HHT新方法及其在齿轮箱故障诊断中的应用

为了克服Hilbert-Huang transform(HHT)中的端点效应,利用基于掩模信号法的端点处理方法,对信号进行外延后再进行empirical mode decomposition(EMD),在一定程度上克服了EMD方法的端点效应问题.同时利用掩模信号对intrinsic mode function(IMF)分量进行延拓后,再进行Hilbert变换,有效地抑制了Hilbert变换中的端点效应.系统仿真信号以及实测信号的验证结果表明该方法是有效的.     

改进的希尔伯特-黄变换及其在滚动轴承故障诊断中的应用

希尔伯特黄变换(Hilbert-Huang transform,HHT)是一种优秀的时频分析方法,包含经验模态分解(Empirical mode decomposition,EMD)和希尔伯特变换(Hilbert transform,HT)两部分,通过EMD对信号进行分解,再对得到的内禀模态函数(Intrinsic mode function,IMF)进行HT解调。针对EMD存在的包络误差,模态混淆,端点效应以及HT易产生负频率等缺陷,提出一种改进的HHT方法(Improved HHT,IHHT),IHHT包括广义经验模态分解(Generalized EMD,GEMD)和改进的直接正交(Improved direct quadrature,IDQ)解调,GEMD通过定义多种均值曲线,从得到的多个IMF中选择最优分量,从而保证了每阶分量的优越性;再采用改进的经验调幅调频分解和IDQ方法对信号进行解调,提高了分解和解调的精确性、抑制了端点效应的产生。将提出的方法应用于滚动轴承故障诊断,分析结果表明IHHT是一种有效的信号处理方法。     

HILBERT-HUANG变换端点效应处理新方法

HIBERT-HUANG变换(HHT)实现过程中,对信号进行经验模态分解(Empirical mode decomposition,EMD)和对分解得到的各个本征模函数(Intrinsic mode function,IMF)进行HILBERT变换时都会产生端点效应.对此问题,采用波形特征匹配延拓数据,提高经验模态分解精度,有效地抑制HILBERT变换中的端点效应,获得准确的HILBERT时频谱.所延拓数据兼顾原始信号中的极值点及非极值点的波形数据,使延拓数据特征与原信号一致,在HHT变换实现过程中仅需一次延拓,算法简单.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HHT变换的端点效应问题.     

EMD端点效应抑制方法

针对经验模态分解(empirical mode decomposition,简称EMD)中的端点效应问题,在研究总结了现有端点效应抑制方法的基础上,提出一种新的方法——基于支持向量机(support vector machine,简称SVM)延拓和窗函数相结合的方法,弥补了SVM延拓依然找不到端点以及窗函数会改变原始信号的缺点。首先,采用SVM对原始信号两端分别进行延拓,将延拓后的数据进行加窗处理(中间加矩形窗,延拓数据加海明窗);然后,利用EMD方法对加窗后的信号进行分解,得到若干个内禀模态函数(intrinsic mode function,简称IMF);最后,将IMF分量的两端延拓部分去掉,以此来达到抑制端点效应的目的。以正交性为量化评价指标,对比分析了不同方法的性能,通过仿真和实验结果表明,该方法可以更好地抑制端点效应的发生。     

基于RO-SBM的Hilbert Huang变换端点

针对Hilbert-Huang变换方法中由于信号经验模态分解(empirical mode decomposition, 简称EMD)过程中所存在的端点效应问题,分析了现有数据延拓方式的利弊,并在基于斜率(slope based method, 简称SBM)方法以及改进方法(improved slope based method,简称ISBM)的基础上提出了一种全新的基于斜率再优化(re-optimization slope based method, 简称RO-SBM)方法用于信号序列的极值点延拓,然后对延拓后的数据进行EMD分解,得到相应的 本征模函数(intrinsic mode function,简称IMF)分量。数值仿真结果表明,采用基于RO-SBM方法进行数据延拓,相比镜像延拓以及ISBM方法,可以更有效地抑制EMD中的端点效应问题, 提升HHT方法的信号分析性能。通过基于RO-SBM方法进行数据延拓的HHT方法准确分离出了某转子系统的局部碰摩径向振动信号中所包含的故障特征分量,并将此方法成功应用于旋 转机械故障诊断领域。     

基于RO-SBM的Hilbert-Huang变换端点效应抑制方法

针对Hilbert-Huang变换方法中由于信号经验模态分解(empirical mode decomposition,简称EMD)过程中所存在的端点效应问题,分析了现有数据延拓方式的利弊,并在基于斜率(slope based method,简称SBM)方法以及改进方法(improved slope based method,简称ISBM)的基础上提出了一种全新的基于斜率再优化(re-optimization slope based method,简称RO-SBM)方法用于信号序列的极值点延拓,然后对延拓后的数据进行EMD分解,得到相应的本征模函数(intrinsic mode function,简称IMF)分量.数值仿真结果表明,采用基于RO-SBM方法进行数据延拓,相比镜像延拓以及ISBM方法,可以更有效地抑制EMD中的端点效应问题,提升HHT方法的信号分析性能.通过基于RO-SBM方法进行数据延拓的HHT方法准确分离出了某转子系统的局部碰摩径向振动信号中所包含的故障特征分量,并将此方法成功应用于旋转机械故障诊断领域.     

Hilbert-Huang变换边界问题处理方法研究

分析EMD(empirical mode decomposition)及Hilbert变换中边界问题产生的原因,总结现有边界处理方法的特点,提出采用波形特征匹配延拓处理HHT(Hilbert-Huang transform)边界问题的新方法,该方法可以同时克服EMD分解和Hilbert变换中的端点效应问题.延拓数据来自于信号本身,兼顾原始信号极值点及非极值点的波形数据,能更好地反映信号的特征,实现延拓数据与原信号交界处的光滑过渡.在HHT计算过程中仅需一次延拓.仿真计算和故障实验分析表明,该方法可以有效解决Hilbert-huang变换中存在的边界问题.     

基于HHT的钢筋混凝土结构损伤检测新方法分析

针对混凝土结构损伤信号的特点,引入一种非平稳信号的时频分析新方法--希尔伯特-黄变换(Hilbert-Huang变换,简称HHT)用于混凝土结构损伤检测.该方法是通过经验模态分解(empirical mode decomposition, EMD)提取信号的固有模态函数(intrinsic mode function, IMF),再进行Hilbert变换,求瞬时频率、瞬时振幅,得到信号的Hilbert谱.试验中通过对无损伤和有损伤两种钢筋混凝土梁进行侧向激振检测,对无损伤信号和损伤信号谱特征进行比较分析,结果表明HHT方法能识别结构损伤,且优于常规的Fourier变换方法及小波变换(wavelet transform, WT)方法,值得推广.     

小波包去噪与改进HHT的微弱信号特征提取

为提取机械设备早期故障微弱信号特征频率,在对信号进行小波包降噪后,利用改进Hilbert-Huang变换(Hilbert-Huang transform,简称HHT)进行特征提取,通过经验模态分解(empirical mode decomposition,简称EMD)得到若干个固有模态函数(intrinsic mode function,简称IMF)后,利用IMF与EMD分解前信号的相关系数作为判断标准,剔除分解中产生的多余低频IMF,选取有效IMF集进行边际谱分析。改进HHT不仅可消除多余IMF的影响,还可节省Matlab计算内存,提高运算速度。     

基于HHT的间谐波闪变效应计算

提出了用Hilbert-Huang变换(HHT)对电压波动和闪变进行检测的新方法,该方法由经验模态分解(EMD)和Hilbert变换2部分组成。通过EMD得到固有模态函数(IMF)分量后,再对各个IMF分量进行Hilbert变换,可以定量、准确地检测相应时刻的瞬时频率和幅值。然后基于间谐波谱估计计算闪变值,其仿真结果验证了该方法在间谐波闪变效应计算中的可行性和有效性。     

Application of support vector regression machines to the processing of end effects of Hilbert–Huang transform

The end effects of Hilbert–Huang transform are represented in two aspects. On the one hand, the end effects occur when the signal is decomposed by empirical mode decomposition (EMD) method. On the other hand, the end effects occur again while the Hilbert transforms are applied to the intrinsic mode functions (IMFs). To restrain the end effects of Hilbert–Huang transform, the support vector regression machines are used to predict the signals before the signal is decomposed by EMD method, thus the end effects could be restrained effectively and the IMFs with certain physical sense could be obtained. For the same purpose, the support vector regression machines are used again to predict the IMFs before the Hilbert transform of the IMFs, thus the accurate instantaneous frequencies and amplitudes could be obtained and the corresponding Hilbert spectrum with physical sense could be acquired. The analysis results from the simulation and experimental signals demonstrate that the end effects of Hilbert–Huang transform could be resolved effectively by the time series forecasting method based on support vector regression machines which is superior to that based on neural networks.     

基于振动信号诊断齿轮断齿故障新方法

针对齿轮断齿故障的非平稳、非线性特征,利用希尔伯特-黄变换非常适合处理非平稳、非线性信号的特点,首先对信号进行经验模态分解,获得一系列本征模函数,然后对本征模函数作希尔伯特变换,获得希尔伯特谱,通过对某厂齿轮箱断齿信号分析,很好地提取出了断齿故障特征,并能够确定断齿的严重性和数量,对于工程实际中齿轮故障的诊断具体明显的实际意义。     

EMD方法在烟机摩擦故障诊断中的应用

提出了一种将经验模式分解（Empirical Mode Decomposition，简称EMD）方法与传统信号处理技术相结合的故障诊断方法。首先将原始信号分解为若干基本模式分量（Intrinsic Mode Functions，简称IMFs），通过希尔波特变换得到每个IMF相应的瞬时频率，再对此瞬时频率曲线做傅里叶变换得到其频谱图，该频谱图即表示了对应IMF的调频频率。利用对应IMF组合成基于EMD的滤波轴心轨迹，这种轴心轨迹可以准确反映轴心的实际运行状况。将该方法应用于某炼油厂烟机摩擦故障诊断中，发现摩擦故障信号具有有色噪声分量存在、工频IMF的调频现象和基于EMD轴心轨迹的反转现象等特征。结果表明提出的方法在旋转设备摩擦故障诊断中非常有效。     

基于HHT和SVM的运动想象脑电识别

对运动想象脑电信号(EEG)分类识别是脑-机接口(BCI)研究领域的重要问题。本文通过经验模式分解(EMD)将EEG分解为一系列内蕴模式函数(IMF),并对重要IMF的瞬时幅度提取AR模型参数,同时对所有的IMF进行Hilbert变换(HT)得到Hilbert谱,进而求得瞬时能量(IE)。将得到的AR参数和IE,结合时域均值和中值绝对偏差估计(MAD),组成初始特征,然后利用经遗传算法(GA)优化的支持向量机(SVM)进行分类,得到识别结果。对2008年BCI CompetitionⅣDataset 1中想象左手和脚运动的两组数据进行识别,在仅仅使用少数通道的情况下,识别正确率分别达到84.7%和85.8%,初步验证了该方法的有效性。     

用HHT变换处理离心压缩机喘振试验数据

为了提取离心压缩机早期喘振特征频率,在对信号进行小波包降噪抽样后,利用Hilbert-Huang变换(HHT)进行信号特征提取。通过经验模态分解(EMD)得到若干固有模态函数(IMF),然后利用相关系数法对IMF进行筛选。通过趋势项和原始信号对比可知压缩机流量减少是造成振动的主因,最后对有效IMF信号进行Hilbert变换,并求其边际谱,提取压缩机喘振频率为7.3Hz。     

基于HHT的非平稳信号分析仪的研究

本文介绍了希尔伯特-黄变换（HHT）的原理，首先通过经验模态分解（EMD），信号被分解成一系列固有模态函数（IMF），再通过Hilbert变换得到每个IMF的瞬时频率（IF）和瞬时幅值函数，最终得到原始信号的IF分布和Hilbert谱。Hilbert谱是信号的时间-频率-能量分布。为使HHT能有效分析非平稳信号，引入了改进HHT的方法，即在HHT过程中，将小波包变换（WPT）作为预处理器，外加IMF的筛选。采用虚拟仪器开发技术研制了一台基于HHT的非平稳信号分析仪。最后以HHT去噪为例，介绍了基于HHT的非平稳信号分析仪的应用。     

基于EMD和支持向量机的柴油机故障诊断

为了解决传统小波或小波包变换方法对柴油机振动信号频率分辨率不高、易受邻近谐波分量间交叠影响的缺陷,提出了一种基于经验模态分解和支持向量机的故障诊断方法。该方法首先对振动信号进行经验模态分解,分别提取能量最大的几个基本模式分量的小波包特征;然后采用支持向量机在每个独立的特征子集中进行训练,并按该子集对应的基本模式分量的能量权重进行加权融合。试验中将该方法应用于6135型柴油机的故障诊断,结果表明,针对每个基本模式分量分别进行故障分析是可行的,能够对6135型柴油机常见故障模式进行准确识别。     

Bearing fault detection and diagnosis based on order tracking and Teager-Huang transform

The vibration signal of the run-up or run-down process is more complex than that of the stationary process. A novel approach to fault diagnosis of roller bearing under run-up condition based on order tracking and Teager-Huang transform (THT) is presented. This method is based on order tracking, empirical mode decomposition (EMD) and Teager Kaiser energy operator (TKEO) technique. The nonstationary vibration signals are transformed from the time domain transient signal to angle domain stationary one using order tracking. EMD can adaptively decompose the vibration signal into a series of zero mean amplitude modulation-frequency modulation (AM-FM) intrinsic mode functions (IMFs). TKEO can track the instantaneous amplitude and instantaneous frequency of the AM-FM component at any instant. Experimental examples are conducted to evaluate the effectiveness of the proposed approach. The experimental results provide strong evidence that the performance of the Teager-Huang transform approach is better to that of the Hilbert-Huang transform approach for bearing fault detection and diagnosis. The Teager-Huang transform has better resolution than that of Hilbert-Huang transform. Teager-Huang transform can effectively diagnose the faults of the bearing, thus providing a viable processing tool for gearbox defect monitoring.     

基于支持向量机的BS-EM D端点效应消除方法

分析了B样条经验模式分解(B-spline empircal mode decomposition,简称BS-EMD)的端点效应问题,指出了现有延拓方法的不足,提出了一种基于支持向量机的B样条经验模式分解端点效应消除方法.首先采用支持向量机对原始信号进行延拓;然后用B样条插值方法对延拓后的数据进行插值计算得到信号的均值...