Hilbert-Huang变换中的模态混叠问题

希尔伯特-黄变换(Hilbert-Huang transform,简称HHT)存在的模态混叠现象严重影响了实际应用效果。在分析研究HHT原理及模态混叠产生机理的基础上,提出了基于形态滤波预处理与端点延拓相结合的方法抑制模态混叠现象。与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)方法比较,所提出的方法能够更快速、准确地分解出表征信号的本征模态函数(intrinsic mode function,简称IMF)分量。将该方法应用于滚动轴承的实测信号分析,结果表明,该方法在实际应用中同样具有很好的模态混叠抑制效果。     

基于SVM信号延拓改进的EEMD方法

为了抑制经验模态分解(empirical mode decomposition,简称EMD)中出现的端点效应和模态混叠现象,在信号组综合经验模态分解(ensemble empirical mode decomposition,简称EEMD)的基础上,从抑制信号干扰和噪声污染影响以及三次样条函数插值拟合误差逐级传播方面,提出利用信号支持向量机(support vector machines,简称SVM)延拓改进EEMD.通过对仿真和实测信号研究,比较了EMD和EEMD的分解,提出改进的EEMD方法不仅减少了虚假模态分量、避免了模态混叠,而且有效抑制了端点效应.与基于镜像延拓改进的EEMD方法比较表明,本研究方法的时频谱更加清晰,虚假模态分量更少,有效解决了端点效应引起的分解失真问题.     

基于独立分量分析的EMD模态混叠消除方法研究

针对经验模态分解(empirical mode decomposition,EMD)算法中存在的模态混叠现象,提出一种应用独立分量分析进行模态混叠消除的新方法.首先应用形态学滤波方法将信号中的噪声予以消除,减少由于噪声因素造成的模态混叠现象.然后将信号进行EMD分解,获得不同的IMF分量,将存在模态混叠成分的IMF分量进行相空间重构,利用基于峭度最大化的独立分量分解算法实现混叠成分的分离,仿真分析和工程应用的结果表明,所提方法能有效地消除EMD分解过程中的模态混叠现象.     

基于SVD与改进EMD的滚动轴承故障诊断

针对经验模态分解(EMD)存在的模态混叠问题,提出一种奇异值分解(SVD)和改进经验模态分解相结合的信号分析新方法。该方法首先对故障信号进行SVD降噪,以消除随机干扰,再根据信号特征加入高频谐波信号并进行EMD进行分解,有效地减少模态混叠现象,最后对EMD分解得到的高频本征模态分量(IMF)进行代数运算得到故障冲击成分,经Hilbert包络分析,提取出故障特征信息。仿真信号分析了这种方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断中。实验结果证明:该方法能够有效地提取滚动轴承故障特征信息,实现故障诊断。     

局部均值分解和经验模态分解的性能对比研究

利用具体的非平稳齿轮箱振动信号,分别应用局域均值分解方法(Local Mean Decomposition,LMD)和经验模态分解方法(Empirical Mode Decomposition,EMD)进行了模态分解,并计算得出能量熵。物理意义明确且非常直观,用LMD方法分解齿轮箱振动信号模态混叠程度要轻于EMD方法分解所得模态混叠程度。同时,从端点效应和分解速度两方面将两种分解方法做了对比,LMD方法抑制端点效应的能力强于EMD方法,且分解速度较EMD方法快。     

APEEMD及其在转子碰摩故障诊断中的应用

总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)是抑制经验模态分解(empirical mode decomposition,简称EMD)模态混叠的有效方法,针对EEMD分解效果依赖于添加噪声的大小、筛分次数和总体平均次数等参数的选择及噪声残留大、分解不完备等问题,提出了自适应部分集成经验模态分解。该方法通过成对地向目标信号加入自适应噪声,并对每个内禀模态函数(intrinsic mode function,简称IMF)自动选择筛选次数,通过排列熵检测筛分出高频IMF,再对剩余信号进行EMD分解。将提出的方法应用于仿真和转子碰摩故障试验数据分析,结果表明提出的方法能够有效地应用于转子碰摩故障诊断,而且在分量的精确性、完备性和模态混叠的抑制等方面优于EEMD方法。     

运用改进掩膜信号法的经验模态分解

为了克服经验模态分解中出现的模态混叠现象,提出了一种基于改进的掩膜信号法的经验模态分解方法。该方法通过设置掩膜信号,并依据能量法优化掩膜信号的选择,结合经验模态分解达到了消除模态混叠现象的目的,并利用仿真信号以及齿轮箱振动信号进行了验证。试验结果表明,该方法可有效分离混叠模态,提取有用信号。     

基于解相关CEEMD的滚动轴承特征信号提取算法研究

近年来随着时频分析方法希尔伯特黄变换的提出,经验模态分解(Empirical Mode Decomposition,EMD)已经在滚动轴承信号处理中得到了应用。但不管EMD还是其改进的互补总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD),到目前为止依然都存在着模态混叠现象。为了实现特征信号的精确提取,需要对分解后产生模态混叠的部分予以修正,从而保证各固有模态函数(Intrinsic Mode Function,IMF)分量之间互不耦合(即正交)。针对这一问题提出了解相关与CEEMD相结合的算法。该方法首先运用CEEMD自适应分解的能力对信号进行细节的提取,然后对分解后依然存在的少量频率混叠部分利用解相关运算予以修正,实现对特征频率信号的提取,从而解决了频率混叠问题。通过仿真试验验证了该方法的有效性,并将该方法应用于旋转机械振动信号的特征频率成分的提取中,取得很好的效果。     

自主致密局部特征尺度分解方法及其应用

针对局部特征尺度分解（LCD）的模态混叠问题,提出了自主致密局部特征尺度分解（ACLCD）方法。该方法通过确定待分解信号的最小信号极值尺度来度量其信号尺度,采用新增伪极值点均匀化信号尺度,可有效抑制模态混叠的产生;引入了最优致密系数的概念,并给出了最优致密系数评价准则。研究了ACLCD方法的原理,通过仿真信号将ACLCD与LCD和EMD进行分析对比,结果表明,ACLCD在提高分量精确性和正交性、抑制模态混叠等方面具有一定的优越性。将ACLCD方法应用于转子碰摩故障的诊断,结果表明该方法有效。     

调幅-调频信号的经验模态分解包络技术和模态混叠

经验模态分解(Empirical mode decomposition,EMD)是一种数据驱动的自适应非线性非平稳数据处理方法。包络技术和模态混叠问题是EMD研究的重要课题。将非线性非平稳信号定义为多成分调幅-调频(Amplitude modulation-frequency modulation,AM-FM)信号模型,而EMD分解的每一个固有模态函数为单一的AM-FM信号。通过研究单成分AM-FM信号的包络以及多成分AM-FM信号EMD分解引起的模态混叠问题,提出新的EMD包络条件,并给出新包络算法的数值计算方法。基于新条件包络算法,提出单成分AM-FM信号相位和瞬时频率的新估计算法。提出解决多成分AM-FM信号EMD分解的模态混叠问题的新方法,并通过几组仿真信号和一组实测的转子碰摩数据验证了方法的有效性。     

基于CEMD的燃油消耗率提取方法

针对飞参系统记录的剩余燃油信号量化噪声较大且呈非线性、非平稳性的特点以及经验模态分解(empirical mode decomposition,简称EMD)中存在的模态混叠给燃油消耗率提取带来的问题,提出了基于复数据经验模态分解(complex empirical mode decomposition,简称CEMD)的燃油消耗率提取方法。首先,提取记录信号中的关键信息,并利用非线性支持向量回归构造与真实信号形态上接近的模拟信号;然后,在CEMD中利用模拟信号来指导记录信号同步分解以减小模态混叠;最后,从分解结果中估算真实的剩余燃油信息并对其求一阶导数得到燃油消耗率。仿真结果表明,该方法相对于其他方法具有明显的性能优势,可以提取出精确的燃油消耗率参数。     

经验模态分解中的模态混叠问题-

针对经验模态分解(empirical model decomposition,简称EMD)存在的模态混叠问题,总结了引起模态混叠异常事件的类型,讨论了模态混叠的产生原因,提出了采用加入高频谐波后再进行EMD分解消除模态混叠的方法.根据信号分析频率范围和特征选择高频简谐波的频率和幅值,并使高频谐波作为第1阶IMF分解出来,可以有效消除模态混叠现象,异常事件通常可以包含在第1阶IMF中,必要时可以将加入的高频信号直接减掉,不影响对EMD结果的判断.与总体平均经验模态分解法(ensemble empirical model decomposition,简称EEMD)对比的仿真计算表明,两种方法都可以有效消除模态混叠现象,但高频谐波加入法具有运算速度快、误差小、分解结果物理意义明确和不需后处理的优点,对含复杂异常事件的实际故障信号分析验证了该方法在工程应用中的有效性和可行性.     

基于改进EMD的微机械陀螺随机误差建模方法

为了降低微机械(MEMS)陀螺仪的随机误差,提出一种将改进的经验模态分解法(EMD)与传统建模滤波方法相结合的新方法对随机误差进行处理。首先采用传统EMD算法将信号分解为有限个本征模态函数(IMF),并根据皮尔逊相关系数准则和噪声统计特性提出一种筛选机制,将IMF分为噪声IMFs、混叠IMFs和信号IMFs 3类;其次,对混叠IMFs进行时间序列建模,建模完成后进行卡尔曼滤波拟合;最后,将建模滤波后的混叠IMFs与信号IMFs进行重构,得到最终去噪信号。实验分析结果表明,本文方法在抑制随机误差的效果上有明显的优势,极大地改善了信号的质量,提高了惯导的解算精度。     

基于MEEMD-AIC的簇绒地毯织机噪声源识别方法

簇绒地毯织机噪声信号由多个噪声源信号混叠而成,为实现簇绒地毯织机噪声源识别,提出了一种基于改进集总平均经验模态分解(modified ensemble empirical mode decomposition,简称MEEMD)和赤池信息量准则(Akaike information criterion,简称AIC)的噪声源识别方法。首先,利用MEEMD将测得的噪声信号分解为有限个本征模态函数(intrinsic mode function,简称IMF)分量;其次,对分量矩阵的协方差矩阵进行奇异值分解(singular value decomposition,简称SVD),得到矩阵特征值;然后,利用AIC准则估计有效分量的个数,同时结合能量特征指标和皮尔逊相关系数法筛选出有效分量;最后,对筛选出的有效分量逐一进行时频分析,实现簇绒地毯织机噪声源识别。结果表明,耦联轴系中钩轴振动是簇绒地毯织机最主要的噪声源,该方法适用于簇绒地毯织机噪声源识别,对实现簇绒地毯织机主动降噪提供了理论支持。     

变分模态分解在齿轮箱故障诊断中的应用

针对传统的齿轮箱故障信号分解过程中出现的模态混叠问题,提出了一种应用变分模态分解的信号处理方法。首先,对变分模态分解算法进行了研究,然后设计齿轮箱故障实验并采集故障信号,经过降噪预处理后对信号进行变分模态分解,同时为了形成对比,对故障信号进行经验模态分解,实验结果表明变分模态分解能够有效避免模态混叠现象的发生,非常适合于处理齿轮箱故障信号。     

变分模态分解在风电机组故障诊断中的应用

针对经验模态分解(EMD)和局部均值分解(LMD)在实际应用中可能存在的模态混叠问题,提出了一种基于变分模态分解(VMD)的风电机组故障诊断新方法,并应用于机组传动系统不平衡故障诊断中。结果表明,VMD能有效避免噪声及冲击信号造成的模态混叠现象,对不平衡故障具有良好的诊断效果。     

基于改进EEMD的滚动轴承故障诊断研究

滚动轴承的故障信号具有非平稳性、非线性等特点,在经验模态分解过程中会出现模式混叠现象。集合经验模态分解算法(EEMD)是在原始信号中引入随机高斯白噪声序列,改变信号的局部时间跨度,可以有效抑制常规经验模态分解过程中产生的模式混叠现象。在研究EEMD原理的基础上,引入白噪声的幅值标准差准则来选择EEMD参数,并且对分解得到的所有的固有模态函数(IMF)分量通过相关系数法提取有效本征模态分量,再对提取的有效本征模态函数分量阀值处理后进行重构。通过Hilbert变换对重构信号进行包络谱分析,提取滚动轴承的故障特征。轴承故障信号实验结果表明,EEMD方法可以有效应用于滚动轴承的故障诊断中。     

基于自适应CEEMD的非平稳信号分析方法

由于标准的互补集总经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)在处理模态混叠问题时缺乏自适应性,其本质是分解信号获得的本征模态函数(intrinsic mode function,简称IMF)之间产生了一定的信息耦合现象,使IMF分量不能正确地反映信号的真实成分。因此,提出了在使用CEEMD分解信号的过程中嵌入网格搜索算法(grid search algorithm,简称GSA),以最小二乘互信息(least squares mutual information,简称LSMI)为网格搜索算法的适应度函数,构造一个自适应CEEMD方法。该算法通过自适应地搜索最佳的白噪声幅值,修正信号分解过程中产生的少量的耦合频率成分,确保每个IMF分量之间信息的正交性,以进一步抑制模态混叠问题。最后,通过仿真实验验证了该方法的有效性,并将该方法用于提取滚动轴承微故障的特征频率。实验结果表明,该算法在滚动轴承的微故障特征提取应用中具有更少的迭代数、IMF分量以及相对更小的计算量。     

基于经验小波变换的轴承故障诊断研究

针对经验模态分解(EMD)易产生模态混叠、受噪声影响大的难题,提出了一种基于经验小波变换(EWT)的轴承故障诊断方法。EWT综合利用了经验模态分解和小波变换的优点,通过构建自适应的小波滤波器组,提取信号中包含的不同固有模态分量,能有效消除模态混叠现象,提高信噪比。首先利用EWT将振动信号分解成不同特征时间尺度的单分量固有模态函数,然后计算各固有模态函数的包络谱和时频谱。通过仿真信号和齿轮箱轴承故障振动信号的研究表明:EWT能有效提取强背景噪声中的微弱信号,提取轴承故障特征,其性能优于EMD和总体平均经验模态分解(EEMD)。     

采用二次经验模态筛选的谐波辨识方法

谐波辨识研究在智能电网发展中占有重要的地位,采用传统Hilbert-Huang变换(Hilbert-Huang transform,HHT)对该类非稳态信号进行处理时,会产生模态混叠、端点效应等影响信号分析精度的问题。针对此情况,提出一种模态筛选算法,采用屏蔽信号(masking signal)与原扰动信号叠加实现对模态混叠的抑制,通过端点非镜面对称延拓消减Hilbert变换(Hilbert transform,HT)后的端点"飞翼",并提出二次经验模态筛选算法来提高固有模态函数(intrinsic mode functions,IMFs)中所含频率的唯一性,从而改善对非稳态信号的分析精度。稳态和非稳态信号谐波辨识实验验证了该算法在谐波辨识中具有很高的抗干扰性和准确性。