Hilbert-Huang变换应用中的预处理方法研究

为提高Hilbert-Huang变换（HHT）中瞬时频率计算的真实性和稳定性，提出了一种信号的预处理方法.该方法首先对信号作傅里叶变换，然后根据插值点数作补零处理，再进行傅里叶反变换，完成傅里叶插值功能.对傅里叶插值处理后的信号作经验模态分解（EMD）得到一组固有模态函数（IMF），计算所有IMF的瞬时频率和幅值，最终获得信号时频分布的Hilbert谱.结果表明，该傅里叶插值的预处理方法能够有效消除和抑制HHT分析中的瞬时频率波动和虚假成分产生，增强了瞬时频率的准确性，提高了HHT方法的信号分析频率，该方法能有效应用于实际信号处理的HHT时频分析中.     

扬声器非线性特性的Hilbert-Huang变换分析

为研究扬声器的非线性特性和形成机理,提出一种基于Hilbert-Huang变换(HHT)的扬声器非线性特性分析方法.该方法通过对扬声器纸盆位移信号进行经验模态分解(EMD)得到内禀模态函数(IMF),计算出IMF函数的瞬时频率.用瞬时频率的变化表示纸盆位移信号波内频率调制的非线性现象,直接反映出与扬声器结构相关联的非线性特性.仿真和实际扬声器实验结果表明,用HHT瞬时频率表示扬声器非线性的方法与传统的傅立叶谐波方法相比,能更确切地说明产生非线性的原因,给扬声器非线性的改善与补偿提供了依据.     

抑制经验模分解边缘效应的极值点对称延拓法

经验模分解(Em p iricalM ode D ecom position,EMD)是希尔伯特-黄变换(HHT)的核心,而经验模分解方法的关键是对提取固有模式函数(Intrinsic m ode function,IM F)时所谓边缘效应问题的处理。提出了极值点对称延拓方法,用来对边缘效应问题进行处理。算例分析结果表明该方法的算法简单,计算速度快,能有效地抑制EMD分解时的边缘效应,分解得到的固有模式函数完备地体现了原信号真实的频率和幅值信息。在信号重构时不会带来原始信号的畸变。     

基于补充改进集合经验模态分析法-多尺度排列熵分析桥梁振动信号优化滤波方法

针对桥梁振动信号高度非平稳特征和含噪声成分严重的问题,提出了一种应用于桥梁健康监测领域的信号自适应分解与重构的优化滤波方法。该方法以自适应加噪的完备集合经验模态分解(CEEMDAN)为核心算法,将原始振动信号逐级分解为多个不同特征时间尺度相对平稳的固有模态函数(IMF),采用端点对称延拓法抑制端点效应,引入多尺度排列熵(MPE)分析各IMF在不同尺度上的熵均值,检索随机程度较大的IMF分量,将含噪严重与由于加噪分解产生的伪分量剔除完成一次滤波,为了择优选取剩余IMF进行信号重构保证滤波具有较好的相似度与光滑度,建立了优化重构模型完成两次滤波。研究表明:本文方法在自适应分解阶段较常用的集合经验模态分解(EEMD)、补充集合经验模态分解(CEEMD)方法具有更好的完备性、正交性与计算效率,在一定程度上抑制了模态混叠现象,端点效应问题有所改善,并对IMF进行优化重构,经分析最终的滤波信号具有较高的信噪比,通过对真实桥梁振动信号分析再一次验证了本文方法的优势,该方法的滤波结果可以作为实现桥梁健康监测技术的可靠依据。     

基于经验模态分解和Mel倒谱系数的语音端点检测

提出了一种基于经验模态分解和Mel倒谱系数的语音端点检测方法。对语音信号进行分解得到一组IMF分量,将集中在低层IMF分量中的噪声信号滤除,重构剩余的IMF分量成语音信号,提取重构信号的Mel频率倒谱系数来检测语音信号的端点。实验结果表明,提出的方法可以较好地消除噪声对语音信号端点检测带来的影响,能在不同信噪比的环境下正确地对语音信号进行端点检测,具有一定的鲁棒性。     

旋转机械振动信号的固有模式函数降噪方法

针对旋转机械非平稳振动信号中局部低能量噪声的消除问题,提出一种基于固有模式函数(IMF)的振动信号降噪方法.该方法在信号经验模式分解(EMD)的基础上,通过对一阶IMF进行L次随机排序操作,构造观测信号的L个样本序列.根据白噪声各阶IMF的能量密度,计算L个样本序列各自分解所得IMF的阈值.通过样本幅值与阈值的比较,将IMF中过零点区间内极值小于阈值的所有样本点去除,并利用这些阈值去噪后的IMF重构信号.仿真和实验结果表明,本方法对各阶IMF中局部低能量噪声的消除是有效的,且降噪后信号的时频特征显著.     

基于HHT和模糊C均值聚类的轴向柱塞泵故障识别

提出了一种基于Hilbert-Huang变换(HHT)和模糊C均值聚类算法相结合的故障识别方法。利用HHT在处理非线性、非平稳信号方面的优势,对采集到的轴向柱塞泵泵壳振动加速度信号进行HHT处理。首先对信号分别进行经验模态分解(EMD)和集总经验模态分解(EEMD),结合短时最大熵谱分析选取对故障最为敏感的固有模态函数(IMF)分量,再对其分别进行二次分解。然后,采用本文提出的基于局部边际能量谱特征能量的方法求出故障特征向量。最后,采用模糊C均值聚类算法进行故障模式识别。识别结果表明:EEMD比EMD在迭代次数上大幅减少,故障识别准确率有了显著提高。     

联合采用高通低通滤波与Hilbert-黄变换的非线性信号分析

经验模态分解方法无法分离2倍频内信号分量而可能导致模态混叠,这是应用著名的Hilbert-黄变换(Hilbert-Huang Transform,HHT)分析非线性信号时无法回避的问题,而消除模态混叠对于准确分析非线性信号具有重要意义。在此背景下,提出了一种联合采用高通低通滤波与Hilbert-黄变换的非线性信号分析方法,以解决这一问题。首先,提出了基于HHT瞬时频率的、用于判断是否发生模态混叠的指标;在此基础上为解决常规经验模态分析方法无法分解2倍频内信号的问题,采用傅里叶变换分析存在模态混叠的信号,并通过高通低通滤波将2倍频内的信号分离。之后,对经过滤波后的信号进行经验模态分解,并与之前未发生模态混叠的分量整合,得到原始信号完整的本征模态函数分量,进而计算得到各分量的瞬时频率和瞬时幅值。最后,用算例说明了所提方法的基本特征。     

基于VMD-HHT方法的水电机组启动过渡过程振动信号分析研究

为了解决水电机组启动过渡过程振动信号特征频率提取困难问题,采用一种较新的处理非线性非平稳信号自适应方法---变分模态分解（VMD）,并用于葛洲坝某台机组启动过渡过程振动信号分析。通过Hilbert-Huang（HHT）变换对VMD分解得到的各固有模态函数（IMF）进行瞬时频率计算,得出相应Hilbert谱图,并将结果与经验模态分解（EMD）方法进行对比。结果表明：经VMD分解后,机组启动过渡过程振动信号各分量频率变化与机组转速时变规律吻合良好,能够有效提取特征频率,较EMD具有更好的自适应性,分析结果更加准确有效,能够更好的揭示水电机组过渡过程信号中的振动规律。     

HHT的改进及其在电压闪变分析中的应用

介绍了Hilbert-Huang变换方法在电压闪变分析中的应用,该方法利用经验模态分解法EMD将电压波动信号分解成有限个固有模式函数IMF,再运用概率大值统计方法实现电压闪变的分析。对Hilbert-Huang变换方法进行了一些改进:对EMD分解的停止条件进行改进,加快了收敛速度;对EMD分解过程中的端点抖动问题采用端点镜像法消除;对虚假分量采用相关系数法进行消除。试验结果表明,改进后的Hilbert-Huang变换方法提高了分析准确度。     

An HHT-based method to eliminate short-time strong disturbance from measured signals of bridge

According to the characteristic that Hilbert-Huang transform (HHT) can detect abnormity in signals, an HHT-based method to eliminate short-time strong disturbance was proposed. The signal with short-time strong disturbance was decomposed into a series of intrinsic mode functions (IMFs) and a residue by the empirical mode decomposition (EMD). The instantaneous amplitudes and frequencies of each IMF were calculated. And at abnormal section, instantaneous amplitudes and frequencies were fitted according to the data at normal section, replacing the fitted data for the original ones. A new set of IMFs was reconstructed by using the processed instantaneous amplitudes and frequencies. For the residue, abnormal fluctuations could be directly eliminated. And a new signal with the short-time strong disturbance eliminated was reconstructed by superposing all the new IMFs and the residue. The numerical simulation shows that there is a good correlation between the reconstructed signal and the undisturbed signal. The correlation coefficient is equal to 0.999 1. The processing results of the measured strain signal of a bridge with short-time strong disturbance verify the practicability of the method.     

Non-overshooting and Non-undershooting Cubic Spline Interpolation for Empirical Mode Decomposition

To suppress the overshoots and undershoots in the envelope fitting for empirical mode decomposition (EMD), an alternative cubic spline interpolation method without overshooting and undershooting is proposed. On the basis of the derived slope constraints of knots of a non-overshooting and non-undershooting cubic interpolant, together with "not-a-knot" conditions the cubic spline interpolants are constructed by replacing the requirement for equal second order derivatives at every knot with Brodlie's derivative formula. Analysis and simulation experiments show that this approach can effectively avoid generating new extrema, shifting or exaggerating the existing ones in a signal, and thus significantly improve the decomposition performance of EMD.     

基于经验模态分解的瞬变电磁信号的属性提取与分析解释

瞬变电磁法仅用时域资料进行分析与解释是不充分的,应该将信号的频率成分也综合利用起来进行分析解释。将Hilbert-Huang变换引用到瞬变电磁信号的分析中,将含噪的瞬变电磁信号通过经验模态分解成若干个固有模态函数,对每个固有模态函数进行Hilbert-Huang变换,获得瞬时幅度和瞬时频率,将每个测点的瞬时属性组合起来绘制瞬时振幅剖面图和瞬时频率剖面图,不同构造形态的地质体在两者的剖面图中均有明显的异常反映。各种模型和实例计算表明：用Hilbert-Huang时频分析方法提取瞬变电磁信号的瞬时属性意义明确而且分辨率高,明显优于传统分析解释方法。     

基于Hilbert-Huang变换的语音信号共振峰频率估计

由快速傅里叶变换（FFT）初步估计出的语音信号的各阶共振峰频率确定相应带通滤波器的参数，并用该参数对语音信号作滤波处理，对滤波后的信号进行经验模态分解（EMD）得到一族固有模态函数（IMF），按能量最大原则确定出含有共振峰频率的IMF，计算出该IMF的瞬时频率和Hilbert谱即得到语音信号的共振峰频率参数.实验结果表明，与传统方法相比，该方法无须对语音信号进行分帧截断，提高了语音信号共振峰频率估计的时频分辨率和准确性，能够更精确地反映共振峰频率随时间的快速变化.     

基于HHT的电力系统谐波分析

鉴于现有电力系统谐波检测与分析方法的不足,用希尔伯特-黄变换(HHT)进行谐波分析.该方法由两部分组成.首先对谐波信号作经验模态(EMD)分解,得到满足一定条件的固有模态信号(IMF),然后用希尔伯特变换求其瞬时频率和瞬时幅值.该方法适用于非线性非平稳信号的分析,具有概念清晰、计算简单的优点.仿真研究表明,用HHT方法进行电力系统谐波分析是可行的,与傅立叶变换和小波变换等现有方法比较,有很多独特的优点.     

基于高次样条插值的经验模态分解方法研究

基于经验模态分解(EMD)方法,把一列时间序列数据分解成一组本征模函数组,然后经希尔伯特变换获得其希尔伯特谱.在现有的采用三次样条插值的EMD算法基础上,提出了基于高次样条插值的EMD新算法.仿真研究结果表明,所提出的新算法能有效提高EMD时频分析的精度.     

经验模态分解(EMD)中边界处理的新方法

在深入研究和分析希尔伯特-黄变换(HHT)方法的基础上,对信号提出了半周期半对称延拓算法,并以此来处理经验模态分解中存在的边界误差问题.通过信号模拟试验,并与EMD方法的结果作比较,检验了该方法的有效性和精度.     

机器人精镗飞机交点孔的颤振分析与识别

针对机器人精镗飞机交点孔时容易出现颤振,影响加工表面质量的问题,通过分析颤振发生时的压脚位移信号,提出基于Hilbert-Huang变换的颤振特征提取方法,实现机器人镗孔颤振的快速识别.对颤振前后的压脚位移信号进行时域分析和频域分析,获得颤振发生的频段.将压脚位移信号进行经验模态分解,得到一系列具有不同频段的固有模态函数（IMFs）.根据颤振频段筛选出与颤振相关的IMF,通过Hilbert变换得到瞬时频率.分析瞬时频率的变化规律,从中提取颤振特征以识别颤振.试验结果表明,在机器人镗孔系统中,此方法能够在颤振形成前0.5 s及时识别颤振.