基于自适应最稀疏时频分析的结构损伤检测方法EI北大核心CSCD

研究了一种新的自适应时频分析方法——自适应最稀疏时频分析(ASTFA)方法,并将其运用于结构振动响应分析,提出了基于ASTFA的结构损伤检测方法。ASTFA方法在EMD方法和压缩感知的基础上,建立包含所有IMF分量的过完备字典,通过寻找原信号的最稀疏表示,将信号分解问题转化为非线性优化问题,在目标优化的过程中实现信号的自适应分解,并直接得到各个分量的瞬时频率和瞬时幅值。在介绍ASTFA的基础上,对ASTFA和EMD进行了对比,结果表明了ASTFA方法的优越性。利用ASTFA方法识别了结构的模态参数,提出了基于分量信号瞬时频率和瞬时能量的损伤指标,对结构损伤进行了检测。对实际信号的分析结果表明,ASTFA方法可以有效地应用于结构损伤检测。     

基于改进EMD算法的木材声发射信号特征研究

针对EMD算法中三次样条插值拟合的过冲现象及误差传播问题,依据插值节点的极值属性,提出一种改进的分段三次Hermite插值算法。随后将改进的EMD算法用于木材AE信号特征分析,首先通过三点弯曲试验获取木材损伤过程AE信号,然后对AE信号进行小波降噪处理,并对处理后的AE信号进行EMD分解,最后利用相关性原理确定IMF主分量,依据IMF主分量的频率分布确定木材AE信号的特征频率范围,并结合瞬时频率判定和统计AE事件。试验结果表明,小波和EMD联合的方法能够明显提高木材AE信号特征分析效果,同时根据瞬时频率判定AE事件具有更为明确的物理意义。     

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分形技术提取变速器轴承故障特征

故障轴承振动信号具有分形特征,可以利用分形维数有效识别变速器轴承的故障模式.噪声的存在对分形维数的计算结果影响较大,为此采用经验模态分解（EMD）方法,对变速器轴承振动信号进行EMD分解,计算分解后的IMF分量的分形维数,提取出变速器轴承不同技术状态下的故障特征。对实测变速器轴承振动信号分析,结果表明：EMD能对不同频带信号进行有效分离;特定IMF分量的分形维数能敏感反应变速器轴承技术状态,可以作为变速器轴承故障诊断的特征参数;EMD与分形维数相结合是提取变速器轴承故障特征的一种有效方法。     

基于改进EMD-ICA的结构模态参数识别研究

该文针对频带滤波改进经典经验模态分解(EmpiricalModeDecomposition,EMD)的模态分解能力不足时产生过多虚假模态的问题以及真正本征模函数(IntrinsicModeFunction,IMF)的判定问题,提出了将改进EMD与独立分量相结合的信号分析方法。该方法不需要人为预先设定阈值,能够自动分离出真正的IMF分量,消除改进EMD过程中产生的虚假模态,保障EMD分解信号的有效性。然后利用随机减量技术获得各IMFs的自由模态,最后利希尔伯特变换和最小二乘拟合技术相结合的方法来识别出结构的频率和阻尼比,并通过两个数值算例和一个七层钢框架的模态试验予以验证。研究结果表明:该方法可有效解决改进EMD的缺陷,并成功识别出结构的模态参数。     

基于阶次跟踪和HHT边际谱的轴承故障诊断研究

提出一种研究旋转机械瞬态信号的分析方法。对齿轮箱启动时测得的原始振动信号进行角域重采样，然后对角域里的信号进行EMD（Empirical Mode Decomposition）分解得到多个IMF（Intrinsic Mode Function）分量，最后对各个IMF分量进行了边际谱分析。结果显示：阶次跟踪技术能够有效地避免传统频谱方法所无法解决的“频率模糊”现象，EMD方法能够将稳态信号分解为多个IMF分量，边际谱能够对轴承故障进行准确诊断。将两种方法相结合是对传统的频谱分析法的有力补充，具有很广阔的应用前景。     

基于EMD的胶合板损伤声发射信号特征提取及神经网络模式识别

摘要：针对胶合板损伤声发射信号的非平稳性和损伤类别特征相互重叠的实际情况,提出了基于经验模态分解(Empirical Mode Decomposition, EMD)和BP神经网络相结合的信号特征提取和识别方法。首先对损伤声发射信号进行EMD分解,筛选出包含主要信息的本征模态函数（Intrinsic Mode Function, IMF）分量;其次构建以各IMF分量的能量占比作为表征各损伤信号的特征向量;最后以提取的特征向量为输入样本,建立BP神经网络模式分类器对四类胶合板损伤信号进行识别。五层胶合板损伤的实测数据表明,该方法能够准确地提取出声发射信号特征并对其损伤类型进行有效地识别。     

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。      

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。     

Monte Carlo study for physiological interference reduction in near-infrared spectroscopy based on empirical mode decomposition

Near-infrared spectroscopy (NIRS) can be used as the basis of non-invasive neuroimaging that may allow the measurement of haemodynamic changes in the human brain evoked by applied stimuli. Since this technique is very sensitive, physiological interference arising from the cardiac cycle and breathing can significantly affect the signal quality. Such interference is difficult to remove by conventional techniques because it occurs not only in the extracerebral layer but also in the brain tissue itself. Previous work on this problem employing temporal filtering, spatial filtering, and adaptive filtering have exhibited good performance for recovering brain activity data in evoked response studies. However, in this study, we present a time-frequency adaptive method for physiological interference reduction based on the combination of empirical mode decomposition (EMD) and Hilbert spectral analysis (HSA). Monte Carlo simulations based on a five-layered slab model of a human adult head were implemented to evaluate our methodology. We applied an EMD algorithm to decompose the NIRS time series derived from Monte Carlo simulations into a series of intrinsic mode functions (IMFs). In order to identify the IMFs associated with symmetric interference, the extracted components were then Hilbert transformed from which the instantaneous frequencies could be acquired. By reconstructing the NIRS signal by properly selecting IMFs, we determined that the evoked brain response is effectively filtered out with even higher signal-to-noise ratio (SNR). The results obtained demonstrated that EMD, combined with HSA, can effectively separate, identify and remove the contamination from the evoked brain response obtained with NIRS using a simple single source–detector pair.     

基于调频EMD的结构非线性辨识方法研究

提出了调频EMD方法,克服了原EMD方法在密集频率情况下容易产生固有模式函数(Intrinsic Mode Function,IMF)混淆的弱点,可以较好地分解相对密集频率的弱非线性信号,得到物理意义相对明确的IMF。与Hilbert-Huang变换相结合,有效地识别多自由度弱非线性系统瞬时模态信息的变化过程。通过数值仿真计算证明了调频EMD方法的有效性。利用调频EMD方法对Humber大桥的主梁两自由度节段模型自由气弹振动信号进行识别,揭示了该耦合系统的非线性。     

基于能量聚集性的轴承复合故障诊断

轴承复合故障类型多样,且部分故障的特征频率相近噪声污染严重。采用经验模态分解(EMD)的方法,在强噪声背景下会引起相近频率故障成分的无法识别,同时也难以提取微弱的故障信号。由此,提出一种基于能量聚集性的轴承复合故障诊断方法。首先借助离散余弦变换(DCT)的频域能量聚集性和奇异值分解(SVD)的时域能量聚集性,对轴承复合故障信号进行预处理,实现降噪并分离频率相近的微弱故障信号。然后对分离出来的不同故障信号进行经验模态分解,去除伪分量,对剩余的本征模态函数进行频谱分析。最后,根据本征模态函数的频谱诊断故障。仿真信号和实测轴承故障诊断信号分析表明,与直接使用EMD进行轴承复合故障诊断相比,该方法能够在强背景噪声下准确分离频率相近的微弱故障分量,改善复合故障诊断的准确性。     

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。     

基于HHT的液压缸动态特性分析新方法

提出了一种基于Hilbert-Huang变换的液压缸动态特性分析的新方法：运用经验模态分解,把周期激励下液压缸油液压力波动信号分解为多个从高频到低频的本征模态函数分量,依据各分量的Hilbert边际谱以及自由振动频率信息,对各分量分类并以此为基础重构信号,提取出反映液压缸动态特性的自由振动分量。此方法在某试验台液压缸动态特性分析中,取得了良好的效果,提取出的自由振动分量,可以作为评价液压缸动态特性好坏的依据。     

基于EMD和VARMA模型的结构损伤识别

提出了基于EMD和VARMA模型的结构损伤识别方法。该方法首先将结构反应信号用EMD方法分解成一系列固有模态函数,然后将固有模态函数表示为时变VARMA模型并用Kalman滤波方法估计时变VARMA参数,最后根据时变VARMA参数定义一个新的损伤指标用于结构损伤识别。为检验该指标的实际性能,算例中选用ImperialCounty Services Building和Van Nuys Hotel作为基准结构。通过其实测地震反应记录的分析表明:该指标在实际的量测环境和噪声条件下具有较好的敏感性和抗噪能力,可有效地识别结构多处损伤的发生过程和严重程度;由于该指标定义在反应信号特征提取的基础上,无需其他额外的信息,它可同时用于结构整体和局部两个层次损伤的识别;同时,该指标还适于实时(在线)的结构损伤识别或健康监测,因其直接由时变VARMA参数推导得出。最后,对后续研究工作进行了展望。     

基于核主分量分析的经验模式分解及其工程应用

若信号的信噪比较小,经验模式分解不能正确分解出基本模式分量,分量中含有伪分量。根据此种情况,提出一种核主分量分析与经验模式分解相结合的方法。该方法首先建立信号相空间,利用核主分量分析方法提取相空间的核主分量,然后利用投影逆过程将得到的核主分量逆向投影回原相空间,从而重建信号相空间。最后对重建的相空间所对应的信号作经验模式分解。此方法可以有效消除噪声和冗余对经验模式分解的影响,提高经验模式分解的适应能力保证分解的有效性,确保其能够分解出正确的基本模式分量。通过工程实例进一步验证了该方法的可行性。     

基于EMD和VARMA模型的信号处理方法

指出了Hilbert-Huang变换方法中进行Hilbert谱分析时应引起重视的两方面限定。针对上述限定，提出了基于EMD和VARMA模型的信号处理方法。该方法首先用时变VARMA模型对IMF建模并根据模型参数计算其瞬时频率，然后通过对各IMF的局部极值进行样条函数插值得到相应瞬时幅值，最后利用上述瞬时频率和幅值得出Hilbert谱。通过对LOD数据和地震动加速度记录ElCentro（1940，N-S）的分析表明，该方法避开了原方法中的限定且所得Hilbert谱更具物理意义、分辨率和可读性更好。研究结果不仅为非线性、非平稳信号的处理提供了一种新途径，也为基于振动的结构损伤识别和健康监测等研究提供了新思路。     

ＥＭＤ中异常事件处理及其在转子动平衡中的应用

经验模态分解（ＥＭＤ）广泛用于将非平稳、非线性信号分解成一组稳态和线性的数据序列集,得到理论意义上仅含有单组分频率成分的各固有模态函数。为减少异常事件对信号ＥＭＤ分解的干扰,提出采用相关分析消除信号中异常事件的方法。同时结合不平衡振动理论提出一种准确分离转子不平衡振动信号的方法,以用于转子不平衡振动监测及动平衡等方面。以实例分析证实该方法的有效性。     

一种新的非平稳信号分析方法——局部特征尺度分解法

在定义瞬时频率具有物理意义的内禀尺度分量(Intrinsic scale component,简称ISC)的基础上,提出了一种新的非平稳信号分析方法——局部特征尺度分解方法(Local characteristic-scale decomposition,简称LCD),该方法能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的内禀尺度分量之和.首先对LCD方法的原理进行了分析,然后给出了采用LCD对信号进行分解的详细步骤,最后采用仿真信号对LCD和经验模态分解(Em-pirical mode decomposition,简称EMD)方法进行了对比分析,结果表明了LCD方法的有效性及在端点效应、迭代次数和分解时间等方面都优于EMD分解方法.