LEMD端点延拓方法及其在微震信号降噪中的应用

针对非平稳的微震信号,采用经验模态分解(Empirical Mode Decomposition,EMD)方法对其滤波、消噪。但该方法在应用中存在严重的端点效应,会影响分解结果。为了改善端点效应,针对微震信号低频特点,提出了基于LMS自适应滤波器对微震数据端点处进行波形延拓的方法。LMS自适应滤波器经过信号内部的数据训练后从端点处向左右延拓波形,延拓过程中生成符合内部信号趋势的极小值和极大值,波形的延拓长度由延拓算法自适应决定。在EMD对信号分解过程中得到前一层模态分量后均再次对剩余信号进行延拓,进而进行下一层分解,以此修正插值算法带来的误差。最后根据信号频率特点对得到的模态分量有选择的重构,达到降噪的目的。利用仿真数据和煤矿微震监测数据对LMS自适应延拓法进行了验证,结果表明该方法能够明显减小经验模式分解的端点效应,特别对低频的微震信号有很好效果。     

基于支持向量机和窗函数的DEMD端点效应抑制方法

在微分经验模式分解过程中,由于信号端点处极值点不确定,导致在样条曲线构造信号上下包络线的过程中产生端点效应,影响微分经验模式分解的质量。针对此问题,提出一种支持向量机延拓和窗函数相结合的方法来解决微分经验模式分解中的端点效应,通过采用支持向量机对信号两端进行数据延拓,再对延拓后的信号加特殊窗函数处理,减小延拓误差。通过仿真分析和滚动轴承故障诊断实例分析表明,该方法能较好地抑制微分经验模式分解的端点效应,提高信号分解的精度,得到准确的分析结果。     

基于自适应序贯相似性检测波形匹配延拓的EMD端点效应抑制

针对经验模态分解过程中信号两端出现的严重失真问题,在波形匹配延拓的基础上,提出了一种基于自适应序贯相似性检测波形匹配延拓的端点效应抑制方法。该算法引入基于精度的截止阈值,使算法有了很好的直观性和快速性。再通过对折自适应调节阈值,进一步减少遍历所需时间。通过对模拟信号和实际工程信号分别进行仿真分析,结果表明该算法能够有效的抑制在经验模态分解过程中出现的端点效应问题,改善分解效果。     

一种EMD改进方法及其在旋转机械故障诊断中的应用

针对经验模态分解(Empirical Mode Decomposition, EMD)中存在的端点效应问题,提出一种波形特征匹配延拓与余弦窗函数相结合的改进方法。首先对信号进行波形特征匹配延拓,实现延拓数据与原信号交界处的光滑过渡,避免边界处瞬时频率的跳跃;其次针对该延拓方法存在延拓误差的问题,对信号加余弦窗处理,将延拓误差控制在信号两端,使其无法(或以较慢速度)向数据内部发展,保证信号有效数据的正确分解,提高信号的分解精度,实现EMD算法的改进。通过仿真分析和不对中故障诊断实例研究表明,该方法能较好地抑制EMD端点效应,实现旋转机械故障的有效诊断。     

EMD自适应三角波匹配延拓算法

波形匹配延拓是遏制经验模态分解（EMD）端点效应的有效方法,针对现有波形匹配延拓方法的不足,提出了一种自适应的三角波形匹配延拓方法,改进了三角波匹配度的计算方法和匹配子波的寻优算法。改进的三角波匹配度计算方法,突出延拓平顺性的同时,加强了端点处数据与内部波形的关联。自适应的匹配寻优算法,首先在固定极值点对应的波段内部搜寻局部最佳子波的截取时刻,截取局部最优匹配子波,然后在局部最优子波内搜寻全局最优匹配子波,提高了子波截取的合理性与匹配的准确性。仿真信号及实验信号分析表明,该方法可有效抑制EMD端点效应,显著提高分解精度。     

基于最小平方距离相关的EMD改进算法及应用

包络线的拟合是经验模式分解中的关键一步,但由于信号端点处极值的不确定性导致在信号上下包络线拟合过程中存在着严重的端点效应问题;在分析现有解决端点效应问题方法的基础上提出了基于最小平方距离相关的数据端点处包络线拟合方法。该方法在信号内部寻找与端点处信号变化趋势相关度最高的一段波形,并用此段波形的包络线来重新刻画端点处的包络线。仿真和实际信号的分析证明,基于最小平方距离相关的数据端点处包络拟合方法能够有效的抑制端点效应,算法简单并且易于实现     

EMD端点效应的改进型混沌延拓方法及其在机械故障诊断中的应用

针对经验模态分解(Empirical Mode Decomposition,EMD)的端点效应问题,分析了三次样条插值产生端点效应的机理,指出了现有延拓方法的不足,提出采用Lyapunov指数预测模型进行边界延拓,以此减小端点效应在经验模态分解过程中产生的影响。在采用最大Lyapunov指数法进行边界延拓时,针对Lyapunov指数预测模型所表示的平均发散度仅是轨道演化规律的一个近似模型,提出采用局域发散度代替最大Lyapunov指数进行改进,以改进预测模型的预测精度。基于改进型Lyapunov指数边界延拓方法,由于引入时间序列预测模型使端点处的延拓更加合理,所延拓数据更加趋于真实,在希尔伯特-黄变换（Hilbert-Huang Transform,HHT）实现过程中仅需一次延拓,实现了准确的EMD分解。仿真计算和转子系统故障试验分析结果表明,所用方法可以有效解决EMD的端点效应问题。     

基于均生函数周期叠加外推法的EMD端点问题的研究

HHT过程存在端点效应问题,针对端点效应的产生机理,并在研究现有端点效应处理方法的基础上,提出了一种基于均生函数周期叠加外推法的端点延拓方法。通过构造信号序列的均生函数延拓矩阵,从中提取优势周期,将各周期叠加并作外延,来对信号端点外的数据进行预测。该方法克服了现有各种极值延拓方法仅参考两端点附近的有限个极值点的缺陷,并且相比其它数据预测延拓方法精度更高、算法简便且计算时间大大缩短。仿真和实例信号证明,该方法能够有效抑制端点效应。     

爆破地震波信号EMD端点效应抑制研究

针对爆破地震波信号经验模态分解(EMD)得到的IMF在端点处的发散现象，提出一种同时考虑信号端点发展趋势和全局时间-能量联合参数的改进EMD端点效应抑制算法。该算法首先考虑端点变化趋势得到延拓后的边界局部特征尺度X₀,再计算X₀的能量E₀,找到原始信号中和E₀最匹配的分段信号X_k,最后用X_k代替X₀进行EMD。通过建立仿真信号，验证该算法和常规端点效应抑制算法相比，对EMD端点效应具有更好的抑制能力，能够得到精度更高的IMF。最后将该算法用于实际爆破地震波信号分解中，发现提出的算法能够有效抑制EMD端点效应，有利于爆破地震波信号细节特征参数的提取。     

Hilbert-Huang变换中的一种端点延拓方法

EMD(Empirical Mode Decomposition)是Hilbert-Huang变换中的关键一步,但其在构造极值点上下包络线的过程中存在着严重的端点效应问题。在现有解决该问题方法的基础上提出了一种相似极值延拓方法。该方法将数据两端相邻极值点的横坐标差值作为极值形状特征,再利用该形状特征和已知极值点的均值对信号进行延拓。克服了现有延拓方法仅参照数据端点处极值点进行延拓的缺陷,综合考虑了数据序列两端极值点变化与其它极值点信息对信号进行延拓。仿真和实例证明,相似极值延拓方法能够有效的抑制端点效应,而且算法简单且易于实现。     

辛几何模态分解方法及其分解能力研究

针对经验模态分解(Empirical Mode Decomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、局部特征尺度分解(Local Characteristic scale Decomposition,LCD)等方法的不足,提出了一种新的分析方法——辛几何模态分解(Symplectic Geometry Mode Decomposition,SGMD)方法,该方法采用辛矩阵相似变换求解Hamilton矩阵的特征值,并利用其对应的特征向量重构辛几何分量(Symplectic Geometry Component,SGC),从而对复杂信号去噪的同时进行自适应分解,得到若干个SGC。通过仿真信号模型,研究了SGMD方法的分解性能、噪声鲁棒性,分析了分量信号的频率比、幅值比和初相位差对SGMD方法分解能力的影响。将SGMD方法应用于齿轮故障实验数据分析,结果表明SGMD方法能够有效地对待分解信号完成分解并剔除噪声信号。     

基于VMD-SSI的结构模态参数识别

将变分模态分解(VMD)和随机子空间法(SSI)结合,提出了基于VMD-SSI的结构模态参数识别新方法。针对VMD中的模态分层数K值确定困难的问题,提出模态重复比率准则,保证了模态信息的有效分解。依据模态重复比准则确定测量信号的最优分层数K;利用VMD方法进行信号并行分解,用奇异值分解(SVD)去噪,以提高模态参数的识别精度。用该研究提出的VMD-SSI方法识别模态固有频率和阻尼,用VMD方法辨识模态振型,将VMD-SSI法应用于外伸梁模型的模态参数识别,并利用统计理论分别检验识别的模态频率、模态阻尼和模态振型的精度。结果表明, VMD-SSI法识别模态参数的精度高于传统SSI法。     

局部波动特征分解及其在滚动轴承故障诊断中的应用研究

提出了一种新的自适应时频分析方法--局部波动特征分解（Local oscillatory-characteristic decomposition,LOD）,该方法以信号本身的局部波动特征为基础,并采用微分、坐标域变换、分段线性变换等运算手段将信号分解为一系列瞬时频率具有物理意义的单一波动分量（Mono-oscillatory component,MOC）,非常适合于处理多分量信号。在详细说明LOD分解原理的基础上,通过仿真信号将LOD、经验模态分解（Empirical mode decomposition,EMD）和局部均值分解（Local mean decomposition,LMD）进行了对比分析,结果表明了LOD 的优越性。同时,针对滚动轴承故障振动信号的多分量调制特点,将LOD应用于滚动轴承故障诊断,对滚动轴承实验信号进行了分析,结果表明LOD可以有效地提取滚动轴承故障振动信号的特征。     

机械振动信号自适应多尺度非线性动力学特征提取方法研究

针对机械振动信号的故障特征提取问题,提出了基于独立变分模态分解与多尺度非线性动力学参数的特征提取方法。①提出频谱循环相干系数选取匹配波形对机械振动信号进行端点延拓后再进行VMD分解得到不同频率尺度的IMF分量;②根据互相关准则选取有效的IMF分量进行核独立成分分析,分离出相互独立的有效故障特征频带分量;③计算各独立分量的复合多尺度模糊熵偏均值,并利用正交变换将独立分量正交化后构造多维超体,进而利用多维超体体积定义并计算信号的双测度分形维数,从而获得多尺度非线性动力学特征参数,实现机械故障诊断。仿真和实验结果表明:所提方法可有效抑制VMD分解的端点效应和模态混叠,信号分解效果好,特征参数分类精度高,极大地提高了机械故障诊断准确率。     

基于完备总体经验模态分解和模糊熵结合的液压泵退化特征提取方法

针对液压泵振动信号具有非线性、非平稳性,以及信噪比低等特点,提出了基于完备总体经验模态分解和模糊熵结合的液压泵性能退化特征提取方法。首先,使用完备总体经验模态分解方法对液压泵振动信号进行分解,得到若干个固有模态函数分量。其次,求取各个分量与原始信号的相关性,选取相关性较高的前几个分量作为有效分量并求其模糊熵,实现液压泵的退化特征提取,形成特征向量。最后,以液压泵不同退化状态下的实测数据为例,使用基于变量预测模型的模式识别方法对提取的特征向量进行验证。实验结果表明,该液压泵退化特征提取方法具有较高的精度,使退化状态识别的准确率提高到了100%。     

基于SVD降噪的经验模式分解及其工程应用

提出了一种基于奇异值分解降噪的机械设备振动型号经验模式分解方法,该方法首先对原始振动信号进行相空间重构和奇异值分解,然后根据分解奇异值的奇异熵确定降噪阶次,最后利用经验模式分解法提取降噪后振动信号的基本模式分量。对滤波前和滤波后的工业现场振动信号进行了经验模式分解,分析结果表明奇异值分解能够有效地提高信噪比,突出原始振动信号的故障特征,使得降噪后的振动信号分解出的基本模式分量具有更明确的物理意义,有利于对设备故障进行精确诊断。     

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。