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。     

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。     

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。     

最近相似距离延拓法耦合平行延拓法抑制EMD端点效应

在经验模态分解(Empirical mode decomposition,EMD)中,综合考虑信号内部的规律性,在深入研究最近相似距离延拓法和平行延拓法的基础上,对EMD端点延拓方法进行了改进,通过计算信号内部波段与端点波段的相似距离,确定信号内部规律性的强弱。在信号内部规律性较强的情况下,采用最近相似距离延拓法,使信号两端最大程度地反应信号内在信息;在信号内部规律较弱的情况下,考虑到端点信号发生异常的情况,采用平行延拓法在信号端点进行预测延拓。为验证该方法,本研究通过仿真分析和滚动轴承故障进行研究,研究结果表明,改进后的EMD分解得到的IMF分量与原模拟信号分量的匹配距离分别为3.378 7、7.240 4、7.390 7,波形相似系数分别为0.999 9、0.997 7、0.903 4,边际谱频率在f_1=5 Hz的误差为6.2%,与直接延拓法、平行延拓法相比更准确,能有效地抑制EMD端点效应。该方法能提高信号分解精度,实现对故障特征的有效提取,为机械故障诊断提供参考依据。     

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.     

Volterra模型预测在EMD端点延拓中的应用

经验模态分解(empirical mode decomposition,简称EMD)的端点效应使得EMD分解结果产生严重失真,为了减小端点效应在分解过程中产生的影响,将混沌序列模型引入EMD,提出采用Volterra模型解决分解中产生的端点效应问题。论述了基于Volterra模型的数据延拓技术原理,即先对原始数据进行Volterra建模,然后利用该模型对数据进行延拓。该方法使端点处的延拓更加合理,从而使得三次样条曲线在端点处不会发生大的摆动,实现了准确的EMD分解。通过对仿真信号的研究表明,延拓抑制了分解的端点效应。把该技术应用于转子横向裂纹振动信号的EMD分解中,取得了良好效果。     

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。     

基于改进EMD的结构损伤特征量提取

提出了一种解决经验模式分解法(empirical mode decompositino,简称EMD)端点效应的方法——端点筛选法。端点筛选法把以往一次性延拓或预测得到极值点、拟合包络线的过程替换为选点、拟合包络线、判别端点效应、再选点、再判断等多次循环筛选过程,并在此基础上提出了基于改进经验模式分解的损伤特征量提取方法。将基于改进EMD的损伤特征量提取方法应用于机翼盒段模型,提出了能反映复合材料机翼盒段损伤状况的损伤特征量——瞬时频率的相对变化量。随着损伤程度的逐渐增加,瞬时频率的相对变化量标准差越来越大。     

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。     

利用ARIMA改进HHT端点效应的方法

针对希尔伯特-黄(Hilbert-Huang transform,简称HHT)变换中经验模式分解(empirical modedecomposition,简称EMD)的端点效应问题,提出一种基于自回归综合滑动平均模型(ARIMA)进行端点延拓的改进方法。利用ARIMA在非平稳数据建模方面的优势,EMD前在待分析信号两端各预测一段数据,HHT后再截去延长的部分,保留原信号长度的处理结果。通过仿真信号和实测的转子不对中故障信号验证了该方法的有效性,证实改进后的算法能有效地抑制EMD端点效应的影响,信号故障特征更清晰,并且ARIMA模型的参数确定方便,算法易于使用。     

基于改进EMD的结构损伤特征量提取

为促进振动利用工程、超声电机技术及其相关研究方向的进一步发展,第五届全国振动利用工程学术会议暨第四次全国超声电机技术研讨会将于2012年10月13—15日在南京召开。本次会议是由中国振动工程学会振动利用与控制专业委员会和南京航空航天大学机械结构力学及控制     

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。     

基于支持向量机的BS-EM D端点效应消除方法

分析了B样条经验模式分解(B-spline empircal mode decomposition,简称BS-EMD)的端点效应问题,指出了现有延拓方法的不足,提出了一种基于支持向量机的B样条经验模式分解端点效应消除方法.首先采用支持向量机对原始信号进行延拓;然后用B样条插值方法对延拓后的数据进行插值计算得到信号的均值...     

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。     

Rolling bearing feature frequency extraction using extreme average envelope decomposition

The vibration signal contains a wealth of sensitive information which reflects the running status of the equipment. It is one of the most important steps for precise diagnosis to decompose the signal and extracts the effective information properly. The traditional classical adaptive signal decomposition method, such as EMD, exists the problems of mode mixing, low decomposition accuracy etc. Aiming at those problems, EAED(extreme average envelope decomposition) method is presented based on EMD. EAED method has three advantages. Firstly, it is completed through midpoint envelopment method rather than using maximum and minimum envelopment respectively as used in EMD. Therefore, the average variability of the signal can be described accurately. Secondly, in order to reduce the envelope errors during the signal decomposition, replacing two envelopes with one envelope strategy is presented. Thirdly, the similar triangle principle is utilized to calculate the time of extreme average points accurately. Thus, the influence of sampling frequency on the calculation results can be significantly reduced. Experimental results show that EAED could separate out single frequency components from a complex signal gradually. EAED could not only isolate three kinds of typical bearing fault characteristic of vibration frequency components but also has fewer decomposition layers. EAED replaces quadratic enveloping to an envelope which ensuring to isolate the fault characteristic frequency under the condition of less decomposition layers. Therefore, the precision of signal decomposition is improved.