共查询到20条相似文献,搜索用时 125 毫秒
1.
为从机械故障信号中提取包含故障信息的特征频率,提出了基于EMD的多尺度形态学解调方法,该方法首先采用EMD方法将故障信号分解为有限个IMF分量,从中选取包含故障主要信息的IMF分量求和重构信号,再进行多尺度形态学解调,从而提取机械故障特征频率信息。将该方法用于滚动轴承、齿轮的故障诊断中,并与H ilbert包络方法比较,结果表明该方法能更好地提取故障特征频率,且对含噪故障信号也有较好的分析效果。 相似文献
2.
为从机械故障信号中提取包含故障信息的特征频率,提出了基于EMD的多尺度形态学解调方法,该方法首先采用EMD方法将故障信号分解为有限个IMF分量,从中选取包含故障主要信息的IMF分量求和重构信号,再进行多尺度形态学解调,从而提取机械故障特征频率信息。将该方法用于滚动轴承、齿轮的故障诊断中,并与H ilbert包络方法比较,结果表明该方法能更好地提取故障特征频率,且对含噪故障信号也有较好的分析效果。 相似文献
3.
4.
针对旋转机械的故障自动诊断问题,提出一种基于经验模态分解(EMD)和频率辅助信号(FAS)的故障诊断方法.首先,利用滤波器移除非故障分量,通过实验采集各种故障下的特征频率,构建故障模型.然后,在实时故障诊断中,对光电位移传感器采集到的机械振动信号进行频谱分析,当主频接近一个特定故障的特征频率时,根据该特征频率构建一个FAS,并将其与振动信号进行叠加.接着,对叠加后的信号进行EMD,根据能量准则选择出主固有模态函数(IMF).最后,通过三次样条插值法获得主IMF信号的包络,并获得包络谱的中心频率,以此对故障进行诊断.实验结果表明,提出的方法能够解决EMD的模态混叠问题,同时对故障的并发情况具有鲁棒性. 相似文献
5.
《现代电子技术》2015,(21):24-27
针对轮对轴承故障信息不易提取的特性,提出了基于EEMD的共振解调方法。首先,采用EEMD方法将原始信号分解为17个IMF分量,计算每个分量的峭度值,选取峭度值大于3的IMF分量相加,合成新的信号;然后,对新的合成信号进行谱峭度分析,得到冲击成分所在的频带,并据此设计带通滤波器对合成信号进行滤波处理;最后,对滤波后的信号进行Hilbert变换和频谱分析,提取冲击成分的频率,并与理论故障频率对比,进行故障诊断。分别对外圈故障、滚动体故障、保持架故障的轴承进行振动试验,并利用此方法对试验结果进行分析,结果表明,该方法能够有效地识别列车轮对轴承的故障信息。 相似文献
6.
提出了一种基于EMD的功率谱分析法,即先用经验模态分解方法(EMD)将语音信号分解成若干个固有模态函数IMF分量,而后对包含主要信息的IMF分量利用现代参数模型法估计出它们各自的功率谱。文中对不同情感状态下语音数据的分析结果表明,EMD方法能有效地应用于非平稳语音信号的功率谱分析中,可更细致的体现语音信号内在特征。 相似文献
7.
《现代电子技术》2016,(10):25-29
在声阵列信号处理中,为了抑制高频噪声的干扰,提高观测声信号的信噪比,提出基于EMD的阵列观测声信息预处理算法。该算法首先基于EMD理论将观测信号分解为多个IMF函数分量,利用FFT变换得到IMF函数分量的频谱特性;其次在频域上结合目标声信号的特性,确定IMF函数分量提取阈值;然后根据FFT逆变换对得到重构信号的IMF时域信号完成阵列观测信号的重构;最后通过静态半实物仿真实验,结合均值、标准差及相对剩余声能三个统计参数,验证了该文算法不仅具有较好的信号处理稳定性,而且在声能上保留了原始信号91%以上的能量,为进一步研究声目标识别及定位提供了声能保障。 相似文献
8.
9.
通过分析航管应答信号样式及特点,提出了基于经验模式分解(EMD)时频重构特征的航管应答器个体识别算法。首先通过EMD将多分量信号分解为有限个固有模式函数(IMF)分量,继而利用IMF来重构辐射源信号的时频分布,最终获得稳定的时频图分解特征。利用实测航管应答信号的验证实验表明,该方法可以有效提取航管应答信号的细微特征,最终的识别性能显著优于使用脉冲包络特征或者功率谱特征的识别算法。 相似文献
10.
11.
分析了电力系统中常见的几种故障类型,研究提出了利用EMD分解正确定位信号故障点的方法。该方法将故障信号分解成几个IMF分量,然后使用希尔伯特变换求出信号的时频关系,从而正确定位信号的故障点。Matlab的仿真结果表明,提出的方法能够更加准确地检测出突变信号,从而正确定位出信号的故障点。 相似文献
12.
13.
针对某车载武器振动位移测试中存在的严重趋势项干扰问题,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)的信号处理方法.为有效提取趋势项,提出了一种新的趋势项判定方法.该方法根据振动信号相对时间轴对称的特点,通过比较各IMF分量与原始信号的均值判定该阶IMF分量是否为趋势项.模拟振动信号仿真证明了方法的有效性.最后对实测信号进行了EMD处理并最终重构了振动位移信号,与小波变换方法及一种定性的EMD趋势项判定方法进行了比较,结果表明提出的基于EMD的信号趋势项提取和判定方法有更大的优越性,有助于客观评价该武器性能. 相似文献
14.
15.
针对低信噪比超宽带信号的消噪问题,提出一种改进的基于经验模式分解(EMD)的消噪算法.该算法首先对含噪信号进行EMD分解,得到多个固有模态函数(IMF)分量,然后选取高阶IMF重构原信号,达到消噪的目的.针对对UWB信号的IMF重构过程中阶数阈值难以确定的问题,通过数值仿真的方法,得到信号分量和噪声分量在不同阶IMF上的能量分布特性;在对所得特性进行分析的基础上,设计了一种数据自适应的阶数阈值选取算法,解决了EMD消噪中的阶数阈值选取问题.仿真结果表明,EMD消噪算法能够在较低信噪比下提供平均10 dB的信噪比增益,可以有效地对超宽带信号进行消噪. 相似文献
16.
针对旋转机械设备在多工况、小样本状态下故障诊断精度不高的问题,提出一种基于VMD与多尺度一维卷积神经网络(M1DCNN)的故障诊断方法。该方法首先利用VMD对原始振动信号进行分解,并以峭度为指标,筛选出峭度值最大的分量进行包络分析;然后构建包含多个不同尺度卷积核通道的卷积神经网络,并采用多尺度卷积核提取不同尺度下包络信号的特征信息,进而对故障进行识别。将该方法应用于齿轮箱中的齿轮和滚动轴承的振动数据分析,结果表明:该方法在多工况、小样本情况下均有较高的故障识别精度,且模型具有较强的泛化性能;同时,与单通道卷积神经网络(1DCNN)的对比分析表明,所搭建的多尺度卷积神经网络能更全面地提取信号特征,因而具有更高的诊断精度。 相似文献
17.
《信息技术》2016,(12):87-92
经验模态分解(Empirical Mode Decomposition,EMD)是一种自适应信号分解方法,将数据从高频到低频分解成一系列的本征模式函数(Intrinsic Mode Functions,IMF)和一个余量。局域均值分解(Local Mean Decomposition,LMD)一定程度上解决了EMD方法的端点效应问题,但仍不容忽视。变模态分解(variational mode decomposition,VMD)解决了EMD方法在噪声恶劣背景下,IMF淹没在噪声背景中,导致不能得到信号特征分量的问题。多分别奇异值分解算法(Multi-resolution singular value decomposition,MRSVD)利用矩阵二分递推结构原理和SVD方法相结合,能够很好地把信号中微弱的细节信号和主体信号多层次体现出来,从而提取到其中隐含的信号特征。在此主要讨论EMD、LMD、VMD和MRSVD处理含噪信号时的效果差异,并对四种处理方法在滚动轴承故障振动信号的实际应用中出现的问题进行探讨。 相似文献
18.
19.
20.
基于HHT的多分量LFM信号检测与参数估计 总被引:3,自引:0,他引:3
文中将Hilbert—Huang变换应用到多分量线性调频信号(LFM)信号的分析中:首先利用经验模态分解法(EMD)将原信号分解成有限个本征模态函数(IMF);然后埘各个IMF进行Hilbert变换,获取瞬时频率、瞬时振幅,得到信号的Hilbert谱,该谱反映r瞬时振幅在频率一时间平面上的分布,从而可以比较准确地检测和估计各LFM分量的初始频率和调频斜率等参数。仿真结果验证了该方法的有效性。 相似文献