断事件处产生人为的振荡现象,故先用平移不变小波去噪算法对信号进行预处理,消除间断信号对EMD方法的影响,再对信号进行EMD分解.理论计算及实验研究表明:只有在有效消除异常干扰的情况下才能获得可靠的IMF分量,采用本文的方法消除间断信号对EMD分解的影响是有效可行的.     

基于SVM信号延拓改进的EEMD方法

为了抑制经验模态分解(empirical mode decomposition,简称EMD)中出现的端点效应和模态混叠现象,在信号组综合经验模态分解(ensemble empirical mode decomposition,简称EEMD)的基础上,从抑制信号干扰和噪声污染影响以及三次样条函数插值拟合误差逐级传播方面,提出利用信号支持向量机(support vector machines,简称SVM)延拓改进EEMD.通过对仿真和实测信号研究,比较了EMD和EEMD的分解,提出改进的EEMD方法不仅减少了虚假模态分量、避免了模态混叠,而且有效抑制了端点效应.与基于镜像延拓改进的EEMD方法比较表明,本研究方法的时频谱更加清晰,虚假模态分量更少,有效解决了端点效应引起的分解失真问题.     

基于经验模态分解的汽车动态称重数据处理

在论述经验模态分解(EMD)的基础上,提出了虚假模态的概念.讨论了虚假模态对信号稳态量的影响及其相应的处理方法,结合汽车称重信号的特点,应用EMD方法对实测信号进行了分解,对分解结果进行了分析和说明.5组100个称重信号的分解结果表明,EMD方法对汽车动态称重信号的处理是有效的,车速小于等于30km/h时前轴的偏差为5.23%,后轴偏差为10.30%,总重偏差为6.93%.     

经验模态分解中的模态混叠问题-

针对经验模态分解(empirical model decomposition,简称EMD)存在的模态混叠问题,总结了引起模态混叠异常事件的类型,讨论了模态混叠的产生原因,提出了采用加入高频谐波后再进行EMD分解消除模态混叠的方法.根据信号分析频率范围和特征选择高频简谐波的频率和幅值,并使高频谐波作为第1阶IMF分解出来,可以有效消除模态混叠现象,异常事件通常可以包含在第1阶IMF中,必要时可以将加入的高频信号直接减掉,不影响对EMD结果的判断.与总体平均经验模态分解法(ensemble empirical model decomposition,简称EEMD)对比的仿真计算表明,两种方法都可以有效消除模态混叠现象,但高频谐波加入法具有运算速度快、误差小、分解结果物理意义明确和不需后处理的优点,对含复杂异常事件的实际故障信号分析验证了该方法在工程应用中的有效性和可行性.     

经验模态分解在密封轴承故障诊断中的应用

应用Labview直观的图形化界面将采集到的有缺陷的轴承信号转换为数字信号,在labview中调用matlab函数程序.将经验模态分解(EMD)引入到轴承的振动特征信号提取中,再从若干个包括故障的IMF分量中提取能量特征参数以判别故障产生的部位。试验结果表明,经验模态分解的分析方法在判断轴承故障的部位时具有很高的准确性,是一种有效的轴承故障诊断方法。     

基于内禀模态特征能量法煤油机爆震特征提取

为解决电控二冲程煤油发动机爆震特征提取的问题,根据内禀模态函数(intrinsic mode function,IMF)正交的特点,提出了基于内禀模态函数特征能量法的爆震特征提取方法.该方法对电控二冲程煤油发动机缸内压力信号进行经验模态分解(empirical mode decemposition,EMD),得到若干IMF分量,利用内禀模态函数能量法获取信号能量占主导地位的IMF分量,作为爆震信号的主导模式分析对象,对该IMF分量进行功率谱密度分析,得到了电控二冲程煤油发动机的爆震特征频率.通过仿真计算以及爆震信号分析,结果表明内禀模态函数特征能量法在电控二冲程煤油发动机爆震特征频率提取过程中实用有效.     

基于经验模态分解和Teager峭度的语音端点检测

采用经验模态分解和Teager峭度的统计特性对噪声环境下的语音信号端点进行检测。利用经验模态分解获得语音信号的本征模态函数,用Teager能量算子计算每个本征模态函数的瞬时能量,并对本征模态函数进行系数—峭度计算,提取信号期望的统计特征信息实现语音端点的检测。通过自适应EMD分解和Teager能量算子的处理,这种方法可以有效地消除白噪声或有色高斯噪声的影响。通过仿真例子说明这种方法可以取得良好的端点检测效果,仿真研究结果表明用经验模态分解和Teager峭度对噪声环境下的语音端点检测是可行的和有效的,提高了检测的可靠性。     

基于伪极值点假设的经验模态分解及其在转子故障诊断中的应用

针对经验模态分解(EMD)的模态混淆问题,提出了一种新的抑制模态混淆的方法——基于伪极值点假设的经验模态分解(PEEMD)。与总体平均经验模态分解(EEMD)通过添加白噪声再进行总体平均的方式不同,PEEMD通过定义最小极值尺度,并用其度量其他极值尺度,通过增加伪极值点的方式来均匀化尺度,有效地抑制了模态混淆的产生。详细介绍了PEEMD方法,并通过仿真信号将其与EMD和EEMD进行了对比,最后,将PEEMD应用于转子碰摩故障的诊断中。仿真和实测信号结果表明,PEEMD在分量的精确性和抑制模态混淆的产生等方面要优于EMD和EEMD,是一种有效的信号分解方法。     

基于改进EMD分解的时变结构密集模态的瞬时参数识别

提出基于改进经验模态分解(EMD分解)识别含有密集模态的时变结构的瞬时参数的方法。通过波组信号前处理和正交化经验模态分解方法(OEMD)解决传统的EMD无法分解2个近频模态的固有模态函数(IMF)和IMF分量之间不正交这两个问题,将该方法应用于时变结构密集模态的瞬时参数的识别中,给出基于此方法识别时变结构密集模态参数的步骤,并通过一个含有密集模态的3自由度时变结构算例验证了该方法的正确性、有效性以及识别密集模态的优势。     

基于EMD和非线性峭度的齿轮故障诊断

采用经验模式分解(empirical mode decomposition,简称EMD)和非线性峭度的统计特性对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用EMD分解获得振动响应信号的本征模式函数,用非线性Tea-ger能量算子计算每个本征模式函数的瞬时能量,并对本征模式函数进行系数的非线性峭度计算,提取系统的特征信息。仿真结果表明,用经验模式分解和非线性峭度可实现在线监测齿轮运转工作状态,及时发现齿轮的早期故障,提高了故障检测的可靠性。     

均值优化经验模态分解及其在转子故障诊断中的应用

经验模态分解（Empirical mode decomposition,EMD）作为一种自适应的信号分解方法已经被广泛应用于诸多工程领域。为了提高EMD的分解性能,分别考虑从不同权值均值曲线的迭代筛分结果中选择正交性最小以及从每层内禀模态函数迭代结果中选择最优以保证整体分解最优,发展了两种均值优化经验模态分解（Mean-optimized empirical mode decomposition,MOEMD）算法。通过仿真信号分析,将MOEMD方法与EMD等现有信号分解方法进行了对比,结果表明,MOEMD方法在分解性能和分解精度方面比EMD等方法有显著提高。最后,将MOEMD方法应用于转子碰摩故障信号分析,并与EMD进行了对比分析,结果表明,MOEMD方法不仅能够有效地识别转子碰摩故障,而且识别效果优于EMD方法。     

基于互补的总体经验模式分解算法的齿轮箱故障诊断

针对经验模式分解(EMD)和总体经验模式分解(EEMD)算法在齿轮箱故障诊断中的缺陷,提出了一种基于互补的总体经验模式分解(CEEMD)算法的齿轮箱故障诊断方法。首先介绍了CEEMD方法,然后将CEEMD方法用于实际齿轮箱的故障诊断中。结果表明,与基于EMD/EEMD算法的齿轮箱故障诊断方法相比,基于CEEMD算法的齿轮箱故障诊断方法不但可以有效地克服模态混叠和能量泄露现象,而且大大提高了计算效率,为齿轮箱的故障诊断提供了一种新的方法。     

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。     

基于广义形态滤波和相关系数的Hilbert-Huang变换方法

针对Hilbert-Huang变换(HHT)中噪声引起的模态裂解和虚假模态问题,应用广义形态滤波降噪法和相关系数法改进了HHT.该方法首先将广义形态滤波器作为经验模态分解(EMD)的预处理,抑制噪声干扰;然后利用相关系数法去除虚假固有模态函数(IMF);最后对真实的IMF进行Hilbert谱分析,得到改进的HHT.利用...     

利用倒阶次谱和经验模态分解的轴承故障诊断

针对齿轮箱升降速过程中振动信号非平稳的特点,将阶次跟踪分析与希尔波特-黄变换技术相结合,提出了基于倒阶次谱和经验模态分解的滚动轴承故障诊断方法.首先,对齿轮箱加速时测得的瞬态信号进行时域采样,对时域信号进行等角度重采样,转化为角域伪平稳信号,然后对角域信号进行经验模态分解.最后,对包含轴承故障信息的高频固有模态函数进行倒阶次谱分析,就可以提取轴承的故障特征.通过对轴承内圈和外圈故障信号的分析表明,该方法能准确识别轴承的故障类型和部位.     

EMD模糊聚类法及在滚动轴承故障诊断中的应用

轴承故障是导致旋转机械失效的重要原因,故障诊断对保障轴承正常运行至关重要。文中提出经验模态分解(empirical mode decomposition,EMD)和模糊聚类相结合的滚动轴承故障诊断方法,以经验模态分解所得内禀模态函数能量值作为特征向量建立模糊关系矩阵,基于欧氏距离建立模糊相似矩阵,基于传递闭包法建立模糊等价矩阵,利用λ截矩阵实现聚类分析与模式识别。实例验证该方法可对不同故障状态的滚动轴承准确分类,实现故障诊断,诊断过程简单、准确、有效,具有一定的实用价值。     

IMF筛选停止条件的分析及新的停止条件

分析了目前经验模式分解(empircal mode decomposition,简称EMD)中本质模式函数(intrisic mode function,简称IMF)筛选停止条件,并提出了一种新的筛选停止条件.首先建立了一种EMD分解效果的检测方法,采用该方法分析了3种IMF筛选停止条件,从分解效果图可以看到3种停止条件对EMD分辨率的影响;然后提出了一种改进的IMF筛选停止条件;最后通过分解面的效果图和算例,表明新方法可以减少模式混叠现象,提高EMD分解效果.     

经验模态分解滤波器组特性及轴承异音识别

利用经验模态分解滤波器组特性可调整性,结合短时傅里叶变换(STFT)技术识别轴承异音。在研究高斯随机噪声经验模态分解(EMD)的基础上,运用数值方法证实EMD滤波器组特性随判别参数SD改变,指出类似于二进制小波滤波器组特性只是一种特殊条件下的分解现象。根据轴承振动加速度的广谱性质,利用参数SD对EMD滤波器组特性可调性,对滚动轴承振动加速度信号按异音测量要求进行EMD自动频段分解。对前3阶本征模态进行STFT变换,用三维图刻画轴承振动的幅值大小、频率大小、周期和随机分布冲击特性,设定阈值,在时频域上刻画轴承的异音。该方法揭示了轴承异音分布模式,能通过异音识别控制轴承加工质量。