基于统计特征矢量符号值和聚类经验模态分解的短时电能质量扰动信号分析

研究了希尔伯特-黄变换(HHT)方法分析电能质量扰动信号的不足,提出了一种统计特征矢量符号化(SFVS)算法与聚类经验模态分解(EEMD)相结合的短时电能质量扰动信号分析方法。该方法采用循环周期比较的欧氏距离的边界检测算法来对电能质量扰动信号的突变时间进行检测,以突变时刻为边界点将原始电能质量信号进行划分,再用EEMD方法对区块划分信号进行分解,有效抑制模态混叠,以改善信号分解性能。测试结果表明,该方法能够实现突变时刻的准确检测,对电能质量扰动信号中的各种成分进行准确分析。     

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。     

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。     

应用自适应带宽信号的BS-EMD混叠消除

经验模态分解(Empirical Mode Decomposition,EMD)存在的模态混叠现象严重影响了其应用效果,成为制约其在工程中推广应用的一个重要难题。在总结引起模态混叠的主要原因及分析模态混叠产生机理的基础上,借鉴高频谐波加入法(High Frequency Harmonic Added EMD,HFHA-EMD)原理并对高频谐波信号的构造进行改进,提出了一种应用自适应带宽信号的B样条EMD(B-Spline EMD,BS-EMD)模态混叠消除方法。该方法利用EMD的二进带通滤波特性和总是先分离高频分量的特点,根据被分析信号的BS-EMD得到的第一个IMF分量确定带宽限制频率和带宽限制幅值,从而构造出自适应带宽限制信号。通过在原始信号中添加自适应带宽限制信号来改变EMD带通滤波器的中心频率,再进行BS-EMD分解消除模态混叠。与EMD、BS-EMD进行对比分析,验证了该方法的优越性。与HFHA-EMD的对比仿真分析表明,两种方法都可以有效消除模态混叠现象,但是该方法在构造自适应带宽限制信号上更加明确可行,也更具自适应性。对含复杂异常事件的实际转子故障信号分析也验证了该方法在工程应用中的有效性和可行性。     

频率调制经验模态分解在轴承故障诊断中的应用

在密集频率情况下,针对经验模态分解(Empirical Mode Decomposition,EMD)容易产生模态混叠的问题,研究了基于频率调制经验模态分解(Frequency Modulated Empirical Mode Decomposition,FM-EMD)振动信号处理方法。该方法可以较好地分解相对密集频率的弱非线性信号,得到物理意义相对明确的本征模函数(Intrinsic Mode Function,IMF)。通过数值仿真证明了该方法的有效性。利用频率调制经验模态分解方法对故障轴承振动信号进行分析,准确地确定了故障类型。     

基于CEEMDAN-UWT降噪的暂态电能质量检测方法

针对电网电能质量检测和噪声污染问题,结合自适应噪声总体平均经验模态分解(CEEMDAN)、排列熵(PE)、基于非抽样小波变换(UWT)的小波阈值降噪和希尔伯特黄变换(HHT),提出基于CEEMDAN-UWT降噪的暂态电能质量检测方法。CEEMDAN将扰动信号分解成具有单分量特征的固有模态函数组,应用UWT阈值降噪处理PE筛选出的含噪分量,重构后获得最终的降噪信号,接着通过HHT获得其扰动特征信息。在LabVIEW环境下独立实现此方法并进行仿真,结果验证方法的有效性。最后以PXI设备为基础开发基于LabVIEW的检测装置,可为现代电能质量检测仪器和系统的开发提供新思路。     

基于AMD的经验模态分解含间断信号模态混叠消除方法

针对在经验模态分解筛选过程中间断信号引起的模态混叠问题,提出了一种基于解析模态分解的经验模态分解模态混叠消除新方法。利用第1个固有模态函数的瞬时频率特性得到其频率成分及二分频率,且能实现对间断信号的定位,然后再采用解析模态分解方法分离出间断信号,再对处理后的信号进行经验模态分解,从而消除该间断信号的影响。仿真分析和工程应用的结果表明,该方法能有效消除间断信号在经验模态分解过程中引起的模态混叠现象。     

基于EEMD的SAR海洋内波参数反演

经验模态分解(EMD)方法对非平稳信号进行分解,容易出现模式混叠和边界效应,从而不能得到有物理意义的特征信息.集成经验模态分解(EEMD)能够有效地克服模式混叠和边界效应问题,可准确地提取信号的本质特征信息.在分析SAR图像反演海洋内波参数机理的基础上,本文提出了一种基于EEMD的海洋内波参数反演方法.实验结果表明:与小波分解和EMD方法相比,该方法能更有效地克服模式混叠现象,所提取的分量更接近内波波动的物理本质,所反演的内波参数与经验数据吻合.     

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。     

优化HHT端点效应的新方法

在旋转机械的故障诊断中,希尔伯特-黄变换（HHT）方法常用于提取故障特征信号以及分解结果的时频分析,然而,在HHT中会出现端点效应问题,且导致模态混叠和虚假本征模态函数（IMF）等一系列问题。针对这一问题,提出了利用广义回归神经网络（GRNN）和边界局部特征尺度延拓（BLCC）相结合的方法先对信号延拓,再进行经验模式分解（EMD）。通过仿真与故障实验,在时域、频域和希尔伯特-黄谱的相关参数的情况下,对比镜像延拓优化的HHT分解结果,验证了所提方法的有效性。实验结果表明:所述方法能够有效地抑制HHT中的端点效应,且减轻了模态混叠和虚假IMF分量,同时能准确地表现信号的真实结构成分。     

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。     

基于HHT的管道阀门内漏声发射检测研究

针对管道阀门内漏声发射信号的非平稳特征,提出将总体平均经验模式分解(EEMD)和希尔伯特变换相结合的希尔伯特黄变换(HHT)方法应用于管道阀门内漏声发射检测中。利用EEMD方法将阀门内漏声发射信号自适应分解为一簇本征模态函数(IMF),并对分解后的信号进行Hilbert谱和HHT边际谱分析,可以提取到阀门内漏声发射信号的本质特征,突破常规时频分析的非线性信号局限性以及经验模式分解(EMD)造成的模态混叠现象;相比于STFT频谱,Hilbert谱具有较高的时频分辨率,最后对信号的Hilbert边际谱分析确定了内漏信号的主要作用频率。该方法可以有效的应用于阀门内漏声发射检测中。     

EWT和ICA联合降噪在轴承故障诊断中的应用

在强背景噪声下提取非平稳振动信号的微弱故障特征时,系统信号和干扰噪声在频带互相混叠难以分离,传统消噪方法存在较大局限。为此提出一种基于经验小波变换(EWT)和独立分量分析(ICA)联合降噪的方法。利用EWT算法将振动信号进行分解,避免了经验模态分解(EMD)和总体经验模态分解(EEMD)存在的模态混叠和端点效应;依据峭度及相关系数准则选取相应分量,引入虚拟噪声通道;利用ICA对重组信号进行解混去噪,分离出源信号后进行Hilbert包络解调,提取故障特征频率,实现故障诊断。通过对实际轴承信号的分析,验证了该方法不仅对时变、非平稳的强噪声干扰具有较好的消除效果,还能更清晰、准确地提取故障特征信息。     

消除经验模态分解中混叠现象的改进掩膜信号法

经验模态分解方法能在时频域上正确地描述非平稳非线性信号的局部特征。但由于模态混淆,当信号组合分量的频率太接近时,常不能得到正确的经验模态分解结果。针对这一情况,提出了消除经验模态分解中混叠现象的一种方法——改进的掩膜信号法,并将其应用于风机叶片振动信号的分析中。该方法以能量为基础对掩膜信号的选择进行改进,并通过掩膜信号结合EMD来达到消除模态混叠现象的效果。对风机叶片振动信号进行验证的结果表明,该方法简便易行,可有效分离混叠模态,提取有用信号,并且对白噪声也有削减效果。     

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。     

桥梁动力测试信号的自适应分解与重构

针对桥梁结构动力测试信号噪声水平高、难以分离结构有效信号的特点,在总体平均经验模态分解方法和主成分分析的基础上,建立了自适应分解与重构方法。对经验模态分解结果的模态混叠现象进行深入分析,利用白噪声概率密度函数的均匀性对模态混叠模式一进行了改进,基于相关性分析改进了模态混叠模式二,改进后的分解方法在计算效率和分解精度上均有较大提升;随后对所有分解获得的固有模态函数进行多尺度主成分分析,实现降噪和选择并重构测试信号。分别用模拟信号和实际桥梁测试信号对所提方法的有效性进行了验证。结果表明:改进后的信号自适应分解和重构方法能在降噪的同时,有效地提取桥梁结构信息,可用于实际桥梁结构的动力测试分析中。     

补充集成极值加权模态分解及其应用

极值加权模态分解(Extreme-point weighted mode decomposition,简称EWMD)是一种新的自适应信号分解方法,通过对相邻三个极值点加权平均后进行曲线拟合,优化均值曲线的构造方式,改善了分解能力,但EWMD仍存在模态混叠现象。基于噪声辅助分解思想,提出了补充集成极值加权模态分解(Complementary ensemble extreme-point weighted mode decomposition,简称CEEWMD)。借助高斯白噪声均匀分布的特征,使信号在尺度上具有连续性,CEEWMD能够有效地抑制模态混叠和实现分解的完备性。通过仿真信号和实测信号分析,将CEEWMD与EWMD和总体平均经验模态分解进行对比,结果验证了其在分解性能和抑制模态混叠等方面的优越性。     

改进的Hilbert-Huang变换在信号瞬态特征提取中的应用

通过对Hilbert-Huang变换(Hilbert Huang Transform,HHT)方法的机理的研究,提出了一种提取非平稳信号中瞬态特征的新方法,即正交经验模态分解(Orthaogonal Empirical Mode Decomposition,OEMD)与Hilbert变换结合法.OEMD是一种以快速带通滤波为基础的,获得同有模态函数(IMF)的新方法,其最大特点是具有严格的正交性.通过OEMD得到IMFs后,再进行Hilbert变换求得瞬时频率和幅值,便能精确检测出信号中瞬态成分的时间、频率和幅值等信息.仿真和应用结果表明,该法比原HHT方法能更加有效地提取信号的瞬态特征,并成功地解决了原HHT中存在的模态混叠、虚假模态和边界效应等问题.     

利用微分算子增强EMD算法频带分解能力

针对传统经验模态分解(EMD)方法中信号所含频率分量较接近易出现模态混叠现象,导致分解出的本征模态函数失去原有物理意义问题,提出改进算法。将原始信号频带信号微分;对微分信号进行EMD分解;将所得IMFs进行积分处理获得原始信号有效的IMFs,能抑制EMD分解过程中的模态混叠现象。仿真计算与实际工程应用表明,该方法优于传统EMD算法,可有效分离频率接近的本征模态函数,扩大EMD方法的适用范围。     

基于SVD的EMD模态混叠消除方法

为了改进EMD中模态混叠的缺陷,提出一种基于SVD的模态混叠消除方法。SVD有两个特性,一是每个频率成分对应两个大小相当的奇异值;二是各频率成分经分解得到的奇异值大小与该频率成分的振幅呈正相关。该方法根据信号中主要频率成分构造出一组与原信号频率相等、幅值与原信号振幅成整倍数的正弦信号,并与原信号叠加后对叠加信号进行SVD分解,然后成对选取分解得到的奇异值重构出一组信号,依次减去前面加入的对应频率的正弦信号即可得到分解结果。实验表明,对于EMD分解模态混叠现象严重的信号,该方法能够进行有效消除模态混叠。