用于滚动轴承转频估计的EMD软阈值降噪算法

针对经验模式分解(EMD)互相关系数-峭度准则降噪方法与小波阈值降噪方法的不足,提出EMD与小波软阈值降噪相结合的降噪方法.该方法主要包括以下4部分:1)对原始信号进行EMD分解得到固有模态函数(IMF)的集合;2)计算各个IMF与原始信号的互相关系数以及各IMF的峭度值;3)利用互相关系数-峭度准则选择需要降噪的IMF以及需要剔除的IMF;4)对选定的IMF进行阈值降噪后与剩余的IMF相加重构信号.利用仿真和实测的故障轴承信号对所提出算法以及EMD互相关系数-峭度准则降噪方法进行对比验证.结果表明:采用EMD软阈值降噪方法比采用EMD互相关系数-峭度准则降噪方法对信号进行预处理,更能确保轴承振动信号的完整性,突出信号的故障特征,降低瞬时转频估计的误差.     

基于DTW 和EMD的孤立词语音识别研究

针对语音识别过程中环境噪声干扰大的问题,提出一种基于经验模态分解(EMD)与动态时间规整 (DTW)相结合的孤立词识别算法。该方法利用EMD 算法,首先将提取的性能不好的语音信号分解成若干个基本模函数(IMF),去掉原始信号中的干扰和噪声。然后,基于DTW 算法,采用短时过零率和短时能量对语音信号进行端点检测,提取语音特征参数后与参考模板进行匹配。将参考模板与待测模板之间的最短路径作为识别结果。仿真结果表明,该算法能够提高语音的识别效率和识别的正确率。     

基于EMD与ICA的滚动轴承复合故障诊断

针对单通道情况下滚动轴承复合故障难以分离问题,提出基于经验模式分解(empirical mode decomposition,EMD)的独立分量分析(independent component analysis,ICA)算法.该方法首先对单通道采集的轴承复合故障信号进行EMD分解,得到多个基本模式分量函数(intrinsic mode function,IMF),然后依据帩度指标及相关系数值,选取有效的IMF分量与原观测信号组成新的观测信号,对其进行ICA处理,进而实现轴承复合故障的分离.实验结果表明,该方法可有效地分离轴承早期的复合故障.     

基于EMD和概率神经网络的说话人识别

基于EMD和概率神经网络的说话人识别方法,主要针对语音信号具有强时变特性问题,通过自适应性的经验模态分解(EMD)方法,对不同说话人的语音信号进行分解后,得到反映信号特征的本征模态函数(IMF),然后计算IMF的能量并进行归一化得到能量特征向量,利用具有简单高效的模式识别功能的概率神经网络(PNN),对不同说话人的语音能量特征向量识别,从而达到说话人识别的目的.实验结果表明,在噪声污染不大的情况下,该方法能够准确快速地识别说话人身份,具有较高的识别性能.     

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。     

基于时延自相关预处理的Hilbert-Huang变换解调

针对具有噪声干扰的旋转机械故障振动信号解调问题，提出基于时延自相关运算和经验模态分解（
EMD）方法相结合的新方法.讨论了时延相关算法的降噪原理、离散信号时延相关算法和Hilbert Huang变
换理论.采用矩形窗截断故障振动信号自相关函数的无偏估计, 获取较长时间差的部分，得到时延相关函
数.利用EMD方法对时延相关函数进行自适应滤波, 得到固有模态函数（IMF），对IMF进行Hilbert变换，
求得解调结果.不同噪声强度仿真数据和滚动轴承故障振动信号实验数据分析表明，该方法比直接解调或
仅采用时延相关解调更能有效抑制噪声，凸现信号调制信息.     

Hilbert-Huang变换在结构损伤识别中的应用

为了识别出结构损伤情况,对结构加速度响应信号进行经验模态分解(EMD),得到各阶固有模态函数(IMF),利用第一阶IMF便可以识别出结构损伤发生的时刻及位置。然后利用对各阶IMF进行希尔伯特变换(HT)得到的瞬时频率和Hilbert谱来识别出结构损伤的程度。最后通过对一三层剪切型框架结构的实例分析,证明了该方法的有效性。     

一种基于EMD和神经网络的超声缺陷信号分类方法

在经验模式分解(Empirical Mode Decomposition,EMD)的基础上,结合人工神经网络技术提出一种超声缺陷信号的分类方法.首先利用EMD对信号进行分解获得多个平稳的IMF(Intriusic Mode Functions)分量,然后对各IMF分量分别在时域和频域求出一组特征值,由这些特征值构造向量,作为识别信号的特征向量.采用BP神经网络作为诊断决策分类器,神经网络模型中输入节点对应信号特征向量,输出节点对应缺陷类型.详细地论述了这种方法的基本原理及实现过程.通过典型人工缺陷样品的回波信号的试验,表明该方法对于检测此类缺陷信号有较好的效果.     

基于经验模态分解的小波阈值滤波去噪

经验模态分解(EMD)是一种新出现的处理非线性、非稳态数据的信号分析方法,首先对带噪信号做EMD分解,得到各阶本征模函数(IMF)分量,然后对高频的IMF分量用小波去噪中的阈值方法进行处理,把经过阈值处理的高频IMF分量和低频的IMF进行叠加,得到重构后的信号,即去噪信号。通过三次样条包络分离数据的高阶成份和趋势项。利用EMD的这种特性,提出一种基于EMD变换的阈值去噪算法。仿真实验表明基于EMD变换的去噪具有较好的自适应能力,形式简单,应用方便灵活,不受傅立叶变换及小波函数选择的限制等。     

基于EMD和包络谱分析的轴承故障诊断研究

提出了一种基于经验模态分解(EMD)和包络谱分析的轴承故障诊断的新方法．EMD是把时间序列信号，分解成不同特征时间尺度的固有模态函数(IMF)，具有自适应的分析能力，然后通过选取表征轴承故障的IMF分量进行包络谱分析，就可提取轴承故障信号的特征．轴承故障实验信号的研究结果表明：该方法能有效地识别轴承故障．     

基于EEMD降噪与非抽样提升小波包的滚动轴承故障诊断方法

针对传统小波包在诊断滚动轴承隐含故障中存在频率混叠、精度不高等问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)降噪与非抽样提升小波包相融合的故障诊断方法.首先利用EEMD方法分解原始故障信号得到多个本征模态函数(intrinsic mode function,IMF)分量,然后计算各个IMF分量与原始信号间的相关系数,并与设置的相关系数阈值相比较,将小于阈值的IMF分量视为伪分量予以剔除; 对剩余的IMF分量采用峭度准则再次筛选最优IMF分量进行重构,进而实现降噪目的.为了避免传统小波包因采取抽样运算方式导致频率混叠情况,文中采用非抽样运算的提升小波包来分解降噪信号,并采用Hilbert变换进行包络解调分析得到滚动轴承的故障位置.仿真实验和滚动轴承内圈故障应用实例表明:采用EEMD分解原始故障信号,结合相关系数-峭度准则,达到了很好的降噪效果; 采用非抽样提升小波包比传统小波包具有更高的故障诊断精度,且不存在频率混叠问题.     

基于经验模式分解和广义维数的机械故障诊断

结合经验模式分解方法和广义维数的特点,提出了基于经验模式分解和广义维数的机械故障诊断方法。先对信号进行经验模式分解,得到内禀模态函数,然后求每个内禀函数的广义维数,从中提取盒维数、信息维数和关联维数,组成广义维数矩阵。通过分析待检测信号和各样本信号的广义维数矩阵相关系数,判断故障状态。实验结果表明,该方法可以准确地识别机械故障状态,是一种有效的机械故障诊断手段。     

基于EEMD和CWT的挖掘机座椅振动分析

针对某型液压挖掘机座椅振动加速度信号,应用集总经验模式分解(ensemble empirical mode decomposition, EEMD)方法进行处理,提出以能量贡献率与相关性分析相结合的方法,实现本征模态函数(intrinsic mode function, IMF)中冗余项和伪信号的剔除;并应用连续小波变换(continuous wavelet transform, CWT)对各有效IMF分量进行时频分析,实现振源特征提取和定位。试验分析表明:影响驾乘舒适性的分量主要来源于发动机的发火激励和2阶转动激励,同时缸内气体压力循环作用产生的发动机切向、径向激励力也是一个重要的来源。该方法可有效地实现座椅振源信号的分解、筛选及定位,对于研究挖掘机振动舒适性具有一定的应用价值。     

基于EEMD-JADE的桥梁挠度监测中温度效应的分离

针对桥梁挠度各成分的分离问题,提出一种基于EEMD-JADE的单通道盲源分离算法。首先,利用传统的集合经验模态分解法（Ensemble Empirical Mode Decomposition,EEMD）将单通道的桥梁挠度信号分解为一系列线性平稳的本征模函数（Intrinsic Mode Function,IMF）;然后,采用基于能量熵增量的判别法识别并剔除虚假的IMF分量,将能量熵增量较大的IMF分量组成盲源分离模型的输入信号;最后,采用矩阵联合近似对角化（Joint Approximate Diagonalization of Eigen-matrices,JADE）算法对输入信号进行盲源分离。JADE算法在源信号频率差异较小且频率有所混叠的状况下也能较好地分离出源信号,但要求观测信号数必须大于等于源信号数目;EEMD具有良好的自适应性,能够将单通道的混合信号进行多尺度分解,形成多通道信号,但分解结果存在端点效应与模态混叠。JADE算法能够解决EEMD分解结果存在的端点效应与模态混叠问题,且EEMD也解决了JADE分离算法的先决条件。两种算法优势互补,能够较好地分离出各挠度组分。通过有限元软件Midas/civil建立了背景桥梁模型,经仿真分析得到了各单项因素作用下的桥梁结构响应,并将其叠加在一起作为待分离的混合挠度信号。仿真信号分离的结果与源信号的相关系数均在0.98以上,说明分离效果较好。最后,采集实测挠度信号进行分离,处于对称位置测点分离出的各挠度组分的相关系数均在0.9以上,证明了该算法的适用性。     

多通道胎儿心电提取的经验模态分解和准周期成分提取方法

针对多导联腹壁混合信号的胎儿心电信号（FECG）提取方法有很多,建立在统计独立性和非高斯性假设基础上的盲源分离算法是一类普遍被关注的方法。但是,由于混杂在腹部心电信号中的母体心电信号和多种复杂的生物电噪声的影响,以及腹部电极布置的不合理等因素,使得传统的盲源分离算法对FECG的提取结果往往不尽如人意。本文提出了一个基于经验模态分解和准周期成分提取的多通道FECG提取方法EMD-QPCE。首先,对各通道腹壁混合心电信号分别用经验模态分解方法分解为一系列固有模态函数（IMF）,消除IMF中母体心电信号的成分,以增强FECG的信息。然后,将各个通道信号相对应的IMF进行组合,用准周期成分提取方法提取FECG的信息。最后,由提取的含有FECG信息的IMF重构出FECG,实现多通道腹壁混合信号中提取FECG的目的。应用本文方法对DaISy数据库、ADFECGDB数据库和Challenge2013数据库中的真实心电信号进行实验,实验结果表明：与传统的独立成分分析、主成分分析和准周期成分提取方法相比,提取成功率和提取质量都得到了有效提高。在实验范围内,本文方法的FECG提取灵敏度Se在92.3%以上,阳性预测值 PPV大于98.8%,准确度指标F1大于95.4%,平均胎儿心率误差小于0.595%,具有非常好的准确度和精度,充分验证了本文方法的有效性和优越性。     

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.     

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.     

基于EMD和小波变换的结构风振高阶参振模态识别

为了确定结构随机理论求解中的高阶参振模态数目,采用经验模式分解(EMD)与小波变换相结合的方法分析结构气弹模型自激响应数据信号的时-频-谱联合特性,从原始信号中分解出固有模态函数(IMF),再对各个IMF进行小波变换提取信号特征参数,从而识别出结构风振随机计算所需的高阶参振模态截止频率,并将识别结果与直接采用随机理论对...     

基于改进CEEMDAN⁃熵方法的管道泄漏工况识别

负压波信号的去噪效果和特征向量的提取是影响输油管道泄漏检测准确性的关键因素。针对当前管道泄漏检测准确性较低的问题,提出了改进的添加成对白噪声的完全集合经验模态分解算法（改进的CEEMDAN）对负压波信号进行预处理,将管道上下游压力传感器测得的负压波信号进行CEEMDAN分解,得到多个固有模态函数（IMF）,并根据双通道传感器的相关系数原则筛选有效IMF分量,提出基于熵的特征向量,计算有效IMF分量的能量熵、峭度熵以及排列熵,并输入支持向量机（SVM）对不同工况进行分类。通过现场数据验证,改进的CEEMDAN⁃熵方法可以有效提高输油管道泄漏检测的准确性,具有一定的现场应用价值。