复线隧道爆破振动信号的HHT分析

结合现场采集到的爆破信号,从实践验证HHT(Hilbert-Huang Transform)理论在爆破振动信号处理中的可行性。首先采用经验模态分解(EMD)提取爆破振动信号的固有模态函数(IMF)分量,对主成分分量作Hilbert变换,提取其包络曲线,得到实际延时爆破中的延时时间。再对原始信号经EMD得到的IMF分量进行Hilbert变换,得到信号的Hilbert能量谱,并从瞬时能量的角度研究了爆破振动不同频率的能量作用机理。从而验证了HHT方法的自适应强和高效性在爆破振动信号分析中的优良特性。     

复线隧道爆破振动信号的HHT分析

结合现场采集到的爆破信号,从实践验证HHT(Hilbert-Huang Transform)理论在爆破振动信号处理中的可行性。首先采用经验模态分解(EMD)提取爆破振动信号的固有模态函数(IMF)分量,对主成分分量作Hilbert变换,提取其包络曲线,得到实际延时爆破中的延时时间。再对原始信号经EMD得到的IMF分量进行Hilbert变换,得到信号的Hilbert能量谱,并从瞬时能量的角度研究了爆破振动不同频率的能量作用机理。从而验证了HHT方法的自适应强和高效性在爆破振动信号分析中的优良特性。     

基于EMD的时间尺度去噪方法的研究

研究利用Hilbert-Huang变换中的经验模态分解(EMD)与希尔伯特变换(Hilbert)来进行信号瞬时参数的提取。构造了时间尺度滤波器,结合经验模态分解(EMD)获得有限数目的分段固有模态函数(IMF)的多特征尺度参数的特征进行非平稳信号的滤波,仿真实验验证了该法的可行性。     

基于EMD和MKD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出基于经验模态分解(Empirical Mode Decomposition,EMD)与最大峭度解卷积(Maximum Kurtosis Deconvolution, MKD)的滚动轴承故障特征提取方法。利用EMD方法分解振动信号得到一组固有模态分量(Intrinsic Mode Function,IMF),然后根据时域峭度和包络谱峭度,筛选出敏感IMF分量进行信号重构。然后对重构信号进行最大峭度解卷积处理以增强故障信息,最后得到包络功率谱,从而获得轴承故障特征频率信息。通过实验台信号验证了所述方法的有效性及优点。     

基于调频EMD的结构非线性辨识方法研究

提出了调频EMD方法,克服了原EMD方法在密集频率情况下容易产生固有模式函数(Intrinsic Mode Function,IMF)混淆的弱点,可以较好地分解相对密集频率的弱非线性信号,得到物理意义相对明确的IMF。与Hilbert-Huang变换相结合,有效地识别多自由度弱非线性系统瞬时模态信息的变化过程。通过数值仿真计算证明了调频EMD方法的有效性。利用调频EMD方法对Humber大桥的主梁两自由度节段模型自由气弹振动信号进行识别,揭示了该耦合系统的非线性。     

基于Hilbert-Huang变换的心率变异信号分析

提出一种基于Hilbert-Huang变换(HHT)的心率变异信号分析的新方法。心率变异分析被广泛应用于评估心脏自律功能以及疾病诊断领域。为获得更多心率信号内在特征,首先利用经验模态分解(Empirical Mode Decomposi-tion,EMD)方法将信号分解为一组固有模态函数(Intrinsic Mode Function,IMF),运用Hilbert变换计算并分析各层IMF的瞬时频率和瞬时幅值,从而获取信号所包含的内在信息、心率变异突发时刻和变化趋势。结合积分脉冲频率调制(Inte-gral Pulse Frequency Modulation,IPFM)模型模拟出的心率信号以及真实的心率信号,利用小波分析方法以及HHT方法对心率信号进行对比分析,实验结果证明了HHT方法的可行性,显示了该方法相对于小波分析方法的优势。     

基于HHT的管道阀门内漏声发射检测研究

针对管道阀门内漏声发射信号的非平稳特征,提出将总体平均经验模式分解(EEMD)和希尔伯特变换相结合的希尔伯特黄变换(HHT)方法应用于管道阀门内漏声发射检测中。利用EEMD方法将阀门内漏声发射信号自适应分解为一簇本征模态函数(IMF),并对分解后的信号进行Hilbert谱和HHT边际谱分析,可以提取到阀门内漏声发射信号的本质特征,突破常规时频分析的非线性信号局限性以及经验模式分解(EMD)造成的模态混叠现象;相比于STFT频谱,Hilbert谱具有较高的时频分辨率,最后对信号的Hilbert边际谱分析确定了内漏信号的主要作用频率。该方法可以有效的应用于阀门内漏声发射检测中。     

EMD信号分析方法的声发射管道泄漏检测研究

针对管道泄漏声发射检测信号的非平稳特征,提出了基于经验模态分解(EMD)的信号分析方法。该信号分析方法将管道泄漏产生的声发射信号通过EMD分解为多个平稳的固有模态函数(IMF)之和,选择包含声发射特征的若干IMF分量进行重构,可以提取到管道泄漏声发射信号的本质特征,消除噪声信号的干扰。通过对重构后的信号进行互相关分析计算,使基于声发射方法的管道泄漏检测的定位精度得到较大提高,验证了Hilbert-Huang变换是表征声发射信号的非平稳特征及信号参数提取的有效工具。     

多分辨Hilbert边际谱在旋转机械故障诊断中的应用

针对旋转机械故障振动信号的非平稳性特征,提出了一种基于多分辨Hilbert边际谱变换的旋转机械故障诊断方法.Hilbert-Huang变换是一种新的自适应信号处理方法,通过经验模态分解方法(EMD)可以获得一系列固有模态函数(IMF),通过对故障信号的多阶IMF分量进行边际谱分析,提取旋转机械故障信号.实验结果表明,基于多分辨Hilbert边际谱的变换能够有效地提取旋转机械故障特征.     

自适应MED结合EMD诊断滚动轴承早期故障

针对最小熵解卷积(MED)降噪效果受滤波器长度影响问题,提出一种利用步长迭代算法和包络谱熵检验准则的自适应MED降噪方法,并结合经验模态分解(EMD)提取滚动轴承微弱故障特征。首先利用自适应MED降噪方法对原信号进行最优降噪处理,然后通过EMD将降噪信号分解为若干个本征模函数(IMF)分量,再选取峭度值最大的IMF进行包络谱分析,根据包络谱中故障特征频率实现故障诊断。仿真信号和实测信号分析结果表明其优于基于EMD的包络解调方法。     

基于EMD和MFCC的舒张期心杂音的分类识别

心音信号是一种具有非线性和非平稳特性的振动信号,基于线性时变或时不变模型的特征提取方法势必会忽略信号的一些内在信息,为了更好的反映心音的本质特征,提出了一种经验模式分解(Empirical Mode Decomposition,EMD)结合Mel频率倒谱系数(Mel-Frequency Cepstrum Coefficient,MFCC)的舒张期心杂音的分类识别方法。心音信号经EMD分解得到有限个固有模态函数(Intrinsic Mode Function,IMF),利用互相关系数准则筛选出主IMF分量,分别提取主IMF分量的MFCC、MFCC的一阶差分系数和Delta值,以此作为隐马尔科夫模型的输入向量,实现对临床采集的正常心音和2类舒张期心杂音分类识别,实验结果表明,该方法能有效的识别心音。     

HHT在复合材料机翼盒段结构小损伤检测中的应用

提出一种检测结构微损伤的时域：疗法，利用HILBERT-HUANG变换技术，研究了悬臂机体盒段结构的损伤振动检测问题，并引入轴对称信号扩展法解决EMD过程中的端点效应。用EMD技术分解完好盒段与损伤盒段在方波信号激励下的动力响应信号，得到一系列IMF分量；然后求出各阶IMF分量对应的瞬时频率，从中提取出结构损伤信息一瞬时频率变化量，作为损伤特征参数；并研究了将之作为损伤特征参数的抗噪声干扰能力。     

基于自适应最稀疏时频分析的结构损伤检测方法EI北大核心CSCD

研究了一种新的自适应时频分析方法——自适应最稀疏时频分析(ASTFA)方法,并将其运用于结构振动响应分析,提出了基于ASTFA的结构损伤检测方法。ASTFA方法在EMD方法和压缩感知的基础上,建立包含所有IMF分量的过完备字典,通过寻找原信号的最稀疏表示,将信号分解问题转化为非线性优化问题,在目标优化的过程中实现信号的自适应分解,并直接得到各个分量的瞬时频率和瞬时幅值。在介绍ASTFA的基础上,对ASTFA和EMD进行了对比,结果表明了ASTFA方法的优越性。利用ASTFA方法识别了结构的模态参数,提出了基于分量信号瞬时频率和瞬时能量的损伤指标,对结构损伤进行了检测。对实际信号的分析结果表明,ASTFA方法可以有效地应用于结构损伤检测。     

基于IMF-SVD包络谱法的轮对轴承故障检测方法研究

针对经验模态分解(empirical model decomposition,EMD)所得的本质特征函数(intrinsic model function,IMF)之间存在相互耦合、难以清晰提取高速列车轮对轴承的故障特征问题,提出一种轮对轴承故障检测的新方法。该方法的核心是应用EMD自适应地分解轴承振动信号,得到多尺度的IMF,应用单尺度的IMF信号构造Hankel矩阵,对该矩阵进行奇异值分解(singular value decomposition,SVD),应用奇异值的差分谱来选择其关键奇异值,对关键奇异值进行奇异值重构,通过重构信号的包络谱分析来检测轮对轴承的故障。利用高速列车轮对轴承故障数据对该检测方法和模型进行验证,结果表明:该方法能够清晰地提取表征轴承故障特性的基频、倍频成分,突显故障频率特征,具有一定工程应用前景。     

一种基于改进EMD分解人车地震动信号识别算法

为解决在野外环境中对低信噪比人车地震动信号进行正确识别的问题,该文提出一种基于希尔伯特包络线提取和改进经验模态分解的信号分解方法——协方差叠加经验模态分解的人车地震动信号识别算法。首先对目标的地震动信号进行希尔伯特变换,对其进行平滑,获取信号的包络线,然后对包络线进行EMD分解后运算协方差选出一个与原信号最相关的IMF和一个最无关的包含高频噪音的IMF作差平均并加回原信号中实现对原信号的信噪比提升。再次进行EMD分解从而得到具有高信噪比的新IMF分量。通过对所得到的IMF分量进行时频域的信号分析就可以实现对于目标地震动信号的特征提取,最后使用随机森林分类算法对信号进行分类,从而实现对人车目标的识别和分类。最后识别准确率大于90%,高于其他传统方法在该环境下的识别率。     

基于改进EMD和滑动峰态算法的滚动轴承故障特征提取

针对滚动轴承故障特征往往被强背景噪声淹没的特点,提出一种基于改进经验模态分解(Empirical Mode Decomposition,EMD)与滑动峰态算法的滚动轴承故障特征提取方法。首先利用EMD方法分解原故障信号得到一组平稳固有模态分量(Intrinsic Mode Function,IMF)。然后采用互信息和广义相关系数筛选法消除传统EMD分解结果中虚假分量,并运用滑动峰态算法对真实IMF分量处理得到滑动峰态时间序列。最后计算滑动峰态序列频谱提取故障特征频率。滚动轴承的实例研究结果表明：该方法能够有效提取滚动轴承故障特征,可以取得比直接滑动峰态算法和传统包络解调分析更好的效果。     

基于改进变分模态分解和快速谱峭度图的滚动轴承检测方法

针对滚动轴承早期故障信号微弱、复杂且提取困难的问题,提出一种基于改进变分模态分解(Variational Mode Decomposition,简称VMD)和快速谱峭度图的滚动轴承检测方法。首先利用粒子群算法对VMD最佳影响参数组合进行搜索,采用多尺度模糊熵(Multiscal Enproty,简称MSE)作为适应度函数,并利用优化参数的VMD对原始信号进行分解,得到多个本征模态分量(Intrinsic Mode Function,简称IMF);其次计算原始信号和各模态分量的快速峭度图;再次找出原始信号和各个IMF谱峭度最大值所处的频带区间;然后通过比较原始信号和IMF谱峭度最大值所处频带区间的从属关系来选择最佳IMF;最后,重组最佳IMF并通过共振解调技术求其包络谱图。实验结果表明基于改进变分模态分解和快速谱峭度图的滚动轴承检测方法能更有效诊断出滚动轴承的早期故障。     

基于EMD和能量比的战场声目标分类与识别

采用线性预测方法对信号进行边界延拓,改进EMD方法,应用EMD(经验模态分解)对战场声信号进行分解,对分解得到的有限个IMF(本征模态函数)进行FFT,求得其相应的幅值谱,进而得到其能量.选择每一个IMF的能量相对于原始信号总能量的能量比作为特征向量,并将其归一化.最后,设计神经网络分类器对不同类战场声目标进行分类与识别.实验结果表明,基于EMD和能量比的战场声目标分类与识别,分类效果显著,识别率较高.     

HHT在爆裂噪声检测中的应用研究

该文应用一种新型的非线性非稳态信号处理方法——希尔伯特黄变换(hibert huang tramsform,HHT)进行逆变器中低频噪声-爆裂噪声的检测与定位,该方法利用经验模态分解(empirical mode decomposition,EMD)将待测信号分解为各基本模态分量(intrinsic mode function,IMF),然后对所得IMF进行自适应阈值去噪。经希尔伯特变换(hilbert transform,HT)后,其瞬时振幅与瞬时频率即可清晰表现出爆裂噪声特点与准确突变位置与时长。通过与小波去噪和小波模极大值去噪检测进行对比分析可得,该方法可以同时从时频两方面对信号进行分析,能够实现对故障信号的准确检测与定位。     

基于无线测量的轧机扭转振动的分析

采用无线测量的方式采集轧机主传动轴的扭转振动信号,避免了在测试中的复杂布线,摆脱了被测环境和条件的限制。对采集的信号进行EMD分解,提取信号的固有模态函数（IMF）,对IMF分别进行Hilbert变换后,组合得到Hilbert时频谱和Hilbert边际谱。通过对IMF分量、时频谱和边际谱的分析,得到轧机的振动形态。通过建立采集系统和对实际振动信号的分析,得到信号所含有的振动形态,验证了该方法的正确性和有效性。