一种抑制EMD端点效应新方法及其在信号特征提取中的应用

经验模式分解(EMD)的端点效应一直是困扰其工程实用性的难点问题,结合端点效应产生机理和现有的研究成果,提出了一种基于端点优化对称延拓(End Optimization Symmetric Extension,EOSE)的抑制EMD端点效应新方法.通过对信号和其包络线的偏差评价函数的最小化计算,获取最佳的信号端点值,在此基础上延拓信号的上、下包络线将最大化地逼近原始信号两端点,在EMD后续"筛选"固有模态分量(IMF)过程中抛弃两端延拓的数据,将端点效应释放到原始信号的以外.将原EMD、基于EOSE改进EMD和基于时间序列建模(ARMA)改进EMD3种方法进行对比分析,仿真和实验结果表明,基于EOSE方法抑制EMD端点效应的效果最好,能够精确提取出旋转机械振动信号的典型故障特征,运算效率较高.     

爆破地震波信号EMD端点效应抑制研究

针对爆破地震波信号经验模态分解(EMD)得到的IMF在端点处的发散现象，提出一种同时考虑信号端点发展趋势和全局时间-能量联合参数的改进EMD端点效应抑制算法。该算法首先考虑端点变化趋势得到延拓后的边界局部特征尺度X₀,再计算X₀的能量E₀,找到原始信号中和E₀最匹配的分段信号X_k,最后用X_k代替X₀进行EMD。通过建立仿真信号，验证该算法和常规端点效应抑制算法相比，对EMD端点效应具有更好的抑制能力，能够得到精度更高的IMF。最后将该算法用于实际爆破地震波信号分解中，发现提出的算法能够有效抑制EMD端点效应，有利于爆破地震波信号细节特征参数的提取。     

一种EMD改进方法及其在旋转机械故障诊断中的应用

针对经验模态分解(Empirical Mode Decomposition, EMD)中存在的端点效应问题,提出一种波形特征匹配延拓与余弦窗函数相结合的改进方法。首先对信号进行波形特征匹配延拓,实现延拓数据与原信号交界处的光滑过渡,避免边界处瞬时频率的跳跃;其次针对该延拓方法存在延拓误差的问题,对信号加余弦窗处理,将延拓误差控制在信号两端,使其无法(或以较慢速度)向数据内部发展,保证信号有效数据的正确分解,提高信号的分解精度,实现EMD算法的改进。通过仿真分析和不对中故障诊断实例研究表明,该方法能较好地抑制EMD端点效应,实现旋转机械故障的有效诊断。     

利用微分算子增强EMD算法频带分解能力

针对传统经验模态分解(EMD)方法中信号所含频率分量较接近易出现模态混叠现象,导致分解出的本征模态函数失去原有物理意义问题,提出改进算法。将原始信号频带信号微分;对微分信号进行EMD分解;将所得IMFs进行积分处理获得原始信号有效的IMFs,能抑制EMD分解过程中的模态混叠现象。仿真计算与实际工程应用表明,该方法优于传统EMD算法,可有效分离频率接近的本征模态函数,扩大EMD方法的适用范围。     

基于BLCS-AME的爆破地震波信号EMD端点效应抑制研究

针对爆破地震波信号经验模态分解(Empirical Mode Decomposition, EMD)固有的端点效应问题,提出了一种基于边界局部特征尺度自适应匹配延拓(Boundary Local Characteristic Scale and Adaptive Matching Extension, BLCS-AME)的EMD端点效应抑制方法。该方法将原始信号全局时间参数之间的内在联系和信号在端点处幅值参数的局部变化趋势进行联合考虑,得到了延拓后的边界局部特征尺度(BLCS),再以BLCS为研究对象,在原始信号中找到与BLCS匹配度最高的一组时间序列,最后将该时间序列平移到端点处进行EMD,即可实现基于BLCS-AME的EMD端点效应抑制处理。通过多种方法仿真信号EMD端点效应抑制的对比分析,可得出结论：与常规端点效应抑制方法相比,BLCS-AME方法对EMD端点效应具有更好的抑制能力,能够得到精度更高的固有模态函数(Intrinsic Mode Function, IMF),研究结果更能反映信号的内在属性。最后将该方法用于实际爆破地震波信号EMD中,进一步验证该方法能够有效抑制爆破...     

改进EMD端点效应电力系统HHT谐波检测研究

为对电力系统谐波进行有效的检测,提出一种改进的基于镜像延拓的方法对信号数据边界进行端点处理。通过对端点和极值点的判断比较来选取镜面进行延拓,按照包络原则对延拓之后的信号进行经验模态分解(EMD),并得到IMF分量。仿真实验结果表明:改进后的方法幅值及频率检测准确度明显优于改进前,能够有效改善EMD端点效应,准确快速地分解出各种模态的谐波,适用于电力系统谐波的检测。     

Hilbert-Huang变换端点效应问题的探讨

为了克服Hilbert-Huang变换中的端点效应，利用时变参数ARMA（Autoregressive Moving Average）模型对信号进行外延后再进行EMD（Empirical Mode Decomposition）分解，在一定程度上克服了EMD方法的端点效应问题；同时利用时变参数ARMA模型对IMF（Intrinsic Mode Function）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，可以得到准确的瞬时频率和瞬时幅值。     

基于粒子群优化的改进EMD算法在轴承故障特征提取中的应用

经验模态分解(Empirical Mode Decomposition,EMD)作为一种数据驱动的自适应信号分解方法,在轴承故障特征提取中有着广泛应用。针对EMD自身存在的模态混叠、端点效应以及三次样条插值带来的过冲/欠冲问题,同时考虑到有理Hermite插值方法具有一个形状控制参数,为选择最优的插值曲线提供了可能,基于此,提出了一种基于粒子群优化(Particle Swarm Optimization,PSO)的改进EMD算法,选定频率带宽作为IMF优劣评判准则,并以此作为PSO的评价函数;在筛分过程中,从众多不同形状控制参数对应的分解结果中寻找最优IMF从而确定最优形状控制参数;在每阶分解结果中都能保证所得IMF是最优的,从而达到更好的自适应性及更高精度。为验证所提出方法的有效性,采用传统EMD、EEMD与该算法对仿真信号进行处理、对比,并通过计算相关技术指标进行了验证。最优将其应用于滚动轴承故障特征提取,并与传统EMD算法、EEMD进行对比,包络谱结果显示,改进后的EMD算法具有更好的分解效果,抑制干扰并能提取出更多故障信息。     

基于改进EMD方法的系统误差分离方法研究

针对测量中系统误差存在复杂的变化规律,将改进的经验模态分解(EMD)方法用于系统误差分离过程,突破传统分离方法限制。采用基于波形相似度的端点延拓方法有效抑制端点效应;基于累计方差贡献率的分解停止准则,合理确定停止时机。仿真与实例分析结果表明,改进的经验模态分解方法在系统误差分离中效果较好。     

基于改进的希尔伯特振动分解的机械故障诊断方法研究

针对多分量机械故障振动信号的特征提取问题,介绍一种基于希尔伯特振动分解(HVD)的时频分析方法。该方法首先利用Hilbert变换得到原始振动信号的解析信号,然后通过对解析信号的瞬时频率低通滤波获得信号中幅值最大分量的瞬时频率,同时经同步检测获得相应的瞬时幅值和初相位,最后经过迭代运算自适应地检测出原信号各分量的时频信息。针对HVD方法的边界效应问题,提出一种基于相关系数准则的波形匹配边界延拓法对其进行改进。通过两组仿真信号分析验证了HVD方法对多分量非平稳信号的分解能力,同时表明改进的HVD方法能很好地抑制边界效应。给出转子系统油膜涡动故障诊断实例,验证了该方法的工程实用性。