EMD端点双极值延拓方法研究

使用经验模态分解（EMD）进行信号处理过程时,端点效应抑制是关键步骤。这里提出了一种基于包络匹配的双极值点延拓算法,实现了对EMD分解过程中端点效应的抑制处理,并通过了仿真验证。首先,将端点处连续的几个极值点的包络线作为模板子波;再者将模板子波与波形内部的极值包络进行有效匹配;然后将匹配区段前方的两个极值点作为延拓极值进行极值延拓,实现了抑制EMD分解过程中端点效应的目标。并通过仿真数据,验证了算法的有效性。     

基于改进EMD的齿轮箱故障特征提取方法研究

针对经验模式分解(Empirical mode decomposition,简称EMD)方法在信号处理时普遍出现的端点效应问题,结合齿轮箱早期故障非稳态信号特点,提出了基于分段三次Hermit插值的极值截断法与相关筛选法相结合的改进EMD方法。该方法将信号用分段三次Hermit插值法求取包络线,在距离端点最近的极值点处对包络线及信号进行截断,取中间部分继续处理,将分解后得到的基本模式分量(Intrinsic mode function,简称IMF)与原信号计算相关系数,筛选主要IMF作为进一步分析对象。实验结果表明,本改进EMD方法可以有效提取齿轮箱故障特征。     

Volterra模型预测在EMD端点延拓中的应用

经验模态分解(empirical mode decomposition,简称EMD)的端点效应使得EMD分解结果产生严重失真,为了减小端点效应在分解过程中产生的影响,将混沌序列模型引入EMD,提出采用Volterra模型解决分解中产生的端点效应问题。论述了基于Volterra模型的数据延拓技术原理,即先对原始数据进行Volterra建模,然后利用该模型对数据进行延拓。该方法使端点处的延拓更加合理,从而使得三次样条曲线在端点处不会发生大的摆动,实现了准确的EMD分解。通过对仿真信号的研究表明,延拓抑制了分解的端点效应。把该技术应用于转子横向裂纹振动信号的EMD分解中,取得了良好效果。     

基于多项式拟合的EMD端点效应处理方法研究

EMD经验模态分解方法在非平稳信号的分析和处理中起着重要的作用,但是在利用样条插值获得上下包络过程中存在着棘手的端点问题.多项式拟合极值延拓是一种抑制端点效应的方法,但是在应用过程中也有其不足的地方,针对其不足之处进行了深入研究,并提出了一种新的解决方法.将其应用于烟机的信号分析中,结果证明该方法能有效抑制EMD方法的端点效应,可以得到较好的结果.     

基于改进EMD的结构损伤特征量提取

提出了一种解决经验模式分解法(empirical mode decompositino,简称EMD)端点效应的方法——端点筛选法。端点筛选法把以往一次性延拓或预测得到极值点、拟合包络线的过程替换为选点、拟合包络线、判别端点效应、再选点、再判断等多次循环筛选过程,并在此基础上提出了基于改进经验模式分解的损伤特征量提取方法。将基于改进EMD的损伤特征量提取方法应用于机翼盒段模型,提出了能反映复合材料机翼盒段损伤状况的损伤特征量——瞬时频率的相对变化量。随着损伤程度的逐渐增加,瞬时频率的相对变化量标准差越来越大。     

HHT端点效应的最大Lyapunov指数边界延拓方法

针对HHT(Hilbert-Huangtransfrom)的端点效应问题,提出基于最大Lyapunov指数预测模型的HHT边界延拓方法.该方法通过相空间重构,并利用时间序列相似点的演化行为,采用最大Lyapunov指数预测模型来对时间序列的端点进行预测,有效避免了不同边界条件的三次样条插值和Hilbert变换频谱泄露对...     

基于EMD和多特征组合的液压信号辨识方法

液压信号具有非平稳性、非线性、特征信息相近时难以正确辨识的特点 。针对该特点提出了一种经验模态分解（EMD）和多特征组合的信号辨识方法。该方法将信号自适应分解为若干个固有模态函数（IMF）;提取各IMF分量的能量、裕度、峰度、波动系数等特征参数,规范化后组合形成全局特征向量,并输入支持向量机（SVM）中学习和辨识。通过对液压主管压力信号处理表明：该方法能有效辨识特征信息相近的压力信号,在小样本下仍然具有较好的辨识率。     

EMD方法基于径向基神经网络预测的数据延拓与应用

把基于径向基神经网络(radbas function,RBF)预测的数据延拓技术引入经验模态分解(empirical mode decomposition,EMD)时频分析领域,论述基于RBF神经网络预测的数据延拓技术原理,通过对非线性仿真信号基于RBF神经网络预测延拓研究表明,该延拓技术是有效的,并且把该延拓技术应用于转子横向裂纹的时频分析,获得良好的效果.该研究成果能广泛用于信号时频分析领域.     

采用镜像延拓和RBF神经网络处理EMD中端点效应

在分析经验模态分解端点效应出现原因的基础上,采用镜像延拓法和径向基函数神经网络预测法对端点效应进行了研究,并对一组数值仿真信号和12层钢筋混凝土框架模型振动台试验实测得到的加速度信号进行了边界处理和经验模态分解。算例结果表明,这两种方法基于边界两端预测数据,都可以有效抑制端点效应对分析信号的影响,提高经验模态分解的效果。另外,对于复杂信号仅采用径向基函数神经网络延拓原始信号,对抑制端点效应的效果不很明显,而对复杂信号经滤波后先利用径向基函数神经网络预测、再利用镜像延拓进行处理,则可以明显抑制端点效应的影响。     

EMD方法基于AR模型预测的数据延拓与应用

把基于时间序列AR模型预测的数据延拓技术引入经验模态分解（EMD）时频分析领域，论述了基于AR模型的数据延拓技术原理，即先对原始数据进行AR建模，然后利用模型对该数据进行延拓。通过对非线性仿真信号基于AR模型的延拓研究表明，该延拓技术是有效的。把该延拓技术应用于转子横向裂纹的时频分析，能把横向裂纹转子的扭振所形成的相位调制现象检测出来，获得了良好的效果。     

基于经验模态分解与改进自适应阈值的边缘检测

经验模态分解(Empirical Mode Decomposition)是一种新的自适应的信号分解方法。文中利用二维经验模式分解的算法,通过过滤过程得到固有内模函数,然后利用多尺度分析提取不同尺度下的边缘,并与改进的自适应阈值方法结合对图像进行降噪处理。通过仿真实验,结果表明这种方法不仅能准确地检测出图像边缘,而且还有效地抑制了噪声,其性能优于传统的边缘检测算法。     

基于改进EMD的旋转机械耦合故障诊断方法研究

提出一种基于改进EMD的旋转机械耦合故障诊断方法。该方法结合相似极值延拓和加余弦窗函数运算的优点,解决了延拓部分不精确和加窗函数后使原信号发生改变的问题,提高了EMD方法的运算精度。应用该方法对存在裂纹碰摩故障的转子－轴承系统振动信号进行了特征提取,并进行了故障诊断,与单一故障特性相比,诊断出的振动信号既有裂纹引起的高频成分,也有碰摩引起的低频成分,得到的耦合故障特征证明了该方法的有效性。     

基于蚁群算法优化选取阈值的EMD消噪方法

为了改进经验模式分解(EMD)算法的消噪性能,在传统EMD消噪分解的基础上,参照小波阈值的消噪方法,提出了一种基于自适应阈值的EMD消噪方法。首先,建立去噪阈值和均方误差之间的对应函数,在所选阈值保证均方误差最小的前提下,利用具有较好全局搜索性的蚁群算法,根据建立的函数搜索阈值,克服了传统方法中硬阈值和软阈值固定选取的缺陷,实现了最优阈值的选取。仿真信号分析和实际轴承故障信号分析表明,该方法与传统的EMD消噪方法、软硬阈值分析方法相比,消噪效果更加明显。     

基于小波-中值降噪的经验模式分解及应用

为提高经验模式分解(EMD)质量,降低模式混叠,使分解得到的固有模式函数(IMF)序列能较好地反映设备的振动模式,针对EMD在信号处理方面存在的不足,利用小波消噪对高斯噪声的滤除作用,以及中值滤波对脉冲干扰较好的抑制作用,引入小波-中值组合滤波设计,对待分解数据进行预处理以滤除随机噪声并抑制脉冲干扰.将该方法应用到航空发动机振动信号处理中,能够有效减少各IMF的“筛选”次数和EMD分解层数,降低端点效应在EMD分解过程中的累积作用,抑制模式混叠现象.分解结果表明,使用组合滤波设计能更好地反映出发动机的振动模式和工作状态,并能获取表征高压转子和低压转子振动特征的数据分量.     

基于EMD与神经网络的煤岩界面识别方法

针对放顶煤中煤岩界面难以识别的问题,采用检测液压支架尾梁振动信号的方式进行了研究,提出一种基于经验模态分解(empirical mode decomposition,简称EMD)和神经网络的识别方法。首先,对振动信号进行经验模态分解,得到多个固有模态分量(intrinsic mode functions,简称IMF);然后,对各IMF进一步分析以提取特征参数;最后,选择若干个包含主要信息的参数组成特征向量作为神经网络的输入来识别落煤和落岩两种情况,实现煤岩界面的自动识别。实验结果表明,分别以各IMF的能量、峭度和波峰因子组成的特征向量均可用于识别煤岩界面,且当以能量组成特征向量时比其他两种方式具有更高的识别率。     

基于EMD复杂度与鉴别信息的磨削颤振预测

为避免磨削加工中出现颤振,提出一种基于经验模式分解(empiracal mode decomposition,简称EMD)复杂度与鉴别信息的颤振预测方法。采用经验模式分解对磨削加工中滤波后的振动信号进行分解,获得振动信号的本征特征函数;采用L-Z复杂度指标对本征特征函数进行复杂度分析,获得磨削颤振特征值;采用鉴别信息对复杂度变化进行量化,通过鉴别信息对磨削加工颤振进行预测。在外圆磨床实验平台对该方法的有效性进行了验证,分别采用变工件转速、变砂轮转速和变磨削厚度3种加工方式逼近颤振状态。分析结果表明,当磨削加工趋于颤振时对应的鉴别信息值增大。实验结果通过鉴别信息的大小可以对磨削加工中的颤振进行预测。     

基于GA的自适应最稀疏时频分析方法及应用

为解决自适应最稀疏时频分析（ASTFA）方法中初始相位函数的选择问题,采用遗传算法（GA）对ASTFA的初始相位函数进行优化,提出了GA-ASTFA方法。进一步研究了GA-ASTFA方法抑制模态混淆的能力,分析结果表明,GA-ASTFA能较好地抑制模态混淆,分解得到的分量信号精度高,且可抑制分解中的伪分量。最后将GA-ASTFA方法用于转子碰摩故障诊断,实验分析结果表明,GA-ASTFA方法能有效提取转子碰摩故障特征信息。     

EMD端点效应抑制的一种实用方法

根据工程上常见的非平稳随机信号可预测性差、波形不规则等特点,在研究和总结现有端点延拓方法的基础上,提出了一种实用的端点效应抑制方法——极值平移法。该方法以信号端点及其附近极值的特征作为延拓依据,分别在信号两端各添加2个极大值点和2个极小值点,以此达到抑制端点发散的目的。仿真信号和实测响应的分解结果表明,该方法计算效率高,可有效减轻端点效应对经验模态分解(EMD)结果的影响。     

自适应特征尺度分解方法及其应用

针对局部特征尺度分解（LCD）存在的模态混叠问题和其在均值曲线定义方面存在的不足,在对LCD方法研究的基础上,充分借鉴经验模态分解（EMD）和LCD等此类基于筛分的信号分解方法的思路,定义了一种新的瞬时频率具有物理意义的单分量信号--内禀致密尺度分量（ICC）,并提出了一种新的自适应信号分解方法--自适应特征尺度分解（ACD）方法。同时,给出了ICC分量评价准则,通过对ACD每阶筛分中由不同均值曲线和致密系数取值得到的一组不同的分解分量进行对比,选取最优分量作为该阶筛分的ICC分量,从而保障最终分解效果优于LCD方法分解效果。对仿真信号的分析结果证实了ACD方法的分解效果优于EMD、LCD、总体平均经验模态分解（EEMD）和自主致密局部特征尺度分解（ACLCD）方法的分解效果;对实验数据的分析结果验证了ACD的有效性,从而为旋转机械故障诊断提供了一种新的方法。