基于改进EMD方法的多分量信号分析

经验模式分解(EMD)是一种局部的,完全基于数据的自适应信号分解方法,非常适合于分析非平稳、多分量信号.针对经典EMD方法存在模式混淆,容易产生虚假频率分量的不足,该文提出了一种改进的EMD方法.该方法采用高阶极值点信息,通过逆向EMD筛选结果拟合最优包络均值.同时提出了一种基于正交性的筛选停止准则,保证分解结果的合理性.仿真信号和实测语音信号的实验结果证明了该方法的正确性和有效性,采用该方法能有效减小模式混淆,得到较为准确的分解结果.     

基于核主分量分析的经验模式分解及其工程应用

若信号的信噪比较小,经验模式分解不能正确分解出基本模式分量,分量中含有伪分量。根据此种情况,提出一种核主分量分析与经验模式分解相结合的方法。该方法首先建立信号相空间,利用核主分量分析方法提取相空间的核主分量,然后利用投影逆过程将得到的核主分量逆向投影回原相空间,从而重建信号相空间。最后对重建的相空间所对应的信号作经验模式分解。此方法可以有效消除噪声和冗余对经验模式分解的影响,提高经验模式分解的适应能力保证分解的有效性,确保其能够分解出正确的基本模式分量。通过工程实例进一步验证了该方法的可行性。     

多频信号经验模态分解的理论研究及应用

对多频信号的经验模式分解进行了理论分析 ,分析表明分解结果取决于各分量的频率和幅值。得到了一个正确分解的充分条件 ,仿真试验证明了这一充分条件。将经验模式分解用于分析一个包含故障轴承的实际齿轮箱表面振动信号 ,分析结果表明在经验模式分解得到的固有模态函数中 ,轴承故障特征信息比原始信号相比得到显著增强。     

噪声协助的EMD-1.5维谱信号抗混分解与特征提取

针对大型动力装备核心部件微弱故障特征信息提取问题,提出了一种噪声协助的EMD-1.5维谱故障诊断方法。经验模式分解(EMD)方法中,信号极值点间隔特性影响模式混淆现象的出现,针对此状况提出信号极值点间隔特性评价方法,分析高斯白噪声有助于信号抗混分解原理,通过对原始信号加入高斯白噪声得到噪声协助的EMD方法,提高信号抗混分解能力。将1.5维谱与噪声协助的EMD方法结合,得到一种新的故障特征提取方法,该方法具有对信号进行有效抗混分解、提取非线性耦合等特性,并以此来提取故障的微弱特征信息。通过仿真研究与电力机车滚动轴承的故障诊断工程实例,验证了该方法的有效性。     

噪声协助的EMD-1.5维谱信号抗混分解与特征提取

针对大型动力装备核心部件微弱故障特征信息提取问题,提出了一种噪声协助的EMD-1.5维谱故障诊断方法。经验模式分解(EMD)方法中,信号极值点间隔特性影响模式混淆现象的出现,针对此状况提出信号极值点间隔特性评价方法,分析高斯白噪声有助于信号抗混分解原理,通过对原始信号加入高斯白噪声得到噪声协助的EMD方法,提高信号抗混分解能力。将1.5维谱与噪声协助的EMD方法结合,得到一种新的故障特征提取方法,该方法具有对信号进行有效抗混分解、提取非线性耦合等特性,并以此来提取故障的微弱特征信息。通过仿真研究与电力机车滚动轴承的故障诊断工程实例,验证了该方法的有效性。     

基于声场图像分析的印刷机轴承故障诊断方法

目的针对印刷机墨辊轴承的故障信息获取及诊断难等问题,提出一种基于声场图像分析的故障诊断与定位方法。方法首先,构建声音测试系统并划分检测对象的空间区域,逐一采集信号并依据对应空间位置关系进行重构与组合;其次,将一段时间内的信号能量进行叠加,同时依据空间位置关系形成叠加状态的声场图像信息;然后,引入二维经验模式分解(BEMD)分析空间域图像信息,消除环境噪声干扰并得到声场图像的高频信息。结果对不同位置、不同种类的墨路系统故障轴承进行特征分析与比对,利用IBIMF分量及统计特征实现了轴承内、外圈故障的诊断,利用无量纲特征实现了不同故障位置的有效定位,并通过实验验证了方法的有效性。结论所提出故障诊断方法发挥了非接触测量优势,同时具有较强故障表征能力,适用于同类复杂机械系统。     

基于EEMD和混沌的信号特征提取方法及应用

提出了一种基于集合经验模态分解(EEMD)和混沌相结合的信号特征提取方法,应用于婴儿呼吸信号哮喘检测中。EEMD把呼吸的局部信号分解成一系列频率从高到低的模态分量,对各分量与局部呼吸信号进行相关分析,并给出各分量的Hilbert谱,通过局部分析的结果初步判断婴儿是否患有哮喘;然后,以EEMD局部信号检测出来的信号频率作为混沌振子检测的频率,对全局呼吸信号进行整体检测及分析,由混沌的间歇周期可以得出原始呼吸信号的频率,准确确定婴儿哮喘诊断结果。对EEMD和混沌算法的应用存在的问题进行了改进,将其应用到实测信号的分析中,验证了方法的有效性。该方法能够正确地反映信息特征,准确率高。     

高速工况下乘员耳侧噪声信号重构方法

高速工况下,车内噪声信号具有随机性和波动性的特征。将一种基于经验模态分解(EmpiricalModeDecomposition, EMD)和反向传输(Back Propagation, BP)神经网络的算法,用于重构车内乘员耳侧噪声信号。首先通过对车内乘员耳侧噪声贡献量分析,确定关键噪声源信号;其次对选择的噪声源信号进行EMD分解,得到有限个相对平稳的固有模态函数(Intrinsic Mode Function, IMF)分量;然后采用极值点划分法,按各个分量的波动情况进行重新划分,将信号分量重构为高频、中频和低频3个分量;最后对不同频段的部分建立相应BP神经网络模型,并将不同频段分量的重构结果叠加作为原信号的重构结果。以在某轿车采集到的5个噪声信号源为基础,利用该方法进行乘员耳侧噪声信号重构,并对其进行分析。结果表明:提出的噪声重构方法可以实现高速工况乘员耳侧噪声信号的重构,并具有良好的性能。     

独立分量分析方法在经验模式分解中的应用

若信号间的能量和频率比例过大,经验模式分解不能分解出正确的单一模式分量。针对这种状况提出一种经验模式分解与独立分量相结合的信号分析方法。该方法能分离出IMF分量的固有特性,消除EMD分解过后各IMF之间信息混淆问题,恢复各个单分量所丢失的信息特性,改善了经验模式分解能力不足所带来局限性,保障经验模式分解的有效性。通过仿真信号和实际工程信号研究,验证了该方法的可行性。表明该方法对信号分解和故障诊断具有很好的前景。     

改进EMD端点效应电力系统HHT谐波检测研究

为对电力系统谐波进行有效的检测,提出一种改进的基于镜像延拓的方法对信号数据边界进行端点处理。通过对端点和极值点的判断比较来选取镜面进行延拓,按照包络原则对延拓之后的信号进行经验模态分解(EMD),并得到IMF分量。仿真实验结果表明:改进后的方法幅值及频率检测准确度明显优于改进前,能够有效改善EMD端点效应,准确快速地分解出各种模态的谐波,适用于电力系统谐波的检测。     

基于SVD降噪的经验模式分解及其工程应用

提出了一种基于奇异值分解降噪的机械设备振动型号经验模式分解方法,该方法首先对原始振动信号进行相空间重构和奇异值分解,然后根据分解奇异值的奇异熵确定降噪阶次,最后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。对滤波前和滤波后的工业现场振动信号进行了经验模式分解,分析结果表明奇异值分解能够有效地提高信噪比,突出原始振动信号的故障特征,使得降噪后的振动信号分解出的基本模式分量具有更明确的物理意义,有利于对设备故障进行精确诊断。     

极点加权模态分解及其在故障诊断中的应用

经验模态分解(EMD)是一种自适应信号分解方法,由于其能够同时提供振动信号时域和频域的局部信息,在机械故障诊断领域得到广泛应用.受EMD思想的启发,基于相邻极值加权构造均值曲线,提出一种新的自适应信号分解方法—极点加权模态分解(EPWMD).通过仿真信号分析,将提出的EPWMD方法与EMD和局部特征尺度分解(LCD)等...     

基于经验模式分解的滚动轴承故障诊断方法

针对水泵电机轴承故障振动信号噪声大和非平稳性的特点,提出了基于经验模态分解的诊断方法;通过对原始信号进行经验模态分解,得到包含故障特征的固有模态分量,从而可以提取出故障频率.该方法应用于外圈、内圈和滚动体故障诊断,取得了很好效果.     

EMD-SVM非线性组合模型对高炉铁水含硅量的预测

提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的非线性组合模型的预测方法.该方法运用EMD将原始铁水含硅量的时间序列分解成若干个频率不同的平稳分量,分解后的分量突出了原序列的局部特征.通过Lempel-Ziv复杂度分析选用不同的核函数,并利用10-fold交叉检验方法取定相应的参数,从而对各个分量构建不同的支持向量机模型,并对各分量进行预测.仿真结果表明,EMD-SVM非线性组合模型预测命中率达到90%.     

基于BIMF-GLCM分析的印刷网点异常状态诊断方法

目的为了实现印刷生产过程中网点异常状态的智能诊断,提出一种基于二维经验模式分解(BEMD)的网点特征提取方法。方法通过对网点图像的BEMD分析,获取了其二维本征模式分量,并利用灰度共生矩阵(GLCM)对其进行特征提取,构建印刷网点的特征表示向量。结果依托支持向量机决策方法开展分类实验,所提出的方法能够准确诊断出网点压力不当、水墨不均等异常状态,网点分类实验的正确率达到90%以上。结论 BIMF-GLCM分析对于网点特性有着很好的表征能力,相关研究为印刷网点智能诊断特征集的构建提供了有效方法。     

基于改进自适应经验傅里叶分解的滚动轴承故障诊断方法

自适应经验傅里叶分解(AEFD)是最近提出的非平稳信号分解方法,为了解决AEFD的分割边界集设置问题,提出了基于频谱包络检测的改进自适应经验傅里叶分解(EAEFD)方法,该方法以快速傅里叶变换为基础,以包络熵值最小选择最优的分解模态数目,采用极大值包络技术对傅里叶频谱分割,得到一个合理的分割边界,最后采用逆快速傅里叶变换对每个区间信号进行重构。EAEFD能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的单分量信号之和,通过仿真信号和滚动轴承信号分析,将EAEFD方法与经验小波变换(EWT),经验模态分解(EMD),局部特征尺度分解(LCD)和AEFD等方法进行了对比,结果表明EAEFD方法不仅仅能够有效地诊断出故障特征,而且诊断的精度更高。     

基于BEMD和控制图的磨床颤振预测

针对磨床信号非线性、多维性和非平稳性的特点,提出一种基于二维经验模态分解(BEMD)和控制图理论的磨床磨削颤振预测方法.通过BEMD筛选出有效的二维固有模态函数(BIMF)分量,计算出各分量的实时方差,合成总的方差特征量,并通过控制图对颤振进行预测.结果表明,基于BEMD和控制图的颤振预测方法能够提供颤振阈值并有效地对颤振进行预测.     

基于屏蔽技术的经验模式分解改进方法

经验模态分解(EMD）具有优越的自适应性,对非平稳、非线性信号的不同时间尺度可进行正确的局部化处理,然而,当信号组合分量的频率相近时会出现模态混叠现象。针对该问题,提出引入信号屏蔽技术对其改进,通过向原始信号添加一定频率的屏蔽信号,将低频成分屏蔽在高频成分所在的本征模态函数(IMF)之外,而屏蔽信号自身通过加减二次分解取平均值消除对IMF分量的影响。仿真及实际应用验证了改进方法可有效克服模态混叠现象,为EMD改进提供一种新的途径。     

基于改进EMD和形态滤波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性特点,提出一种改进经验模态分解(EMD)和形态滤波相结合来提取故障特征信息的方法。该方法首先在原信号中加入高频谐波并进行EMD分解,减小传统EMD分解中存在的模态混叠现象,然后从高频本征模态分量(IMF)中去除高频谐波得到故障冲击成分,经形态滤波消噪后进行频谱分析,提取出故障特征信息。信号仿真分析该方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断。实验结果表明该方法能够有效提取滚动轴承故障特征信息,实现故障诊断。     

基于BEMD的无参考模糊失真立体图像质量评价方法

本文针对高斯模糊失真的立体图像,提出了一种基于二维经验模式分解的无参考质量评价方法。该方法先通过二维经验模式分解将图像分解成内蕴模式函数分量和残差图像,再对每个内蕴模式函数分量提取它的统计信息量(均值,方差和信息熵),并结合广义高斯分布方法提取每个内蕴模式函数分量的形状参数、尺度参数作为图像的特征信息,然后利用支持向量回归模型对特征进行融合并预测得到立体图像质量的客观评价值。实验结果表明,该模型与主观评价结果有较好的相关性,符合人眼视觉系统。