基于经验模态分解的爆破延期识别优化方法

针对爆破延期识别中采用经验模态分解(empirical mode decomposition, EMD)方法存在模态混叠现象,导致延期识别精度低的问题。提出了一种完全正交经验模态分解(principal empirical mode decomposition, PEMD)方法,首先对原始信号进行EMD初步分解,得到多个具有模态混叠现象的本征模函数(intrinsic mode function, IMF)分量,其次对IMF分量进行主成分分析(principal component analysis, PCA),将混叠的IMF分量完全正交化,之后选择幅值较大且波形衰减明显的主分量,使用Hilbert变换提取包络线,最后对包络线峰值点进行识别。通过相似物理模拟试验证明,PEMD与传统方法EMD相比,有效地抑制振动信号EMD分解时出现模态混叠现象,延期识别误差降低至0,并通过控制高程和延期时间对PEMD方法的稳定性进行了检验;同时以德兴露天边坡延期爆破试验为例,PEMD能够更好地对爆破振动波峰值点进行精确识别,识别率稳定在90%以上,对后续爆破工程中爆破参数设计优化和盲炮的识别具有重要意义...     

经验模态分解剔除结构地震响应位移漂移

提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)剔除位移响应漂移量的算法.这种算法将漂移成分视为EMD分解的最终残量(Residue),从原时程响应信号中分离并剔除EMD分解的最终残量后,再利用本征模函数(Intrinsic Mode Functions,IMFs)进行信号重构,能够得到接近真实的响应时程信号.该方法引入到实际桥梁结构的地震响应时程分析中,成功地解决了剔除结构地震响应位移漂移的难题.试算和实际计算效果表明此种方法效果良好,因而在结构地震响应分析中具有重要实用价值.     

基于经验模态分解的多通道有源噪声控制

为了提高有源噪声控制系统的降噪效果,提出了基于经验模态分解的多通道有源噪声控制系统。该系统首先采用经验模态分解（Empirical Mode Decomposition,简称EMD）方法对多个噪声源信号分别进行自适应分解,并对分解后的每个信号各个IMF（Intrinsic Mode Function,简称IMF）分量的响度分别进行计算,然后根据各个分量的响度大小进行残差滤波器的设计。与基于A计权曲线设计的残差滤波器相比,该方法所设计滤波器能更好地抑制响度较小的信号频率成分。对车内噪声进行测试并对双通道有源控制系统的降噪效果进行了仿真,结果表明,本文所提出的控制系统比传统滤波-X LMS方法和采用基于A计权残差滤波器系统的主观降噪效果有所改善。     

融合经验模态分解与模糊熵的薄板结构损伤识别EI北大核心CSCD

针对薄板结构中损伤兰姆波信号提取及表征困难两大问题,提出了一种融合经验模态分解(empirical mode decomposition, EMD)与模糊熵(fuzzy entropy, FEn)的薄板结构损伤识别新方法。该方法首先基于EMD从复杂的兰姆波信号中提取并分离与结构损伤相关的信号;再利用提取出的损伤信号的归一化模糊熵作为损伤指数对结构损伤大小进行定量表征,从而实现薄板结构的损伤识别。设计的三组碳纤维增强复合材料板(carbon fiber reinforced polymer, CFRP)划痕损伤识别试验验证了该方法的可行性,试验结果表明:归一化后的模糊熵与CFRP板划痕损伤大小呈现较好的线性增加的关系,利用该线性关系可以对CFRP板划痕大小进行识别;与基于奇异谱-模糊熵的结构损伤识别方法相比,该研究所提方法识别效果更佳。     

基于改进的经验模态分解的滚动轴承故障诊断研究

传统的时频分析方法不能有效地处理非平稳信号,经验模态分解(EMD)非常适合处理非平稳信号,但结果可能出现伪内禀模态函数(IMF)和不敏感内禀模态函数。针对EMD的不足,提出能量门限法和敏感IMF选择法相结合来识别真IMF和敏感IMF的方法,对同时满足这两个条件的IMF作频谱变换,频谱图上可以清晰呈现故障特征信息。将改进后的EMD应用到滚动轴承故障诊断实例,证明了此方法的可行性和准确性。     

广义经验模态分解性能分析与应用

针对经验模态分解（empirical mode decomposition,EMD）的均值曲线采用三次样条拟合而容易引起包络过冲和不足等缺陷,相关学者提出了许多改进均值曲线的变种EMD方法,取得了一定的效果。广义经验模态分解（generalized EMD,GEMD）方法综合了多种改进EMD方法,通过定义不同的均值曲线对信号进行逐阶筛分,从得到的每一阶分量中选取最优作为最终的广义内禀模态函数（generalized intrinsic mode function,GIMF）,由于每一阶的GIMF分量都是最优的,因此相较于EMD等单一均值曲线筛分方法,GEMD分解结果也是最优的。论文对GIMF分量准则进行了改进以及对GEMD性能进行了分析,并将GEMD应用于仿真和实测信号的分析,结论表明GEMD分解是完备的和正交的,有比EMD更强的分解能力,而且适合机械振动信号的处理和故障诊断。     

新的联合三角形法和经验模态分解的水下目标回波检测

水下目标回波信号的自动检测和识别是水声装备自动化的关键任务之一。大量的混响干扰,一个脉冲周期内有多个目标或没有目标,以及目标边界的模糊性和位置的随机性,是目标检测的难点。对回波信号进行经验模态分解,目标信号的绝大部分信息将集中在某个固有模态函数上,且产生明显的边界,而各种噪声和干扰成分被分解到其他固有模态函数上。基于此,提出在固有模态函数包络上用三角形法定位目标及双阈值检测精确的目标边界的算法;提出目标回波的固有模态函数瞬时幅度方差谱特征。海上实测回波数据的实验,从检测目标个数和识别率两方面来验证算法的性能,并与其它方法进行对比。实验表明该算法能任意定位和准确检测回波中的目标,且不受脉冲噪声的影响,检测效率高。     

基于HHT的变压器绝缘检测

变压器的介质损耗角6是判断其绝缘状况的有效手段之一,而准确的提取基波电压和电流信号是检测介质损耗因数的关键。本文将一种处理非线性、非平稳信号的新方法,好HHT（Hilbert—Huang Transform）方法,应用于检测变压器的介质损耗因数,从而判断其绝缘状况。仿真结果表明,该算法无须同步采样,受谐波、噪声误差的影响较小,在非同步采样的情况下,具有良好的应用特性,能有效提高介质损耗因检测的准确度。     

多频信号经验模态分解的理论研究及应用

对多频信号的经验模式分解进行了理论分析 ,分析表明分解结果取决于各分量的频率和幅值。得到了一个正确分解的充分条件 ,仿真试验证明了这一充分条件。将经验模式分解用于分析一个包含故障轴承的实际齿轮箱表面振动信号 ,分析结果表明在经验模式分解得到的固有模态函数中 ,轴承故障特征信息比原始信号相比得到显著增强。     

极点加权模态分解及其在故障诊断中的应用

经验模态分解(EMD)是一种自适应信号分解方法,由于其能够同时提供振动信号时域和频域的局部信息,在机械故障诊断领域得到广泛应用.受EMD思想的启发,基于相邻极值加权构造均值曲线,提出一种新的自适应信号分解方法—极点加权模态分解(EPWMD).通过仿真信号分析,将提出的EPWMD方法与EMD和局部特征尺度分解(LCD)等...     

基于最小平方距离相关的EMD改进算法及应用

包络线的拟合是经验模式分解中的关键一步,但由于信号端点处极值的不确定性导致在信号上下包络线拟合过程中存在着严重的端点效应问题;在分析现有解决端点效应问题方法的基础上提出了基于最小平方距离相关的数据端点处包络线拟合方法。该方法在信号内部寻找与端点处信号变化趋势相关度最高的一段波形,并用此段波形的包络线来重新刻画端点处的包络线。仿真和实际信号的分析证明,基于最小平方距离相关的数据端点处包络拟合方法能够有效的抑制端点效应,算法简单并且易于实现     

基于核主分量分析的经验模式分解及其工程应用

若信号的信噪比较小,经验模式分解不能正确分解出基本模式分量,分量中含有伪分量。根据此种情况,提出一种核主分量分析与经验模式分解相结合的方法。该方法首先建立信号相空间,利用核主分量分析方法提取相空间的核主分量,然后利用投影逆过程将得到的核主分量逆向投影回原相空间,从而重建信号相空间。最后对重建的相空间所对应的信号作经验模式分解。此方法可以有效消除噪声和冗余对经验模式分解的影响,提高经验模式分解的适应能力保证分解的有效性,确保其能够分解出正确的基本模式分量。通过工程实例进一步验证了该方法的可行性。     

滚动轴承故障的EMD诊断方法研究

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）的滚动轴承故障诊断方法。这种方法中，局部损伤滚动轴承产生的高频调幅信号成分被EMD分解作为本征模函数分离出来，然后用Hilbert变换得到其包络信号，计算包络谱，就能够提取滚动轴承故障特征频率。该方法被用于分析实验台上采集的具有内圈损伤及外圈损伤的滚动轴承振动信号。分析结果表明，与传统的包络解调方法相比，新方法能够更有效地提取轴承故障特征，诊断轴承故障，因而具有重要的实用价值。     

基于经验模式分解的滚动轴承故障诊断方法

针对水泵电机轴承故障振动信号噪声大和非平稳性的特点,提出了基于经验模态分解的诊断方法;通过对原始信号进行经验模态分解,得到包含故障特征的固有模态分量,从而可以提取出故障频率.该方法应用于外圈、内圈和滚动体故障诊断,取得了很好效果.     

应用希尔伯特黄变换的单矢量传感器多目标分辨研究

将希尔伯特黄变换与矢量信号处理相结合应用到水声领域,与传统方法相比有许多优势。在希尔伯特黄变换中本征模态函数是基于序列数据的局部时间尺度特征而得出。每个本征模态函数可以看作是信号中一个固有振荡模态,其对应于某个目标的固有振荡,希尔伯特黄变换用经验模态分解的方法将信号分解为多个本征模态函数,可以较好地将不同目标的能量分离。该变换得到的瞬时频率、瞬时能量和瞬时方位具有清晰的物理意义,信号的时间-频率-方位-能量的四维分布为多目标信号处理提供了丰富的信息量。与传统处理方法相比不仅有较好的目标分辨效果,而且适用于非线性和非平稳信号的处理。     

完全互补小波噪声辅助集总经验模态分解

经验模态分解(EMD)是一种自适应非线性非平稳数据处理方法。噪声辅助的EMD方法能克服EMD方法在处理间歇信号时出现的"模态混叠"现象。在这些噪声辅助方法中,互补集总经验模态分解(CEEMD)和完全噪声辅助噪声集总经验模态分解(CEEMDAN)恢复了EMD分解的完整性。在现有分析方法上提出了完全互补小波噪声辅助集总经验模态分解(CCWEEMDAN)算法。该算法能用更小的集总数、更少的迭代次数和极小的计算消耗获得更好的光谱分离效果和数目较少的筛选模态。     

基于最大相关波形延拓的经验模式分解端点效应抑制方法

针对端点效应使经验模式分解（Empirical Mode Decomposition,EMD）结果出现畸变,严重影响算法精度的现象,提出了一种新的抑制经验模式分解端点效应的方法：最大相关波形延拓法。该方法借鉴匹配追踪算法思想,将信号端点处波形向信号内部平移,以找出与之最相似的波形,然后以最相似波形外侧的一段数据作为信号端点外数据的估计。利用仿真数据和某炼油厂风机轴瓦振动数据对最大相关波形延拓法进行了验证,结果表明该方法能够明显减小经验模式分解的端点效应,特别对周期信号和循环平稳信号有很好效果。同时,所提出的方法具通用性,能够减小数字滤波、小波分析等信号分析方法中端点效应对算法精度的影响,具有较大的理论意义和实用价值。