采用RBF和BP神经网络处理EMD分解过程中端点效应

在分析经验模态分解端点效应出现原因的基础上,采用BP和径向基函数神经网络预测法对端点效应进行研究.在实验中,通过延长信号的采样时间,使端点的数据延长,从而抑制EMD分解时产生的端点效应.同时为了比较两种数据延长方法的效果,分别将延长后的数据进行EMD分解.实验结果表明,这两种都可以有效抑制端点效应对分析结果产生的影响,提高经验模态分解的效果.     

EMD端点效应抑制方法仿真比较与实例分析研究

基于经验模态分解的希尔伯特-黄变换分解会产生端点效应,现已提出了诸多的端点效应抑制方法。首先引入了端点效应问题,介绍了镜像延拓法、平行延拓法、极值延拓法、多项式拟合延拓法原理;提出延拓方法评价指标,采用仿真信号对四种抑制方法进行了对比分析,得出镜像延拓法是相对最优的处理方法;采用基于4种端点延拓方法改进的经验模态分解方法对凯斯西楚大学轴承故障数据依次进行处理;最终通过仿真分析与实例故障诊断均验证了镜像延拓法在解决端点效应问题方面的相对最优性。     

基于HMM校正与神经网络延拓的EMD端点效应抑制方法

针对神经网络延拓方法在抑制经验模态分解的端点效应时存在的延拓数据与真实数据往往存在误差的问题,提出了一种基于HMM校正的方法来减小预测延拓数据误差。首先利用径向基函数(RBF)神经网络预测估计方法对部分原始数据进行估计,同时对端点外数据进行预测。然后计算该方法估计的数据与真实数据的误差序列,再用HMM方法建立估计误差序列模型,用以预测延拓后数据的误差。最后用RBF神经网络延拓数据减去HMM预测的误差数据得到新的校正后延拓数据。仿真与实验证明了将HMM预测方法与RBF神经网络数据延拓结合应用到解决端点效应的过程中所得到的延拓数据更接近真实数据,能够更好地解决端点效应问题,提高了经验模态分解精度。     

基于支持矢量回归机的Hilbert-Huang变换端点效应问题的处理方法

Hilbert-Huang变换的端点效应表现在两个方面,对信号进行经验模态分解(Empirical mode decomposition, EMD)和对各个内禀模态函数(Intrinsic mode function,IMF)进行Hilbert变换时都会产生端点效应。为了克服 Hilbert-Huang变换中的端点效应,采用支持矢量回归机对信号延拓后再进行经验模态分解,该方法可以有效地克服EMD方法的端点效应问题,得到具有物理意义的内禀模态函数;然后再次采用支持矢量回归机对IMF分量进行延拓后进行Hilbert变换,可有效地抑制Hilbert变换中的端点效应,获得准确的瞬时频率和瞬时幅值,从而得到具有物理意义的Hilbert谱。对仿真和实际信号的分析结果表明,基于支持矢量回归机的数据序列延拓方法能有效地解决Hilbert-Huang变换中存在的端点效应问题,而且其效果优于基于神经网络的数据序列延拓方法。     

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.     

利用Kriging预测模型的EMD端点延拓

结合端点效应的产生机理和关于端点效应的现有研究成果,提出了一种基于Kriging预测模型的抑制EMD端点效应的新方法.通过计算信号及其包络线的最优线性无偏预测,将信号的上、下包络线进行延拓,从而最大化地逼近原始信号两端点,并将未延拓的分解结果、基于镜像延拓法得到的结果和基于Kriging预测延拓法得到的结果进行对比分析.仿真算例和试验结果表明,基于Kriging预测模型的延拓方法抑制EMD端点效应的效果最优,能够精确反映信号特征,有利于准确提取结构的模态参数,提高运算效率.     

EMD端点效应抑制方法

针对经验模态分解(empirical mode decomposition,简称EMD)中的端点效应问题,在研究总结了现有端点效应抑制方法的基础上,提出一种新的方法——基于支持向量机(support vector machine,简称SVM)延拓和窗函数相结合的方法,弥补了SVM延拓依然找不到端点以及窗函数会改变原始信号的缺点。首先,采用SVM对原始信号两端分别进行延拓,将延拓后的数据进行加窗处理(中间加矩形窗,延拓数据加海明窗);然后,利用EMD方法对加窗后的信号进行分解,得到若干个内禀模态函数(intrinsic mode function,简称IMF);最后,将IMF分量的两端延拓部分去掉,以此来达到抑制端点效应的目的。以正交性为量化评价指标,对比分析了不同方法的性能,通过仿真和实验结果表明,该方法可以更好地抑制端点效应的发生。     

改进希尔伯特-黄变换的滚动轴承故障诊断

针对希尔伯特-黄变换中经验模态分解方法存在的端点效应和虚假固有模态函数的问题,提出一种改进希尔伯特-黄变换方法并将此方法应用于滚动轴承故障诊断中。首先,利用最小二乘支持向量机和镜像延拓相结合的方法来抑制端点效应;其次,采用敏感固有模态函数选择算法选出反映故障特征的敏感固有模态函数;最后,利用敏感固有模态函数的包络谱进行故障诊断。通过仿真分析和应用实例可看出,该方法能够有效提取出滚动轴承故障信号的特征信息并准确诊断出引起滚动轴承的故障原因。     

经验模态分解边缘效应抑制方法综述

由Huang提出的经验模态分解(empirical mode decomposition,EMD)算法,在对非线性、非平稳信号进行平稳化处理时表现出了它特有的分析能力.但是它本身也存在不足之处,在利用三次样条插值求上下包络时,由于不能确定两端点处的极值,使得拟合出的包络线有可能偏离实际的包络线,这种现象将严重影响EMD分解的质量.针对这个问题,许多抑制边缘效应(有的文献也称:端点效应)的方法已被提出.本文对其中主要几种方法:镜像闭合延拓法、极值点对称延拓法、自回归模型(AR模型)延拓法、时变参数ARMA模型延拓法、正交多项式拟合法、神经网络的数据序列延拓法、支持矢量回归机法及窗函数法等作了一个归纳总结,阐述了各种方法的原理、抑制效果及存在的局限性.     

新型经验模式分解端点效应消除方法

对经验模式分解(Empirical mode decomposition, EMD)的端点效应进行深入分析,指出现有延拓方法的不足,对基于正弦函数延拓的方法进行改进,分析不同的延拓周期、延拓信号长度及信号端点值对EMD分解的影响,并与镜像延拓EMD分解方法进行了分析比较。在此基础上,提出一种基于指数正弦型延拓方法的EMD分解,它从原理上减小了延拓信号端点包络线的发散程度,从而提高了EMD分解精度和速度,并对其进行了仿真分析。研究结果表明,新的延拓方法优于传统的延拓方法,能较好地抑制EMD端点效应。     

EMD方法基于径向基神经网络预测的数据延拓与应用

把基于径向基神经网络(radbas function,RBF)预测的数据延拓技术引入经验模态分解(empirical mode decomposition,EMD)时频分析领域,论述基于RBF神经网络预测的数据延拓技术原理,通过对非线性仿真信号基于RBF神经网络预测延拓研究表明,该延拓技术是有效的,并且把该延拓技术应用于转子横向裂纹的时频分析,获得良好的效果.该研究成果能广泛用于信号时频分析领域.     

Optimization of the End Effect of Hilbert-Huang transform (HHT)

In fault diagnosis of rotating machinery, Hilbert-Huang transform(HHT) is often used to extract the fault characteristic signal and analyze decomposition results in time-frequency domain. However, end effect occurs in HHT, which leads to a series of problems such as modal aliasing and false IMF(Intrinsic Mode Function). To counter such problems in HHT, a new method is put forward to process signal by combining the generalized regression neural network(GRNN) with the boundary local characteristic-scale continuation(BLCC).Firstly, the improved EMD(Empirical Mode Decomposition) method is used to inhibit the end effect problem that appeared in conventional EMD. Secondly, the generated IMF components are used in HHT. Simulation and measurement experiment for the cases of time domain,frequency domain and related parameters of HilbertHuang spectrum show that the method described here can restrain the end effect compared with the results obtained through mirror continuation, as the absolute percentage of the maximum mean of the beginning end point offset and the terminal point offset are reduced from 30.113% and27.603% to 0.510% and 6.039% respectively, thus reducing the modal aliasing, and eliminating the false IMF components of HHT. The proposed method can effectively inhibit end effect, reduce modal aliasing and false IMF components, and show the real structure of signal components accurately.     

IMF能量和RBF神经网络相结合在滚动轴承故障诊断中的应用研究

针对滚动轴承的故障特点,提出了一种将IMF能量与RBF神经网络相结合的方法用于故障诊断.该方法首先利用经验模态分解(EMD)方法,把振动信号分解为若干个IMF分量,再用重要的IMF分量求得IMF能量特征向量,最后将特征向量输入RBF神经网络进行故障模式分类.通过对滚动轴承的正常状态、内圈故障、滚动体故障和外圈故障信号的分析结果表明,该方法能够准确、有效地识别这些故障.     

HHT新方法及其在齿轮箱故障诊断中的应用

为了克服Hilbert-Huang transform(HHT)中的端点效应,利用基于掩模信号法的端点处理方法,对信号进行外延后再进行empirical mode decomposition(EMD),在一定程度上克服了EMD方法的端点效应问题.同时利用掩模信号对intrinsic mode function(IMF)分量进行延拓后,再进行Hilbert变换,有效地抑制了Hilbert变换中的端点效应.系统仿真信号以及实测信号的验证结果表明该方法是有效的.     

图像分类结合经验模分解和径向基函数网络在车辆动态称重中的应用

在车辆动态称重系统中,称重数据的处理是很复杂的。针对车辆运动参数对轴重信号的影响,本文采用径向基函数(RBF)网络,考虑到网络的泛化能力与拟合精度的矛盾,将车辆按照重量分为大、中、小3种类型,进行整车建模和网络训练。实际测试过程中,利用汽车俯视图像先提取类型特征,为了减小汽车运行过程中的振动对测试精度的影响,对汽车完全驶上称重台的信号进行经验模分解(empirical mode decomposition,EMD)求得剩余分量的平均值,并以前、后轴的剩余分量的平均值、平均速度、上台信号上升斜率、下台信号下降斜率为径向基函数网络的输入,然后根据汽车的类型将测试参数输入不同的神经网络进行处理,以静态测量结果为相对真值。结果表明,采用台上信号EMD分解的剩余分量的平均值作为输入的分类建模比直接采用台上信号的平均值作为输入的单一建模测试精度更高。     

基于极值符号序列分析的EMD端点效应处理方法

针对经验模式分解(empirical mode decomposition,简称EMD)的端点效应提出一种新的抑制方法。考虑到极值序列在EMD分解的包络线形成中占有主导地位,将信号局部极值序列进行符号化,根据符号特征进行特征匹配,在信号两端依据符号序列特征匹配结果进行符号序列拓延与对应信号还原,对拓延还原后的信号进行EMD分解以实现端点效应抑制。所提方法对于随机信号与周期信号都有着明显的抑制效果,通过对仿真信号和轴承故障信号端点效应的分析验证了方法的正确性。研究与ARMA模型、BP神经网络、镜像拓延等常见方法进行了对比,所提方法的各分量有效值指标均值为19.64%,低于其他方法,说明对低频分量有着更好的抑制效果。     

基于改进EMD与PNN的汽轮机通流部分故障诊断

根据热力参数非线性、非稳态的特点,提出了一种基于改进的经验模态分解(empirical mode decomposition,简称EMD)算法与概率神经网络(probabilistic neural network,简称PNN)的汽轮机通流部分故障诊断新方法。该方法针对EMD存在的端点效应问题,采取基于波形相似度的镜像延拓法进行改进,以得到更准确、更真实的本征模函数(intrinsic mode function,简称IMF)分量,从而有效提取了故障特征信息,并通过PNN训练判别汽轮机通流部分故障类型。以某电厂600MW火电机组实时运行数据为基础进行仿真实验,结果表明,基于改进EMD与PNN的汽轮机通流部分诊断方法能够快速准确地判别汽轮机通流部分的故障类型,其准确率明显高于基于EMD与PNN的故障诊断方法。