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。     

基于内禀模态特征能量法煤油机爆震特征提取

为解决电控二冲程煤油发动机爆震特征提取的问题,根据内禀模态函数(intrinsic mode function,IMF)正交的特点,提出了基于内禀模态函数特征能量法的爆震特征提取方法.该方法对电控二冲程煤油发动机缸内压力信号进行经验模态分解(empirical mode decemposition,EMD),得到若干IMF分量,利用内禀模态函数能量法获取信号能量占主导地位的IMF分量,作为爆震信号的主导模式分析对象,对该IMF分量进行功率谱密度分析,得到了电控二冲程煤油发动机的爆震特征频率.通过仿真计算以及爆震信号分析,结果表明内禀模态函数特征能量法在电控二冲程煤油发动机爆震特征频率提取过程中实用有效.     

基于小波包和HHT变换的声发射信号分析方法

针对声发射管道泄漏检测过程中的噪声干扰问题,对基于小波包和经验模态分解(EMD)的声发射信号处理方法进行了研究.采用小波包分解算法和经验模态分解都可以对管道泄漏声发射信号进行分解,但分解结果却存在一定区别.EMD是近年来非平稳信号分析领域的一个突破,对管道泄漏声发射信号进行EMD分解后,选择包含声发射特征的若干固有模式函数(IMF分量)进行重构,可以提取到管道泄漏声发射信号的本质特征,消除噪声信号的干扰.相对小波包分解方法而言,对根据IMF分量重构的声发射信号进行相关分析计算,得到的管道泄漏点的位置更为精确.     

基于Hilbert-Huang变换的QRS波检测算法研究

心电图(ECG)被广泛应用于心脏疾病诊断,而ECG中QRS复合波的检测是对ECG进行处理和分析的基础.本文提出一种新的QRS复合波检测算法.该算法利用Hilbert-Huang变换(HHT)中的经验模式分解(EMD)将心电信号自适应地分解为一组称为内禀模态函数(IMF)的波动模态成分.然后,结合软阈值去噪方法,构造出有利于QRS复合波检测的检测层,利用模极大值和QRS复合波特征点之间的对应关系,实现了对QRS复合波的检测.经MIT-BIH心率失常数据库验证,该算法对QRS复合波检测的平均准确率达到了99.34%,平均灵敏度为99.77%,平均阳性预测率为99.56%.     

基于经验模态分解和希尔伯特-黄变换的精密孔镗削颤振特征提取

针对精密孔镗削加工过程中容易出现颤振现象,影响精密孔的表面质量问题,建立了镗削加工的监测系统,对镗削颤振信号进行特征提取,以实现对镗削颤振的快速预报。首先,根据颤振信号的时频特点,将经验模态分解(EMD)和希尔伯特-黄变换(HHT)引入颤振特征提取过程,并介绍了其基本原理及具体实现过程。然后,在线拾取镗杆的振动信号,并对振动信号进行EMD分解和HHT变换。最后,通过对各本征模态函数分量的Hilbert谱分析,提取出了颤振发生的征兆特征。实验结果表明,利用EMD和HHT对镗削振动信号进行特征提取,可以在颤振形成之前0.5s得到颤振爆发的征兆,为后续的颤振抑制工作赢取时间,进而确保精密孔的表面加工质量。     

基于能量的振动信号经验模态分解终止条件

经验模态分解(Emprical Mode Decomposition,简称EMD)主要思想是把一个时间序列的信号分解成不同尺度的本征模函数(Intrinsic Mode Function,简称IMF).EMD算法用残余量极值点数量小于2来终止分解,该终止条件有无关组分多和分解速度慢的缺点.针对该缺点,提出了采用残余能量小于设定值的EMD分解终止条件.通过对非线性和实例振动信号的试验研究表明,基于能量的EMD分解终止条件既可以减少分解的无关组分,又可以提高分解的速度.该研究成果能广泛地用于振动信号分析领域.     

基于多特征参数和概率神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特性,提出了一种基于多特征参数和概率神经网络的滚动轴承故障诊断方法。首先利用经验模态分解（EMD）方法将采集到的滚动轴承原始振动信号分解为有限个固有模式函数（IMF）之和,然后提取表征故障信息的若干个IMF的能量、峭度和偏度作为概率神经网络的输入参数来进行故障分类。试验结果表明,该方法可以准确、有效地识别滚动轴承的工作状态和故障类型,是一种可行的滚动轴承故障诊断方法。     

基于EMD和Hilbert包络谱的滚动轴承故障诊断

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,提出了一种基于EMD和Hilbert包络谱的滚动轴承故障诊断新方法.通过在滚动轴承实验台上提取振动信号,用EMD对数据进行分解得振动信号的固有模态函数分量(IMF分量),然后对IMF作Hilbert包络并进行谱分析.结果表明,该方法能够准确地识别和诊断出滚动轴承的运行状态和故障类型,非常适合滚动轴承故障精确诊断,具有很高的工程实用价值.     

基于经验模态分解包络谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征和传统包络分析法的缺陷,提出了一种基于经验模态分解包络谱的滚动轴承故障诊断方法.该方法首先采用经验模态分解将原始信号分解为若干个平稳的固有模态函数之和,然后求出包含主要故障信息的若干个固有模态函数分量的包络谱,再定义包络谱中故障特征频率处的幅值比为特征幅值比,最后以特征幅值比作为故障特征向量,输入神经网络,以神经网络的输出来判断滚动轴承的工作状态和故障类型.对滚动轴承内圈、外圈故障振动信号的分析结果表明,基于经验模态分解包络谱的故障诊断方法能有效地提取滚动轴承的故障特征.     

关联维数和基于内禀模态函数的AR模型在滚动轴承故障诊断中的应用

提出一种基于内禀模态函数(Intrinsic Mode Function,IMF)、自回归(Auto-Regressive,AR)模型和关联维数的滚动轴承故障诊断方法.该方法首先采用经验模态分解(Empirical Mode Decomposition,EMD)将滚动轴承振动信号分解成若干个IMF,然后对包含主要故障信息的IMF分量建立AR模型,计算AR模型自回归参数的关联维数,并以关联维数作为特征向量输入神经网络分类器,最后通过网络的输出结果来识别轴承的工作状态和故障类型.对实验数据的分析结果表明,该方法能有效地应用于滚动轴承的故障诊断.     

基于小波包和数学形态学结合的图像特征提取方法

提出了一种基于小波包和数学形态学相结合的图像特征提取方法,应用于车牌字符等的图像提取及边缘检测。采用了小波包对图像进行分解并重构其近似部分,用形态学膨胀和腐蚀等形态学基本运算以及形态学梯度对图像进行边缘检测,并应用形态学重构填充了车牌字符的空隙,以便后续的字符识别。仿真实验表明与Edge边缘检测算子相比较,该方法能够更好地提取图像特征,检测出的边缘更清晰,并更好地填充了车牌字符的空隙。     

基于FFT方法对微小信号3D分析研究

为了全面准确地分析微小信号,引入基于FFT技术的三维方法,利用LabVIEW2011高级开发者工具包编程设计,实现将微小信号从一维显示转换成三维能量谱的形式。使用所设计的程序成功实现对微小信号的准确分析。采用该方法可以实现对于微小信号的全面研究。     

基于BP神经网络的金属裂纹声发射信号特征参数的提取

金属裂纹声发射信号特征提取是根据其进行故障诊断的关键,提出了BP神经网络和模式识别相结合的提取金属材料疲劳声发射信号特征的新方法,并利用美国PAC公司SAMOS声发射检测系统采集到声发射的各种参数,应用该方法选择出一些对分类识别最有效的特征参数;并采用可分离性判据进一步验证其正确性。     

基于EWT_Hankel_SVD的矿山微震信号特征提取及分类方法

针对矿山微震与爆破振动信号自动识别难的问题,提出了基于经验小波变换_Hankel矩阵_奇异值分解(EWT_Hankel_SVD)的矿山微震信号特征提取及分类方法。首先,针对微震信号的瞬态性和多样性,对EWT频谱分割方法进行改进,并利用仿真信号表明了方法的有效性。其次利用改进EWT对实际矿山采取的微震和爆破振动信号进行分解,借助相关性分析筛选得到f1～f5 5个主分量,进而分别利用分量f1～f5构造Hankel矩阵,计算各Hankel矩阵的最大奇异值和奇异熵。最后利用遗传算法优化的支持向量机(GA-SVM)对微震和爆破信号进行分类识别。结果表明,爆破振动信号分量f1～f4的奇异熵要大于岩体微震信号分量f1～f4的奇异熵,爆破振动信号分量f1～f5的最大奇异值要大于岩体微震信号分量f1～f5的最大奇异值。改进EWT识别效果要优于传统EWT和经验模态分解,GA-SVM识别效果要优于支持向量机、逻辑回归和Bayes判别法,且基于EWT_Hankel_SVD和GA-SVM分类准确率达到94%。     

基于最优小波基的轴承故障状态特征提取方法研究

针对轴承故障诊断中最优小波基的选取问题,通过计算SUMVAR值选取最优小波基。用不同小波基对轴承故障仿真信号和故障实验信号进行降噪处理,分析降噪后信号与原信号的能量比值,降噪后信号与原信号标准差,峭度等指标,验证所选小波基的优越性。并对使用最优小波基降噪后信号做希尔伯特包络解调分析,结果表明,该方法能准确提取轴承故障特征频率。     

基于光谱分布特征参数的白光LED结温测量方法

基于光谱分布特征参数,设计了一种新型GaN基白光LED结温测量方法。该方法未考虑瞬时脉冲电流热效应,通过测量不同环境温度和瞬时脉冲电流下的LED相对光功率分布,分析光谱分布特征参数、驱动电流与结温之间的关联性。依据该关联性及实际工作时的光谱,即可求得结温。实验结果表明,与正向电压法和蓝白比法相比,本方法无需破坏产品结构就可更准确地测量LED结温。当GaN基白光LED功率为1W、脉宽为1ms时,平均误差小于1.5℃。     

基于中值滤波-SVD和EMD的声发射信号特征提取

针对随机噪声和脉冲干扰对经验模态分解(EMD)质量的影响,提出中值滤波和奇异值分解(SVD)联合降噪方法,并将其与EMD分解相结合形成一种新的声发射(AE)信号特征提取方法.首先对原始AE信号进行中值滤波,去除幅值较大的异常值;其次对去除异常值的信号序列进行相空间重构和SVD分解,并针对难以确定重构阶数这一问题,提出奇异值能量差分谱概念,利用谱峰的较大值位置来确定重构阶数,以进一步降噪;最后对降噪信号进行EMD分解,以本征模态函数(IMF)的能量占比作为表征各损伤信号的特征向量.数值仿真和5层胶合板损伤的实测数据表明,该方法不仅能够滤除噪声干扰,提高EMD分解的时效性和准确性,而且能够有效地提取出胶合板AE信号特征,对其损伤类型进行有效地识别.     

精密位移动态测量信号特征辨识及细分新方法研究

针对数字化精密机械测量仪器和装备需要解决位移传感器信号的高倍数、高精度细分问题,通过对光栅位移测量模型的研究提出采用测量基准转换的思维方式构建空间序列理论。通过对各运动状态条件下精密位移动态测量信号的多尺度分解实现特征辨识,从而构建用于动态位移信号细分的自适应预测模型及相关细分误差实时修正技术。实验研究表明此方法可以实现圆光栅栅距内400倍细分,角位移细分误差-0.19″~0.27″。     

基于视觉的运动物体特征点参数测量方法研究

主要研究利用机器视觉的非接触式测量方法实现对运动物体特征点的轨迹、速度和加速度三个运动参数的测定。通过在运动物体上设定一个特征点,采用基于运动估计的模板匹配技术实时跟踪特征点在各个时间点的位置。通过对动态图像序列的分析和处理从而在线得到运动物体特征点的三个运动参数。为了实现实时在线测量,采用了基于运动估计的图像匹配算法加速了图像匹配算法的计算速度,实现实时在线测量。此算法计算一次位置点需要的时间为20ms,图像标定的精度为1μs,达到了实时在线测量的要求。测试结果表明:研究的基于运动估计的运动物体特征点测量算法运算速度快、可靠以及测试简单等特点。