解相关EMD:消除模态混叠的新方法

模态混叠是制约希尔伯特-黄变换(Hilbert-Huang Transform,简称HHT)在工程上推广应用的一个主要难题,采用在经验模态分解(Empirical Mode Decomposition,简称EMD)过程中嵌入解相关操作有效解决了EMD过程中产生的模态混叠问题。模态混叠的本质是各本征模态函数(Intrinsic Mode Function,简称IMF)分量之间信息相互耦合,无法表征有意义的物理过程,因此可认为模态混叠现象是由于IMF之间不完全正交导致。根据零均值随机信号正交性与不相关具有等价关系,在EMD过程中嵌入解相关操作,可有效保证IMF之间的正交性,消除模态混叠。仿真信号处理结果证明了方法的有效性。     

基于频率截止的EEMD方法研究

为解决总体平均经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)中虚假IMF分量过多问题,提出了一种基于频率截止的EEMD方法。该方法采用一种新的IMF筛分终止条件--以信号自身的最小频率为EMD分解IMF分量的截止频率;然后将基于频率截止的IMF筛分终止条件引入EEMD分解。通过仿真和实测信号分析,并与EMD、EEMD分解结果比较得到,运用频率截止的EEMD方法不仅有效减少了虚假IMF分量的产生,使得分解的目的性更加明确,而且保证了EEMD分解出的IMF分量的完备性,更好地抑制了模态混叠现象。     

深度神经网络在EMD虚假分量识别中的应用

无线智能传感器结合云平台可以实现建筑结构的长期健康监测,模态识别是结构健康监测的重要内容。希尔伯特黄变换(Hilbert-Huang Transform, HHT)因其适用于非线性非平稳信号,且具有完全自适应性等特点,在模态识别领域中被广泛应用。与实验室中进行结构模态参数识别不同的是,长期监测中模态参数识别的算法不能出现主观的参数选择过程,而传统HHT的第一步经验模态分解(Empirical Mode Decomposition,EMD)会产生虚假的固有模态函数(Intrinsic Mode Function, IMF)分量,对虚假分量的识别与剔除往往依赖研究人员的主观判断。该文提出了一种基于深度神经网络(Deep Neural Networks, DNN)与K-L散度(KullbackLeibler Divergence, K-L Divergence)的新算法,可以自动化识别并剔除EMD产生的虚假分量,从而使得EMD后得到的固有模态函数均为真实分量。     

爆破振动信号分析中模态混叠和虚假分量消除的改进方法

针对CEEMD (Complementary Ensemble Empirical Model Decomposition)方法在处理爆破振动信号中模态混叠和虚假分量问题方面的局限性,提出一种改进的解相关CEEMD方法。第一,对信号端点进行特殊处理后,采用CEEMD对信号进行分解;第二,求取各IMF分量信号与原信号的相关系数及其频谱图,共同判定虚假分量;第三,将虚假分量与主分量相加后,通过解相关计算消除模态混叠。仿真信号的CEEMD分解结果以及相关系数与能量插值计算表明,改进的解相关CEEMD方法分解精度比EMD(Empirical Model Decomposition)和CEEMD高,有效抑制了信号模态混叠现象,能够避免直接处理虚假分量而带来的能量损失。应用于爆破振动信号分解,基本保证了各IMF分量非主频率信号的能量比例较低。改进方法有效消除了爆破振动信号的模态混叠和虚假分量现象。     

基于屏蔽技术的经验模式分解改进方法

经验模态分解(EMD）具有优越的自适应性,对非平稳、非线性信号的不同时间尺度可进行正确的局部化处理,然而,当信号组合分量的频率相近时会出现模态混叠现象。针对该问题,提出引入信号屏蔽技术对其改进,通过向原始信号添加一定频率的屏蔽信号,将低频成分屏蔽在高频成分所在的本征模态函数(IMF)之外,而屏蔽信号自身通过加减二次分解取平均值消除对IMF分量的影响。仿真及实际应用验证了改进方法可有效克服模态混叠现象,为EMD改进提供一种新的途径。     

改进EEMD方法及混沌降噪应用研究EI北大核心CSCD

在总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)降噪过程中,对本征模态分量(Intrinsic Mode Function,IMF)的有效处理一直是影响降噪效果的关键。为此,提出一种基于改进EEMD的去噪方法。基于"3σ"法则和奇异值分解(Singular Value Decomposition,SVD)提取第一个IMF分量中有用信号细节。利用连续均方误差准则对剩余IMF分量进行高低频区分,分别使用SVD和S-G算法提取高低频分量的有用信号,可以有效避免了高频部分有用信号的流失,同时剔除低频分量中的部分噪声,克服了EEMD去噪时IMFs难以有效处理的不足。为了验证该方法的有效性,进行了数字仿真与双势阱混沌振动试验,结果表明,该方法的降噪效果优于小波加权和EEMD去噪方法。     

VMD和ICA联合降噪方法在轴承故障诊断中的应用

针对振动信号易受噪声干扰的影响、故障特征提取困难的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)和独立分量分析(Independent Component Analysis,ICA)相结合的去噪方法。该方法首先利用VMD算法将振动信号分解成若干不同频率的本征模态分量(Intrinsic Mode Function,IMF),有效的抑制了LMD分解中存在的模态混叠现象和端点效应等问题,然后依据峭度准则选取相应分量进行重构,引入虚拟噪声通道;最后利用Fast ICA将重构后信号再次进行去噪处理,分离出有效的故障特征分量,从而识别故障类型。将该方法应用到滚动轴承故障数据中,并与LMD-ICA方法作对比,结果表明,提出方法不仅能够有效的解决去噪过程中丢失故障信息以及由于模态混叠导致噪声不能完全去除的问题,还能更清晰、准确地提取出故障特征频率。     

优化HHT端点效应的新方法

在旋转机械的故障诊断中,希尔伯特-黄变换（HHT）方法常用于提取故障特征信号以及分解结果的时频分析,然而,在HHT中会出现端点效应问题,且导致模态混叠和虚假本征模态函数（IMF）等一系列问题。针对这一问题,提出了利用广义回归神经网络（GRNN）和边界局部特征尺度延拓（BLCC）相结合的方法先对信号延拓,再进行经验模式分解（EMD）。通过仿真与故障实验,在时域、频域和希尔伯特-黄谱的相关参数的情况下,对比镜像延拓优化的HHT分解结果,验证了所提方法的有效性。实验结果表明:所述方法能够有效地抑制HHT中的端点效应,且减轻了模态混叠和虚假IMF分量,同时能准确地表现信号的真实结构成分。     

参数优化VMD的滚动轴承故障诊断方法

由于滚动轴承早期故障信号特征微弱,变分模态分解（Variational Mode Decomposition,VMD）的性能易受模态数和惩罚因子设置的影响,提出了一种自适应优化VMD参数的方法。基于中心频率判断本征模态函数（Band Limited Intrinsic Mode Functions,BIMF）是否混叠的思想提出中心频率混叠商算法,利用最小中心频率差与次小中心频率差的比值确定模态数。利用模糊熵原理,提出求和模糊熵算法优化惩罚因子。利用相关系数筛选模态分量,重构信号提取故障信息。通过对强噪声下外圈故障信号、内圈故障信号的分析,表明该方法能自适应确定模态数和惩罚因子,抑制模态混叠,能够从强噪声下有效地提取出故障信号特征,实现滚动轴承故障诊断。     

改进的Hilbert-Huang变换在信号瞬态特征提取中的应用

通过对Hilbert-Huang变换(Hilbert Huang Transform,HHT)方法的机理的研究,提出了一种提取非平稳信号中瞬态特征的新方法,即正交经验模态分解(Orthaogonal Empirical Mode Decomposition,OEMD)与Hilbert变换结合法.OEMD是一种以快速带通滤波为基础的,获得同有模态函数(IMF)的新方法,其最大特点是具有严格的正交性.通过OEMD得到IMFs后,再进行Hilbert变换求得瞬时频率和幅值,便能精确检测出信号中瞬态成分的时间、频率和幅值等信息.仿真和应用结果表明,该法比原HHT方法能更加有效地提取信号的瞬态特征,并成功地解决了原HHT中存在的模态混叠、虚假模态和边界效应等问题.     

集合经验模态分解的稳健滤波方法研究

为了消除野值和噪声信号对观测数据的影响,给出一种基于集合经验分解的具有稳健性的滤波算法：首先用滑动中值滤波算法剔除原始数据中的野值,然后采用集合经验模态分解算法,抑制数据中的噪声。数值仿真和实际工程应用表明,该方法不仅能剔除野值,抑制信号中的噪声,提高信噪比,还能够有效消除模态混叠问题,将被测信号中不同的频率成分独立分解在不同的固有模态函数中,从而得到更清晰的时频分布,有利于实际数据处理中的信号分析和故障诊断。     

噪声协助的EMD-1.5维谱信号抗混分解与特征提取

针对大型动力装备核心部件微弱故障特征信息提取问题,提出了一种噪声协助的EMD-1.5维谱故障诊断方法。经验模式分解(EMD)方法中,信号极值点间隔特性影响模式混淆现象的出现,针对此状况提出信号极值点间隔特性评价方法,分析高斯白噪声有助于信号抗混分解原理,通过对原始信号加入高斯白噪声得到噪声协助的EMD方法,提高信号抗混分解能力。将1.5维谱与噪声协助的EMD方法结合,得到一种新的故障特征提取方法,该方法具有对信号进行有效抗混分解、提取非线性耦合等特性,并以此来提取故障的微弱特征信息。通过仿真研究与电力机车滚动轴承的故障诊断工程实例,验证了该方法的有效性。     

基于噪声辅助多元经验模态分解和多尺度形态学的滚动轴承故障诊断方法

为了从强噪背景中提取滚动轴承微弱故障特征,提出一种基于噪声辅助多元经验模态分解 (Noise Assisted Multivariate Empirical Mode Decomposition,NAMEMD)和数学形态学的滚动轴承故障诊断方法。NAMEMD是新提出的一种基于噪声辅助数据分析方法,其克服了集成经验模态分解的模态混淆和运算量大等问题。本文将NAMEMD与多尺度形态学相结合应用于滚动轴承故障诊断。该方法首先利用NAMEMD将多分量调频调幅故障信号自适应分解为一系列IMF分量;其次,选取能量高的IMF分量求和重构;最后利用多尺度形态学差值滤波器提取信号的故障特征频率。为了验证理论的正确性,进行了仿真试验和轴承故障试验,并与EEMD和包络解调进行了比较,结果表明本文方法在进一步降低模态混叠效应的同时,明显提高了运算速度,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的故障特征频率。     

基于改进HHT和SVM的滚动轴承故障状态识别

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状态识别中。首先,利用相关系数筛选EEMD分解后的IMF分量,计算IMF分量的Hilbert边际谱能量与Lempel-Ziv复杂度构成轴承高维特征向量;其次,运用LS得分对高维特征向量进行数据降维;最后,用GA-SVM对轴承不同故障状态进行识别。通过轴承不同状态下的试验数据验证本文方法,结果表明所提方法能够有效识别轴承不同故障状态。     

基于EEMD的振动信号自适应降噪方法

摘 要：应用集合经验模式分解（Ensemble empirical mode decomposition ,EEMD）能有效抑制模态混叠的特性,根据白噪声经经验模式分解（Empirical mode decomposition, EMD）后其固有模式函数（intrinsic mode functions ,IMF）分量的能量密度与其平均周期的乘积为一常量这一特点设计了自动选择IMF分量重构信号的算法,提出了基于EEMD的振动信号自适应降噪方法。对仿真信号和滚动轴承振动信号的降噪结果表明了该降噪方法的可行性和有效性。     

CEEMDAN结合LMS算法在轴承信号降噪中的应用

针对在强噪声背景中提取有用信号的问题,结合完整集成经验模态分解（CEEMDAN）与自适应滤波中的最小均方算法（LMS）发展一种新的算法。先将信号进行CEEMDAN分解,分解为多个模态分量（IMF）,然后再使用LMS对每一个分量进行降噪,最后将降噪后的分量重构。通过仿真实验,验证了该方法可以消除大部分的噪声和干扰信号,且易于实现。最终将其应用于振动筛轴承故障诊断中,验证了该方法的可行性。     

基于AMD的经验模态分解含间断信号模态混叠消除方法

针对在经验模态分解筛选过程中间断信号引起的模态混叠问题,提出了一种基于解析模态分解的经验模态分解模态混叠消除新方法。利用第1个固有模态函数的瞬时频率特性得到其频率成分及二分频率,且能实现对间断信号的定位,然后再采用解析模态分解方法分离出间断信号,再对处理后的信号进行经验模态分解,从而消除该间断信号的影响。仿真分析和工程应用的结果表明,该方法能有效消除间断信号在经验模态分解过程中引起的模态混叠现象。     

一种改进HVD信号特征提取方法及应用研究

希尔伯特振动分解(HVD)广泛应用于风电机组、齿轮箱等旋转机械的故障诊断,然而,它有2个亟待解决的问题:一是算法的参数需要经验设置或人工试定;二是如何避免模态混叠选择敏感的本征模态函数分量。针对上述2个问题,提出一种优化的HVD改进算法,有效解决了希尔伯特振动分解的参数设置和模态混叠问题。首先用粒子群优化算法(PSO)对HVD算法的2个参数进行优化。其次,提出了一种新的评估指标—最大包络峰度均值作为PSO优化算法的目标函数,并提出采用最大包络峰度自适应地选择敏感的IMF分量。最后,对选定的重构信号进行平方包络谱分析并提取故障特征频率,以识别风电机组设备故障类型。通过模拟信号、实验信号和风电机组应用实例分析,验证了所提改进HVD方法的有效性。