共查询到20条相似文献,搜索用时 140 毫秒
1.
针对希尔伯特-黄变换(Hilbert-Huang Transform,HHT)方法中存在的模态混叠和虚假固有模态函数(Intrinsic Mode Function,IMF)问题,提出一种基于总体包络均值经验模态分解(Ensemble Envelop Mean Empirical Mode Decomposition,EEMEMD)和虚假模态函数剔除算法相结合的改进HHT方法。该方法利用EEMEMD可准确反映加噪后信号的自身变化,一定程度上中和残留在各模态分量间的噪声,获得无模式混淆的较纯净的IMF分量。同时,通过基于归一化能量熵值的虚假模态函数剔除算法可有效剔除噪声干扰成分和迭代误差分量,从而提高信号特征提取的准确性。通过仿真分析和转子不对中故障诊断的工程实例表明,改进HHT方法能够较好地抑制模态混叠问题并有效剔除同故障无相关的虚假IMF,实现对旋转机械故障的有效诊断。 相似文献
2.
3.
针对光纤陀螺在面板堆石坝面板挠度监测中易受到噪声干扰,难以准确提取反映结构变形特征信号的实际问题,提出一种基于最小二乘平滑滤波与CEEMDAN混合降噪的方法。该方法运用CEEMDAN将光纤陀螺实测信号进行分解,得到一系列IMF分量。分别对每一阶IMF分量进行傅里叶频谱分析得到幅值谱图和幅值的方差,根据幅值方差的大小判断噪声IMF分量与有用信号IMF分量的分界,结合最小二乘平滑滤波对噪声IMF分量进行降噪。最后将降噪后的IMF分量与有用信号IMF分量进行重构,得到降噪后的光纤陀螺信号。通过对仿真信号和水布垭面板堆石坝面板挠度监测的实测数据进行分析,该方法能有效滤除噪声信号,准确提取反映结构变形的特征信号,验证了该方法对实际工程中光纤陀螺测量信号降噪的可行性和适用性。 相似文献
4.
基于希尔伯特变换结构模态参数识别 总被引:1,自引:0,他引:1
应用HHT方法对GARTEUR飞机模型模态参数进行识别,通过采用多通带滤波器对信号进行滤波,较好的解决模态混叠问题,采用NExT法对信号预处理,由EMD分解获得较准确的各阶固有模态函数分量(IMF),在EMD分解中使用镜像延拓方法对极值点进行处理来抑制端点效应,然后将分解得到的IMF分量进行希尔伯特变换并结合ITD法识别出各阶固有频率和阻尼比。最后对悬臂梁进行数值仿真模拟,并将模态参数识别结果和理论值进行对比,并运用此方法进一步识别GARTEUR飞机模型固有模态参数。 相似文献
5.
针对希尔伯特-黄变换(Hilbert-Huang Transform, HHT)处理混有噪声的爆破地震波信号时,会出现时频分析失真的现象,对影响HHT时频分析精度的因素进行逐一改进,得到改进后的算法来提高含噪爆破地震波信号时频分析精度。首先对经验模态分解(Ensemble Empirical Mode, EMD)进行改进得到自适应补充集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)抑制低频趋势项,同时添加多尺度排列熵(Multiscale Permutation Entropy, MPE)代码控制高频噪声,最后对CEEMDAN·MPE得到的IMF进行归一化Hilbert变换(Normalized Hilbert Transform, NHT),通过上述三步即可改善传统HHT含噪爆破地震波信号时频分析精度不足的问题。为验证CEEMDAN·MPE-NHT算法时频分析的准确性,进行HHT和CEEMDAN·MPE-NHT算法的含噪仿真信号时频分析对比研究,并将CEEMDAN... 相似文献
6.
7.
爆破网路延时识别易受EMD模态混淆的影响,得到混有虚假分量的IMF。而Hilbert变换受Bedrosian定理的约束在处理此类分量会产生负值瞬时频率,造成巨大的识别误差。为解决传统HHT在爆破网路延时分析时遇到的问题,提出了CEEMD-MPE-NHT爆破网路延时分析算法。该算法通过改进EMD得到补充集合经验模态分解-多尺度排列熵(CEEMD-MPE)算法,实现EMD模态混淆抑制。再对CEEMD-MPE得到IMF进行归一化Hilbert变换,解除Bedrosian定理对Hilbert变换的约束。对蕴含能量最大的IMF分量进行包络求解,包络峰值对应的时间间隔即为爆破网路实际延时。最后通过分析实际延时和理论延时之间的差值,可判断雷管是否处于正常服役状态。进一步通过干扰降震法得到本工程最合理爆破网路延时为54.51~59.75 ms,研究结果表明:基于CEEMD-MPE-NHT的爆破网路延时分析对爆破安全控制具有重要的现实意义。 相似文献
8.
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。 相似文献
9.
经验模态分解(EMD)是目前信号去噪中应用较多的一种方法,但处理与噪声时频特征相近的信号时,该算法存在内蕴模态函数(IMF)混叠现象.本文从信号降噪的角度出发,提出基于经验模态分解与小波分析的超声信号降噪方法,首先利用EMD将信号分解为多个IMF分量,通过计算各分量与信号间的互相关系数判断存在模态混叠现象的过渡IMF,从多个IMF分量辨识出噪声与信号的分界,对过渡IMF进行小波去噪,去除过渡分量中的噪声;然后将去噪后的过渡分量IMF与其后续分量进行信号重构,得到去噪后的信号.为了验证所提方法的有效性,本文分别以含噪bumps信号和实际超声信号为例,将该方法与其它4种去噪方法进行了对比.实验结果表明:EMD结合小波法优于单独小波法,而本文方法进一步提高了EMD方法的去噪能力,为EMD去噪方法的改进提供了新思路. 相似文献
10.
11.
12.
13.
将希尔伯特黄变换与矢量信号处理相结合应用到水声领域,与传统方法相比有许多优势。在希尔伯特黄变换中本征模态函数是基于序列数据的局部时间尺度特征而得出。每个本征模态函数可以看作是信号中一个固有振荡模态,其对应于某个目标的固有振荡,希尔伯特黄变换用经验模态分解的方法将信号分解为多个本征模态函数,可以较好地将不同目标的能量分离。该变换得到的瞬时频率、瞬时能量和瞬时方位具有清晰的物理意义,信号的时间-频率-方位-能量的四维分布为多目标信号处理提供了丰富的信息量。与传统处理方法相比不仅有较好的目标分辨效果,而且适用于非线性和非平稳信号的处理。 相似文献
14.
针对故障诊断中采用EMD方法存在模态混叠现象,引起故障特征提取精度低的问题。提出了一种解相关多频率经验模态分解(Decorrelation Multiple-Frequency Empirical Mode Decomposition,DMFEMD)方法,首先对初始信号添加多个频率的掩蔽信号,初步分解其中不同频率比的信号分量得到多个IMF分量;其次计算相邻IMF之间的相关系数并对其解耦,进一步分离IMF中存在混叠的部分,得到最优IMF;最终,从原始信号中减去最优IMF,然后重复上述步骤,直到残余分量为常数或单调。由于保证了IMF之间互不相关且互不干扰,因此模态混叠现象显著减弱,有效提高故障特征提取精度。利用排列熵算法对一系列最优IMF构造特征样本集,引入SVM建立故障分类模型,实现设备故障诊断。通过试验证明,DMFEMD与传统的方法相比,能有效分离不同频率比混合信号,提高分解效果。同时以轴承振动信号为例,DMFEMD可以更好的提取轴承的故障特征,结合PE与SVM能够实现不同故障类型的高效精确的诊断。 相似文献
15.
16.
利用Hilbert-Huang变换(Hilbert-Huang Transformation,简称HHT)对滚动轴承进行故障诊断时,发现振动信号中包含的噪声对诊断结果影响较大。为克服此不足,提出了一种小波改进阈值法与HHT相结合的信号分析方法。该方法首先应用小波改进阈值方法对滚动轴承故障信号进行预处理,然后对去噪后的信号进行经验模态分解(Empirical Mode Decomposition,简称EMD),接着选取含有故障信息的本征模函数(Intrinsic Mode Function,简称IMF)分量进行边际谱分析,从而提取出故障特征频率,并判断故障类型。仿真和实验结果验证了该方法的有效性。 相似文献
17.
提出一种依据环境激励下结构振动响应的大型桥梁模态参数识别方法,该方法以限制带宽的经验模态分解(BREMD)和随机子空间识别(SSI)为基础,首先利用EMD将环境振动响应分解成一系列只含结构某一阶固有模态的本征模态函数(IMF),然后利用SSI识别桥梁模态参数。针对大型桥梁自振频率低、模态密集的特点,引入屏蔽信号限制EMD过程中带宽以消除模态混叠;运用该法识别了赣龙铁路某特大桥的模态参数,并将其与峰值拾取法、SSI识别结果以及理论计算值进行对比,结果表明:该方法能有效的识别大型桥梁模态参数,屏蔽信号的引入解决了模态混叠问题,稳定图中的虚假模态得到抑制。 相似文献
18.
基于EMD的激光雷达信号去噪方法 总被引:5,自引:0,他引:5
针对激光雷达回波信号较弱易于被各种噪声污染的特点,本文提出利用经验模态来模态分解(EMD)这一非线性、非平稳信号处理方法,对Mie散射激光雷达信号进行多尺度分解.该方法是利用信号内部时间尺度的变化做能量与频率的解析,采用这种方法能够将噪声污染的激光雷达信号分解成若干个线性、稳态的本征函数(IMF),通过对本征函数的重构,去除包含高频噪声的IMFs,从而达到去噪目的.实验结果表明,这种方法的去噪能力强,并且具有自适应的特点,从而说明了这种方法在信号去噪中的优势. 相似文献
19.
滚动轴承早期故障信号具有能量小、频带分布宽等特征,易受到其它能量较大振源信号的干扰。传统的希尔伯特-黄变换(HHT)对信噪比大、多频率调制信号常因不能对其所包含的固有模式函数(IMF)实现准确分离和去除调制干扰分量而失效。本文提出了基于HHT和独立分量分析(ICA)的滚动轴承诊断新方法。该方法首先利用经验模式分解(EMD)将滚动轴承振动信号分解成若干平稳的本征模式函数IMF分量,通过提取若干包含主要信息的IMF分量,应用带通滤波器和Hilbert变换获取IMF分量的高频包络波形,再应用ICA分离包络波形并进行频谱分析,进而判断滚动轴承的运行状况。仿真和试验分析结果验证了本方法的可行性。 相似文献
20.