基于小波包的经验模态分解法的研究及应用

针对多频信号经验模态分解中的模态混成现象，提出了一种经验模态分解与小波包分解相结合的新方法。经验模态分解方法基于信号的局部特征时间尺度，把复杂的信号函数分解为有限的固有模态函数之和。利用最小Shannon熵准则，对出现混成模态的固有模态函数进行小波包分解，并根据小波包分解后各频带信号的频率分布特征，选择能量比重较大的频带信号进行重构，将重构信号作为新的固有模态函数分量。仿真信号和齿轮箱故障实测数据表明，新方法能将不同的频率成分提取出来，从而提高了经验模态分解的分解能力。     

基于经验模态分解与神经网络的结构故障诊断

采用经验模态分解对简支梁振动信号进行分解,对分解得到的前4个固有模态函数分别求其能量百分比,并作为神经网络的输入向量.用17种工况的8组样本训练了简支梁故障诊断的神经网络模型.应用该法结果表明,2组测试样本的测试结果均与实际状况相一致,故可检测出结构的故障、故障的类型和故障的位置.     

改进的经验模式分解方法及其在图像边缘检测中的应用

边缘检测是图像处理与识别中最基础的内容之一,二维经验模式分解方法(BEMD)在非平稳信号的处理应用中具有很多独特的优点,但一般的算法速度较慢,本文提出了一种基于经验模式分解的改进算法,实验表明,改进后的算法能快速得到较为理想的边缘信息.     

基于经验小波变换的机械故障诊断方法研究

经验小波变换(EWT)是一种新的自适应信号分解方法,该方法继承了 EMD 和小波分析方法的各自优点,通过提取频域极大值点自适应地分割傅里叶频谱以分离不同的模态,然后在频域自适应地构造带通滤波器组从而构造正交小波函数,以提取具有紧支撑傅立叶频谱的调幅-调频(AM-FM)成分。本文将该方法引用到机械故障诊断中,提出了一种基于经验小波变换的机械故障诊断方法,并与EMD方法进行了对比分析。仿真结果表明,经验小波变换方法明显优于EMD方法,能有效地分解出信号的固有模态。与 EMD 相比较,该方法具有分解的模态少,不存在虚假的模态,计算量小,且在理论上具有易理解性等特点。最后将该方法应用到转子碰磨故障诊断中,实验结果进一步验证了该方法的有效性,能够有效地揭示出碰磨故障数据的频率结构,区分碰磨故障的严重程度。     

一种基于多场景模式的结构损伤鉴定方法

结构损伤会直接影响结构模态参数的变化,但是如何利用结构模态参数的变化找到结构损伤部位及损伤级别是一项具有挑战性的工作,因为结构损伤鉴定是一个具有高度不确定性的反问题.文中提出了基于多场景模式的损伤鉴定方法,它通过预设较少的损伤场景来克服这一问题:首先建立一个高置信度的有限元模型,然后利用该模型预测不同损伤模式对结构模态参数的影响,最后将结构损伤鉴定问题转化为各场景模式对模态参数变化影响的合成问题.文中还通过简单实例完成了方法验证.     

经验模态分解及其在降噪方面的应用

详细介绍经验模态分解(EMD)方法,描述了EMD算法实现步骤;通过EMD分解,任何信号序列都可分解为一系列不同尺度的固有模态函数(IMF),这种分解方法是从信号本身的尺度特征出发对信号进行分解,具有良好的自适应性,非常适合对非线性非平稳信号进行分析,并列举实例证明了其有效性.同时,提出了一种基于EMD的小波阈值降噪方法...     

基于经验模式分解的数字曲线光顺算法

将数字曲线视为离散几何信号，提出了一种基于经验模式分解（EMD）的数字曲线光顺算法。该算法对数字曲线进行一维参数化，将曲线展开成一维信号；采用EMD对展开信号进行多分辨率分解，得到不同尺度下的内蕴模式函数（IMF），去除高频的IMF，重构信号；将重构信号逆映射回二维，得到光顺后的曲线。实验结果表明，该算法可得到很好的曲线光顺效果。     

基于经验模态分解的电力系统机电振荡模式识别方法研究

当前机电振荡模式识别多采用粒子滤波算法,此方法易受到信号高频成分波动影响,导致识别准确性较低。为此,提出了基于经验模态分解的电力系统机电振荡模式识别方法。该方法对原始振荡信号进行去噪处理,还原真实信号,采用经验模态分解算法分解信号,并提取振荡参数,通过设计阈值门限准则,抑制高频波动,以此为依据,计算求取不同振荡模式下的状态参数,由此实现机电振荡模式的识别。对比实验结果表明,在电力系统机电振荡模式识别中,该方法具有更高的识别准确性。     

新型经验模式分解端点效应消除方法

对经验模式分解(Empirical mode decomposition, EMD)的端点效应进行深入分析,指出现有延拓方法的不足,对基于正弦函数延拓的方法进行改进,分析不同的延拓周期、延拓信号长度及信号端点值对EMD分解的影响,并与镜像延拓EMD分解方法进行了分析比较。在此基础上,提出一种基于指数正弦型延拓方法的EMD分解,它从原理上减小了延拓信号端点包络线的发散程度,从而提高了EMD分解精度和速度,并对其进行了仿真分析。研究结果表明,新的延拓方法优于传统的延拓方法,能较好地抑制EMD端点效应。     

基于经验模态分解的滚动轴承故障诊断方法

提出了一种基于经验模态分解的滚动轴承故障诊断方法，并定义了能量熵的概念。从不同状态的滚动轴承振动信号的能量熵值中发现，当滚动轴承发生故障时，各频带的能量会发生变化。为了进一步对滚动轴承的状态和故障类型进行分类，再从若干个包含主要故障信息的IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障振动信号的分析结果表明，以经验模态分解为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

基于EEMD的行星齿轮箱齿轮裂纹损伤定位

针对行星齿轮式变速箱的齿轮裂纹损伤难以提取特征频率和定位的问题,提出基于总体平均经验模式分解(ensemble empirical mode decomposition,简称EEMD)的齿轮局部损伤频率解调分析方法。该方法在建立的齿轮局部损伤振动信号模型的基础上,分别对太阳轮、齿圈、行星轮的裂纹损伤信号进行EEMD分解和频率解调分析,通过频谱图提取齿轮的局部损伤特征频率,从而识别变速箱中裂纹损伤齿轮的位置。综合仿真分析和试验结果表明,基于EEMD的齿轮局部损伤频率解调分析方法可以有效地提取太阳轮、齿圈和行星轮的裂纹损伤特征频率,实现行星齿轮式变速箱中齿轮裂纹损伤的定位。     

基于EMD和非线性峭度的齿轮故障诊断

采用经验模式分解(empirical mode decomposition,简称EMD)和非线性峭度的统计特性对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用EMD分解获得振动响应信号的本征模式函数,用非线性Tea-ger能量算子计算每个本征模式函数的瞬时能量,并对本征模式函数进行系数的非线性峭度计算,提取系统的特征信息。仿真结果表明,用经验模式分解和非线性峭度可实现在线监测齿轮运转工作状态,及时发现齿轮的早期故障,提高了故障检测的可靠性。     

应用EMD和双谱分析的故障特征提取方法

针对传统双谱分析从理论上仅能抑制高斯噪声,但对非高斯噪声无能为力的不足,提出了一种利用经验模式分解(empirical mode decomposition,简称EMD)和双谱分析的故障特征提取方法,并应用于滚动轴承故障诊断中。首先,对信号进行EMD分解;其次,利用能量相关法去除EMD分解过程中出现的伪本征模态分量(intrinsic mode function,简称IMF);最后,对得到的真实IMF进行双谱分析提取故障特征。仿真和实验结果表明,所提出的方法优于功率谱分析和传统双谱分析,能够更有效地提取强噪声背景下的机械故障特征信息,为滚动轴承的故障特征提取提供了一种新的方法。     

基于经验模态分解的改进乘性噪声去除方法

乘性噪声往往由不理想的(时变的或非线性的)信道引起,它与信号是相乘的关系,因此难以消除。在乘性噪声消除应用背景下,引入同态变换去除噪声与信号的相倚性,将乘性噪声转化为加性噪声,并应用经验模态分解技术进一步研究受均匀分布白噪声污染的谐波信号及其同态变型的能量分布特性,据此建立起适用于乘性噪声去除的本征模函数幅值滤波新阈值准则。从而,形成基于经验模态分解的改进乘性噪声去除方法。结果表明,采用柔性阈值的改进算法对乘性噪声的去除效果最佳。而且,基于二阶多项式回归分析所构建的本征模函数幅值滤波阈值准则已经可以获得较高的源信号重建精度,过高的多项式阶次会导致本征模函数幅值滤波阈值与其实际噪声能量水平的失配,从而显著地降低算法的去噪性能。     

基于EMD和支持向量机的柴油机故障诊断

为了解决传统小波或小波包变换方法对柴油机振动信号频率分辨率不高、易受邻近谐波分量间交叠影响的缺陷,提出了一种基于经验模态分解和支持向量机的故障诊断方法。该方法首先对振动信号进行经验模态分解,分别提取能量最大的几个基本模式分量的小波包特征;然后采用支持向量机在每个独立的特征子集中进行训练,并按该子集对应的基本模式分量的能量权重进行加权融合。试验中将该方法应用于6135型柴油机的故障诊断,结果表明,针对每个基本模式分量分别进行故障分析是可行的,能够对6135型柴油机常见故障模式进行准确识别。     

基于吸引子SVD降噪的改进EMD法

基于经验模式分解(empirical mode decomposition,简称EMD)分解出的基本模式分量往往会因为原始数据中的一些异常数据和高频噪声而丧失明确的物理意义。因此,提出了一种基于系统重构吸引子奇异值分解(singular value decomposition,简称SVD)降噪的EMD分解方法。在改进方法中,原始信号经SVD降噪后分解出了原信号中的有用成分和冗余成分,对有用成分进行EMD分解可以减少原信号中冗余成分对EMD分解能力的干扰,提高EMD分解能力,使得分解出的基本模式分量更加具有实际意义,更加有利于特征的提取。     

经验模式分解的改进及其对球轴承缺陷的诊断

在分析经验模式分解存在问题的基础上，改进了经验模式分解的算法，提出用窗口平均法取代原极值包络法来计算局部均值。给出了窗口平均法的具体算法，并通过模拟信号进行了验证。结果表明，改进的算法减少了三次样条插值使用的次数，从而减少了信号分解的时间，并且所有的数据都参与了局部均值的计算，提高了数据的利用率。同时，用改进的EMD方法取代传统包络分析中的带通滤波器，对实际的缺陷轴承进行了诊断。结果表明，经验模式分解方法比传统的包络分析更有效。     

基于经验模态分解方法的圆度误差评定方法研究

针对圆度误差测量过程中因干扰信号影响估计精度的问题,提出基于经验模态分解的圆度误差评定方法。圆度误差测量数据包含多种信号成分,其中圆度误差信息只包含于表面形状误差信号,表面粗糙度误差信号、表面波纹度信号及噪声信号为干扰成分。利用具有数据自适应性的经验模态分解对圆度测量信号进行分解,实现各类信号成分分离;采用信号波数作为各信号成分的分离指标,实现形状误差信号提取,并利用其估计结构圆度误差。通过数值仿真和实例分析验证方法的有效性。