基于希尔伯特黄变换的输气管道泄漏音波时频特性分析

为获得有效直观的音波特征量,采用基于希尔伯特-黄变换的时频分析方法对输气管道泄漏音波能量分布清晰刻画。通过搭建实验管道获得泄漏信号,并对该信号进行经验模态分解(EMD)获得有限数量的固有模态函数(IMF),对IMF进行希尔伯特变换求解瞬时频率,获得信号的时频谱、边际谱;对实验所得泄漏信号进行希尔伯特黄变换,获得信号时频谱;据所得时频谱分析泄漏音波信号特性,获得有效音波特征量。结果表明,希尔伯特黄变换能清晰刻画音波信号的时频域特性,通过希尔伯特黄变换可获得输气管道泄漏音波信号的有效特征量,从而为泄漏检测技术提供支持,进而为输气管道音波法泄漏检测技术应用奠定基础。     

主频占优镶边滤波器分解信号为本征模态函数的方法

针对本征模态函数分解方法FFDSI存在的问题,首先将信号变换到频率域,采用以主频率为始点逐渐向两边扩大频率通过带宽度的方法,寻求一种最宽带通镶边滤波器,使信号经此滤波器滤波后得到的信号为本征模态函数。然后,从原信号减去此模态函数并重复这一过程,便可实现信号的本征模态函数分解。新方法不仅可以有效削弱吉布斯效应,较好地反映信号的瞬时特性,尽可能地降低拆分"拍"信号的机率,而且在分解过程中还同时得到了本征模态函数的解析信号,这为以后计算Hilbert谱提供了很大便利。文中还对风浪信号进行了分解,得到了5个有意义的主要本征模态函数。     

基于改进HHT和马氏距离的齿轮故障诊断EI北大核心CSCD

针对齿轮振动信号非线性和非平稳的特点,提出一种基于改进希尔伯特-黄变换与马氏距离相结合的故障诊断方法。利用自适应白噪声的完备经验模态分解将齿轮振动信号分解成一系列固有模态函数,并采用敏感固有模态函数判别算法判断出对故障信息敏感的模态函数;通过对敏感固有模态分量的局部希尔伯特瞬时能量谱的分析,得出信号能量随时间变化的精确表达;以不同故障信号局部希尔伯特瞬时能量谱的最大峰值作为特征向量,采用马氏距离对齿轮故障进行状态识别。试验结果表明,该方法可有效识提取齿轮故障特征,实现不同故障状态识别。     

HHT的理论依据探讨--Hilbert变换的局部乘积定理

希尔伯特-黄变换（Hilbert—Huang Transform，简称HHT）是上世纪90年末才出现的一种非平稳信号分析方法，对于这种方法的理论框架还有值得深入探讨的空间。为了进一步，探索HHT的理论依据，本文从分析HHT的固有模态函数（Intrinsic Mode Function，简称IMF）的定义入手，在Hilbert变换的Bedrosian乘积定理基础上提出了Hilbert变换的局部乘积定理，采用理论推导和物理意义分析相结合的方法巧妙地论证了这一定理，从而首次为HHT中IMF的定义、瞬时频率的计算公式、经验模态分解（Empirical Mode Docomposition，简称EMD）及其收敛性等系列问题提供了较统一的理论依据。     

改进的HHT方法及其在旋转机械故障诊断中的应用

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。     

基于改进HHT和马氏距离的齿轮故障诊断

针对齿轮振动信号非线性和非平稳的特点,提出一种基于改进希尔伯特-黄变换与马氏距离相结合的故障诊断方法。利用自适应白噪声的完备经验模态分解将齿轮振动信号分解成一系列固有模态函数,并采用敏感固有模态函数判别算法判断出对故障信息敏感的模态函数;通过对敏感固有模态分量的局部希尔伯特瞬时能量谱的分析,得出信号能量随时间变化的精确表达;以不同故障信号局部希尔伯特瞬时能量谱的最大峰值作为特征向量,采用马氏距离对齿轮故障进行状态识别。试验结果表明,该方法可有效识提取齿轮故障特征,实现不同故障状态识别。     

基于希尔伯特黄变换的刀具磨损特征提取

概述了希尔伯特黄变换(HHT)的基本理论和算法,对信号经过经验模态分解(EMD)后得到的固有模态函数(IMF)求取振幅均值,差值筛选出与刀具磨损相关的IMF分量,并对单分量固有模态函数求取边际谱,获取边际谱最大幅值点,建立他们与刀具磨损之间的映射关系,进行特征提取,将其作为神经网络的输入特征向量,结合希尔伯特三维时频谱进行刀具磨损状态的判断。研究结果证明,该方法可以作为刀具磨损监测中信号特征提取的一种简单和可靠的方法。     

基于希尔伯特-黄变换提取车辆轨道耦合系统时频特性

为研究各种激扰对车辆轨道耦合系统动力学响应时频特性影响,将基于改进经验模态分解（EMD）的希尔伯特-黄变换（Hilbert-Huang Transform）应用于车辆轨道耦合动力学振动信号分析中。运用改进EMD方法提取耦合系统振动响应的固有模态函数（IMF）,并对其进行希尔伯特-黄变换,得到振动响应的希尔伯特时频幅值谱和边缘谱。分析表明：希尔伯特-黄变换较傅里叶变换的分辨率与精度高,能有效捕捉车轮缺陷及轨道谐波不平顺激励下车辆轨道耦合系统的调制信号;车体垂向振动加速度随轨道不平顺波长、幅值非线性变化,振动信号的轮周激励成分为调制信号,且随轨道不平顺幅值增大而减小,随轨道不平顺波长增大非线性变化。     

基于变分模态分解的水下目标噪声特征提取及分类

当信号中存在异常事件引起的间歇现象时,传统的经验模态分解算法常易产生较为严重的模态混叠现象,严重影响目标特征提取的性能。文章在水下被动目标信号特征分析提取中引用变分模态分解算法。该方法能够自适应地对信号频带进行切割,极大程度上避免了传统模态分解算法所产生的模态混叠现象,提高了对目标特征提取的准确性,同时也避免了无效计算。此外,还利用相关性阈值进行模态选择,一定程度上消除干扰模态。在对变分模态分解（Variational Mode Decomposition,VMD）的各阶模态函数进行希尔伯特变换的基础上,提出一种基于变分模态分解和希尔伯特变换（VDM-Hilbert Transformation,VDM-HT）联合处理的特征集进行目标分类。采用四种分类器对3种水下目标噪声信号进行分类。结果表明,VMD-HT算法所提取的特征集相比其他模态分解算法具有更好的分类性能。     

利用声信号基于HHT方法识别螺旋桨模态参数EI北大核心CSCD

为了对螺旋桨的模态参数进行无接触式测量,首先基于声学边界元方法,建立了螺旋桨在冲击载荷作用下辐射声信号与模态参数之间的数学模型,该模型相比于已公开文献采用的模型,从理论上揭示了采样声信号不必须取自于结构近场。在此基础上,借助希尔伯特-黄变换(Hilbert-Huang transform, HHT)方法处理非平稳、非线性信号,对采样声信号进行处理来识别结构模态参数。以一螺旋桨缩尺模型为研究对象,分别采用数值模拟和试验手段对该方法的实用性和有效性进行了验证,并评估了环境噪声的影响程度。结果显示该方法能准确识别模态频率和阻尼比,且具有自适应频率分辨率,为工程上精细结构的模态参数识别提供一种新途径。     

基于Hilbert-Huang变换的心率变异信号分析

提出一种基于Hilbert-Huang变换(HHT)的心率变异信号分析的新方法。心率变异分析被广泛应用于评估心脏自律功能以及疾病诊断领域。为获得更多心率信号内在特征,首先利用经验模态分解(Empirical Mode Decomposi-tion,EMD)方法将信号分解为一组固有模态函数(Intrinsic Mode Function,IMF),运用Hilbert变换计算并分析各层IMF的瞬时频率和瞬时幅值,从而获取信号所包含的内在信息、心率变异突发时刻和变化趋势。结合积分脉冲频率调制(Inte-gral Pulse Frequency Modulation,IPFM)模型模拟出的心率信号以及真实的心率信号,利用小波分析方法以及HHT方法对心率信号进行对比分析,实验结果证明了HHT方法的可行性,显示了该方法相对于小波分析方法的优势。     

Hilbert-Huang变换在行星齿轮箱故障诊断中的应用

提出了一种基于Hilbert-Huang变换的行星齿轮箱轴承故障诊断的新方法,叙述了该方法的基本原理.测量了行星齿轮箱轴承的故障振动信号,并用经验模态分解方法将振动信号分解成不同特征时间尺度的固有模态函数,然后对固有模态函数进行边际谱和能量谱分析,就可识别齿轮箱轴承的故障部位和类型.齿轮箱轴承故障振动实验信号的研究结果表明:该方法能有效地识别轴承的故障.     

HHT在水雷目标特征提取中的应用

Hilbert-Huang变换（HHT）是近年来发展起来的一种处理非线性非平稳的时频分析方法。水声信号具有非线性非平稳的特点,把HHT方法应用于水声信号的分析中,将典型主动声纳信号的Hilbert边际谱和Hilbert谱分别与傅里叶幅度谱和传统的时频分析进行了比较。然后对水下目标回波的亮点模型作了仿真研究,并与小波变换作比较,最后用实际目标的回波作了分类研究。仿真与实际数据都证明了HHT在水下目标特征提取中的优越性。     

基于HHT变换的超光滑加工表面谱分析

Hilbert-Huang变换是最新发展起来的处理非线性非平稳信号的时频分析方法。其基本的实现分为两步，多分辨经验模态分解和瞬时频率的求解，随后可以获得信号的时—频谱。这种方法的关键部分是多分辨经验模态分解，任何复杂的信号都可以分解为有限数目并且具有一定物理意义的固有模态函数。本文针对表面粗糙度用HHT进行了分析，得出相应结论，对加工有一定的指导意义。     

基于独立分量分析与希尔伯特-黄变换的轴承故障特征提取

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。     

基于HHT方法的爆破地震信号分析

在介绍HHT(Hilbert HuangTransform)理论的基础上,结合现场测试,将这种理论引入到爆破地震信号分析中。HHT方法主要通过经验模式分解方法将信号分解成有限的固有模态函数,并对每个固有模态函数进行Hilbert变换从而得到Hilbert谱。经过FFT、小波谱对比分析,结果表明:在爆破地震信号分析中,利用经验模式分解不需要固定的基函数,可将原始信号分解为少量的、频率自高至低排列的固有模态函数,分解过程具有自适应性、高效性;再通过Hilbert变换所得的谱图能清晰地反映原始地震信号能量随时间、频率的分布。HHT法能有效地提取爆破地震信号的主要特征,更能适应信号突变快、衰减快的特征,为进一步认识爆破地震波的传播机理、破坏原因和危害判据的确定提供了新的途径。     

衍射光栅刻划机精密工作台定位特征识别试验研究

针对机械式衍射光栅刻划机精密定位工作台定位过程中产生的振动信号特性与光学性能指标（杂散光强度和波前质量）之间的关系,提出利用改进的Hilbert-Huang变换(HHT)获得的时频谱和边际谱对超精密工作台精定位特性进行研究。首先,给出了基于固有模态函数（IMF）筛选和瞬时频率差分求解的HHT信号处理算法。然后,设计了光学测量实验获得工作台50nm定位信号。最后,完成精密定位信号的特征提取和振动测试验证。结果表明:利用改进的HHT可以精确地完成精密定位信号的特征提取,从而为在衍射光栅的制造工艺中从根源上降低衍射光栅的杂散光强度和提高波前质量提供依据。     

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。     

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。