基于响度控制的封闭腔有源噪声控制

传统有源噪声控制（ANC）通常是控制声压平方和最小，但声压与人耳对声音强弱的主观感觉并不完全一致。为了考虑人的主观听觉作用，在传统ANC系统中加入若干个响度滤波器，使其控制目标从声压转变为响度。从心理声学出发，建立了用于ANC的人耳听觉响度模型，给出了矩形封闭腔响度ANC模型以及基于FLMS算法的响度控制算法。仿真结果表明，与声压控制相比，基于响度控制的ANC系统的声压下降量稍小，但响度的减小量更大，具有更好的主观听觉效果。     

EMD在扭转振动分析中的应用研究

构建扭转振动测试系统,对扭转振动进行了测试分析。用经验模态分解(Empirical Mode Decomposition,EMD)与希尔伯特黄变换(Hilbert-Huang Transform,HHT)解释了扭转振动信号。明确了固有模态函数(IMF)与系统振动频率的对应关系,即一个固有模态函数与系统中某一个频率不是一一对应。对于不复杂的系统,一般情况下,第一、第二固有模态函数基本上表征了系统的模态。最后,采用EMD对扭振测试数据进行了分析,验证了EMD对扭振分析的有效性。     

基于EMD和ANFIS的自适应噪声消除研究

对于混入色噪声的混合信号,如果可以通过测量得到产生色噪声的白噪声,对白噪声进行非线性训练即可逼近色噪声,达到非线性滤波的目的.自适应模糊推理系统(adaptive neuro-fuzzy unference system,ANFIS)可以实现上述非线性逼近.文中在上述算法的基础上,提出一种EMD(empirical mode decomposition)-ANFIS的自适应色噪声消除方法,首先对混合信号进行EMD分解,得到各个内禀模态函数分量(intrinsic mode function, IMF),然后对分解得到的内禀模态分量进行ANFIS模糊消噪,最后对消噪后的各个分量信号进行叠加.由于所得内禀模态函数为近似平稳信号,且图形越来越趋于平缓,减小了ANFIS方法的逼近难度.在混合信号信噪比为2.840 7 dB时,经过EMD-ANFIS消噪后的估计误差比只经过ANFIS消噪后的估计误差减少11.74 dB,证明EMD-ANFIS方法的有效性.     

结合EMD和LSF的振动信号降噪方法的研究

针对原始振动加速度信号中存在的低频趋势项信号在通过数学积分变换时存在严重失真的问题,提出了采用最小二乘法（least squares fit,简称LSF）和经验模态分解（empirical mode decomposition,简称EMD）相结合的方法,实现过滤原始信号中干扰信号的目的。该方法通过对经验模态分解得到的固有模态函数（intrinsic mode function,简称IMF）去除趋势项后进行重构以达到信号降噪的目的。采用该方法分别对模拟信号和某型号干式真空泵的振动实测数据进行了降噪处理,再进行信号积分变换,通过对比证明了该方法能够弥补单一方法在处理信号低频趋势项时的不足,提高了振动信号分析的可靠性。     

基于EMD和KNN的发动机辐射噪声预测研究

针对基于发动机表面结构单通道振动的辐射噪声预测问题,提出了一种结合经验模态分解(Empirical Mode Decomposition, EMD)和KNN(K-Nearest neighbor)的预测算法,通过EMD将单一振动时域信号分解为多个本征模态函数(Intrinic Mode Function, IMF)信号,并将每个IMF信号作为振动数据集的特征,最后以新的振动数据集为输入建立辐射噪声预测模型。试验结果表明,基于该算法建立的预测模型可解释方差分数为0.97,有着较小的预测误差。     

基于EMD与倒谱分析的轴承故障诊断

提出了一种基于经验模态分解与幅值倒频谱分析的轴承故障诊断方法。该方法首先对外圈故障信号作传统的傅里叶幅值谱和幅值倒频谱分析,未能明显地找到故障特征;然后对故障信号做经验模态分解,并对分解出来的第一层本征模函数作倒频谱分析,有效地提取出了故障特征;最后,用该方法分别对具有内圈故障和滚动体故障的轴承故障信号作分析,也有效地提取出了故障特征。实验结果表明,通过联合经验模态分解和倒频谱分析,能有效并且准确地提取出轴承的故障特征频率。     

有源声学结构次级声源的布放规律研究

有源声学结构是近年来提出的一种控制结构低频声辐射的有效方案,它是智能结构在有源噪声控制领域的具体应用。次级声源的优化布放是有源声学结构研究中的核心问题,本文对此进行了研究。首先建立了有源声学结构的计算模型,然后基于声辐射模态和结构振动模态理论,推导总结出各种情况下次级声源的最优布放规律,最后用一系列的计算机仿真实例对该规律进行了验证。     

基于小波包的经验模态分解法的研究及应用

针对多频信号经验模态分解中的模态混成现象，提出了一种经验模态分解与小波包分解相结合的新方法。经验模态分解方法基于信号的局部特征时间尺度，把复杂的信号函数分解为有限的固有模态函数之和。利用最小Shannon熵准则，对出现混成模态的固有模态函数进行小波包分解，并根据小波包分解后各频带信号的频率分布特征，选择能量比重较大的频带信号进行重构，将重构信号作为新的固有模态函数分量。仿真信号和齿轮箱故障实测数据表明，新方法能将不同的频率成分提取出来，从而提高了经验模态分解的分解能力。     

装载机载重动态测量信号处理的EMD方法

为了从受强干扰影响的装载机载重动态测量信号中提取有效信息,采用经验模分解(EMD)方法对实测油压信号进行分解,将分解所得残余量,即去除液压惯性冲击和工作装置共振等随机干扰信号的稳态值作为载重测量的稳态信号.同时,为进一步验证EMD方法的有效性及降噪能力,在考虑实际工况的前提下及实测信号基础上加入10%和1%白噪声,分别进行EMD分解和误差对比分析.结果表明,EMD方法具有很强的噪声处理能力和信号组分分析能力,非常适合作为装载机载重动态测量信号的处理方法.     

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。     

IMF筛选停止条件的分析及新的停止条件

分析了目前经验模式分解(empircal mode decomposition,简称EMD)中本质模式函数(intrisic mode function,简称IMF)筛选停止条件,并提出了一种新的筛选停止条件.首先建立了一种EMD分解效果的检测方法,采用该方法分析了3种IMF筛选停止条件,从分解效果图可以看到3种停止条件对EMD分辨率的影响;然后提出了一种改进的IMF筛选停止条件;最后通过分解面的效果图和算例,表明新方法可以减少模式混叠现象,提高EMD分解效果.     

经典模态分解方法中内禀模态函数判据问题研究

针对经典模态分解方法的内禀模态函数判据问题，根据内禀模态函数完备且正交的特点，提出了在内禀模态函数“筛选”过程中采用能量差跟踪法来确定内禀模态函数分量。通过仿真和实际信号的分析，验证了采用这种方法确定的内禀模态函数分量满足正交性要求，表现了信号内含的真实物理信息，从而实现了对信号正确的分解。     

应用EMD和双谱分析的故障特征提取方法

针对传统双谱分析从理论上仅能抑制高斯噪声,但对非高斯噪声无能为力的不足,提出了一种利用经验模式分解(empirical mode decomposition,简称EMD)和双谱分析的故障特征提取方法,并应用于滚动轴承故障诊断中。首先,对信号进行EMD分解;其次,利用能量相关法去除EMD分解过程中出现的伪本征模态分量(intrinsic mode function,简称IMF);最后,对得到的真实IMF进行双谱分析提取故障特征。仿真和实验结果表明,所提出的方法优于功率谱分析和传统双谱分析,能够更有效地提取强噪声背景下的机械故障特征信息,为滚动轴承的故障特征提取提供了一种新的方法。     

基于经验模态分解的改进乘性噪声去除方法

乘性噪声往往由不理想的(时变的或非线性的)信道引起,它与信号是相乘的关系,因此难以消除。在乘性噪声消除应用背景下,引入同态变换去除噪声与信号的相倚性,将乘性噪声转化为加性噪声,并应用经验模态分解技术进一步研究受均匀分布白噪声污染的谐波信号及其同态变型的能量分布特性,据此建立起适用于乘性噪声去除的本征模函数幅值滤波新阈值准则。从而,形成基于经验模态分解的改进乘性噪声去除方法。结果表明,采用柔性阈值的改进算法对乘性噪声的去除效果最佳。而且,基于二阶多项式回归分析所构建的本征模函数幅值滤波阈值准则已经可以获得较高的源信号重建精度,过高的多项式阶次会导致本征模函数幅值滤波阈值与其实际噪声能量水平的失配,从而显著地降低算法的去噪性能。     

基于有效数据的经验模态分解快速算法研究

在介绍了经验模态分解（简称EMD）方法的理论和算法基础上，为了提高EMD算法的速度，提出了基于有效数据的EMD快速算法，即通过EMD分解中止的计算区域限定于有效数据段来实现算法的提速。通过对非线性信号的实验研究表明，基于有效数据的EMD快速算法不但能显著提高算法的速度，而且还可以提高算法的精度。该研究成果能广泛地用于信号时频分析领域。     

基于小波-中值降噪的经验模式分解及应用

为提高经验模式分解(EMD)质量,降低模式混叠,使分解得到的固有模式函数(IMF)序列能较好地反映设备的振动模式,针对EMD在信号处理方面存在的不足,利用小波消噪对高斯噪声的滤除作用,以及中值滤波对脉冲干扰较好的抑制作用,引入小波-中值组合滤波设计,对待分解数据进行预处理以滤除随机噪声并抑制脉冲干扰.将该方法应用到航空发动机振动信号处理中,能够有效减少各IMF的“筛选”次数和EMD分解层数,降低端点效应在EMD分解过程中的累积作用,抑制模式混叠现象.分解结果表明,使用组合滤波设计能更好地反映出发动机的振动模式和工作状态,并能获取表征高压转子和低压转子振动特征的数据分量.     

基于SVD降噪的机械振动信号经验模式分解及其应用

提出了1种基于奇异值分解降噪的振动信号经验模式分解方法,利用该法对原始振动信号进行相空间重构和奇异值分解,并根据奇异值降噪,再利用经验模式分解法提取降噪后振动信号的基本模式分量,对滤波前和滤波后振动信号进行经验模式分解分析。分析结果表明：奇异值分解能有效地提高信噪比,突出原始振动信号的特征,使降噪后振动信号分解出的基本模式分量具有更明确的物理意义,有利于对柴油机进行精确诊断。     

Application of computed order tracking, Vold-Kalman filtering and EMD in rotating machine vibration

This paper presents a study on rotating machine vibration signals by using computed order tracking, Vold-Kalman filtering and intrinsic mode functions from the empirical mode decomposition method. Through the sequential use of intrinsic mode function and order tracking methods, both speed synchronous and non-synchronous vibrations that modulate orders in rotating machine vibrations are distinguished, which is difficult when using each of the techniques in isolation alone. Simulation and experimental studies demonstrate the ability of extracting vibrations that modulate order signals through combining the techniques.     

自回归和EMD用于离心式风机不对中故障分析

针对离心式风机运行过程中遇到的联轴器不对中故障特征,将风机负荷和转速变化过程中采集到的振动加速度信号进行经验模态分解(empirical mode decomposition,简称EMD),得到包含特征频率的本征模态函数(IMF),应用粗差检测中常用的3α准则对每个IMF进行硬阈值去噪处理;然后,分别建立其自回归(AR)模型,进行自回归谱分析.研究结果表明:离心式风机联轴器不对中故障频率除了基频外,以2倍频为主,随负荷增大,转速上升,不对中引起的振动加剧,3次谐波峰值变化显著,并伴有高次谐波的存在.