台风作用下广州中信广场的模态参数识别

基于同步挤压小波变换(Synchrosqueezing wavelet transform,简称SST)和奇异值差分谱理论,发展了一种新的模态参数识别方法,以提高建筑结构模态参数识别结果的精度。该方法首先使用SST对结构的实测振动信号进行分解,得到若干个本征模态函数(Intrinsic mode functions,简称IMF)。再构建各个IMF的Hankel矩阵,进行奇异值分解,根据奇异值差分谱对IMF进行去噪处理。然后采用自然激励技术(Natural excitation technique,简称NExT),得到各IMF的自由衰减响应。最后通过Hilbert变换和曲线拟合获得结构的自振频率和阻尼比。采用该方法对台风“达维”作用下广州中信广场的实测加速度响应进行分析,并将识别出的结构模态参数与已有方法的识别结果进行对比。结果表明,该方法能有效地识别结构的模态参数,且具有较好的准确性与鲁棒性。     

Hilbert-Huang变换在结构损伤识别中的应用

为了识别出结构损伤情况,对结构加速度响应信号进行经验模态分解(EMD),得到各阶固有模态函数(IMF),利用第一阶IMF便可以识别出结构损伤发生的时刻及位置。然后利用对各阶IMF进行希尔伯特变换(HT)得到的瞬时频率和Hilbert谱来识别出结构损伤的程度。最后通过对一三层剪切型框架结构的实例分析,证明了该方法的有效性。     

基于奇异值分解和小波分析的结构模态参数识别

提出了一种新的基于奇异值分解（SVD）和小波分析的结构模态参数识别方法。获得结构在随机荷载作用下的加速度响应,对其进行相关分析可得到相关系数矩阵。将小波变换用于分解相关系数矩阵可得到小波系数矩阵,用奇异值分解小波系数矩阵可精确地识别出模态参数。通过数值算例和实际测试获得的结构信号验证了该方法的可行性。研究结果表明SVD方法与小波分析的结合能够方便准确地寻找出结构的小波脊,其获得的信息可靠度也更高,适用于多自由度结构的模态参数识别。     

基于经验模态分解的小波阈值滤波去噪

经验模态分解(EMD)是一种新出现的处理非线性、非稳态数据的信号分析方法,首先对带噪信号做EMD分解,得到各阶本征模函数(IMF)分量,然后对高频的IMF分量用小波去噪中的阈值方法进行处理,把经过阈值处理的高频IMF分量和低频的IMF进行叠加,得到重构后的信号,即去噪信号。通过三次样条包络分离数据的高阶成份和趋势项。利用EMD的这种特性,提出一种基于EMD变换的阈值去噪算法。仿真实验表明基于EMD变换的去噪具有较好的自适应能力,形式简单,应用方便灵活,不受傅立叶变换及小波函数选择的限制等。     

钢筋混凝土构件损伤状态的声发射识别

为实现钢筋混凝土构件的损伤识别,利用声发射技术对钢筋混凝土梁进行了损伤监测研究。采用Hilbert-Huang变换对声发射信号进行了分析,利用经验模态分解(EMD)将信号分解为固有模态函数(IMF),得到Hilbert谱,反映信号时频特性。从IMF中提取声发射特征参数,即固有模态函数最大瞬时幅值和特征瞬时频率。通过参数与波形的混合分析,确定钢筋混凝土构件的损伤状态,获得结构加固修复和失效破坏的两个安全预警信号,为声发射技术应用于钢筋混凝土结构健康监测提供理论基础。     

基于EEMD结合二次小波包降噪的齿轮箱故障诊断

针对齿轮箱振动信号信噪比低、故障识别精确度不高等问题,提出了聚合经验模态分解(EEMD)结合小波包二次降噪的故障诊断方法.首先,对采集到的原始信号进行小波包降噪并重构;再对第一次降噪后的信号进行EEMD分解,得到一系列的固有模态函数(IMF);并计算分解得到的每个IMF与第一次降噪后信号的相关系数,从而确定二次降噪的IMF有效集;然后,通过选择不同消失矩的db系小波,对筛选出的IMF进行二次降噪;最后,将二次降噪之后的IMF进行重构,提取特征向量输入到BP神经网络,识别齿轮箱的故障类型和位置.测试结果表明,此二次降噪方法用于齿轮箱故障诊断,识别准确率更高,在神经网络训练和测试中耗时更短.     

EMD和小波变换在结构模态参数辨识中的应用

针对希尔伯特-黄变换方法在振动信号处理中不能有效地进行模态解耦的缺点,提出一种将经验模式分解和小波变换相结合的结构模态参数辨识方法．首先利用经验模式分解方法对结构响应信号进行分解,获得多个本征模函数以完成结构模态的筛选过程,并根据模态筛选得到的本征模函数进行信号重构;然后对重构信号进行Morlet小波变换和模态解耦,获得信号小波变换系数的瞬时幅值和瞬时相位拟合曲线,并在此基础上计算出结构的各阶模态频率、阻尼和振型．结果表明,利用小波变换对本征模函数的叠加信号进行参数辨识代替对单个本征模函数进行希尔伯特变换,更能有效地进行模态解耦,从而获得更为准确的结构模态参数信息．     

基于EMD和Hilbert变换的心电信号去噪方法

基于经验模态分解(EMD)和Hilbert变换理论,提出一种心电信号(ECG)去噪方法.经验模态分解法将任意信号分解为一组固有模态函数IMF,对于非白噪声层IMF的阈值选取,针对传统阈值去噪方法存在较大偏差的问题,提出利用各层IMF的平均频率和能量密度乘积来确定非白噪声层IMF的噪声水平.介绍了白噪声层IMF的检验方法,并给出了利用该方法以及小波阈值去噪方法对心电信号进行去噪处理的实验结果.     

基于EEMD降噪与非抽样提升小波包的滚动轴承故障诊断方法

针对传统小波包在诊断滚动轴承隐含故障中存在频率混叠、精度不高等问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)降噪与非抽样提升小波包相融合的故障诊断方法.首先利用EEMD方法分解原始故障信号得到多个本征模态函数(intrinsic mode function,IMF)分量,然后计算各个IMF分量与原始信号间的相关系数,并与设置的相关系数阈值相比较,将小于阈值的IMF分量视为伪分量予以剔除; 对剩余的IMF分量采用峭度准则再次筛选最优IMF分量进行重构,进而实现降噪目的.为了避免传统小波包因采取抽样运算方式导致频率混叠情况,文中采用非抽样运算的提升小波包来分解降噪信号,并采用Hilbert变换进行包络解调分析得到滚动轴承的故障位置.仿真实验和滚动轴承内圈故障应用实例表明:采用EEMD分解原始故障信号,结合相关系数-峭度准则,达到了很好的降噪效果; 采用非抽样提升小波包比传统小波包具有更高的故障诊断精度,且不存在频率混叠问题.     

基于CEEMDAN-TQWT方法的变压器局部放电信号降噪

针对传统方法处理局部放电信号时存在振荡明显、消噪不彻底等问题,采用基于自适应白噪声完备集成经验模态分解（complete ensemble empirical model decomposition with adaptive noise,CEEMDAN）与可调品质因子小波变换（tunableQ-factorwavelettransform,TQWT）相结合的方法对局部放电信号进行消噪处理。采用CEEMDAN将含噪变压器局部放电信号分解成多个固有模态函数（intrinsic mode function,IMF）分量,并利用相关系数判断IMF分量与原始信号的相关度。将弱相关者视为劣质IMF,对其进行TQWT分解,利用能量占比与峭度指标来筛选小波子带,提取IMF的有效细节信息,进行TQWT逆变换,从而得到新的IMF分量;将强相关者视为优质IMF,与变换后的新IMF分量共同进行信号重构,得到消噪结果。仿真及实测信号分析验证了该方法的有效性和实用性,相比传统的经验模态分解（empirical mode decomposition,EMD）方法,仿真信号经所提方法去噪后的波形失真百分比下降了44...     

经验模态分解在电力绝缘气体SF6红外光谱去噪中的应用

经验模态分解(EMD)是以信号极值特征尺度为度量的时空滤波器,它充分保留了信号本身的非线性和非平稳特征,在信号去噪中具有较大的优势。本文以电力绝缘气体SF6为研究对象,在介绍E MD分解方法的基础上,首先对含噪的SF6光谱信号做EMD分解,得到各阶本征模态函数(IMF),然后对高频的IMF分量用阈值法进行处理,把经过阈值处理后的高频I MF分量与低频IMF分量叠加重构得到去噪后的信号。分析了在不同噪声水平上与小波阈值去噪方法的处理效果。实验结果表明EMD阈值去噪法有效地去除了噪声,较好地保留了光谱的细节信息,与小波阈值去噪方法相比较具有自适应的优势。     

基于小波包和改进EMD的脑电信号消噪研究

由于采集到的脑电信号含有噪声,提出了总体经验模态分解(EEMD)的希尔伯特黄变换(HHT)结合小波包分析的脑电信号去除噪声的方法。含噪脑电信号经EEMD分解可以得到一定数量的IMF分量,而且可以解决经验模态分解(EMD)时的模态混叠问题,然后,对IMF分量进行Hilbert变换,分析Hilbert谱,把含噪的IMF部分进行小波包处理,最后,把各IMF相加,可得处理过噪声的脑电。经验证得,单独使用小波包方法消噪和改进EMD消噪,都没有小波包结合改进EMD方法的信噪比高,提高了去噪效果,有利于更精确的诊断医学疾病。     

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.     

基于自适应滤波的滚动轴承故障诊断研究

针对固有频率未知的滚动轴承故障诊断问题，提出了一种基于经验模态分解的自适应滤波方法。讨论了经验模态分解方法及其在获取固有模态函数过程中的自适应滤波特性。通过对滚动轴承故障振动信号进行经验模态分解得到固有模态函数，运用希尔伯特变换解调固有模态函数得到包络幅频图，获取滚动轴承故障特征频率，进而确定滚动轴承的故障位置。应用该方法对仿真和实际数据进行了分析，并与冲击脉冲法作了比较。结果表明，基于经验模态分解自适应滤波的滚动轴承振动信号解调方法能够更有效地突出故障特征频率成分，避免误诊断。     

基于时延自相关预处理的Hilbert-Huang变换解调

针对具有噪声干扰的旋转机械故障振动信号解调问题，提出基于时延自相关运算和经验模态分解（
EMD）方法相结合的新方法.讨论了时延相关算法的降噪原理、离散信号时延相关算法和Hilbert Huang变
换理论.采用矩形窗截断故障振动信号自相关函数的无偏估计, 获取较长时间差的部分，得到时延相关函
数.利用EMD方法对时延相关函数进行自适应滤波, 得到固有模态函数（IMF），对IMF进行Hilbert变换，
求得解调结果.不同噪声强度仿真数据和滚动轴承故障振动信号实验数据分析表明，该方法比直接解调或
仅采用时延相关解调更能有效抑制噪声，凸现信号调制信息.     

基于EMD与ICA的滚动轴承复合故障诊断

针对单通道情况下滚动轴承复合故障难以分离问题,提出基于经验模式分解(empirical mode decomposition,EMD)的独立分量分析(independent component analysis,ICA)算法.该方法首先对单通道采集的轴承复合故障信号进行EMD分解,得到多个基本模式分量函数(intrinsic mode function,IMF),然后依据帩度指标及相关系数值,选取有效的IMF分量与原观测信号组成新的观测信号,对其进行ICA处理,进而实现轴承复合故障的分离.实验结果表明,该方法可有效地分离轴承早期的复合故障.     

基于VMD-HHT方法的水电机组启动过渡过程振动信号分析研究

为了解决水电机组启动过渡过程振动信号特征频率提取困难问题,采用一种较新的处理非线性非平稳信号自适应方法---变分模态分解（VMD）,并用于葛洲坝某台机组启动过渡过程振动信号分析。通过Hilbert-Huang（HHT）变换对VMD分解得到的各固有模态函数（IMF）进行瞬时频率计算,得出相应Hilbert谱图,并将结果与经验模态分解（EMD）方法进行对比。结果表明：经VMD分解后,机组启动过渡过程振动信号各分量频率变化与机组转速时变规律吻合良好,能够有效提取特征频率,较EMD具有更好的自适应性,分析结果更加准确有效,能够更好的揭示水电机组过渡过程信号中的振动规律。     

采用经验小波变换的风力发电机振动信号消噪

针对风力发电机振动信号非线性特征及恶劣监测环境,分析经验小波变换理论（EWT）及自适应分解特性,提出基于经验小波变换的振动信号消噪方法.采用带噪声leleccum和轴承故障仿真信号对该方法进行消噪效果检验;在同信号源下,与基于db1强制消噪方法、db1软阈值消噪方法和sym5消噪方法分析比较消除噪声效果.针对真实的风力发电机振动信号,验证了基于经验小波变换方法的消噪效果,对同样信号采用其他3种方法进行消噪分析和比较.仿真和实验分析结果表明,基于EWT小波消噪方法,与基于db1强制消噪方法、db1软阈值消噪方法和sym5消噪方法能够达到同样的消噪效果和目的,甚至更优;不损耗原振动信号能量,在自适应模态分解层数方面甚至优于经验模态分解,并且具有较强的鲁棒性.