岩石声发射信号能量分布特征的EMD分析

冲击荷载作用下岩石声发射信号具有瞬态性和多样性的特点，属于典型的非平稳信号。利用EMD方法对岩石声发射信号进行分解，得到一系列具有不同特征时间尺度的IMF分量，对每一个平稳的IMF分量提取能量特征。分析结果表明：冲击荷载作用下岩石声发射信号能量主要分布在前4个IMF分量内，且分布不均匀；岩石声发射信号各IMF分量的频谱与原始信号的频谱基本一致；随着岩石的密度、纵波波速、弹性模量的降低，冲击荷载作用下岩石声发射信号的优势频率越来越集中，且其优势频率有往低频发展的趋势；相比小波包分析，EMD分析法对于非平稳信号而言更具适应性。     

基于EMD和MKD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出基于经验模态分解(Empirical Mode Decomposition,EMD)与最大峭度解卷积(Maximum Kurtosis Deconvolution,MKD)的滚动轴承故障特征提取方法。利用EMD方法分解振动信号得到一组固有模态分量(Intrinsic Mode Function,IMF),然后根据时域峭度和包络谱峭度,筛选出敏感IMF分量进行信号重构。然后对重构信号进行最大峭度解卷积处理以增强故障信息,最后得到包络功率谱,从而获得轴承故障特征频率信息。通过实验台信号验证了所述方法的有效性及优点。     

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。     

基于EMD与GA-PLS的特征选择算法及应用

针对振动信号非平稳性和特征优化选择的问题，提出一种基于EMD和GA-PLS的特征选择算法。在该算法中，首先，采用EMD方法将振动信号分解成多个固有模态函数(Intrinsic Mode Function, IMF)，对IMF分量建立自回归（AR）模型，以AR模型系数和残差作为初始特征向量，然后，遗传算法与偏最小二乘法相结合(GA-PLS)的算法对初始特征向量进行筛选得到新的特征向量，最后，以新的特征向量为输入，建立分类器，用来识别手动换向阀的工作状态和判断故障类型。实验结果表明，采用该特征选择算法能准确地选择出特征，并能应用于手动换向阀的故障诊断     

基于EMD和神经网络的轮轨故障噪声诊断识别方法研究

针对轮轨故障噪声信号非平稳性特征,提出一种基于经验模式分解(Empirical Mode Decomposition,EMD)与神经网络的轮轨故障诊断方法。该方法首先对轮轨噪声信号进行经验模式分解,信号分解为若干个基本模式分量(Intrinsic Mode Function,IMF)之和,再选取若干个包含主要故障信息的IMF分量,提取各分量的能量与峭度特征,对各分量的峭度特征综合得到多尺度峭度特征,然后将各分量能量特征与多尺度峭度特征作为神经网络的输入来识别轮轨故障的类型。对车轮扁疤、钢轨波浪磨耗和正常状态的分析结果表明,以EMD方法提取特征参数的神经网络诊断方法比以小波包方法提取特征参数的神经网络诊断方法具有更高的故障识别率。该方法能够对轮轨故障类型进行准确、有效地分类识别。     

摩擦振动信号的经验模式分解和多重分形研究

为提取摩擦振动的特征信号和实现摩擦振动特征信号的定量表征,在摩擦磨损试验机上进行了船用柴油机缸套—活塞环摩擦副摩擦磨损模拟试验,应用经验模式分解(Empirical Mode Decomposition,EMD)对非线性、非平稳的摩擦振动信号进行分解,获得若干个本征模式分量(Intrinsic Mode Function,IMF)。根据振幅范围和互相关系数,从EMD的所有IMF中选择反映摩擦振动特征的IMF分量重新合成摩擦振动特征信号,利用改进的多重分形算法对摩擦振动特征信号进行多重分形分析,得到摩擦振动信号的多重分形谱,进一步求取摩擦振动信号多重分形谱的宽度、极大值、维差以及非对称指数。研究结果表明,经验模式分解能够实现微弱摩擦振动特征信号的提取,多重分形谱参数可以作为摩擦振动信号的特征值。     

基于短时处理和经验模态分解的地面战场目标被动声识别

针对地面战场目标的被动声识别问题,选取具有代表性的两类坦克、两类履带式装甲车以及卡车作为被动声识别目标对象,以雷声和枪声作为干扰噪声信号,对所采集的声信号进行短时能量分析,得到声信号的短时能量谱,计算短时能量平均值,利用阈值法筛选识别枪声信号,根据经验设置阈值范围;而后,利用经验模态分解(The Empirical Mode Decompo-sition,EMD)方法处理声信号,使其自适应分解得到若干IMF分量,计算IMF分量与原信号能量的比值作为特征值构建特征向量,并利用BP神经网络设计分类器,建立了一种地面目标分级识别方法.研究结果表明:该方法对目标工况适应性强,识别率可达90%以上.     

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。     

基于EMD及主成分分析的缺陷超声信号特征提取研究

针对非线性、非平稳超声缺陷信号的特征提取问题,提出一种经验模态分解(EMD)和主成分分析(PCA)相结合的缺陷信号特征提取方法。对缺陷信号进行EMD分解得到本征模态函数(IMF),根据能量比率累积选取IMF,平均截取傅里叶变换后的各模态频谱得到能表征原信号的特征向量集;构建PCA模型,特征向量集降维得到低维特征向量,该过程可降低缺陷信号分析数据的复杂度和冗余度,以BP神经网络为缺陷分类器对缺陷特征进行识别与分类。实验结果表明该方法具有可靠的识别与分类效果。     

特征模态函数双谱分析在叶片裂纹识别中的应用

针对叶片裂纹故障振动信号特征,提出特征模态函数的双谱分析法,首先利用经验模态分解(Empirical Mode Decomposition,EMD)对振动信号进行自适应滤波分解,产生一系列不同时间尺度的特征模态函数(Intrinsic Mode Function,IMF),然后对含有高频信号的高阶IMF分量进行重构,利用双谱提取叶片裂纹的振动信号特征。通过仿真信号和实验分析,验证叶片裂纹产生的高频冲击对叶片振动信号高频部分双谱的影响,证明IMF分量双谱分析的有效性,为风电叶片正常状态监测提供依据。     

Damage Modes Recognition and Hilbert-Huang Transform Analyses of CFRP Laminates Utilizing Acoustic Emission Technique

Discrimination of acoustic emission (AE) signals related to different damage modes is of great importance in carbon fiber-reinforced plastic (CFRP) composite materials. To gain a deeper understanding of the initiation, growth and evolution of the different types of damage, four types of specimens for different lay-ups and orientations and three types of specimens for interlaminar toughness tests are subjected to tensile test along with acoustic emission monitoring. AE signals have been collected and post-processed, the statistical results show that the peak frequency of AE signal can distinguish various damage modes effectively. After a AE signal were decomposed by Empirical Mode Decomposition (EMD) method, it may separate and extract all damage modes included in this AE signal apart from damage mode corresponding to the peak frequency. Hilbert-Huang Transform (HHT) of AE signals can clearly illustrate the frequency distribution of Intrinsic Mode Functions (IMF) components in time-scale in different damage stages, and can calculate accurate instantaneous frequency for damage modes recognition to help understanding the damage process.     

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。     

海洋平台油气管道疲劳裂纹AE信号特征提取及识别研究

为了将声发射(AE)技术实际应用到监测海洋平台油气管道疲劳裂纹中,需要解决管道振动干扰以及疲劳裂纹AE信号有效特征提取的问题,而问题的关键在于对管道结构疲劳裂纹AE信号特征提取及识别算法的研究。在已有研究的基础上,提出了一种基于经验模态分解(EMD)为特征提取的疲劳裂纹识别方法,将管道振动干扰问题和疲劳裂纹AE信号有效特征提取问题联系在一起,对特征元素进行优化并剔除无效噪声干扰信息,通过概率神经网络(PNN)对疲劳裂纹信号进行识别。试验结果表明,PNN结合基于EMD为特征提取的疲劳裂纹识别法能够取得良好的效果,为声发射技术监测海洋平台油气管道疲劳裂纹提供了试验和理论依据。     

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断。利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性。在特征提取的基础上,使用全连接神经网络进行故障分类与诊断。将所提方法应用于滚动轴承故障诊断,结果表明,该方法在变工况情况下能够实现滚动轴承故障类别以及损伤程度的精确判定。     

变载荷齿轮箱故障信号智能检测方法

针对变载荷激励下齿轮故障信号检测和故障识别的问题,提出一种基于经验模态分解和深度信念网络的变载荷齿轮箱故障信号智能检测方法。首先通过经验模态分解方法将非平稳的加速度振动信号分解成若干平稳的本征模态函数;选出啮合频率及倍频所在的本征模态函数,重构信号,求出重构信号的频谱,作为深度信念网络的输入;深度信念网络通过对输入频谱进行预训练和特征学习,并建立变载荷激励下齿轮故障识别分类模型;最后,用构建好的深度信念网络对测试样本进行故障诊断。试验结果表明,提出的方法能有效地检测和识别变载荷激励下齿轮故障。     

解相关多频率经验模态分解的故障诊断性能优化方法

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。     

基于EMD和AR模型的滚动轴承故障诊断方法

提出了基于EMD(Empirical Mode Decomposition)和AR模型的滚动轴承故障诊断方法。该方法用EMD将滚动轴承振动信号分解成若干个平稳的IMF(Intrinsic Mode Function)分量，对每一个IMF分量建立AR模型，以模型的自回归参数和残差的方差作为特征向量建立Mahalanobis距离判别函数，进而判断滚动轴承的工作状态和故障类型。实验结果分析表明，该方法能有效地应用于滚动轴承的故障诊断。     

基于EMD的神经网络空耦超声储油罐液位检测

由于仅从信号时域幅值的大小信息虽然能够判断储油罐中不同介质的液位,但是获得的特征信息非常有限,为获得更多储油罐中不同介质信号的特征信息来提高液面识别率,针对储油罐罐壁厚度为5 mm的钢制储油罐为对象,采用空气耦合超声兰姆波同侧相向检测法,并使用A0模态对储油罐进行检测。利用经验模态分解(EMD)对采集储油罐中的不同介质信号进行EMD处理,求得各阶本征模函数(IMF)。通过分析各阶IMF分量的时域、频域信号与原始信号的相关性,并且以各IMF分量的时域、频域信号为特征值输入到BP神经网络进行决策。实验结果表明,使用该方法能准确地对储油罐不同介质液位在10 mm范围进行识别与分类,识别率可达99%,其检测范围满足实际检测需求。     

基于经验模态分解和相关系数对玻璃纤维增强聚合物复合材料板的损伤识别及扫查成像

针对外界环境噪声等因素造成损伤因子不敏感，导致复合材料损伤识别困难和成像误差大等问题，提出了一种基于经验模态分解（Empirical mode decomposition, EMD）和相关系数的损伤因子。用空气耦合探头采集损伤前后的Lamb波信号进行EMD分解获取多个本征模态分量（Intrinsic mode function, IMF）。根据相关系数获取与信号相关性最大的IMF分量，并定义其能量值的相对变化为损伤因子。在模拟噪声环境前后，分别对玻璃纤维增强聚合物复合材料（GFRP）板中的分层缺陷进行识别和扫查成像，验证了该损伤因子的有效性。结果表明:信号经过EMD分解后，与其相关性最大的IMF分量对损伤最敏感，能够定义为识别损伤的损伤因子。将该损伤因子结合概率成像方法进行空耦Lamb波扫查，不仅能够有效对复合材料中的缺陷进行成像，而且在模拟强噪声环境中具有良好的抗噪性。