基于改进HHT的电缆故障定位研究

为了提高电缆故障定位的精确度,提出一种基于改进希尔伯特-黄变换(HHT)的电缆故障定位方法。针对应用经验模态分解(EMD)方法处理信号的过程中易产生模态混叠现象的问题,提出在进行EMD分解的过程中加入辅助信号的方法,来克服模态混叠现象。然后使用改进HHT对故障行波信号进行分析处理,从而对电缆故障发生点进行定位。通过搭建Matlab仿真模型对电缆故障进行仿真分析,仿真结果表明,该方法在电缆故障测距上具有优越性。     

基于LabVIEW的HHT的研究与应用

本文以LabVIEW为平台对HHT进行过程开发和检验,改变了传统的仅仅依靠数学计算工具Matlab进行信号分析的思想,并且使得HHT算法在计算速度和界面规划方面也得到了改善,同时提出了一些改善HHT的建议.     

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和频谱校正的故障诊断方法

提出了一种基于短时间样本的故障诊断方法,通过频谱校正提高频谱精度.首先对原始信号进行小波降噪,提高信噪比;然后进行经验模态分解,获取信号的各阶本征模态函数;分别对各阶本征模态函数进行希尔伯特解调分析,获得包含系统故障特征信息的调制信号;接着采用校正算法对调制信号进行频谱校正,频谱变换后获得精确的频谱;最后根据校正结果进行系统故障判别.实践表明,此方法具有速度快、精度高的特点,适合于设备的在线快速诊断.     

基于EMD和HT的旋转机械振动信号时频分析

把一列时间序列数据通过经验模态分解(Empirical Mode Decomposition，简称EMD)成本征模函数组(Intrinsic Mode Function．简称IMF)．然后经希尔伯特变换(Hilbert Transformation，简称HT)获得频谱的信号时频分析新方法引入到旋转机械振动信号处理领域。介绍了该方法的理论和算法。首先．采用调频调幅仿真信号对该方法进行仿真验证；其次．把一实测的旋转机械油膜涡动故障振动信号进行了基于EMD和HT的时频分析。仿真和实测信号的分析结果说明．用基于EMD和HT方法对旋转机械的振动信号进行时频分析是有效的。     

基于HHT的管道监测系统中目标定位方法研究

针对输油管道由于人为因素造成的破坏,通过研究管道周围地面目标产生的震动信号的特性来进行监测和预警,提出一种基于目标特征频率信号到达时间差进行定位的方法.地震动信号是非平稳信号,通过多个传感器采集目标产生的震动信号,采用希尔伯特-黄变换(HHT)处理获得信号特征频率,以及不同测量信号中目标特征频率出现的时间,结合时间差异和传感器阵列与目标的相对位置实现定位.通过对实验采集数据的分析验证了文中提出的方法是有效的.     

基于EMD/HHT的齿轮箱齿轮不对中故障信号分析

研究了经验模态分解(简称EMD)技术在齿轮箱故障诊断中的应用,并详细论述了EMD原理,对齿轮故障振动信号(简称故障信号)进行EMD,获取固有模态函数(简称IMF)分量,并通过HHT(Hilbert-Huang)变换,对IMF分量进行解调,对解调信号进行频谱分析,提取故障特征频率。研究结果表明,EMD方法能够有效降低信号的噪声,提高信噪比,突出信号的故障特征。     

基于HHT的新一代GPS动态测量误差分析和滤波技术研究

针对新一代GPS的轮廓信号和几何误差成分特点,引入一种具有自适应能力的非平稳信号分析新方法——希尔伯特-黄变换(Hilbert-Huang Transform,HHT)用于轮廓滤波和几何误差成分分析。研究了HHT中固有模态函数(Intrinsic Mode Function,IMF)的特点,指出各阶IMF分量按特征时间尺度从小到大的顺序排列,构建了基于经验模态分解(Empirical Mode Decomposition,EMD)的滤波器并将其用于轮廓滤波。分析了EMD分解中剩余项的特点,根据各阶IMF的瞬时频率和幅值函数以及Hilbert-Huang谱,确定了各周期性分量以及非周期性趋势项。几何误差仿真信号分析结果表明,与小波神经网络方法的相比,HHT方法获取的初始阶段信号更好;对实测轮廓曲线,采用HHT和小波变换进行了滤波试验验证,结果表明HHT方法获取的轮廓曲线更平滑。     

基于HHT的新一代GPS动态测量误差分析和滤波技术研究

针对新一代GPS的轮廓信号和几何误差成分特点,引入一种具有自适应能力的非平稳信号分析新方法——希尔伯特-黄变换(Hilbert-Huang Transform,HHT)用于轮廓滤波和几何误差成分分析。研究了HHT中固有模态函数(Intrinsic Mode Function,IMF)的特点,指出各阶IMF分量按特征时间尺度从小到大的顺序排列,构建了基于经验模态分解(Empirical Mode Decomposition,EMD)的滤波器并将其用于轮廓滤波。分析了EMD分解中剩余项的特点,根据各阶IMF的瞬时频率和幅值函数以及Hilbert-Huang谱,确定了各周期性分量以及非周期性趋势项。几何误差仿真信号分析结果表明,与小波神经网络方法的相比,HHT方法获取的初始阶段信号更好;对实测轮廓曲线,采用HHT和小波变换进行了滤波试验验证,结果表明HHT方法获取的轮廓曲线更平滑。     

基于改进希尔伯特-黄变换的发动机敲缸异响故障研究

针对发动机敲缸故障信号非平稳性并伴随强烈环境噪声的特点,提出基于改进希尔伯特-黄变换的故障诊断方法。该方法以发动机敲缸声音故障信号为研究对象,首先采用快速独立分量分析法将环境噪声等影响诊断准确性的因素从所采信号中分离,再利用总体平均经验模态分解和希尔伯特变换求出信号希尔伯特谱和边际谱,结合时域和频域特征进行故障诊断。通过仿真实验验证了所提方法的有效性,同时,实际试验证明:通过改进希尔伯特-黄变换方法所获得的希尔伯特谱和边际谱能够清晰呈现故障信号时域和频域内的细微特性,为该类故障的诊断提供了一种切实可行的方法。     

应用Hilbert-Huang变换的齿轮磨损故障诊断研究

提出了一种基于H ilbert-Huang变换的齿轮磨损故障诊断的新方法。H ilbert-Huang变换是先把时间序列信号,用经验模态分解方法分解成不同特征时间尺度的固有模态函数,然后经过H ilbert变换获得频谱的信号处理新方法。介绍了该方法的基本原理,并将H ilbert-Huang变换应用于齿轮箱中齿轮磨损故障诊断的研究,通过选取表征齿轮磨损故障的IM F分量进行边际谱和能量谱分析,就可提取齿轮故障振动信号的特征。齿轮故障实验信号的研究结果表明,H ilbert-Huang变换时频分析方法,能有效地诊断齿轮的磨损故障。     

Hilbert-Huang变换中的模态混叠问题

希尔伯特-黄变换(Hilbert-Huang transform,简称HHT)存在的模态混叠现象严重影响了实际应用效果。在分析研究HHT原理及模态混叠产生机理的基础上,提出了基于形态滤波预处理与端点延拓相结合的方法抑制模态混叠现象。与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)方法比较,所提出的方法能够更快速、准确地分解出表征信号的本征模态函数(intrinsic mode function,简称IMF)分量。将该方法应用于滚动轴承的实测信号分析,结果表明,该方法在实际应用中同样具有很好的模态混叠抑制效果。     

基于改进Hilbert-Huang变换的转子碰摩故障诊断

针对信号总体平均经验模式分解中的两个参数———所加白噪声标准差和总体平均次数难以设置的问题,通过仿真信号实验分析,给出了这两个参数设置的一般方法。以转子碰摩故障信号为对象,提出了改进的Hilbert-Huang变换（HHT）算法并将其用于提取转子碰摩故障特征。仿真和实验结果表明,改进的HHT算法能较好地提取出转子碰摩故障特征,与传统HHT算法相比,改进的HHT算法效果更好。     

侵彻弹体频率特性分析及过载信号处理

为解决硬目标侵彻过载信号降噪问题,提出融合总体经验模态分解（EEMD）和小波变换（WT）的联合滤波方法。首先对实测信号进行总体经验模态分解,获得信号的本征模态函数（IMF）分量,然后计算各分量功率谱并与原信号比较,得出信号的有效分解尺度和弹体的过载响应频率,接着对高频IMF分量采用小波阈值降噪,最后将降噪后的高频分量与分解后的低频分量组合重构获得侵彻特征信号。实验证明,这一方法可以有效提取弹体响应频率,消除侵彻过程中弹体的高频振动信号和外部噪声,且处理后的加速度曲线具有更高的信噪比,积分所得速度和位移时程曲线也与实验结果相近。     

Hilbert-Huang变换及其在纱线故障诊断中的应用

阐述了Hilbert-Huang 变换的基本原理,以实际的纱线信号为例,通过经验模态分解(EMD)将纱线信号分解成有限个固有模态函数(IMF),并求得纱线信号的Hilbert谱.结合分析纱线信号的波谱图和Hilbert谱图,判断出故障产生的原因.     

基于希尔伯特－黄变换的往复运动摩擦力信号分析

往复运动中的摩擦力信号往往是非平稳信号,采用经验模式分解法可以自适应地分解这些非线性、非平稳信号,合理地提取其信号特征。应用希尔伯特－黄变换方法,分析不同往复速度和载荷条件下往复运动产生的摩擦力信号,并提取时频段能量比及其标准差,研究其润滑状态特征。结果表明：通过希尔伯特－黄变换并结合能量比分析,可以很好地反映出往复运动过程中润滑状态的变化;在一定载荷下,随着往复速度的增加,摩擦力频率成分趋于平稳,能量比标准差则逐渐减小;在一定往复速度下,随着载荷的增加,润滑状态变差,消耗的能量随之增大,能量比标准差逐渐减小;和往复速度相比,载荷对摩擦力频率分布影响相对较小。     

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。     

采样频率对聚合经验模态分解的影响研究

根据聚合经验模态分解的特点对能量泄漏指数进行了修订,从非对准误差、能量泄漏、分解结果的正交性和相关性方面分析了采样频率对聚合经验模态的影响,分析结果显示离散化采样引起的非对准误差随采样频率的提高逐渐减小,而能量泄漏以及分解结果之间的正交性和相关性随采样频率改变近似呈周期性变化。并根据分析结果给出了聚合经验模态中采样频率的选取原则。算例结果表明,综合考虑上述各影响因素后,聚合经验模态较为理想的采样频率范围是信号最高频率的10.3~11倍。     

瞬时频率估计的齿轮箱升降速信号阶次跟踪

提出了基于瞬时频率估计的齿轮箱升降速信号阶次跟踪的新方法。首先对振动信号进行经验模态分解得到信号的固有模态函数，再求各个固有模态函数的Hilbert变换，得到信号的瞬时频率，从而直接从振动信号得到参考轴的转速信号，然后根据参考轴的转速信号对时域振动信号进行等角度重采样，最后对重采样信号进行阶次分析。通过仿真信号和对齿轮磨损故障实验信号的分析，表明该方法能有效地诊断齿轮的故障。     

基于SVD-EEMD和TEO的滚动轴承弱故障特征提取

将奇异值分解(singular value decomposition,简称SVD)与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行结合,提出一种适用于滚动轴承弱故障状态描述的敏感特征提取方法。为提高信号故障信息的提取质量,对采集信号进行相空间重构得到一种Hankel矩阵。根据该矩阵的奇异值差分谱,确定降噪阶次进行SVD降燥。用EEMD分解降噪后的信号可获得11个本征模态函数(intrinsic mode function,简称IMF)和1个余项。依据建立的峭度-均方差准则,筛选出一个能够有效描述故障状态的敏感IMF分量,计算其相应的Teager能量算子(Teager energy operator,简称TEO),对此TEO进行Fourier变换,实现了对滚动轴承弱故障模式的有效辨识。用美国凯斯西储大学公开的滚动轴承故障信号对所建立的方法与传统EEMD-Hilbert法和EEMD-TEO方法进行对比,结果表明:经本方法提取的敏感特征能准确突显滚动轴承故障频率发生的周期性冲击,可准确识别其故障类型。