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。     

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。     

基于边界特征尺度匹配延拓的EMD改进方法及应用

针对经验模态分解(empirical mode decomposition,EMD)中存在的端点效应问题,提出一种边界局部特征尺度延拓的EMD改进方法。通过计算信号边缘处与信号内部任何一段子波的匹配误差,确定信号的规律性强弱。在信号内在规律性较强的情况下,进行内在的匹配波形延拓,最大限度地维护信号的内在趋势;在信号规律性较弱的情况下,特别是信号边缘发生异常变化的情况下,只考虑边缘处的局部信息,根据边缘局部极值点的特征进行延拓,对延拓的极值点序列进行包络拟合,估计出均值曲线。该方法保证了信号有效数据的正确分解,提高了信号的分解精度,实现了EMD算法的改进。仿真实验验证了该方法能较好地抑制EMD端点效应。     

EMD端点双极值延拓方法研究

使用经验模态分解（EMD）进行信号处理过程时，端点效应抑制是关键步骤。这里提出了一种基于包络匹配的双极值点延拓算法，实现了对EMD分解过程中端点效应的抑制处理，并通过了仿真验证。首先，将端点处连续的几个极值点的包络线作为模板子波；再者将模板子波与波形内部的极值包络进行有效匹配；然后将匹配区段前方的两个极值点作为延拓极值进行极值延拓，实现了抑制EMD分解过程中端点效应的目标。并通过仿真数据，验证了算法的有效性。     

HILBERT-HUANG变换端点效应处理新方法

HIBERT-HUANG变换(HHT)实现过程中,对信号进行经验模态分解(Empirical mode decomposition,EMD)和对分解得到的各个本征模函数(Intrinsic mode function,IMF)进行HILBERT变换时都会产生端点效应.对此问题,采用波形特征匹配延拓数据,提高经验模态分解精度,有效地抑制HILBERT变换中的端点效应,获得准确的HILBERT时频谱.所延拓数据兼顾原始信号中的极值点及非极值点的波形数据,使延拓数据特征与原信号一致,在HHT变换实现过程中仅需一次延拓,算法简单.仿真计算和转子系统故障试验分析结果表明,所用方法可以有效解决HHT变换的端点效应问题.     

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。     

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.     

基于自适应波形匹配延拓的局部均值分解端点效应处理方法

局部均值分解(LMD)能将复杂的信号自适应地分解成若干个具有物理意义的单分量信号,但是在其实现过程中会产生端点效应,使结果失真。在详细分析了LMD产生端点效应的原因后,提出了自适应波形匹配延拓法来解决端点效应。该方法充分考虑了信号的内在规律与边缘处的变化趋势,使延拓更加合理,且具自适应性。对仿真信号与实际工程信号进行了分析,结果表明该方法能有效抑制LMD分解的端点效应。     

线性外推法和相似极值法耦合抑制EMD端点效应

在应用经验模态分解(Empirical mode decomposition,EMD)进行机械故障诊断过程中,存在上下包络线拟合时产生端点效应的现象。在线性外推法和相似极值法的基础上,考虑信号内部的极值变化稳定性的情况,对EMD端点延拓进行了改进。通过计算信号内部的方差,确定信号内部稳定性的强弱。在信号内部变化平稳但稳定性较弱的情况下,采用相似极值延拓法,最大程度地保护信号内部的平稳性;在信号内部波动性较强的情况下,考虑到信号内部发生异常,采用线性外推法对信号两端进行预测延拓。模拟信号仿真和滚动轴承滚动体故障的实例分析。结果表明,该方法能有效地抑制EMD方法的端点效应。     

Hilbert-Huang变换边界问题处理方法研究

分析EMD(empirical mode decomposition)及Hilbert变换中边界问题产生的原因,总结现有边界处理方法的特点,提出采用波形特征匹配延拓处理HHT(Hilbert-Huang transform)边界问题的新方法,该方法可以同时克服EMD分解和Hilbert变换中的端点效应问题.延拓数据来自于信号本身,兼顾原始信号极值点及非极值点的波形数据,能更好地反映信号的特征,实现延拓数据与原信号交界处的光滑过渡.在HHT计算过程中仅需一次延拓.仿真计算和故障实验分析表明,该方法可以有效解决Hilbert-huang变换中存在的边界问题.     

LMD时频分析方法的端点效应在旋转机械故障诊断中的影响

为评估局域均值分解(LMD)受端点效应影响的程度,提出了一种基于能量的端点效应评价指标,并将LMD的端点效应与经验模态分解(EMD)的端点效应进行了比较。因包络线的定义方法不同,LMD在端点附近未定义的包络线较短,端点效应的程度也较轻。提出的端点效应镜像延拓抑制方法经仿真证明效果良好。将LMD应用于提取转子裂纹的故障特征,可获得满意的实验结果。     

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.     

采用镜像延拓和RBF神经网络处理EMD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,采用镜像延拓法和径向基函数神经网络预测法对端点效应进行了研究,并对一组数值仿真信号和12层钢筋混凝土框架模型振动台试验实测得到的加速度信号进行了边界处理和经验模态分解。算例结果表明,这两种方法基于边界两端预测数据,都可以有效抑制端点效应对分析信号的影响,提高经验模态分解的效果。另外,对于复杂信号仅采用径向基函数神经网络延拓原始信号,对抑制端点效应的效果不很明显,而对复杂信号经滤波后先利用径向基函数神经网络预测、再利用镜像延拓进行处理,则可以明显抑制端点效应的影响。     

支持向量回归法在抽油机系统效率信号经验模式分解中的应用

应用经验模式分解(EMD)方法分析抽油机系统效率变化的趋势项。讨论了EMD方法的端点效应。为了解决EMD的端点效应,首先应用支持向量回归(SVR)方法对抽油机系统效率测试数据进行回归和预测,与实测数据对比表明SVR回归和预测具有较高精度;然后应用SVR方法对系统效率测试原始数据进行双边延拓,对延拓后的数据信号进行经验模式分解。延拓前后分解所得的效率变化趋势对比表明,SVR方法可以有效地解决EMD的端点效应,提高抽油机系统效率变化趋势的预测精度。     

EMD方法基于AR模型预测的数据延拓与应用

把基于时间序列AR模型预测的数据延拓技术引入经验模态分解（EMD）时频分析领域，论述了基于AR模型的数据延拓技术原理，即先对原始数据进行AR建模，然后利用模型对该数据进行延拓。通过对非线性仿真信号基于AR模型的延拓研究表明，该延拓技术是有效的。把该延拓技术应用于转子横向裂纹的时频分析，能把横向裂纹转子的扭振所形成的相位调制现象检测出来，获得了良好的效果。     

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.     

经验模式分解的改进及其在水轮发电机组振动信号分析中的应用

经验模式分解可以将非线性、非平稳信号分解为有限个固有模式函数,在故障诊断中这些固有模式函数常常就是故障信号。但端点效应和分解终止条件的不当使其在分解过程中出现假频,限制了其应用。提出采用可变长极值镜像拓延法,对原信号两端包络进行拓延,有效地消除了端点效应;并提出在分解过程中采用不同的结束标准,使程序在适当的时候结束,提高了分解精度和速度。最后,将该方法应用于水轮发电机组振动信号分析中,取得了满意的效果。