基于小波包和EMD的HHT时频分析方法在航空试验器轴承故障诊断中的应用

为适应高转速要求,航空试验器轴承通常选用陶瓷的球体和复合材料的保持架。这种轴承发热量小,同时保持架材料具有轻且脆的结构特点。轴承振动经过试验器传递到振动传感器后,常规的振动采集与温度监控都很难识别出有效的轴承故障信息,无法对轴承故障进行准确预判。针对这一问题,提出一种基于小波包、经验模态分解(EMD)和Hilbert-Huang变换(HHT)组合的轴承振动信号分析方法。首先,通过小波包对振动噪声的抑制作用,经由EMD方法,对非平稳信号进行平稳化处理;之后,通过HHT时频分析提取出轴承的故障频率。通过将仿真信号和航空试验器的高速工装轴承的故障试验信号进行对比分析,验证了该技术对提取该类轴承故障特征的有效性,可为轴承故障早期诊断方法的研究提供参考。     

基于信号先验知识的几种时频分析法

时频分析方法分为线性、二次型和自适应等多种方法,它们提供了在时频二维平面上,分析信号时变功率谱的有效手段。由于这些方法各有优缺点,因此在实际应用中应根据被分析信号的先验知识,对不同类型的信号采用不同的时频分析方法,以取得对时频分辨率的均衡,并尽可能抑制交叉项干扰。根据对一些典型信号模型,分别按不同的时频分析方法进行的分析,找出了适合于各信号模型的不同时频分析法。模拟分析结果证明,对于时频汇聚性能较好的高斯类信号和跳频信号,采用自适应方法可以取得较好的分析效果;而对于频率随时间变化较大的调频类信号,则采用STFT或WVD效果较好。同时还讨论了时频分析方法在图象分析与处理中的应用。     

基于EMD和BP网络的轴承故障诊断方法

故障轴承的振动信号是非平稳信号,传统的非平稳信号分析手段存在许多不足;BP网络能够出色地解决传统识别模式难以解决的复杂问题。提出了经验模态分解(EMD)与BP神经网络相结合的滚动轴承故障诊断方法。采用EMD方法对振动信号进行分解,得到组成信号的多个内禀模态分量(IMF),提取重要的IMF分量的能量作为信号的特征量;采用BP网络作为模式分类器,对轴承的故障类型进行分类。经试验数据分析证明,该方法能够准确地对轴承故障进行诊断。     

EMD在语音情感识别中的应用与研究

语音情感计算引起了国内外广泛的关注,特别是在语音情感特征提取方面做了大量的研究。利用经验模态分解(EMD)方法对情感语音进行处理,得到情感语音的前4阶固有模态函数(IMF),并将前4阶IMF分别通过Hilbert变换得到其瞬时频率和瞬时振幅。提取它们的统计特征,再结合情感语音的声学特征共同组成情感特征向量,并对特征向量做归一化处理。利用支持向量机(SVM)对四种情感语音即生气、高兴、悲伤和平静进行识别。实验结果表明该方法的识别效果较好。     

基于ICEEMDAN与Teager能量算子的牵引供电系统谐波检测算法

针对传统的谐波检测算法无法分析牵引供电系统中的非线性、非平稳谐波的问题,文章提出一种基于改进自适应噪声的完整集合经验模态分解（ICEEMDAN）与Teager能量算子（TEO）相结合的谐波检测算法。其先将待测信号经ICEEMDAN得到一组固有模态函数（IMF）分量,再通过筛除虚假分量,得到真实的IMF分量;然后,对各个IMF分量进行Teager能量算子（TEO）解调,得到谐波分量的幅值与频率随时间变化的图像。经分析得出,ICEEMDAN作为希尔伯特-黄变换（HHT）中的重要步骤经验模态分解（EMD）的改进算法,相较EMD的其他改进算法,其抑制模态混叠的效果最佳,并具有良好的自适应性,在处理非线性非平稳信号时有着很好的表现;而TEO能准确检测出谐波的瞬时幅值与频率,并快速响应信号的变化。通过构造牵引网特性中的谐波信号对该算法进行仿真分析,结果显示,分析稳态电流谐波时,幅值与频率的平均检测误差分别为3.56%和1.74%;分析暂态电流谐波时,幅值与频率的平均检测误差分别为3.39%和2.44%。这表明文章所提算法能够对牵引供电系统谐波的幅值与频率进行准确的检测,并可以准确定位谐波信号的突变...     

基于EMD的仪器稳定度组合预测

为更好地把握仪器的性能变化规律,规避其可能带来的各种风险,将预测理论应用到仪器稳定度预测中,建立了一种基于EMD-SVM的稳定度组合预测模型。首先利用EMD方法对稳定度数据进行分解,然后对分解得到的数据选择一种预测模型进行预测,最后再把所有这些分解数据的预测结果输入到SVM中进行组合预测。通过与移动平均模型、自回归积分滑动平均(ARIMA)模型和线性组合预测模型的预测结果相比较,验证了该方法的有效性。     

基于Radon变换和EMD的旋转不变纹理分类"

提出一种结合Radon变换和经验模态分解(EMD)的旋转不变纹理分类方法。对纹理图像进行Radon变换,使用EMD分解成一系列固有模态函数(IMF),用修改过的能量公式计算各IMF的能量并组成特征向量,利用k-近邻对纹理图像进行分类。通过对Brodatz纹理库中的图像进行分类实验,表明所提方法能够有效地进行旋转不变的纹理分类,较之单一的Radon变换分类有了显著的提高。     

基于EMD滤波及在工业无线通信中的应用

为了满足高可靠的工业通信需求,基于软件无线电的通讯模式成为工业无线通信的发展方向.针对工业的噪声环境,提出了利用经验模态分解对无线通信信号进行分解的滤波算法,利用CCSLink将该算法的Matlab程序传到CCS中,通过编译器生成满足软件无线电平台所需的嵌入式代码,在平台的信号接收端,去除干扰分量,并对分段滤波后的信号...     

基于NGWarblet-WVD的高质量时频分析方法

针对高聚集度Wigner-Ville distribution (WVD)时频分析方法存在严重的交叉项干扰问题, 利用广义Warblet变换(Generalized Warblet transform, GWT)不产生虚假频率分量的特点, 提出了WVD与GWT相结合的归一化广义Warblet-WVD (Normalized generalized Warblet-WVD, NGWT-WVD)算法. 该算法将GWT与WVD进行矩阵运算, 实现滤波效应, 抑制WVD产生的新交叉项以及混入自项的交叉项, 提高WVD的时频分析质量. 实验结果表明, NGWT-WVD方法有效地去除了多分量信号的交叉项干扰, 提高信号分析结果的时频聚集度, 还原多分量信号的真实时频分布. 采用NGWT-WVD方法处理金属疑似破裂样本信号, 获取破裂发生区间的时间和频率标志段, 为监测传感器设置有效门限值提供判据, 取得了良好效果.     

基于Hilbert—Huang变换的非平稳随机信号处理

实际中的信号本质上是非平稳的,所谓平稳只是非平稳的一种特殊状态,而Hilbert-Huang变换的提出为非平稳随机信号的分析提供一种有效的方法.Hilbert-Huang变换的核心是经验模式分解(EMD),可以将任意复杂的信号分解成为有限个固有模态函数(IMF)的和.本文详细研究了Hilbert-Huang变换的相关理论,介绍了当前研究的热点.     

基于经验模式分解的汉字字体识别方法

提出了一种基于经验模式分解(empirical mode decomposition,简称EMD)的汉字字体识别方法.通过对大量汉字字体的研究比较,选取了能反映汉字字体基本特征的8种基本笔画.以这8种汉字笔画为模板,在汉字文档图像块中随机地抽取笔画信息,形成笔画特征序列.通过对笔画特征序列作EMD分解,提取每个笔画特征序列的高频能量,并结合汉字文档图像块的平均灰度,形成字体识别的一个9维特征.     

基于自相关和经验模态分解的转子碰摩故障分析

针对转子故障振动信号具有周期性的特点,提出一种用于分离转子故障振动信号的新方法,该方法首先应用自相关处理对振动信号进行降噪处理,然后采用经验模态分解(EMD)对振动信号进行分解,得出各个本征模态函数(IMF),并对IMF进行频谱分析,从频谱图上可以清晰地观察出转子的故障特征频率.试验结果表明,振动信号经自相关处理后起到了很好的降噪效果,碰摩所产生的冲击信号上下不对称;EMD分解方法能有效地突出故障特征频率成分,该方法可广泛用于旋转机械振动信号时频分析领域.     

基于ＥＥＭＤ域统计模型的话音激活检测算法

提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsicmode function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的VAD算法,特别在噪声强度大时体现出明显的优势。     

基于经验模式分解和匹配追踪的人脸检测

提出了一种新的正面人脸检测算法。该方法利用经验模式分解和匹配追踪算法来提取人脸特征,训练Bayes分类器来进行分类判决。在FERET人脸库中与特征脸(Eigenfaces)方法进行了比较,实验结果表明,该算法的计算效率和检测精度均优于特征脸方法。     

基于经验模态分解的单通道盲源分离算法

为了提高单通道盲源分离性能,首先由单路信号利用经验模态分解得到一系列本征模函数分量组合成多路信号;其次针对存在模态混叠的本征模函数分量,提出利用信号周期性构造其多路信号、并利用独立分量分析消除模态混叠的有效方法;然后利用互相关性消除上述所得到的多路信号中的虚假分量,并将剩余的分量信号与观测信号构成新的多路信号;最后利用Fast-ICA(fast-independent component analysis)算法分离得到源信号。仿真实验表明该算法能够有效分离源信号,分离性能优于目前已有的基于经验模态分解的单通道盲源分离算法。     

基于心动周期和经验模式分解的心电信号去噪处理

针对现有心电信号（Electrocardiogram,ECG）去噪方法难以精准剥离与之频带重叠的肌电干扰并无损提取到“干净”ECG的问题,提出了利用心动周期和经验模式分解对含噪ECG进行去噪处理。本文方法首先对含噪ECG进行经验模式分解,然后利用心动周期判断固有模态函数分量属于噪声还是有用信号,最后将有用信号的固有模态函数分量重构ECG。为验证本文去噪方法,首先采用ECG动力学仿真模型评估本文方法在不同参数噪声下的去噪效果;其次选取MIT-BIH数据库中的基线漂移信号bw,肌电干扰信号ma和105号、107号、123号ECG分别构建3组真实含噪ECG进行实验。评估与实验结果均表明本文方法可以简单、有效地同时去除ECG中的肌电干扰和基线漂移,去噪效果优于普通经验法。     

基于总体平均经验模态分解的主动噪声控制系统研究

为了提高宽窄带混合噪声的消噪效果,本文提出一种基于总体平均经验模态分解（Ensemble empirical mode decomposition,EEMD）的主动噪声控制（Active noise control,ANC）系统,利用实时EEMD算法逐段将混合噪声分解成若干个固有模态函数（Intrinsic mode functions,IMF）分量.因为这些IMF分量的频带各不相同,所以实现了混合噪声中宽带分量和窄带分量的有效分离,独立进行ANC处理后成功解决了处理混合噪声时带来的“火花”现象,而且避免了传统混合ANC（Hybrid ANC,HANC）系统中频率失调的影响. EEMD算法也是对混合噪声的平稳化处理过程,因此当混合噪声中出现非平稳变化时,本文提出的系统也能保持较好的系统稳定性.通过不同噪声环境下进行仿真分析,提出的ANC系统比HANC系统具有更好的系统稳定性和更小的稳态误差.     

基于EMD和GEP的软件可靠性预测模型

基于经验模态分解和基因表达式编程算法提出了一种软件可靠性预测模型。通过对软件失效数据序列进行经验模态分解得到不同频段的本征模态分量和剩余分量,消除失效数据中的噪声,运用基因表达式编程算法的灵活表达能力,把分解得到的不同频段的各本征模态分量及剩余分量中所对应的不同失效时间序列作为样本来分别进行预测,重构各本征模态分量和剩余分量中相对应的预测结果,将其作为软件失效的最终预测值。基于两组真实软件失效数据集,将所提出的方法与基于支持向量回归机以及单纯使用基因表达式编程的软件可靠性预测模型进行比较分析。结果表明,该软件可靠性预测模型具有更为显著的模型拟合能力与精确的预测效果。     

一种改进型经验模态分解及其在信号消噪中的应用

针对非线性非平稳信号的消噪问题, 基于经验模态分解提出一种模态单元滤波新方法. 该方法将经验模态分解的内模函数中两个相邻过零点之间的信号定义为模态单元, 并以之作为基本分析对象, 通过对模态单元振幅的阈值处理来判断模态单元的类型, 进而建立模态单元滤波模型. 分析了经验模态分解法在分解不同Hurst指数分形高斯噪声时模态振幅的演化规律, 并建立了一种用于高斯消噪的阈值选取规则. 为验证本文方法的有效性, 进行了数字仿真与实例应用实验. 仿真和实验结果均表明, 所提方法的消噪效果整体上优于最优小波阈值消噪方法, 同时模态单元滤波消噪算法具有自适应性, 是一种有效的信号消噪新方法.     

基于MEEMD香农熵-LSSVM的高速列车蛇行失稳诊断方法*

针对列车高速运行时易出现蛇行失稳这一问题,提出了一种改进的集合经验模态分解(Modified Ensemble Empirical Mode Decomposition, MEEMD)香农熵-最小二乘法支持向量机(Least Squares Support Vector Machine, LSSVM)的高速列车蛇行失稳诊断方法。首先通过MEEMD对列车330Km/h～350Km/h时转向架构架的横向振动信号进行分解,得到固有模态函数(Intrinsic Mode Function, IMF),再通过Hilbert变换(HT)分析其时频聚集性,同时提取IMF分量的香农熵特征,最后用LSSVM进行训练和识别。结果表明,转向架蛇行失稳状态下的时频分布的聚集性较正常状态下好,并且MEEMD香农熵-LSSVM方法的识别率和计算耗时优于EEMD-SVM方法,识别率达到96.67%。