Hilbert-Huang变换中的模态混叠问题

希尔伯特-黄变换(Hilbert-Huang transform,简称HHT)存在的模态混叠现象严重影响了实际应用效果。在分析研究HHT原理及模态混叠产生机理的基础上,提出了基于形态滤波预处理与端点延拓相结合的方法抑制模态混叠现象。与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)方法比较,所提出的方法能够更快速、准确地分解出表征信号的本征模态函数(intrinsic mode function,简称IMF)分量。将该方法应用于滚动轴承的实测信号分析,结果表明,该方法在实际应用中同样具有很好的模态混叠抑制效果。     

集成经验模态分解中加入白噪声的自适应准则

现有集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)算法中加入白噪声的大小与集成的次数都需要人为按照经验设定,缺乏可靠性.针对此问题,提出了自适应集成经验模态分解(adaptive ensemble empirical mode decomposition,简称AEEMD)算法,并给出了一种在EEMD方法中有效加入白噪声的可依据准则.首先,计算出输入信号的幅值标准差;然后,采用高通滤波方法对输入信号进行分解,通过计算高通滤波分解后的高频分量幅值标准差和输入信号幅值标准差来确定加入白噪声的幅值标准差,在此基础之上,EEMD集成次数根据期望的信号分解相对误差和加入白噪声的幅值标准差惟一确定;最后,为了进一步提高相邻模态函数的正交性,对AEEMD分解结果进行二次处理.仿真试验验证了AEEMD方法的抗混分解能力,将AEEMD方法应用于转子油膜涡动的故障监测诊断中,提取出转子油膜涡动的故障特征,并与基本EMD算法进行了对比,结果表明,AEEMD更加精确地提取了油膜涡动信号的故障特征.     

运用改进掩膜信号法的经验模态分解

为了克服经验模态分解中出现的模态混叠现象,提出了一种基于改进的掩膜信号法的经验模态分解方法。该方法通过设置掩膜信号,并依据能量法优化掩膜信号的选择,结合经验模态分解达到了消除模态混叠现象的目的,并利用仿真信号以及齿轮箱振动信号进行了验证。试验结果表明,该方法可有效分离混叠模态,提取有用信号。     

基于软筛分停止准则的改进经验模态分解及其在旋转机械故障诊断中的应用

筛分停止准则是影响经验模态分解在高速列车旋转机械故障诊断准确率的关键因素之一。目前普遍采用预先设定阈值的方法,不具有自适应性,导致经验模态分解易出现模态混叠的问题,进而影响故障诊断结果。鉴于充分论证筛分停止准则对经验模态分解结果的影响,提出一种能够自适应控制筛分过程的软筛分停止准则,用于抑制模态混叠问题,提高经验模态分解精度和效率。针对目标信号,该准则通过定义一个刻画全局能量和局部冲击的目标函数,结合启发式搜索机制,实现每次筛分过程中筛分迭代次数的优化,进而保障经验模态分解获取最优分解结果。利用仿真数据和凯斯西储大学轴承基准数据集,对改进的经验模态分解与两种传统实现方法在不同的分解和诊断性能维度上进行对比讨论。最后,将提出的改进经验模态分解方法成功应用于高速列车旋转机械模拟试验台的故障诊断案例中。     

基于经验模态分解与RBF神经网络的混合预测

为提高时间序列预测模型精度,根据各本征模态函数(intrinsic mode function,简称IMF)序列的变化特点,针对EMD-RBF神经网络隐含神经元数目及其中心数据选取问题,利用经验模态分解(empirical mode decomposition,简称EMD)的信号自适应处理能力和径向基函数(radical basis function,简称RBF)神经网络的非线性逼近能力,提出了一种基于EMD与RBF神经网络的混合预测方法。该方法将具有类似时频特性的本征模态函数分别建立RBF神经网络预测模型,采用基于统计分析的k-均值聚类方法自适应确定RBF模型参数,最后将各IMF-RBF神经网络预测结果进行重构得到最终预测结果。仿真结果表明,该方法充分考虑到各IMF本身的特性,增强了时序的可预测性,预测性能比传统反向传播(back propagation,简称BP)神经网络和小波BP神经网络更优越。将该方法应用在某装备温控系统性能监测中,其温度参数最大预测误差远小于传感器误差,说明将该方法在该装备故障预测中是可行的。     

变分模态分解在风电机组故障诊断中的应用

针对经验模态分解(EMD)和局部均值分解(LMD)在实际应用中可能存在的模态混叠问题,提出了一种基于变分模态分解(VMD)的风电机组故障诊断新方法,并应用于机组传动系统不平衡故障诊断中。结果表明,VMD能有效避免噪声及冲击信号造成的模态混叠现象,对不平衡故障具有良好的诊断效果。     

基于平移不变小波阈值算法的经验模态分解方法

针对经验模态分解(EMD)处理存在间断事件的数据会引起模态混叠的问题,提出了一种经验模态分解与小波去噪相结合的新方法.由于传统的小波变换去噪会使信号在间断事件处产生人为的振荡现象,故先用平移不变小波去噪算法对信号进行预处理,消除间断信号对EMD方法的影响,再对信号进行EMD分解.理论计算及实验研究表明:只有在有效消除异常干扰的情况下才能获得可靠的IMF分量,采用本文的方法消除间断信号对EMD分解的影响是有效可行的.     

基于独立分量分析的EMD模态混叠消除方法研究

针对经验模态分解(empirical mode decomposition,EMD)算法中存在的模态混叠现象,提出一种应用独立分量分析进行模态混叠消除的新方法.首先应用形态学滤波方法将信号中的噪声予以消除,减少由于噪声因素造成的模态混叠现象.然后将信号进行EMD分解,获得不同的IMF分量,将存在模态混叠成分的IMF分量进行相空间重构,利用基于峭度最大化的独立分量分解算法实现混叠成分的分离,仿真分析和工程应用的结果表明,所提方法能有效地消除EMD分解过程中的模态混叠现象.     

基于经验模态分解的滚动轴承故障诊断方法

提出了一种基于经验模态分解的滚动轴承故障诊断方法，并定义了能量熵的概念。从不同状态的滚动轴承振动信号的能量熵值中发现，当滚动轴承发生故障时，各频带的能量会发生变化。为了进一步对滚动轴承的状态和故障类型进行分类，再从若干个包含主要故障信息的IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障振动信号的分析结果表明，以经验模态分解为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

基于改进多元经验模态分解的多通道振动信号融合分析

振动信号是机械故障诊断的主要信号之一,单一信号获取信息量有限,抗干扰能力较差,多通道数据比单通道数据获得了更完善的机械健康状态。本文提出了一种自适应噪声辅助多元经验模态分解方法实现多通道振动信号的同步分析。在多通道信号的基础上添加两个噪声辅助通道,以原始信号多通道加权正交指数最小为目标,通过自适应权重粒子群算法搜索最优K(投影向量个数),α_1,α_2(两个辅助噪声通道的噪声强度)最优参数组合,实现多通道自适应同步分析。改进的方法提高了分解精度,有效抑制模态混叠。仿真实验和工程案例验证了该方法的有效性,与经验模态分解和多元经验模态分解相比,自适应噪声辅助多元经验模态分解方法提高了分解精度,能准确地提取旋转机械故障频率。     

APEEMD及其在转子碰摩故障诊断中的应用

总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)是抑制经验模态分解(empirical mode decomposition,简称EMD)模态混叠的有效方法,针对EEMD分解效果依赖于添加噪声的大小、筛分次数和总体平均次数等参数的选择及噪声残留大、分解不完备等问题,提出了自适应部分集成经验模态分解。该方法通过成对地向目标信号加入自适应噪声,并对每个内禀模态函数(intrinsic mode function,简称IMF)自动选择筛选次数,通过排列熵检测筛分出高频IMF,再对剩余信号进行EMD分解。将提出的方法应用于仿真和转子碰摩故障试验数据分析,结果表明提出的方法能够有效地应用于转子碰摩故障诊断,而且在分量的精确性、完备性和模态混叠的抑制等方面优于EEMD方法。     

均值优化经验模态分解及其在转子故障诊断中的应用

经验模态分解（Empirical mode decomposition,EMD）作为一种自适应的信号分解方法已经被广泛应用于诸多工程领域。为了提高EMD的分解性能,分别考虑从不同权值均值曲线的迭代筛分结果中选择正交性最小以及从每层内禀模态函数迭代结果中选择最优以保证整体分解最优,发展了两种均值优化经验模态分解（Mean-optimized empirical mode decomposition,MOEMD）算法。通过仿真信号分析,将MOEMD方法与EMD等现有信号分解方法进行了对比,结果表明,MOEMD方法在分解性能和分解精度方面比EMD等方法有显著提高。最后,将MOEMD方法应用于转子碰摩故障信号分析,并与EMD进行了对比分析,结果表明,MOEMD方法不仅能够有效地识别转子碰摩故障,而且识别效果优于EMD方法。     

改进的经验模式分解在机械故障诊断中的应用

针对经验模式分解(empirical mode decomposition,简称EMD)在工程应用中存在的端点效应和模式混叠问题,提出了一种改进的EMD方法。首先,利用遗传支持向量回归对短信号进行延拓;然后,采用改进的包络拟合方法并结合总体经验模式分解(ensemble empirical mode decomposition,简称EEMD)处理信号,数值仿真结果验证了该方法能够有效抑制端点效应和模式混叠;最后,利用该方法并结合包络解调对滚动轴承内圈故障信号进行实验与分析。结果表明,与EMD相比,该方法可以更有效地提取故障特征,满足机械设备故障诊断工程实际需求。     

EMD方法在烟机摩擦故障诊断中的应用

提出了一种将经验模式分解（Empirical Mode Decomposition，简称EMD）方法与传统信号处理技术相结合的故障诊断方法。首先将原始信号分解为若干基本模式分量（Intrinsic Mode Functions，简称IMFs），通过希尔波特变换得到每个IMF相应的瞬时频率，再对此瞬时频率曲线做傅里叶变换得到其频谱图，该频谱图即表示了对应IMF的调频频率。利用对应IMF组合成基于EMD的滤波轴心轨迹，这种轴心轨迹可以准确反映轴心的实际运行状况。将该方法应用于某炼油厂烟机摩擦故障诊断中，发现摩擦故障信号具有有色噪声分量存在、工频IMF的调频现象和基于EMD轴心轨迹的反转现象等特征。结果表明提出的方法在旋转设备摩擦故障诊断中非常有效。     

基于经验模式分解的轧机主传动减速机故障诊断

运用经验模式分解算法对数值仿真信号及某轧钢厂粗轧机主传动减速机振动加速度信号进行了分解，从而得到若干个基本模式分量，对每个模式分量进行了频谱分析。仿真研究及实际工程应用表明，采用经验模式分解算法后得到的时序分量及其频谱能够很好地体现齿轮局部故障特征，具有很强的弱信号特征提取能力。     

基于CEMD的燃油消耗率提取方法

针对飞参系统记录的剩余燃油信号量化噪声较大且呈非线性、非平稳性的特点以及经验模态分解(empirical mode decomposition,简称EMD)中存在的模态混叠给燃油消耗率提取带来的问题,提出了基于复数据经验模态分解(complex empirical mode decomposition,简称CEMD)的燃油消耗率提取方法。首先,提取记录信号中的关键信息,并利用非线性支持向量回归构造与真实信号形态上接近的模拟信号;然后,在CEMD中利用模拟信号来指导记录信号同步分解以减小模态混叠;最后,从分解结果中估算真实的剩余燃油信息并对其求一阶导数得到燃油消耗率。仿真结果表明,该方法相对于其他方法具有明显的性能优势,可以提取出精确的燃油消耗率参数。     

基于经验模态分解的瞬时相位分析方法的应用

提出了基于经验模态分解的瞬时相位分析的新方法。通过对振动信号作经验模态分解得到信号的固有模态函数，再求出各个固有模态函数的Hilbert变换，得到信号的瞬时相位．通过瞬时相位的傅里叶分析就可提取信号特征。介绍了该方法的基本原理，并应用于齿轮箱轴承的故障诊断研究，通过选取表征轴承故障的固有模态函数进行瞬时相位和傅里叶分析，就可提取轴承故障振动信号的特征。通过对轴承故障实验信号的分析．表明该方法能有效地诊断轴承的故障。     

基于EMD和非线性峭度的齿轮故障诊断

采用经验模式分解(empirical mode decomposition,简称EMD)和非线性峭度的统计特性对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用EMD分解获得振动响应信号的本征模式函数,用非线性Tea-ger能量算子计算每个本征模式函数的瞬时能量,并对本征模式函数进行系数的非线性峭度计算,提取系统的特征信息。仿真结果表明,用经验模式分解和非线性峭度可实现在线监测齿轮运转工作状态,及时发现齿轮的早期故障,提高了故障检测的可靠性。