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。     

使用二维EMD的红外和彩色可见光图像融合

针对红外和彩色可见光图像的融合,提出了一种基于二维经验模式分解（BEMD）的新的融合方法。源图像由BEMD分解成为本征模式函数集（IMFs）和残余;再将红外图像的IMFs和残余分别与对应可见光图像的IMFs和残余进行灰度范围匹配后,用加权平均方法进行融合;最后由BEMD重构成融合图像。用此法所得的融合图像增强了红外图像的细节并具有与可见光图像相似的自然色彩。实验中将此法与传统的小波变换方法和主成分分析方法进行了比较,还与经验模式分解（EMD）和复经验模式分解（CEMD）的方法进行了比较,实验结果都证明了该方法的融合效果最优。     

经验模式分解及其应用研究

经验模式分解（Empirical Mode Decomposition,EMD）是一种完全由数据驱动的自适应非线性时变信号分解方法,它将数据分解成具有物理意义的几个内蕴模式函数分量。介绍了一维EMD、二维EMD的基本概念、主要算法及其主要应用,指出了EMD的主要优点和缺点,给出了EMD研究与应用的发展趋势。     

希尔伯特-黄变换在时频分析中的应用

深入研究了希尔伯特-黄算法,采用包络极值延拓法对端点效应进行抑制,大大减少了分解出来的IMF分量的虚假成分,有效抑制了端点处的抖动,并针对同一跳频信号将HHT仿真结果与傅立叶变换法的仿真结果进行比较,直观凸显出HHT在时频分析中的应用价值.     

基于改进的经验模态分解的滚动轴承故障诊断研究

传统的时频分析方法不能有效地处理非平稳信号,经验模态分解(EMD)非常适合处理非平稳信号,但结果可能出现伪内禀模态函数(IMF)和不敏感内禀模态函数。针对EMD的不足,提出能量门限法和敏感IMF选择法相结合来识别真IMF和敏感IMF的方法,对同时满足这两个条件的IMF作频谱变换,频谱图上可以清晰呈现故障特征信息。将改进后的EMD应用到滚动轴承故障诊断实例,证明了此方法的可行性和准确性。     

基于经验模态分解方法的柴油机振动信号去噪声处理

针对柴油机振动信号的瞬时非线性特点,提出采用柴油机振动信号的本征模函数(IMF)分量进行特征频带识别的新方法。将柴油机振动信号经经验模态分解,并去掉主要干扰因素所对应的IMF分量,再将剩余IMF分量进行重构得到柴油机振动信号。实际测试结果表明,重构后的信号能反映柴油机机身振动的真实趋势。     

撞击流反应器压力波动信号的Hilbert-Huang变换分析

将Hilbert-Huang变换(HHT)应用于撞击流反应器压力波动信号分析,并提取出浸没循环撞击流 反应器压力波动信号的各阶内禀模态函数(IMF),证实了压力波动信号的非线性、非平稳特性。分析压力波动信号 各阶内禀模态函数的能量分布以及高、中、低频段能量分布与转换,发现不同频段IMF的能量分布与流型转变之间 的对应关系。结果表明,随着螺旋桨转速的增加,在粒子相互撞击的过程中,产生不同程度涡运动,使得各阶IMF分 量的能量分布也随之变化。新的Hilbert-Huang变换分析方法直接揭示了撞击流反应器内压力波动信号经EMD 分解所得的IMF分量的能量分布与流体流型转变之间的内在规律,同时也提供了一个有力的定量依据。     

半干牛肉加工工艺研究

研究半干牛肉的加工工艺,筛选出氯化钠、乳酸钠、丙三醇、丙二醇等理想的水分活度降低剂(RAA);空气温度40℃,相对湿度64%,空气流速0.38m/s的干燥条件,干燥60min可以制得含水27.98%,Aw=0.543半干牛肉食品,有效地缩短了干燥时间。     

基于二维EMD和RBF的纹理分割方法

经验模式分解（EMD）是最近提出的新的图像多尺度分析方法。通过对纹理图像进行二维经验模式分解来提取合适的纹理特征,再采用FCM聚类算法进行分割,实验表明,使用径向基函数在筛分过程中进行插值的效果较优。     

Incipient fault detection of rolling bearing using maximum autocorrelation impulse harmonic to noise deconvolution and parameter optimized fast EEMD

Incipient Fault Detection of Rolling Bearing with heavy background noise and interference harmonics is a hot topic. In this paper, a new method based on parameter optimized fast EEMD (FEEMD) and Maximum Autocorrelation Impulse Harmonic to Noise Deconvolution (MAIHND) method is proposed for detecting the incipient fault of rolling bearing. Firstly, the FEEMD method with parameters optimization is used to reduce the noise and eliminate the interference harmonics of the fault signal. As a noise assistant improved method, the FEEMD can reduce the mode mixing and enhance the calculation efficiency significantly. Secondly, a new indicator is developed to select the sensitive IMF. Finally, a novel MAIHND method is employed to extract impulse fault feature from the sensitive IMF. Simulation and experiments results indicated that the proposed parameter optimized FEEMD–MAIHND method can effectively identify the weak impulse fault feature of rolling bearing. Moreover, the excellent performance of the proposed indicator for sensitive IMF component selection and MAIHND method is verified.