基于EMD和包络谱分析的轴承故障诊断研究

提出了一种基于经验模态分解(EMD)和包络谱分析的轴承故障诊断的新方法．EMD是把时间序列信号，分解成不同特征时间尺度的固有模态函数(IMF)，具有自适应的分析能力，然后通过选取表征轴承故障的IMF分量进行包络谱分析，就可提取轴承故障信号的特征．轴承故障实验信号的研究结果表明：该方法能有效地识别轴承故障．     

基于改进EMD算法的信号滤波

为解决经典经验模态分解(empirical mode decomposition, EMD)滤波算法在低信噪比环境下滤波效果不佳的问题,提出了一种改进的EMD滤波算法。利用FFT对信号进行简单的频谱分析,若其中含有高频噪声,则对信号经EMD分解后得到的一阶本征模态函数 (intrinsic mode function, IMF)分量做剔除处理;若信号中含有白噪声及毛刺干扰,则向经典EMD滤波算法中添加变尺度因子,然后对信号进行EMD滤波,在算法最后一次迭代时再将一阶IMF剔除。仿真试验结果表明,改进的EMD滤波算法在低信噪比环境下有较小的均方误差值,滤波效果较好。     

基于EMD的绝缘子泄漏电流去除噪声研究

针对绝缘子泄漏电流信号在安全区阶段信噪比较低,传统去噪方法去噪效果不佳的问题,结合经验模态分解(Empirical Mode Decomposition,EMD)的特点,设计了基于白噪声统计特性的EMD滤波器和EMD阈值滤波器。利用设计的两种EMD滤波方法对泄漏电流信号的仿真模型进行去噪,从除噪后信号的波形形状和信噪比等方面对去噪效果进行评价。研究表明EMD去噪方法去噪性能优于小波去噪。同时还发现,针对不同信噪比的含噪信号,基于白噪声统计特性的EMD去噪和EMD阈值去噪各具有优势,可根据信噪比的不同,选取最适合的滤波方法。     

具有间断事件检测和分离的经验模态分解方法

针对在经验模态分解（EMD）筛选过程中间断信号引起的模态混叠问题,提出了一种新的解决方法．该方法为根据间断过程信号与正常背景信号时间尺度的不同,利用固有模态函数（IMF）的瞬时频率特性实现间断信号的精确定位,依据定位的间断信号段经端点延拓重新做EMD分离出间断信号,从而在后续的EMD中消除该间断信号的影响．将该方法与小波法消除间断信号的结果进行了比较,显示其滤除结果的信号失真较小,并可将间断信号分解为一固有模态函数．     

基于改进的EEMD实现地震信号去噪

EEMD(Ensemble Empirical Mode Decomposition)是EMD的一种新扩展,为克服EMD本身存在的模态混叠而产生。传统EEMD去噪通常是将由噪声引起的IMF(Intrinsic Mode Function)直接舍掉,然后利用剩余的IMF重构信号,然而这种作法仅仅是压制了部分噪声,去噪效果不够理想。基于此本文提出一种改进的EEMD随机噪声消除方法,该方法结合了平移不变量小波阈值滤波压制高频噪声的优点以及Savitzky-Golay滤波去除低频噪声的优势。结果表明该方法不仅可以很好地衰减随机噪声,有效提高地震资料的信噪比,而且能够较好地保持有效信号。     

基于EMD的FCMM降噪和故障诊断

为了解决现场三坐标测量机(FCMM)在加工车间现场环境下由于振动、环境因素等干扰造成的输出带有较强背景噪声而可能导致滚动轴承发生故障的问题,提出一种基于经验模态分解(EMD)的FCMM降噪和故障诊断方法,对FCMM输出进行EMD分解得出本征模态函数(IMF)分量,采用互相关系数准则法对IMF分量降噪重构,同时进行边际谱分析,从中提取故障特征频率。实验根据FCMM速度参数测量数据,结合Matlab仿真方法,得到FCMM输出速度数据的IMF分量与原始速度数据之间的互相关系数表以及IMF分量边际谱图。实验结果验证了EMD方法滤波效果明显,故障分析手段可靠。     

基于改进的希尔伯特-黄变换的心音信号特征分析

为了快速、准确地分析心音信号的特征,提出了一种基于改进希尔伯特-黄变换(HHT)的心音信号特征分析方法。通过对一个典型的振动信号进行经验模式分解(EMD),验证了该方法的有效性,同时针对两例标准心音进行希尔伯特谱分析并仿真得到心音信号的时-频谱及边际谱。结果表明,该分析方法能够很好地表征心音的时频变化特性,为后续实现心音的分类与识别提供了参考。     

基于EMD方法的心电信号带内噪声滤除

为解决心电信号去噪过程中有用信号被削减的问题,提出了基于经验模态分解(EMD)滤除心电信号带内噪声的方法.该方法用EMD方法处理含噪分量,保持有用信号的功率基本不变,大大消弱噪声的功率,达到去噪目的.实验表明:与传统EMD阈值滤波相比,该方法在滤除噪声的同时能保留真实信号的完整性,证实了该算法对低信噪比微弱信号带内噪声滤除的有效性.     

一种基于EMD的睡眠脑电图梭形波自动识别方法

提出了一种基于EMD分解的睡眠脑电图梭形波自动识别方法．通过对EEG信号作EMD分解,得到具有很好时频特征的Hilbert谱,对Hilbert谱进行分析处理,可以自动识别梭形波出现的准确时间和持续时间．结果显示,识别准确率高达95．6％．     

经验模式分解域自适应滤波方法

为了利用经验模式分解法提取信号边缘信息,提出一种基于经验模式分解的自适应滤波方法,并给出了噪声功率阈值的两种选取方法．该滤波方法首先对信号进行经验模式分解; 其次对相邻尺度上残差分量一阶导数信号进行空间相关性计算,并对归一化空间相关函数与残差分量一阶导数进行逐点比较,实现对残差分量一阶导数的滤波; 最后根据噪声功率阈值判断自适应滤波过程是否结束．仿真实验结果显示,本方法可以准确提取信号边缘信息,同时抑制噪声信号．     

提取混沌中谐波信号的时频方法

首先采用谐波小波变换将观测信号分解成窄带信号,然后使用经验模态分解方法将每一个窄带信号分解为有限个内禀模态函数(IMFs),根据功率谱密度选取内禀模态函数,提取谐波信号。该方法的性能可由噪声缩减因子和相关系数两个指标度量。理论分析和仿真实验表明,在信噪比不太低的情况下,该方法对提取淹没在混沌和噪声背景下的谐波信号非常有效。     

EMD及其在脑电分析中的应用研究

基于经验模态分解(EMD)的数据分析方法,是一种针对非线性、非平稳信号处理的新方法.使用EMD法可以将任意复杂的数据信号分解为多个有限的、数据量较小的“本征模函数”(IMF).这些本征模函数很适合求其Hilbert变换.信号的局部能量和瞬时频率都可以从其本征模函数中推导出来.这个完整的能量-频率-时间关系称为Hilbert谱,它是一种分析非线性、非平稳信号的理想方法.介绍了EMD法的原理和实现过程,给出了多个实例的本征模函数和Hilbert谱.并展示了它在非稳态信号处理中的特性.同时,还探索将这种基于EMD的分析方法应用于脑电信号的分析中,并给出了脑电信号的部分本征模函数(IMF)分量及Hilbert振幅和频谱图.试图用一种新的方法分析复杂的非平稳脑电信号.     

基于经验模态分解的目标特征提取与选择

经验模态分解(EMD)是一种新的非平稳时变信号处理方法,可以自适应地将信号的局部特征逐级分解出来。提出了基于EMD的舰船噪声特征提取与选择方法,将本征模态函数(IM F)分量及其瞬时频率作为特征,并选择其判别熵作为特征向量的可分性度量。数值仿真和实际噪声数据处理的结果表明IM F分量和频率可以充分体现目标的特征,具有良好的类别可分性。     

基于EMD和小波变换的结构风振高阶参振模态识别

为了确定结构随机理论求解中的高阶参振模态数目,采用经验模式分解(EMD)与小波变换相结合的方法分析结构气弹模型自激响应数据信号的时-频-谱联合特性,从原始信号中分解出固有模态函数(IMF),再对各个IMF进行小波变换提取信号特征参数,从而识别出结构风振随机计算所需的高阶参振模态截止频率,并将识别结果与直接采用随机理论对...     

Parameters of Exterior Ballistic Feature Points Extraction in Radar Measurement Data by EMD

The problem of measuring exterior ballistic feature points is always difficult to solve and it is essentiale on exterior ballistic measurement. By analysis of radar reflection characteristics and non-stationary echo signals of exterior ballistic feature points, the echo data of exterior ballistic feature points is measured by using the continuous wave radar. The parameters of feature points are extracted by the empirical mode decomposition method (EMD) of Hilbert-Huang transform (HHT) spectrum analysis technique. The radar echo signal model and EMD extraction model are established to analyze the exterior ballistic mutation point detection and EMD extraction method of aliasing echo signal. Typical feature point parameters of exterior ballistic in rocket flight tests are carried out and the effectiveness of the method is verified. A new method of measuring the parameters of exterior ballistic feature point is therefore presented.     

基于EMD的时频分析方法的电力故障信号检测

提出电力系统故障信号的经验模态分解(Empirical Mode Decomposition,EMD)时频分析方法.通过对检测点获得的故障电流信号进行EMD分解,得到一系列的本征模态分量(Intrinsic Mode Function,IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析相应瞬时频率及其振幅,对故障信号进行时间-频率-幅值的联合分析.分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率,为进一步故障检测提供了依据.仿真试验证明了结论的正确性,表明EMD时频分析方法能准确地检测故障时刻,提取故障信息.     

一种基于样条插值的经验模态分解改进算法

经验模态分解过程中经常由于信号采样率不足而产生伪固有模式函数(IMF),希尔伯特变换中也常出现无物理意义的负瞬时频率,就这两个问题进行研究后认为,HHT谱中产生负频率的主要原因是由于经验模态分解结果中的伪IMF所造成的,而伪IMF产生的原因主要是信号采样率不足引起的,并提出以HHT谱是否稳定来判断IMF的真伪。还针对信号采样率不足这一问题,提出了一种应用三次平滑样条拟合插值来加密信号采样点,进行信号重构的方法,算例表明:该重构方法可以有效消除分解过程中由于信号采样率不足而引起的包络线失真,从而可有效消除分解结果中的伪固有模式函数和HHT谱中的负频率。     

基于EMD和FFT的齿轮箱故障诊断

提出了一种基于小波包分析（WPA）,经验模态分解（EMD）和快速傅里叶变换（FFT）的齿轮箱故障诊断方法,此方法适合于非线性非稳态信号的自适应分析.首先运用WPA对采集的齿轮箱振动信号进行分解可得到不同频率的子频带;然后对各子频带信号进行EMD,从而得到一定数量的本征模态函数（IMF）;最后选取特定的IMF,对其作FFT可得到相应的功率谱,从而提取齿轮箱故障特征频率,进而对齿轮箱故障模式进行识别和诊断.分析结果表明本文所提议的方法能有效地检测出齿轮箱故障特征频率.     

基于奇异值分解和经验模态分解的航空发动机健康信号降噪

提出了一种基于奇异值分解(Singular value decomposition,SVD)和经验模态分解(Empirical mode decomposition,EMD)的信号降噪方法。首先采用EMD方法对原始信号进行分解并提取出信号趋势分量。然后对信号剩余部分采用SVD方法降噪,并根据奇异值差分谱方法自适应选择奇异值进行信号重构。最后将重构后的信号与趋势分量叠加得到最终的降噪信号。采用该方法对模拟信号和实际航空发动机健康信号进行了降噪试验,结果表明:该方法能够准确地选择用于重构信号的奇异值,并能够有效地去除信号噪声。     

联合采用高通低通滤波与Hilbert-黄变换的非线性信号分析

经验模态分解方法无法分离2倍频内信号分量而可能导致模态混叠,这是应用著名的Hilbert-黄变换(Hilbert-Huang Transform,HHT)分析非线性信号时无法回避的问题,而消除模态混叠对于准确分析非线性信号具有重要意义。在此背景下,提出了一种联合采用高通低通滤波与Hilbert-黄变换的非线性信号分析方法,以解决这一问题。首先,提出了基于HHT瞬时频率的、用于判断是否发生模态混叠的指标;在此基础上为解决常规经验模态分析方法无法分解2倍频内信号的问题,采用傅里叶变换分析存在模态混叠的信号,并通过高通低通滤波将2倍频内的信号分离。之后,对经过滤波后的信号进行经验模态分解,并与之前未发生模态混叠的分量整合,得到原始信号完整的本征模态函数分量,进而计算得到各分量的瞬时频率和瞬时幅值。最后,用算例说明了所提方法的基本特征。