基于希尔伯特变换结构模态参数识别

应用HHT方法对GARTEUR飞机模型模态参数进行识别,通过采用多通带滤波器对信号进行滤波,较好的解决模态混叠问题,采用NExT法对信号预处理,由EMD分解获得较准确的各阶固有模态函数分量（IMF）,在EMD分解中使用镜像延拓方法对极值点进行处理来抑制端点效应,然后将分解得到的IMF分量进行希尔伯特变换并结合ITD法识别出各阶固有频率和阻尼比。最后对悬臂梁进行数值仿真模拟,并将模态参数识别结果和理论值进行对比,并运用此方法进一步识别GARTEUR飞机模型固有模态参数。     

改进的HHT方法及其在旋转机械故障诊断中的应用

针对希尔伯特-黄变换(Hilbert-Huang Transform,HHT)方法中存在的模态混叠和虚假固有模态函数(Intrinsic Mode Function,IMF)问题,提出一种基于总体包络均值经验模态分解(Ensemble Envelop Mean Empirical Mode Decomposition,EEMEMD)和虚假模态函数剔除算法相结合的改进HHT方法。该方法利用EEMEMD可准确反映加噪后信号的自身变化,一定程度上中和残留在各模态分量间的噪声,获得无模式混淆的较纯净的IMF分量。同时,通过基于归一化能量熵值的虚假模态函数剔除算法可有效剔除噪声干扰成分和迭代误差分量,从而提高信号特征提取的准确性。通过仿真分析和转子不对中故障诊断的工程实例表明,改进HHT方法能够较好地抑制模态混叠问题并有效剔除同故障无相关的虚假IMF,实现对旋转机械故障的有效诊断。     

希尔伯特-黄变换在时频分析中的应用

深入研究了希尔伯特-黄算法,采用包络极值延拓法对端点效应进行抑制,大大减少了分解出来的IMF分量的虚假成分,有效抑制了端点处的抖动,并针对同一跳频信号将HHT仿真结果与傅立叶变换法的仿真结果进行比较,直观凸显出HHT在时频分析中的应用价值.     

爆破振动信号分析中模态混叠和虚假分量消除的改进方法

针对CEEMD (Complementary Ensemble Empirical Model Decomposition)方法在处理爆破振动信号中模态混叠和虚假分量问题方面的局限性,提出一种改进的解相关CEEMD方法。第一,对信号端点进行特殊处理后,采用CEEMD对信号进行分解;第二,求取各IMF分量信号与原信号的相关系数及其频谱图,共同判定虚假分量;第三,将虚假分量与主分量相加后,通过解相关计算消除模态混叠。仿真信号的CEEMD分解结果以及相关系数与能量插值计算表明,改进的解相关CEEMD方法分解精度比EMD(Empirical Model Decomposition)和CEEMD高,有效抑制了信号模态混叠现象,能够避免直接处理虚假分量而带来的能量损失。应用于爆破振动信号分解,基本保证了各IMF分量非主频率信号的能量比例较低。改进方法有效消除了爆破振动信号的模态混叠和虚假分量现象。     

机械振动信号自适应多尺度非线性动力学特征提取方法研究

针对机械振动信号的故障特征提取问题,提出了基于独立变分模态分解与多尺度非线性动力学参数的特征提取方法。①提出频谱循环相干系数选取匹配波形对机械振动信号进行端点延拓后再进行VMD分解得到不同频率尺度的IMF分量;②根据互相关准则选取有效的IMF分量进行核独立成分分析,分离出相互独立的有效故障特征频带分量;③计算各独立分量的复合多尺度模糊熵偏均值,并利用正交变换将独立分量正交化后构造多维超体,进而利用多维超体体积定义并计算信号的双测度分形维数,从而获得多尺度非线性动力学特征参数,实现机械故障诊断。仿真和实验结果表明:所提方法可有效抑制VMD分解的端点效应和模态混叠,信号分解效果好,特征参数分类精度高,极大地提高了机械故障诊断准确率。     

解相关EMD:消除模态混叠的新方法

模态混叠是制约希尔伯特-黄变换(Hilbert-Huang Transform,简称HHT)在工程上推广应用的一个主要难题,采用在经验模态分解(Empirical Mode Decomposition,简称EMD)过程中嵌入解相关操作有效解决了EMD过程中产生的模态混叠问题。模态混叠的本质是各本征模态函数(Intrinsic Mode Function,简称IMF)分量之间信息相互耦合,无法表征有意义的物理过程,因此可认为模态混叠现象是由于IMF之间不完全正交导致。根据零均值随机信号正交性与不相关具有等价关系,在EMD过程中嵌入解相关操作,可有效保证IMF之间的正交性,消除模态混叠。仿真信号处理结果证明了方法的有效性。     

抑制模态混叠的HHT结构模态参数识别方法研究

针对传统经验模态分解法(EMD)的模态混叠问题,在分析模态混叠产生机理的基础上,提出基于互补总体平均经验模态分解(CEEMD)与信号调频(FM)结合的组合分解方法(FM-CEEMD),并通过仿真信号验证了FM-CEEMD分解方法的有效性。将FM-CEEMD分解取代传统EMD分解应用于希尔伯特-黄变换(HHT),得到抑制模态混叠的改进HHT结构模态参数识别方法。仿真试验与实际拱坝识别结果表明:提出的改进HHT法不仅能避免模态信息丢失、提高模态参数识别精度,同时也适用于实际水利工程模态识别研究。     

基于谐波补偿迭代的HHT:暂态电能质量信号分析新方法

针对希尔伯特-黄变换(HHT)方法分析暂态电能质量信号时存在模态混叠问题,提出了一种基于谐波补偿迭代改进的HHT暂态电能质量信号分析方法。该方法通过谐波补偿改变暂态电能质量信号包络分布,并根据暂态信号特征和频率范围确定补偿谐波信号的幅频范围。给出了该方法的具体实现步骤,并进行了算法验证。测试结果表明,该方法能够快速准确地对暂态电能质量信号进行分析,有效抑制模态混叠,改善分解性能;与基于标准经验模态分解(EMD)、集合经验模态分解(EEMD)的HHT方法相比较,该方法计算准确,分解结果符合信号实际情况,物理意义明确。     

基于峰频带通信号HHT变换的框架结构试验模态分析

该文提出了基于峰频带通信号希尔伯特-黄变换(HHT)的结构模态参数识别方法。该方法将小波包带通滤波技术与HHT 模态参数识别技术结合,有效的抑制了信号分解过程中的模态混叠现象。采用去端点法较好地解决了带通滤波和经验模式分解(EMD)所引起的端点效应问题,提高了算法的稳定性和可靠性。在此基础上,利用实验室条件下测得的脉冲加速度响应信号有效地识别出钢筋混凝土框架结构模型的模态参数,并和理论计算值进行了比较。结果表明:弯剪层模型比纯剪切层模型更能反映框架结构整体横向振动的动力特性。     

EMD端点效应的改进型混沌延拓方法及其在机械故障诊断中的应用

针对经验模态分解(Empirical Mode Decomposition,EMD)的端点效应问题,分析了三次样条插值产生端点效应的机理,指出了现有延拓方法的不足,提出采用Lyapunov指数预测模型进行边界延拓,以此减小端点效应在经验模态分解过程中产生的影响。在采用最大Lyapunov指数法进行边界延拓时,针对Lyapunov指数预测模型所表示的平均发散度仅是轨道演化规律的一个近似模型,提出采用局域发散度代替最大Lyapunov指数进行改进,以改进预测模型的预测精度。基于改进型Lyapunov指数边界延拓方法,由于引入时间序列预测模型使端点处的延拓更加合理,所延拓数据更加趋于真实,在希尔伯特-黄变换（Hilbert-Huang Transform,HHT）实现过程中仅需一次延拓,实现了准确的EMD分解。仿真计算和转子系统故障试验分析结果表明,所用方法可以有效解决EMD的端点效应问题。     

基于HHT的结构模态参数自动化识别方法和试验验证

建筑结构的模态参数识别是健康监测系统中的核心算法。模态参数识别经过多年的发展已经非常成熟,种类繁多。但是基于Hilbert-Huang变换(Hilbert-Huang transform, HHT)的结构模态参数识别中多个步骤均需要研究人员对参数进行主观判断与筛选,不能直接用于长期的结构健康自动监测。该文提出了一种基于HHT的结构模态自动识别方法,利用深度神经网络(Deep neural network, DNN)结合K-L散度实现了EMD(Empirical mode decomposition)虚假分量的识别与剔除,利用奇异谱分析(Singular spectrum analysis, SSA)结合Butterworth滤波器对EMD产生的模态混叠现象进行分离,对只包含单一模态信息的固有模态函数(Intrinsic mode function, IMF)进行Hilbert变换后通过最小二乘法拟合实现模态参数识别。将上述方法应用于一3层混凝土结构振动台试验的监测数据分析,结果表明:该方法可以在不依赖研究人员的主观参数选择前提下,有效实现结构模态参数的自动化识别。     

基于改进HHT和SVM的滚动轴承故障状态识别

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状...     

解相关多频率经验模态分解的故障诊断性能优化方法

针对故障诊断中采用EMD方法存在模态混叠现象,引起故障特征提取精度低的问题。提出了一种解相关多频率经验模态分解(Decorrelation Multiple-Frequency Empirical Mode Decomposition,DMFEMD)方法,首先对初始信号添加多个频率的掩蔽信号,初步分解其中不同频率比的信号分量得到多个IMF分量;其次计算相邻IMF之间的相关系数并对其解耦,进一步分离IMF中存在混叠的部分,得到最优IMF;最终,从原始信号中减去最优IMF,然后重复上述步骤,直到残余分量为常数或单调。由于保证了IMF之间互不相关且互不干扰,因此模态混叠现象显著减弱,有效提高故障特征提取精度。利用排列熵算法对一系列最优IMF构造特征样本集,引入SVM建立故障分类模型,实现设备故障诊断。通过试验证明,DMFEMD与传统的方法相比,能有效分离不同频率比混合信号,提高分解效果。同时以轴承振动信号为例,DMFEMD可以更好的提取轴承的故障特征,结合PE与SVM能够实现不同故障类型的高效精确的诊断。     

混合插值的ESMD在电机轴承故障特征提取的应用

针对极点对称模态分解(ESMD)处理电机轴承故障信号存在局部模态混叠的问题,提出了一种基于有理Hermite插值和三次样条插值改进的ESMD电机轴承故障特征提取方法。由于首先有理Hermite插值可通过控制形状参数来调节插值曲线,将固有模态分量(IMF)的瞬时频率带宽作为的优化准则,采用有理Hermite插值与三次样条插值相结合,既避免了插值耗时过长,又考虑了插值曲线的平滑性;采用自适应权重调整的粒子群算法(PSO)确定每阶IMF的最优形状控制参数,避免陷入局部最优,使得IMF最优,从而提高ESMD自适应性和分解精度。试验结果表明,该方法可有效提取电机轴承故障特征,并有效缓解ESMD模态混叠,与其它方法相比分解效果更好。     

基于Hilbert-Huang变换的心率变异信号分析

提出一种基于Hilbert-Huang变换(HHT)的心率变异信号分析的新方法。心率变异分析被广泛应用于评估心脏自律功能以及疾病诊断领域。为获得更多心率信号内在特征,首先利用经验模态分解(Empirical Mode Decomposi-tion,EMD)方法将信号分解为一组固有模态函数(Intrinsic Mode Function,IMF),运用Hilbert变换计算并分析各层IMF的瞬时频率和瞬时幅值,从而获取信号所包含的内在信息、心率变异突发时刻和变化趋势。结合积分脉冲频率调制(Inte-gral Pulse Frequency Modulation,IPFM)模型模拟出的心率信号以及真实的心率信号,利用小波分析方法以及HHT方法对心率信号进行对比分析,实验结果证明了HHT方法的可行性,显示了该方法相对于小波分析方法的优势。     

一种改进HVD信号特征提取方法及应用研究

希尔伯特振动分解(HVD)广泛应用于风电机组、齿轮箱等旋转机械的故障诊断,然而,它有2个亟待解决的问题：一是算法的参数需要经验设置或人工试定;二是如何避免模态混叠选择敏感的本征模态函数分量。针对上述2个问题,提出一种优化的HVD改进算法,有效解决了希尔伯特振动分解的参数设置和模态混叠问题。首先用粒子群优化算法(PSO)对HVD算法的2个参数进行优化。其次,提出了一种新的评估指标—最大包络峰度均值作为PSO优化算法的目标函数,并提出采用最大包络峰度自适应地选择敏感的IMF分量。最后,对选定的重构信号进行平方包络谱分析并提取故障特征频率,以识别风电机组设备故障类型。通过模拟信号、实验信号和风电机组应用实例分析,验证了所提改进HVD方法的有效性。     

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HHT变换的超光滑加工表面谱分析

Hilbert-Huang变换是最新发展起来的处理非线性非平稳信号的时频分析方法。其基本的实现分为两步，多分辨经验模态分解和瞬时频率的求解，随后可以获得信号的时—频谱。这种方法的关键部分是多分辨经验模态分解，任何复杂的信号都可以分解为有限数目并且具有一定物理意义的固有模态函数。本文针对表面粗糙度用HHT进行了分析，得出相应结论，对加工有一定的指导意义。