基于振动信号诊断齿轮断齿故障新方法

针对齿轮断齿故障的非平稳、非线性特征,利用希尔伯特-黄变换非常适合处理非平稳、非线性信号的特点,首先对信号进行经验模态分解,获得一系列本征模函数,然后对本征模函数作希尔伯特变换,获得希尔伯特谱,通过对某厂齿轮箱断齿信号分析,很好地提取出了断齿故障特征,并能够确定断齿的严重性和数量,对于工程实际中齿轮故障的诊断具体明显的实际意义。     

绝对重力仪振动特性研究

振动干扰是影响激光干涉绝对重力测量精度的主要因素,基于经验模态分解(empirical mode decomposition,简称EMD)和希尔伯特黄变换(Hilbert-Huang transform,简称HHT)在分析瞬态类、非平稳时变信号方面的优势,提出一种基于改进的集成经验模态分解-希尔伯特黄变换(modifi...     

黄河上游贵德站年径流量变化的分析

希尔伯特—黄变换是近年来处理非线性、非平稳信号的一种新方法.其本质是通过经验模态分解,将时间信号中不同尺度的波动或趋势逐级分解,从而产生一系列具有不同时间特征尺度的固有模态函数.然而经验模态分解过程中的端点效应是一个重要而棘手的问题.采用黄河上游贵德站1920年—2003年的年径流量资料,对比分析了无端点处理和用极值点对称延拓法处理的效果,并分析了贵德站年径流量的变化规律.     

齿轮传动系统非线性频率调制规律仿真分析及实验研究

针对传统快速傅里叶变换(FFT)研究齿轮系统非线性非平稳振动存在虚假信号和假频的问题,提出了基于希尔伯特黄变换的本征模态函数(IMFs)傅里叶变换法。该方法通过经验模态分解(EMD)将原始信号分解为一系列不同时间特征尺度的IMFs,对能够反映原始信号物理意义的IMF进行傅里叶变换。以某型采煤机截割部齿轮箱为工程范例,通过振动实验得到齿轮系统非线性振动响应。分别利用传统FFT法和本征模态函数FFT法对实测信号进行非线性振动分析。研究结果表明:本征模态函数FFT法显著减少了多余且无意义的频率成分,能够更好地识别参与非线性频率调制的齿轮啮合特征频率,避免了传统FFT法产生的虚假频率干扰。该研究对分析齿轮转子系统非线性频率调制现象具有一定的参考价值。     

Hilbert-Huang变换及其在去噪方面的应用

Hilbert-Huang变换是最新发展起来的处理非线性非平稳信号的时频分析方法.其基本的实现分为两步,经验模态的分解和瞬时频率的求解,随后可以获得信号的时一频谱表示.这种方法的关键部分是经验模态分解,任何复杂的信号都可以分解为有限数目并且具有一定物理意义的模态函数,对这些固有模态函数作Hilbert变换,就可得到每一个固有模态函数的瞬时频谱.介绍了Hilbert-Huang变换的基本步骤,并列举了一些实例说明该方法的优越性.     

基于HHT的非平稳信号分析仪的研究

本文介绍了希尔伯特-黄变换（HHT）的原理，首先通过经验模态分解（EMD），信号被分解成一系列固有模态函数（IMF），再通过Hilbert变换得到每个IMF的瞬时频率（IF）和瞬时幅值函数，最终得到原始信号的IF分布和Hilbert谱。Hilbert谱是信号的时间-频率-能量分布。为使HHT能有效分析非平稳信号，引入了改进HHT的方法，即在HHT过程中，将小波包变换（WPT）作为预处理器，外加IMF的筛选。采用虚拟仪器开发技术研制了一台基于HHT的非平稳信号分析仪。最后以HHT去噪为例，介绍了基于HHT的非平稳信号分析仪的应用。     

多模式兰姆波走时提取的希尔伯特黄变换方法

根据希尔伯特黄变换时间分辨率精度较高的优点以及兰姆波信号多模式的特点,将希尔伯特黄变换方法用于兰姆波层析成像中复杂波形到达时间的提取.首先,通过经验模态分解将原始信号分解成固有模态函数,然后对固有模态函数进行希尔伯特变换,以所得波形包络的峰值对应的时间作为多个兰姆波模式的走时.通过与原始信号峰值包络、希尔伯特变换包络和小波变换包络的比较结果表明,希尔伯特黄变换的包络更为平滑,可以准确地提取多模式信息.     

基于HHT的导弹发射冲击时频谱分析

为研究弹载部件在导弹发射过程中的冲击响应及冲击信号的传递特性,进行了基于希尔伯特-黄变换(Hilbert-Huang transform,简称HHT)的导弹发射冲击时频谱分析。由于经验模态分解(empirical mode decomposition,简称EMD)结果易受白噪声的影响,研究了总体经验模态分解(ensemble empirical mode decomposition,简称EEMD)技术。以弹体不同位置的实测冲击信号为对象,应用HHT技术进行分析,准确得到了导弹发射冲击信号的固有模态函数(intrinsic mode function,简称IMF)和时间-频率-能量谱特征,并研究了两次冲击的频率分布和各阶IMF与原始信号的相关性。结合边际谱分析对比了两个舱段能量在中低频和高频的传递特性,进一步验证了HHT方法在分析非线性和非平稳冲击信号中的优越性。     

基于HHT的钢筋混凝土结构损伤检测新方法分析

针对混凝土结构损伤信号的特点,引入一种非平稳信号的时频分析新方法--希尔伯特-黄变换(Hilbert-Huang变换,简称HHT)用于混凝土结构损伤检测.该方法是通过经验模态分解(empirical mode decomposition, EMD)提取信号的固有模态函数(intrinsic mode function, IMF),再进行Hilbert变换,求瞬时频率、瞬时振幅,得到信号的Hilbert谱.试验中通过对无损伤和有损伤两种钢筋混凝土梁进行侧向激振检测,对无损伤信号和损伤信号谱特征进行比较分析,结果表明HHT方法能识别结构损伤,且优于常规的Fourier变换方法及小波变换(wavelet transform, WT)方法,值得推广.     

基于希尔伯特-黄变换和隐马尔可夫模型的气液两相流流型识别方法

为了研究垂直上升管中的气液两相流的流型,利用自制的多电导探针的测量系统采集了四种典型流型的电导波动信息.由于气液两相流电导波动信号的非平稳特征以及神经网络学习收敛慢等问题,提出了一种基于希尔伯特-黄变换(hilbert-huang transform,HHT)和隐马尔可夫模型(hidden markov model,HMM)的两相流流型识别方法.该方法首先将信号经验模态分解(empirical mode decomposition,EMD)后的固有模态函数(IMFs)进行希尔伯特变换得到其幅值能量,并将其作为特征向量,输入到已经训练完毕的各状态HMM中,实现了对气液两相流的流型识别.实验结果表明:该方法能很好的识别垂直管内的4种流型,而且优于BP神经网络,从而为流型识别开辟了一条新的途径.     

Bi-spectrum based-EMD applied to the non-stationary vibration signals for bearing faults diagnosis

Empirical mode decomposition (EMD) has been widely applied to analyze vibration signals behavior for bearing failures detection. Vibration signals are almost always non-stationary since bearings are inherently dynamic (e.g., speed and load condition change over time). By using EMD, the complicated non-stationary vibration signal is decomposed into a number of stationary intrinsic mode functions (IMFs) based on the local characteristic time scale of the signal. Bi-spectrum, a third-order statistic, helps to identify phase coupling effects, the bi-spectrum is theoretically zero for Gaussian noise and it is flat for non-Gaussian white noise, consequently the bi-spectrum analysis is insensitive to random noise, which are useful for detecting faults in induction machines. Utilizing the advantages of EMD and bi-spectrum, this article proposes a joint method for detecting such faults, called bi-spectrum based EMD (BSEMD). First, original vibration signals collected from accelerometers are decomposed by EMD and a set of IMFs is produced. Then, the IMF signals are analyzed via bi-spectrum to detect outer race bearing defects. The procedure is illustrated with the experimental bearing vibration data. The experimental results show that BSEMD techniques can effectively diagnosis bearing failures.     

基于混沌理论与SVM的内燃机振动信号趋势预测

针对内燃机振动信号信噪比低且呈非线性、非平稳的特性,提出将经验模态分解(emprical mode decomposition,简称EMD)相空间重构理论与支持向量机(support vector machine,简称SVM)相结合,实现内燃机振动监测数据的建模及预测.首先,将含噪声的振动信号经验模式分解,去掉主要干扰因素所对应的固有模态函数(intrinsic mode function,简称IMF)分量,再将剩余IMF分量进行重构,得到去噪声后振动信号时间序列;然后应用混沌理论,选择合适的嵌入维数和时间延迟对去噪后的振动信号时间序列进行相空间重构;最后采用SVM对其进行建模预测,并与径向基函数(radial basis function,简称RBF)神经网络的预测结果进行比较.试验数据表明,该方法能够预测内燃机振动信号的变化趋势,性能优于传统的分析方法,具有一定的工程实用性.     

基于内蕴分量建模的滚动轴承异音信号分析新方法

针对滚动轴承振动信号的非平稳时变特性,采用局域波和K-L信息量的分析方法首先把轴承的波形图通过局域波分解为多个内蕴分量,然后对参考波形图的内蕴分量以及待测波形图的内蕴分量进行K-L信息量的自回归(Autoregressive, AR) 建模,求出它们之间的残差方差,通过人工试验的方法来不断的修正AR模型,直到AR模型满足检测的准确率。通过以正常状态为参考状态,对滚动轴承实例在三种不同状态下进行了分析比较试验,结果证明该方法在滚动轴承异音探测以及分析方面可以达到用户预先设定的高准确度,具有很高的工程实用性。     

基于双通道能量差的环网柜局放信号消噪方法

利用放电声音信号检测环网柜的局部放电具有信息量丰富、能够准确反映放电故障等特点而得到广泛应用,但放电声音信号的有效检测是一个难点。双通道录音在消噪领域中具有独特的优势,能够有效消除非平稳噪声,根据现场测量噪声干扰多为远距离的非平稳噪声,而局放信号为近距离声源的特点,提出了一种基于双通道能量差(PLD)的环网柜放电信号消噪方法。仿真实验结果表明,相比基于谱减法和维纳滤波的单通道消噪方法,本文所提消噪方法在两种非平稳噪声下的信噪比分别平均高出了14.8 dB和9.1 dB,均方误差(1×10~(-4))分别平均减小了19.34和15.50,消噪效果优于单通道消噪算法,现场实验结果表明,环网柜放电声音波形明显被突出加强,能够有效去除周围环境中的非平稳噪声,从而保留有效放电信号,为环网柜的局放诊断提供有效的数据支撑。     

基于经验模态分解的改进乘性噪声去除方法

乘性噪声往往由不理想的(时变的或非线性的)信道引起,它与信号是相乘的关系,因此难以消除。在乘性噪声消除应用背景下,引入同态变换去除噪声与信号的相倚性,将乘性噪声转化为加性噪声,并应用经验模态分解技术进一步研究受均匀分布白噪声污染的谐波信号及其同态变型的能量分布特性,据此建立起适用于乘性噪声去除的本征模函数幅值滤波新阈值准则。从而,形成基于经验模态分解的改进乘性噪声去除方法。结果表明,采用柔性阈值的改进算法对乘性噪声的去除效果最佳。而且,基于二阶多项式回归分析所构建的本征模函数幅值滤波阈值准则已经可以获得较高的源信号重建精度,过高的多项式阶次会导致本征模函数幅值滤波阈值与其实际噪声能量水平的失配,从而显著地降低算法的去噪性能。     

非平稳振动信号分析中Hilbert-Huang变换的对比研究

Hilbert-Huang变换是一种信号分析新方法,特别适合于对非平稳信号进行分析。介绍该方法的基本理论,并利用它对一个典型的旋转机械非平稳振动信号进行分析。然后通过与利用短时傅里叶变换和小波变换所得到的分析结果的对比,研究Hilbert—Huang变换在分析一般非平稳振动信号中的优势和缺陷。最后结合实际应用中遇到的问题,简要论述Hilbert—Huang变换中的经验模态分解在分析频率成分非常靠近的复杂信号时的不足和原因。研究结果表明,Hilbert—Huang变换和其他方法相比,具有分辨能力强、自适应分解、物理意义清晰、信息完整、形式简洁和易于精确分析等优点;同时也存在具有端点效应、实时性稍差和难以将复杂信号中特别靠近的频率成分分解为独立的本征模分量的缺陷。     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)将非线性非平稳信号分解成为一系列线性、平稳的本征模函数(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析（independent component analysis,简称ICA）理论中的快速独立分量分析（fast independent component analysis,简称FastICA）算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

EMD- and LWT-based stochastic noise eliminating method for fiber optic gyro

Stochastic noise in a fiber optic gyro (FOG) is mainly caused by white noise and 1/f^γ fractal noise. The latter noise is characterized by long-term correlation, self-similarity and spectral density with 1/f^γ power law. The application of the empirical mode decomposition (EMD) method and the lifting wavelet transform (LWT) as a novel EMD–LWT technique has been proposed and implemented in denoising the stochastic noise generated for a FOG. The EMD method is a novel nonlinear and non-stationary signal processing method and the LWT is a lifting scheme of wavelet transform. Experimental results of the FOG data have validated the feasibility of the proposed method, which is more effective than the denoising methods that use either LWT or the EMD method.