基于Hilbert-Huang变换与AR模型的结构损伤预警研究

利用Hilbert-Huang变换(HHT)从实测加速度响应中提取固有模态函数(IMF),对IMF进行Hilbert变换,利用AR模型对其进行拟合,提取AR模型的残差,利用残差的方差构造结构损伤预警指标,通过该指标进行结构损伤预警研究。数值模拟分析表明,基于Hilbert-Huang变换与AR模型的结构损伤预警方法不仅可以预警结构损伤,而且能够定性的估计损伤程度。     

基于HHT变换和SVM的齿轮箱故障诊断

提出了基于HHT变换和SVM结合的齿轮箱故障诊断方法,介绍了固有模态函数、EMD分解和Hilbert谱以及支持向量机(SVM)理论。先对各种工况信号消噪,再利用EMD分解将信号分解为IMF分量,求出Hilbert谱和边际谱,再利用边际谱求出各信号的故障特征信息,最后利用支持向量机判别齿轮箱的故障类型。该实验证明了此方法诊断齿轮箱故障的有效性。     

基于改进的HHT边际谱齿轮箱故障诊断

针对信号经验模态分解(EMD)过程中存在波形混叠现象,提出一种基于聚合经验模态分解(EEMD)和Hilbert边际谱相结合的方法对齿轮箱故障进行故障诊断。首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理,提高EEMD分解的精确度;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对2种工况信号进行Hilbert变换并计算得到边际谱,确定故障信号的故障频率。研究表明该方法在避免EMD分解带来的模态混叠现象方面具有可行性,能提高齿轮箱故障诊断的准确率。     

基于HHT的露天矿爆破振动信号分析

采用经验模态分解(EMD)提取爆破振动信号的固有模态函数(IMF)分量,对主要成分作Hilbert变换,得到各IMF分量的频率特征;对振动信号进行Hilbert变换,得到信号的Hilbert谱和边际能量谱,从频谱能量的角度分析了爆破振动能量在不同频率段的分布特征。结果表明:爆破能量主要集中在100 Hz以内的低频区域,0"20 Hz频带能量分布较均匀,20"45 Hz能量变化较大,45 Hz以后能量很小。研究结果验证了HHT方法在爆破振动信号分析中的高效性和适应性,HHT方法处理非线性、非平稳的爆破振动信号简单有效,具有很好的推广价值。     

基于HHT方法的露天矿山爆破振动信号分析

爆破振动信号分析技术是爆破危害控制的重要环节,结合现场监测,采用HHT分析方法进行分析,首先采用EMD经验模态分解,将信号分解为不同IMF分量,对主要分量进行Hilbert变换,并且提取子信号的包络线,验证了该方法在微差爆破延时间隔识别中的有效性,根据IMF分量经过Hilbert变换后得到的Hilbert能量谱,从时间-频率-能量上研究振动信号不同频率产生的影响,验证了HHT分析方法在非线性及非稳态的爆破信号中的高效性和良好的自适应性。     

利用经验模态分解及小波变换压制微震信号中的随机噪声

随机噪声的压制是微震信号分析过程中的重要环节,目前大多数降噪技术都不同程度的存在去噪效果差、易损伤有效信号等问题。针对微震信号的随机非平稳特征,提出一种联合经验模态分解(EMD)及小波阈值的降噪方法,压制微震信号中的随机噪声。该法首先使用EMD对微震信号进行自适应分解,得到有限个本征模态函数(IMF)。考虑到随机噪声主要集中在高频IMF分量中,基于噪声能量突变原则找出低频IMF分量与高频IMF分量的分界后,利用小波阈值方法对高频IMF进行降噪处理,最后将降噪后的高频IMF分量与剩余的低频IMF分量重构即可实现微震信号降噪。仿真分析及实验结果表明,该方法能充分保留微震信号的随机非平稳特征,较对比方法具有更好的降噪效果。     

基于EMD的齿轮箱故障诊断的研究

采用小波阈值法对齿轮箱故障信号进行去噪预处理,将经验模式分解(EMD)和快速傅立叶变换(FFT)相结合对齿轮箱故障信号进行特征提取,这种方法适用于非线性非平稳信号的自适应状态分析。利用EMD方法将去噪后的信号就行经验模态分解,得到一定数量的固有模态函数(IMF)分量,选取具有特定意义的IMF进行FFT,就可以得到相应的功率谱,从而提取齿轮箱故障特征频率。     

集成经验模式分解在液压支架焊缝超声信号消噪中的应用研究

针对煤矿液压支架焊缝超声信号受到非线性、非平稳噪声干扰的问题,研究了基于集成经验模式分解(EEMD)的焊缝超声信号自适应去噪方法,首先对原始信号进行EEMD分解得到一系列固有模态函数(IMF),然后利用各IMF分量与原信号的相关系数的大小关系来重构超声回波信号。通过对仿真信号和试验信号进行分解,结果表明,该方法能够自适应地去除超声回波信号中的噪声成分,提高了信噪比,避免了模态混淆。     

利用经验模态分解改进的CEEMD故障诊断方法

针对互补集合经验模态分解(CEEMD)方法在分解过程中会产生模态分裂的现象,提出了一种利用经验模态分解改进的CEEMD方法。由于经传统CEEMD方法分解得到的IMF分量并不能满足IMF分量的严格定义,将这些分量定义为预分解IMF分量,然后利用经验模态分解对这些预分解IMF分量重新分解,得到正确的IMF分量。为了验证改进CEEMD方法的有效性,将它用于仿真信号分解中。仿真结果表明,该方法可以有效消除传统CEEMD方法出现的模态分裂现象,分解结果更符合实际情况。将改进的CEEMD方法对真实轴承故障信号进行分解,结合包络谱分析,可以准确提取故障特征频率,从而实现对轴承故障的有效诊断。     

基于小波包和EMD的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。     

基于EMD方法的煤岩界面识别研究

简要介绍了经验模态分解(Emepirical Mode Decomposition,EMD)方法的基本思想,并对放顶煤过程中产生的声波信号进行EMD分解和频谱分析。EMD方法能把1个复杂的非平稳信号分解为有限个固有模态函数分量(In-trinsic Mode Function,IMF)之和,分解出的各个IMF分量是平稳的,具有实际的物理意义。根据各IMF的频谱,可获得顶煤放落过程中产生的声波信号的频率组成,进行煤岩界面识别。     

基于CEEMDAN和ELM的风机故障诊断研究

针对通风机轴承信号非平稳和故障样本稀少的问题,提出基于完备集合经验模态分解(CEEMDAN)和极限学习机(ELM)的轴承故障诊断方法。首先,利用CEEMDAN分解故障信号得到本征模态分量(IMF);然后,使用极限学习机学习IMF能量特征;最后,将极限学习机用于故障诊断。     

基于优化参数的变分模态分解结构损伤识别

多数建筑结构在受到损伤后损伤指标不明显,使用传统的经验模态分解、局部模态分解等会产生端点效应,导致模态混叠,对准确识别结构损伤造成一定的影响,而变分模态分解采用非递归算法对信号进行分解,很好地抑制了模态混叠与端点效应,但是其参数设置需人为经验.为了能够将更好地运用在结构损伤识别中,本文通过能量差值比来确定K值,同时通过...     

基于HHT方法的鼠笼式电动机转子断条故障诊断研究

电动机故障信号通常采用时频分析方法处理。传统的时频分析方法都有各自的局限。HHT方法(赫-黄变换)首先利用经验模态分解将原信号分解成若干个固有模态函数之和,再对各固有模态分量进行Hilbert变换,得出信号的Hilbert谱和边际谱,然后找出原信号的特征频率成分。研究表明,用HHT方法能有效地提取鼠笼式电动机转子断条的故障特征。     

基于EEMD-SVM的齿轮箱故障诊断

针对齿轮箱振动信号的非平稳特性和在现实条件下难以获得大量故障样本的实际情况,提出一种经验模态分解和支持向量机相结合的故障诊断方法。运用经验模态分解方法对齿轮箱故障的振动信号进行分析,进行EEMD分解得到相对平稳的本征模态IMF,并计算每个IMF的能量熵,将其作为支持向量机的输入特征向量以判断齿轮箱的工作状态和故障类型。     

基于EEMD降噪与PNN的齿轮箱齿轮故障诊断

提出一种基于集合经验模态分解(EEMD)降噪与概率神经网络(PNN)的齿轮箱齿轮故障诊断方法:利用EEMD对采集到的齿轮振动信号进行分解,得到一系列固有模态函数(IMF),然后利用相关系数准则对IMF进行处理,筛选出包含主要特征频率的部分IMF,随后求取IMF样本熵,作为PNN分类器的特征向量输入,实现对齿轮故障类型进行诊断识别。     

基于改进MEEMD的单相接地故障选线频域仿真及效果验证

提出了一种基于改进改进的集合经验模态分解(MEEMD)的单相接地故障选线算法,在对改进MEEMD分解得到的IMF分量进行重构及Hilbert变换的基础上,以计算得到的瞬时相角与能量占比为双判据进行单相接地故障选线,提高了选线的准确性和可靠性。利用实时数字仿真仪(RTDS)对所提选线算法进行了仿真测试,结果表明,该选线算法在各种不同情况下均能正确完成故障选线,并且判据阈值较为宽裕,有较高的可靠性。     

基于EMD-HSMM的采煤机轴承故障诊断

针对采煤机在正常工作中经常发生轴承故障的问题,提出一种基于经验模态分解(EMD)和隐半马尔可夫模型(HSMM)的故障识别方法。该方法先用EMD对故障信号进行分解,形成一系列平稳的本征模函数(IMF),并提取包含故障信息的IMF的能量作为特征向量输入到HSMM中对其进行训练。之后用训练好的HSMM分类器对故障进行识别。实验结果表明,采用该方法可以有效地提高故障识别率。     

基于EMD-HSMM的采煤机轴承故障诊断

针对采煤机在正常工作中经常发生轴承故障的问题,提出一种基于经验模态分解(EMD)和隐半马尔可夫模型(HSMM)的故障识别方法。该方法先用EMD对故障信号进行分解,形成一系列平稳的本征模函数(IMF),并提取包含故障信息的IMF的能量作为特征向量输入到HSMM中对其进行训练。之后用训练好的HSMM分类器对故障进行识别。实验结果表明,采用该方法可以有效地提高故障识别率。     

基于改进HHT的矿山微震信号多尺度特征提取及分类研究

针对矿山微震与爆破信号难以识别问题, 提出基于改进Hilbert-Huang变换(HHT)的矿山微震信号识别方法。该方法引入互补集合经验模态分解(CEEMD)对HHT改进, 信号被自适应分解后, 计算IMF分量的偏度、峭度、Hilbert边际谱能量、Lempel-Ziv复杂度以及重构信号的分形盒维数, 运用拉普拉斯得分(LS)对5种时频域特征参数降维, 最后通过遗传算法(GA)优化的支持向量机(SVM)模型, 实现微震信号的分类识别。经400组微震和爆破信号的实例分析验证, 两类信号的5种特征参数均有较大差异, 改进HHT法识别效果优于传统经验模态分解法(EMD)和局部均值分解法(LMD), 且基于改进HHT和GA-SVM分类模型准确率达到95%, 证实了此识别方法的准确性。