基于时序分析的经验模式分解法及其应用

经验模式分解方法可以将非线性非平稳信号分解为有限的固有模式函数,在故障诊断中这个固有模式函数常常就是故障信号。但当两侧端点不为极值点时,会造成三次样条拟合的极值包络线大大偏离实际值,并且随着分解的不断进行向内“污染”。提出采用时间序列建模与预测方法,对原信号两端点进行预测,有效地消除了端点效应。指出经验模式分解具有分解的自适应性特点。最后,给出了齿轮箱振动信号的应用实例。     

基于极值符号序列分析的EMD端点效应处理方法

针对经验模式分解(empirical mode decomposition,简称EMD)的端点效应提出一种新的抑制方法。考虑到极值序列在EMD分解的包络线形成中占有主导地位,将信号局部极值序列进行符号化,根据符号特征进行特征匹配,在信号两端依据符号序列特征匹配结果进行符号序列拓延与对应信号还原,对拓延还原后的信号进行EMD分解以实现端点效应抑制。所提方法对于随机信号与周期信号都有着明显的抑制效果,通过对仿真信号和轴承故障信号端点效应的分析验证了方法的正确性。研究与ARMA模型、BP神经网络、镜像拓延等常见方法进行了对比,所提方法的各分量有效值指标均值为19.64%,低于其他方法,说明对低频分量有着更好的抑制效果。     

EMD端点效应处理在转子摩擦故障诊断中的应用

为解决经验模式分解(empirical mode decomposition,简称EMD)法在分解过程中产生的端点效应,提出了基于余弦函数窗的端点效应处理方法。首先,定义在余弦函数窗的中部窗函数幅值为1,而在窗的两端幅值根据余弦函数缩减;然后,将窗函数和待处理信号相乘,使待处理信号两端的幅值将按余弦函数缩减,而信号中部的数据不受影响;最后,对经加窗处理的信号做EMD分解,使分解过程中的端点效应被控制在信号两端,而信号中部的数据就可得到较好的分解结果。经分析表明,该方法可有效地抑制EMD分解中的端点效应,并可用于转子系统摩擦故障诊断。     

基于时间序列差分特性的LMD端点效应处理方法

局部均值分解方法在计算过程中会使信号在端部产生端点效应,为减弱LMD中存在的端点效应,提出了一种基于信号时间序列差分特性的端点延拓方法。将信号曲线看作一段离散函数,利用该函数段末端的一阶差分和二阶差分的符号判断曲线的特征和发展趋势,根据具体情况判定所延拓极值点的值。使用该方法对仿真信号和实验轴承外圈故障和内圈故障信号进行了分解,并将其结果与镜像延拓改进的LMD方法分解的结果进行了对比。该方法在分解中的良好表现验证了其在信号分析中的有效性。     

基于自适应波形匹配延拓的局部均值分解端点效应处理方法

局部均值分解(LMD)能将复杂的信号自适应地分解成若干个具有物理意义的单分量信号,但是在其实现过程中会产生端点效应,使结果失真。在详细分析了LMD产生端点效应的原因后,提出了自适应波形匹配延拓法来解决端点效应。该方法充分考虑了信号的内在规律与边缘处的变化趋势,使延拓更加合理,且具自适应性。对仿真信号与实际工程信号进行了分析,结果表明该方法能有效抑制LMD分解的端点效应。     

采用RBF和BP神经网络处理EMD分解过程中端点效应

在分析经验模态分解端点效应出现原因的基础上,采用BP和径向基函数神经网络预测法对端点效应进行研究.在实验中,通过延长信号的采样时间,使端点的数据延长,从而抑制EMD分解时产生的端点效应.同时为了比较两种数据延长方法的效果,分别将延长后的数据进行EMD分解.实验结果表明,这两种都可以有效抑制端点效应对分析结果产生的影响,提高经验模态分解的效果.     

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。     

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端点效应的评价指标及抑制端点效应的窗函数法

在应用经验模态分解(EMD)处理数据的时候,端点效应成为影响该方法精度的主要因素,即在“筛”的过程中上下包络在数据序列的两端会出现发散现象。端点效应会增加一些虚假成分,信号的总能量也随之增加,本文提出可以计算EMD后信号的总能量,来评估端点效应的影响程度。为了抑制端点效应,本文提出一种新的解决方法,即在信号序列上加窗函数,仿真结果表明,窗函数法有明显的效果。     

HILBERT-HUANG变换端点效应处理新方法

HIBERT-HUANG变换(HHT)实现过程中,对信号进行经验模态分解(Empirical mode decomposition,EMD)和对分解得到的各个本征模函数(Intrinsic mode function,IMF)进行HILBERT变换时都会产生端点效应.对此问题,采用波形特征匹配延拓数据,提高经验模态分解精度,有效地抑制HILBERT变换中的端点效应,获得准确的HILBERT时频谱.所延拓数据兼顾原始信号中的极值点及非极值点的波形数据,使延拓数据特征与原信号一致,在HHT变换实现过程中仅需一次延拓,算法简单.仿真计算和转子系统故障试验分析结果表明,所用方法可以有效解决HHT变换的端点效应问题.     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)将非线性非平稳信号分解成为一系列线性、平稳的本征模函数(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析（independent component analysis,简称ICA）理论中的快速独立分量分析（fast independent component analysis,简称FastICA）算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

基于DEMD的高压隔膜泵单向阀早期故障诊断

针对高压隔膜泵单向阀的早期故障特征提取困难的问题,提出基于微分经验模态分解(differential empirical mode decomposition,简称DEMD)的高压隔膜泵单向阀早期故障诊断方法。首先,对振动信号进行微分运算,提高高频成分的振幅比,使微弱高频成分在后续分解中更易提取;其次,对得到的新信号进行经验模态分解(empirical mode decomposition,简称EMD),并将分解后的本征模函数(intrinsic mode function,简称IMF)分量信号进行积分还原;最后,计算分量信号与原振动信号的Kullback-Leibler散度(Kullback-Leibler divergence,简称K-L散度)值,选取K-L散度值较小的分量信号进行重构,并利用Hilbert边际谱对重构信号进行瞬时频谱分析,以提取故障振动信号的特征。仿真与工程实验分析表明,该方法能够较好地提取出单向阀早期故障特征信息。     

基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征,提出一种基于经验模态分解方法EMD（empirical mode decomposition）和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解,然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析,得到各分量的功率谱图,清晰直观显示出故障特征信号的功率谱,从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性,适宜于非线性、非平稳信号的分解,该方法应用于滚动轴承的故障振动信号分析中,结果表明,该方法能够突出滚动轴承振动信号的故障特征,从而提高滚动轴承故障诊断的准确性。     

基于本征模态函数包络谱的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳的特征,以及传统傅里叶变换不能反映信号细节的缺陷,引入了一种基于本征模态函数包络谱的方法。首先,采用经验模态分解（empirical mode decomposition,EMD）将滚动轴承故障振动信号分解成若干个本征模态函数（intrinsic mode function,IMF）之和;然后,求出包含主要信息成分的IMF分量的Hilbert包络谱;最后,对照滚动轴承故障特征频率,进而判定故障类型。通过对滚动轴承内圈、外圈故障振动信号的分析处理,表明该方法能有效地提取滚动轴承的故障特征。     

基于经验模式分解的单通道机械信号盲分离

盲源分离是机械设备复合故障诊断的一种有效方法,经验模式分解是非平稳信号分析的有力工具,它将非线性、非平稳信号分解成为一系列线性、平稳的本征模函数信号。在机械故障信号盲分离中,单通道机械信号盲分离是一个病态问题。针对单通道机械信号盲分离的困境,综合盲源分离和经验模式分解各自的优点,提出基于经验模式分解的单通道机械信号源数估计和盲源分离方法。针对单通道机械观测信号进行经验模式分解,并将单通道信号和其本征模函数组成多维信号,利用奇异值分解估计机械源数目,根据源信号数目重组多通道机械混合信号,并利用FastICA算法实现机械信号的盲分离。将该方法应用于轴承和齿轮的仿真研究,正确分离出轴承和齿轮源信号,仿真研究表明,它能很好地解决单通道机械信号的源数估计和盲源分离难题。     

快速自适应经验模态分解方法及轴承故障诊断

提出一种快速自适应经验模态分解(fast and adaptive empirical mode decomposition,简称FAEMD),其算法结构和本征模态函数的特点与经验模态分解(empirical mode decomposition,简称EMD)类似。采用顺序统计滤波器代替三次样条来拟合曲线,简易的终止准则使耗机时间大幅减小。该方法可以快速、有效、准确地分解信号,能够避免终止准则和端点效应问题,改善模态混叠和耗时问题。在滚动轴承故障诊断的应用中,效果表现良好。     

基于改进EMD与PNN的汽轮机通流部分故障诊断

根据热力参数非线性、非稳态的特点,提出了一种基于改进的经验模态分解(empirical mode decomposition,简称EMD)算法与概率神经网络(probabilistic neural network,简称PNN)的汽轮机通流部分故障诊断新方法。该方法针对EMD存在的端点效应问题,采取基于波形相似度的镜像延拓法进行改进,以得到更准确、更真实的本征模函数(intrinsic mode function,简称IMF)分量,从而有效提取了故障特征信息,并通过PNN训练判别汽轮机通流部分故障类型。以某电厂600MW火电机组实时运行数据为基础进行仿真实验,结果表明,基于改进EMD与PNN的汽轮机通流部分诊断方法能够快速准确地判别汽轮机通流部分的故障类型,其准确率明显高于基于EMD与PNN的故障诊断方法。     

基于EMD的能量算子解调方法及其在机械故障诊断中的应用

为了提取多分量的AM-FM信号的频率和幅值信息,提出了基于EMD (Empirical mode decomposition)的能量算子解调法,并将它应用于机械故障诊断中。该方法首先采用EMD将多分量的AM-FM信号分解成若干个IMF(Intrinsic mode function)分量之和,然后对每一个IMF分量进行能量算子解调,从而提取多分量的AM-FM信号的幅值和频率信息。对机械故障振动信号的分析结果表明,基于EMD的能量算子解调法能有效地提取机械故障振动信号的特征。     

基于EMD和SVM的刀具故障诊断

为有效监测刀具在机床中可能出现的故障,提出基于经验模态分解(EMD)和支持向量机(SVM)的一种故障诊断方法。首先用EMD方法将振动信号分解为有限个固有模态函数(IMF),并选取能量较大的IMF进行标量量化得到特征向量,最后将其输入SVM进行测试进而判断故障类型。分析结果表明,基于EMD-SVM的刀具故障方法能够更有效地识别刀具故障状态。