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阈值方法的轴承故障振动信号去噪

针对随机噪声信号影响对有用信息的获取,提出了EMD分解阈值去噪方法,将小波阈值去噪原理应用于经验模态分解（Empirical Mode Decomposition,EMD）中。首先对实际含噪信号进行EMD分解,根据分解后得到的内蕴模态函数（Intrinsic Mode Function,简称IMF分量）,采用自适应阈值去噪,进行信号重构,得到消噪后的信号,获取有用信息。将该方法应用于实际工程故障振动信号中分析研究表明,该方法可以获得较高的信噪比,能够对实际信号进行有效的故障特征频率提取,降噪后比降噪前的诊断效果更明显。     

利用改进希尔伯特—黄变换进行地震资料时频分析

为了克服常规希尔伯特—黄变换(HHT)的缺陷,消除常规经验模态分解(EMD)产生的本征模态函数分量(IMF)中混叠的振荡模式,本文运用改进HHT,即通过引进小波包变换,首先将信号分解成-系列窄带信号,然后对这些窄带信号进行EMD获得-些IMF分量,再根据相关系数法,保留需要的IMF分量,去除虚假的IMF分量,最后进行HHT求取瞬时频率,得到改进HHT谱。改进HHT摆脱了小波变换中的海森堡测不准原理的限制,以及常规HHT模态混叠对分析的干扰。虽然改进HHT谱高频成分存在跳跃现象,但都围绕在真实频率值周围,并且较小波时频图的频带窄很多,能够反映信号的真实频率特性。数值模拟与实际地震记录处理结果证明了改进HHT的可行性。     

二维经验模态分解边界效应抑制研究

二维经验模态分解中边界效应抑制是一个关键问题,现有方法主要讨论一维信号端点效应抑制,基本思想是信号延拓,不适合对二维信号进行边界效应抑制。提出一种二维图像边界效应抑制方法,该方法根据对称性、局部性原理和牛顿插值理论,对边界点进行插值,获取部分边界极值,采用这些极值对边界进行线性插值获取图像每个边界像素点的极大值和极小值。把这种边界效应抑制方法应用到二维经验模态分解中收到了较好的实验效果。     

基于EMD拟合特征的耳语音端点检测

耳语音作为人类发音的一种特殊形式,与正常语音相比具有信噪比低、元音的周期特征不明显等特性,因而耳语音处理比正常语音更为困难。耳语音处理研究的第1个关键步骤就是语音的端点检测,该文利用希尔伯特-黄变换(Hilbert-Huang Transform, HHT)中的经验模态分解(Empirical Mode Decomposition, EMD),首次提出了一种基于EMD拟合特征的耳语音端点检测新方法。利用EMD得到的内禀模态函数(Intrinsic Mode Function, IMF)能量,以其归一化拟合参数为耳语音端点检测的特征,可以准确地划分出耳语音端点。实验表明,该方法在耳语音端点检测中取得了很好的效果,在1200个信噪比为2～10dB的测试样本中,检测准确率为98.25%。     

基于EMD-神经网络的电动机转子故障诊断方法研究

在电动机运行过程中,转子断条故障将导致电动机出力降低,性能恶化。因此研究更高效的电动机故障诊断方法来对其进行检测迫在眉睫。针对电动机转子出现断条故障时定子电流信号的非平稳特征,提出了一种基于经验模态分解(EMD)和神经网络相结合的转子故障诊断方法。该方法首先将原始信号分解为突出了原信号不同时间尺度的局部特征信息的内在模函数(IMF)分量,然后将各IMF分量输入到BP网络中进行训练学习和故障诊断。将此方法应用于电动机转子断条故障的识别,实验结果表明,该方法能快速准确地识别转子断条故障。     

采用HHT振动分析的低压断路器合闸同期辨识

利用振动信号辨识三相合闸不同期故障,应解决有效的振动信号消噪及其故障特征提取方法.提出一种希尔伯特-黄变换(HHT)的低压断路器振动信号分析方法,采用经验模态分解(EMD)有效地提取反映振动信号局部特性的本征模态函数(IMF)分量,以前5阶IMF分量表征振动信号特性且起到信号消噪作用.通过时域特征分析,得出振动信号的峭度和均方值可作为判别机械特性的辅助特征指标.提出前5阶IMF分量能量比及峭度、均方值为特征向量,建立粒子群优化径向基(PSO-RBF)神经网络的低压断路器合闸不同期故障识别模型.实验与仿真结果表明,基于单个传感器振动特性,综合采用时域分析、EMD分解、粒子群优化神经网络等人工智能的合闸同期性故障识别效果良好,为断路器故障尤其是三相合闸同期性振动分析提供了一种新的诊断方法.     

含噪声车用柴油机振动信号混沌识别

为提高柴油机故障诊断的准确性与可靠性,针对含噪声车用柴油机振动信号的瞬时非线性特点,将含噪声柴油机振动信号经验模态分解,去掉主要干扰因素所对应的IMF分量,再将剩余IMF分量进行重构,得到去噪声后柴油机振动信号时间序列;并应用混沌理论,选择合适的时滞τ,对去噪后车用柴油机振动信号时间序列进行相空间重构,并得出了不同嵌入相空间下去噪后车用柴油机振动信号时间序列关联维的变化规律.结果表明:重构的去噪后车用柴油机振动信号能反映柴油机机身振动的真实趋势,是混沌序列,并具有分形特征.在车用柴油机系统中,影响去噪后车用柴油机振动信号的系统内部因素最多可达8个,最小不会小于1个,这为柴油机振动信号的在线故障诊断提供了理论依据.     

EMD-IT去噪算法的阈值估计方法

为解决EMD-IT去噪算法中阈值难以确定的问题,提出一种基于高斯白噪声能量分布的阈值估计方法。将含噪信号进行经验模态分解并估计各固有模态函数(IMF)中噪声的能量;根据模态单元阈值的含义,在各IMF中利用去除掉的模态单元包含的总能量等于噪声能量这一准则估计阈值。合成数据和实际心电信号的去噪仿真实验验证了该方法的有效性,其是自适应的且避免了阈值选择的主观性。     

几种信号分析方法对非线性、非平稳信号分析效果的比较

本文通过对傅立叶变换 ,短时傅立叶变换 ,小波分析 ,经验模式分解几种信号分析方法在信号分析中的效果相比较 ,肯定了经验模式分解在分析非线性、非平稳信号中的作用 ,同时也指出了经验模式分解还存在的问题。