基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用

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。     

基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用

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。     

基于脉冲相关性的时域增强EMD轴承故障诊断

为了提高低速动车轴承故障诊断的有效性,提出基于互相关原理对EMD经验模态分解后的信号时域脉冲进行增强。轴承故障信息呈周期性出现,所以经过EMD分解得到的IMF分量也含有周期故障脉冲信号。为了增强故障脉冲信号的信噪比,利用基于对周期信号的时域相关性对各IMF本征模态分量分别进行时域叠加增强,最后对IMF进行包络分析提取故障特征频率。实验结果表明对IMF进行基于脉冲相关性的时域增强能够有效地抑制EMD无法去除的噪声信息,提高IMF包络谱中信噪比。     

频率辅助信号结合EMD的旋转机械故障诊断

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.     

基于EEMD的共振解调技术在列车轴承故障诊断中的应用

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。     

基于EMD的语音功率谱分析

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。     

基于EMD的阵列观测声信号预处理算法研究

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。     

基于固有模态函数域滤波方法

本文首次提出了基于固有模态函数(IMF)域滤波方法,该方法可以用于对带噪信号的边缘检测。首先通过经验模式分解(EMD)把信号分解成有限多个IMF分量,然后对相邻尺度的IMF分量进行相关,相关运算可以凸现信号的边缘而有效抑制噪声。最后把相关后的结果与IMF分量进行逐点比较,实现对IMF分量的滤波。仿真表明了该方法的有效性。     

基于EMD时频重构特征的航管应答器个体识别

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。     

基于EMD分形维数的轧机主传动系统故障诊断方法研究

提出了一种基于EMD分解和分形维数的轧机主传动系统故障诊断方法.利用EMD方法对轧机主传动系统的振动信号进行分解,得到若干个基本模式分量,进一步求出包含主要故障信息的几个IMF分量的关联维数并计算它们的均方根值,作为判断轧机的故障状态和类别的特征量.实验分析表明,此方法达到了去除噪声的效果,同时增大了故障类别标准的判别距离,从而可以有效地判断轧机主传动系统系统的故障状态和故障类型.     

EMD算法在检测电力故障信号中的应用

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。     

基于多尺度极值的一维信号趋势项快速提取方法研究

现有1维信号趋势项提取算法效率低、并且缺乏适应性和灵活性.该文提出基于多尺度极值的1维信号趋势项快速提取方法,充分利用时间序列信号极值点信息,建立信号极值点的二叉树结构,避免了传统经验模式分解(EMD)方法逐层筛选求取内蕴模式函数(IMF)分量的耗时过程,在获得与现有方法趋势项提取精度相当的情况下,极大地提高了计算速度,并且可以直接提取不同层次的趋势.仿真和实际数据实验结果表明:与传统EMD趋势分解方法和趋势滤波方法相比较,计算速度可提高1到2个数量级.     

振动信号趋势项提取方法研究

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.     

基于EMD与欧氏距离的缺陷信号识别方法

将EMD方法应用到超声缺陷信号的建模与识别中,利用EMD方法对缺陷超声回波信号进行分解,得到若干个IMF,然后对包含故障信息的IMF作时域与频域分析,求出缺陷信号的一组特征值,分析特征值并构造出识别缺陷信号的特征向量。最后通过欧氏距离公式判别待测信号与已知缺陷信号间特征向量的近似程度(距离大小)来辨别信号的缺陷类型。通过试验表明这种方法可以有效识别信号的缺陷类型。     

一种改进的基于EMD分解的超宽带信号消噪算法

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.     

基于VMD与多尺度一维卷积神经网络的故障诊断方法

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。     

关于多种模态分解方法的分离效果的差别探讨

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。     

EMD相关度去噪及其在轧机信号处理中的应用

基于EMD时间尺度滤波特性,在引入相关度分析的基础上提出了EMD相关度去噪方法.对含噪信号进行EMD分解得到各IMF分量,并结合相关度阈值函数计算各分量的相关度值,再与预定阈值比较获取满足阈值要求的IMF并对其进行信号重构最终得到去噪信号.该方法消除了EMD时间尺度滤波不适用于噪声和信号在IMF成分混叠情祝下的限制.通过平稳和非平稳含噪信号去噪仿真实验表明了该方法的有效性;通过轧机在轧钢时实测信号分析验证了该方法的可靠性.     

基于Hilbert-Huang变换的车削颤振特征提取

针对车削加工过程中颤振现象,将希尔伯特-黄(Hilbert-Huang)变换方法引入到车削颤振特征提取中。通过对振动信号进行经验模态分解(EMD)获得一系列固有模态函数(IMF),筛选出合适的分量,计算敏感分量的方差和主要分量的瞬时能量分布,并将其作为判断车削发生颤振的依据。用实测振动信号验证了该方法提取的车削颤振特征量,可以作为颤振发生的判断依据。     

基于HHT的多分量LFM信号检测与参数估计

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。