适于泥石流除噪的EMD联合小波阈值除噪方法

次声传感器采集到的泥石流次声信号中包含有大量的无关干扰信号,严重影响信号的分析与评估。针对含噪泥石流信号中无法准确确定噪声频段的特点,以及传统经验模态分解(Empirical Mode Decomposition, EMD)联合小波阈值去噪方法无法智能分辨噪声所在频段的缺点,提出了信号经EMD分解后,基于相关性选择噪声频段的方法。首先利用EMD分解获取信号的固有模态函数(Intrinsic Mode Function, IMF)分量,然后计算各个IMF分量与原始信号的相关性,根据相关性大小确定IMF噪声频段,然后采用小波阈值去噪方法对噪声频段进行处理,最后对处理后的信号进行重构得到去噪泥石流信号。通过模拟实验分析,证明该方法具有智能选择噪声频段的能力,是一种更适于泥石流信号的去噪方法。     

基于CEEMD低通的隧道爆破振动信号去噪

为了消除隧道爆破振动信号中无规则混杂的噪声,引入了一种基于CEEMD(互补集合经验模态分解)的低通去噪方法。首先对模拟正弦信号进行EMD、EEMD、CEEMD分解,验证CEEMD分解方法的优越性,然后使用EMD和CEEMD低通方法分别对新鼓山隧道爆破信号进行去噪处理,结果表明该方法不仅克服了小波类去噪基函数选择困难和EMD模态混叠的问题,还能够使爆破波形保留其真实性和完整性,为爆破信号的精确处理奠定了基础。     

基于CEEMD低通的隧道爆破振动信号去噪

为了消除隧道爆破振动信号中无规则混杂的噪声,引入了一种基于CEEMD(互补集合经验模态分解)的低通去噪方法。首先对模拟正弦信号进行EMD、EEMD、CEEMD分解,验证CEEMD分解方法的优越性,然后使用EMD和CEEMD低通方法分别对新鼓山隧道爆破信号进行去噪处理,结果表明该方法不仅克服了小波类去噪基函数选择困难和EMD模态混叠的问题,还能够使爆破波形保留其真实性和完整性,为爆破信号的精确处理奠定了基础。     

EMD相关度去噪及其在轧机信号处理中的应用

基于经验模式分解(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.首先对含噪信号进行EMD分解得到信号各个本征模函数(IMF)分量,再根据所建立的相关度阈值函数计算各个分量的相关度值,在与预定阈值比较得到满足阈值要求的IMF分量,然后对这些分量进行信号重构得到去噪信号.该方法消除了EMD时间尺度滤波不适用于噪声和信号在IMF成分混叠情况下的限制.通过对平稳含噪信号和非平稳含噪信号进行的去噪仿真研究,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.     

基于经验模态分解的超声波管外测压信号去噪

在超声波管外测压中,回波信号往往受到噪声的干扰,所以在提取信号特征时,需对回波信号进行去噪。提出了一种基于经验模态分解（EMD）的超声波信号去噪方法,首先利用EMD求出信号的本征模态函数（IMF）,然后通过对比分析,利用反映信号主要特征的模态分量对信号进行重构以实现去噪。实验结果表明,该方法能够有效地去除噪声,提高超声回波信号的信噪比。     

一种改进的集合平均经验模态分解去噪方法

针对现有非平稳信号去噪处理中的难点,提出一种改进的基于集合平均经验模态分解（EEMD）去噪方法,该方法根据本征模态函数（IMF）能量从被测信号中估计出噪声,使用估计的噪声代替EEMD方法中添加的噪声,最后将集合平均IMF分量累加得到去噪信号。使用相关性判据剔除了EMD分解产生的伪IMF分量,改进了噪声估计方法。仿真表明,改进的方法能够对调幅调频含噪信号进行有效的去噪处理。     

基于小波去噪和EMD的信号瞬时参数提取

为了消除随机噪声对经验模式分解（EMD）质量的影响，提出利用小波去噪作为EMD的预处理，并结合希耳伯特变换提取信号瞬时参数的方法。研究了经验模式分解与希耳伯特变换相结合的提取信号瞬时参数的EMD／HS法，并针对随机噪声的影响，提出了基于阈值的正交小波变换去噪法。理论分析及仿真结果表明，该法克服了直接运用EMD分解中由于大量噪声带来的不必要的干扰，减少了EMD的分解层数以及累积边界效应对信号分析的影响，提高了瞬时参数提取的时效性和准确性。     

基于经验模态分解及小波变换的炸药NQR信号处理

为解决炸药NQR信号去噪问题,针对NQR信号非线性与非平稳性特点,提出基于经验模态分解及小波变换联合的信号去噪方法。据实验测试的黑索金NQR信号对所提方法进行去噪性能分析。结果表明该方法在保留信号有用信息的前提下可有效去除噪声,从而提高信噪比、克服小波阈值去噪与直接EMD去噪缺陷,自适应性良好,为有效的炸药NQR信号去噪方法。     

基于EMD小波阈值去噪和时频分析的齿轮故障模式识别与诊断

建立了齿轮故障系统试验装置,对齿轮传动系统在各种转速与故障状态下进行测试分析,获取了有关振动信号,对齿轮系统的无故障、齿根裂纹、分度圆裂纹、齿面磨损四种状态信号进行特征提取,并对提取的信号进行基于经验模态EMD分解的小波阈值去噪处理,然后对预处理后的信号进行时频分析与诊断。结果表明,采用基于EMD的小波阈值去噪方法比单纯采用小波阈值去噪对测试信号进行预处理,能提高信噪比,并更加有效的提取出故障特征,而在EMD的小波阈值去噪的基础上,再与时频分析方法相结合能够较好的识别不同运转状况下不同种类的故障,如齿根裂纹、分度圆裂纹、齿面磨损等,可用于对实际工程工作的齿轮系统进行故障诊断。     

基于EMD算法的光栅莫尔条纹信号去噪方法研究

针对计量光栅莫尔条纹信号的质量问题,提出了基于经验模态分解（EMD）算法对非平稳光栅莫尔条纹信号模型的去噪方法。建立非平稳的光栅时变信号模型,利用EMD算法不需要定义滤波器参数的自适应性优点,对添加不同噪声的多组光栅信号模型进行了滤波分析的仿真实验,其信噪比和均方根误差两项指标优于均值滤波、小波阈值去噪方法。对两路正余弦理想信号添加高次谐波分量,通过对比EMD算法抑制高次谐波前后的李萨如图形,验证了该方法在去噪过程中对光栅莫尔条纹信号正弦性误差补偿的良好效果。     

极点加权模态分解及其在故障诊断中的应用

经验模态分解(EMD)是一种自适应信号分解方法,由于其能够同时提供振动信号时域和频域的局部信息,在机械故障诊断领域得到广泛应用。受EMD思想的启发,基于相邻极值加权构造均值曲线,提出一种新的自适应信号分解方法—极点加权模态分解(EPWMD)。通过仿真信号分析,将提出的EPWMD方法与EMD和局部特征尺度分解(LCD)等方法进行对比,结果表明,与EMD和LCD相比,EPWMD方法在分解性能和分解精度方面有显著提高。最后,将提出的EPWMD方法应用于转子碰摩和滚动轴承局部故障信号分析,并与EMD方法进行对比,分析结果表明,EPWMD方法不仅能够有效识别故障特征,而且其诊断效果优于EMD方法。     

Bearings Fault Diagnosis Using Vibrational Signal Analysis by EMD Method

ABSTRACT

Studying vibrational signals is one reliable method for monitoring the situation of rotary machinery. There are various methods for converting vibrational signals into usable information for fault diagnosis, one of which is the empirical mode decomposition method (EMD). This article is about diagnosing bearing faults using the EMD method, employing nondestructive test. Vibration signals are acquired by a bearing test machine. The discrete wavelet bases are used to translate vibration signals of a roller bearing into time-scale representation. Then, an envelope signal can be obtained by envelope spectrum analysis of wavelet coefficients of high scales. Local Hilbert marginal spectrum can be obtained by applying thr EMD method to the envelope signal from which the faults in a roller bearing can be diagnosed and fault patterns can be identified. The results have shown bearing faults frequencies are easily observable. There is a variant of the EMD method called the ensemble EMD (EEMD), which overcomes the mode mixing problem which may occur when the signal to be decomposed is intermittent. The EEMD method is also applied to the acquired signals, and the two methods were compared. While the outcomes of both methods do not differ much, one important merit of the EMD is that it has much less computational processing time than EEMD.     

基于EMD与AR谱的轧机主传动系统故障诊断研究

针对轧机故障信号的非线性、非平稳特征,研究了一种基于经验模态分解和AR模型功率谱相结合的分析方法。该方法首先对轧机主传动系统的故障信号进行EMD分解,然后通过选取含有故障信息的IMF分量进行AR模型的功率谱分析,从而提取出故障频率,判断引起故障的原因。通过仿真信号和实例验证了该方法的有效性。     

EMD信号分析方法的声发射管道泄漏检测研究

针对管道泄漏声发射检测信号的非平稳特征,提出了基于经验模态分解(EMD)的信号分析方法。该信号分析方法将管道泄漏产生的声发射信号通过EMD分解为多个平稳的固有模态函数(IMF)之和,选择包含声发射特征的若干IMF分量进行重构,可以提取到管道泄漏声发射信号的本质特征,消除噪声信号的干扰。通过对重构后的信号进行互相关分析计算,使基于声发射方法的管道泄漏检测的定位精度得到较大提高,验证了Hilbert-Huang变换是表征声发射信号的非平稳特征及信号参数提取的有效工具。     

基于改进的经验模态分解的滚动轴承故障诊断研究

传统的时频分析方法不能有效地处理非平稳信号,经验模态分解(EMD)非常适合处理非平稳信号,但结果可能出现伪内禀模态函数(IMF)和不敏感内禀模态函数。针对EMD的不足,提出能量门限法和敏感IMF选择法相结合来识别真IMF和敏感IMF的方法,对同时满足这两个条件的IMF作频谱变换,频谱图上可以清晰呈现故障特征信息。将改进后的EMD应用到滚动轴承故障诊断实例,证明了此方法的可行性和准确性。     

广义经验模态分解性能分析与应用

针对经验模态分解（empirical mode decomposition,EMD）的均值曲线采用三次样条拟合而容易引起包络过冲和不足等缺陷,相关学者提出了许多改进均值曲线的变种EMD方法,取得了一定的效果。广义经验模态分解（generalized EMD,GEMD）方法综合了多种改进EMD方法,通过定义不同的均值曲线对信号进行逐阶筛分,从得到的每一阶分量中选取最优作为最终的广义内禀模态函数（generalized intrinsic mode function,GIMF）,由于每一阶的GIMF分量都是最优的,因此相较于EMD等单一均值曲线筛分方法,GEMD分解结果也是最优的。论文对GIMF分量准则进行了改进以及对GEMD性能进行了分析,并将GEMD应用于仿真和实测信号的分析,结论表明GEMD分解是完备的和正交的,有比EMD更强的分解能力,而且适合机械振动信号的处理和故障诊断。     

基于经验模态分解的聚焦超声非线性声场检测

为精确检测聚焦超声声场中的谐波成分并得到谐波分布规律,开展了对聚焦超声非线性声场检测的研究,提出基于经验模态分解的聚焦超声谐波检测方法。首先对声场信号进行经验模态分解;然后利用噪声判断准则判断出固有模态函数（IMF）中的噪声分量,滤除噪声分量后将剩余的IMF分量予以重新组合;最后对新信号进行傅里叶变换,得到各次谐波的幅值。结果表明:它能较好地抑制噪声,相比于传统的检测方法可获得更平滑的谐波分布;该方法对开展谐波成像、医学超声检测具有重要意义。     

滚动轴承故障的EMD诊断方法研究

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）的滚动轴承故障诊断方法。这种方法中，局部损伤滚动轴承产生的高频调幅信号成分被EMD分解作为本征模函数分离出来，然后用Hilbert变换得到其包络信号，计算包络谱，就能够提取滚动轴承故障特征频率。该方法被用于分析实验台上采集的具有内圈损伤及外圈损伤的滚动轴承振动信号。分析结果表明，与传统的包络解调方法相比，新方法能够更有效地提取轴承故障特征，诊断轴承故障，因而具有重要的实用价值。