基于小波变换和EMD方法提取趋势项对比研究

分析了小波变换和经验模态分解方法 (EMD)提取信号趋势项的理论和算法,并通过对仿真确定信号加趋势项,基于小波变换和经验模态分解两种方法对振动信号趋势项提取分离,将两种方法所得结果进行比较研究。结果表明,EMD方法提取趋势项,过程更简洁,结果更准确、可靠。     

冲击测量应用中MEMS加速度计趋势项去除方法研究

由于MEMS加速度计具有对超低频加速度的幅频响应敏感的特性,在冲击信号测量应用中,MEMS加速度计测量的冲击信号会出现低频趋势项,使冲击速度和位移分析结果严重失真。本文基于实例研究了经验模态分解（Empirical Mode Decomposition, EMD）、自适应噪声集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adapitive Noise,CEEMDAN）和变分模态分解（Variational Mode Decompostion, VMD）提取趋势项和重构冲击信号的工程应用方法。研究结果表明：对比EMD和CEEMDAN方法,在使用MEMS加速度计的冲击测量系统中采用VMD进行趋势项信号去除更为有效,固有模态函数不会产生模态混叠,可以准确还原冲击信号。     

基于数学形态学的油压波动信号降噪研究

由于工程机械油压信号易受各种噪声的影响,难以提取有用的信号特征。该文对比了数学形态学降噪、小波阈值降噪、EMD自适应降噪、改进EEMD自适应降噪四种方法,通过仿真信号和实测信号对四种降噪方法进行检验,结果表明:对于一般的信号,小波降噪、EMD降噪、改进EEMD降噪、数学形态学降噪都可以进行降噪处理,并提取趋势项。但是对于含有冲击或突变信号的油压信号,基于数学形态滤波器的方法最好,所得到的信号不失真、信噪比最高。     

基于EMD方法求解发动机位移振动信号

提出了一种基于经验模态分解(empirical mode decomposition,EMD),通过加速度振动信号来求解位移振动信号的方法.对加速度振动信号进行二次积分求得包含趋势项的位移振动信号,再利用EMD方法将这些位移振动信号分解为一系列固有模态函数(intrinsic mode function,IMF),并得出其趋势项,将趋势项去除后即可得到较为准确的位移振动信号.     

EMD在非平稳随机信号消除趋势项中的研究与应用

通过研究EMD法的实现过程,在平稳随机信号中加入趋势项,仿真成均值具有趋向性的非平稳随机信号,并用最小二乘法、小波法和EMD法分别进行消除趋势项处理,通过比较消趋后信号和原始信号的均值、方差和相关系数等参考量,提出具有自适应性的EMD法在剔除非平稳随机信号趋势项中的可行性和实用性。     

基于最小二乘支持向量分类机的齿轮泵 故障诊断研究

为了精确诊断齿轮泵故障,提出了基于马氏距离的传感器通道选择方法,采用多项式最小二乘法去除采集振动信号的趋势项和五点三次平滑法对信号进行平滑预处理,而后分别提取基于峭度的时域特征、小波包能量特征和经验模态分解特征,运用最小二乘支持向量机进行状态识别。以CB-KP63齿轮泵为例进行应用,结果表明传感器1通道识别率达到85%;采集振动信号趋势项干扰较弱,平滑处理效果较好;以EMD提取各频带能量作为特征参数的LS-SVC状态识别方法识别率达到90%以上,最终证明论文提出的方法有效可行。     

基于改进的EMD方法的冲击信号提取

采用两种改进的EMD方法提取冲击信号,并对分离效果进行对比分析,发现在提取冲击信号成分时采用CEEMD方法优于EMD与EEMD方法。     

用HHT变换处理离心压缩机喘振试验数据

为了提取离心压缩机早期喘振特征频率,在对信号进行小波包降噪抽样后,利用Hilbert-Huang变换(HHT)进行信号特征提取。通过经验模态分解(EMD)得到若干固有模态函数(IMF),然后利用相关系数法对IMF进行筛选。通过趋势项和原始信号对比可知压缩机流量减少是造成振动的主因,最后对有效IMF信号进行Hilbert变换,并求其边际谱,提取压缩机喘振频率为7.3Hz。     

基于EMD/HHT的齿轮箱齿轮不对中故障信号分析

研究了经验模态分解(简称EMD)技术在齿轮箱故障诊断中的应用,并详细论述了EMD原理,对齿轮故障振动信号(简称故障信号)进行EMD,获取固有模态函数(简称IMF)分量,并通过HHT(Hilbert-Huang)变换,对IMF分量进行解调,对解调信号进行频谱分析,提取故障特征频率。研究结果表明,EMD方法能够有效降低信号的噪声,提高信噪比,突出信号的故障特征。     

基于集合经验模式分解的汽油机爆震特征提取

爆震特征提取是汽油机点火闭环控制的前提和基础。基于集合经验模式分解(Ensemble empirical mode decomposition,EEMD),提出一种汽油机爆震特征提取方法。EEMD通过对信号加入有限幅度的高斯白噪声,利用高斯白噪声频率均匀分布的统计特性使信号在不同尺度上保持连续性,有效地抑制经验模式分解(Empirical mode decomposition,EMD)的模式混叠问题。研究了利用EEMD和EMD两种方法分别从汽油机缸内压力信号和缸盖振动信号中提取爆震特征的可行性和有效性。试验结果表明,对于缸内压力信号,EEMD和EMD均能提取出爆震特征;对于缸盖振动信号,EEMD可以提取出爆震特征,而EMD则由于模式混叠的影响,无法提取爆震特征。     

基于EMD的能量算子解调方法及其在机械故障诊断中的应用

为了提取多分量的AM-FM信号的频率和幅值信息,提出了基于EMD (Empirical mode decomposition)的能量算子解调法,并将它应用于机械故障诊断中。该方法首先采用EMD将多分量的AM-FM信号分解成若干个IMF(Intrinsic mode function)分量之和,然后对每一个IMF分量进行能量算子解调,从而提取多分量的AM-FM信号的幅值和频率信息。对机械故障振动信号的分析结果表明,基于EMD的能量算子解调法能有效地提取机械故障振动信号的特征。     

基于EMD和分形维数的转子系统故障诊断

提出了一种基于EMD方法和分形维数的转子系统故障诊断方法。利用EMD方法将转子振动信号进行分解,得到若干个基本模式分量,然后将包含主要故障信息的几个基本模式分量相加得到降噪后的转子振动信号,求得降噪后的转子振动信号的分形维数。试验数据的分析结果表明,在不同的故障状态下,采用EMD方法对转子振动信号降噪后求得的分形维数是不同的,从而可以通过分形维数的大小有效地判断转子系统的工作状态和故障类型。     

基于改进EMD和谱峭度法滚动轴承故障特征提取

针对滚动轴承故障信号的强背景噪声特点,提出一种基于改进经验模态分解(empirical mode decomposition,简称EMD)与谱峭度法的滚动轴承故障特征提取方法.首先,利用EMD方法对原故障信号进行分解,得到若干平稳固有模态分量(intrinsic mode function,简称IMF);然后,采用灰色关联度与互信息相结合方法剔除传统EMD分解结果中存在的虚假分量;最后,运用谱峭度法和包络解调方法对真实IMF分量进行分析,提取故障特征频率.通过对实际滚动轴承故障信号的应用表明,该方法可有效地提取滚动轴承故障特征,且能够取得比传统包络解调分析更好的效果.     

基于EMD和SVM的刀具故障诊断方法

为了解决刀具在切削过程中出现的故障,提出了基于经验模态分解(EMD)和支持向量机(SVM)的刀具故障诊断方法.该方法首先将经过标准化的声发射信号进行经验模态分解,将其分解为有限个固有模态函数(IMF)和残余量之和,然后对每个IMF分量通过一定的削减算法增强故障类型特征,计算每个IMF和残余项的能量以及整个信号的削减比作...     

基于EMD与分批估计的动态称量快速融合方法

活体动物动态称量在生物医学实验中具有举足轻重的作用。为实现活体动物快速、准确的称量,提出基于EMD与分批估计相结合的动态称量信息融合方法:首先利用经验模态分解(EMD)方法解析活体动物动态称量的采样信号,提取表征采样信号的趋势或均值的残余量,计算各阶本征模函数(IMF)与采样信号的相关系数,根据相关系数分辨虚假IMF,并将虚假IMF和原残余量之和作为新残余量;然后对新残余量进行分批估计,消除各种噪声、扰动对称量结果的影响,获得准确的动态称量值。通过建立动态称量系统的仿真模型,对基于EMD与分批估计相结合的动态称量信息融合方法进行了仿真实验,仿真结果表明该算法准确度高。为了验证基于EMD与分批估计相结合的动态称量方法的有效性,进行标准砝码的静态称量和小鼠的动态称量试验,实测结果表明该方法稳定、可靠,称量误差≤±0.5%。     

Trend extraction based on separations of consecutive empirical mode decomposition components in Hilbert marginal spectrum

Extracting the underlying trends is an important tool for the analysis of signals. This paper presents a novel methodology for extracting the underlying trends of signals based on the separations of consecutive empirical mode decomposition (EMD) components in the Hilbert marginal spectrum. A signal is initially represented as a sum of intrinsic mode functions (IMFs) obtained via the EMD. The Hilbert marginal spectrum of each IMF is then calculated. The separations of two consecutive IMFs in the Hilbert marginal spectrum are estimated based on their correlation coefficients. The group of the last several IMFs in which the IMFs are close to each other in the Hilbert marginal spectrum will be used for the representation of the underlying trend of the signal. Extensive experimental results are presented to illustrate the rationale and the effectiveness of the proposed method.     

The application of energy operator demodulation approach based on EMD in machinery fault diagnosis

An energy operator demodulation approach based on EMD (Empirical Mode Decomposition) is proposed to extract the instantaneous frequencies and amplitudes of the multi-component amplitude-modulated and frequency-modulated (AM-FM) signals. Furthermore the proposed approach is applied to machinery fault diagnosis. Firstly, EMD method is used to decompose a multi-component AM-FM signal into a number of intrinsic mode functions (IFMs). Secondly, the energy operator demodulation method is applied to each IMF and the instantaneous amplitudes and frequencies of a multi-component AM-FM signal are extracted. Finally, the spectrum analysis is applied to each instantaneous amplitude in order to obtain envelope spectra from which the mechanical fault can be diagnosed. The analysis results show that the energy operator demodulation approach based on EMD can extract the characteristic of machinery fault vibration signals efficiently.     

基于改进EMD与PNN的汽轮机通流部分故障诊断

根据热力参数非线性、非稳态的特点,提出了一种基于改进的经验模态分解(empirical mode decomposition,简称EMD)算法与概率神经网络(probabilistic neural network,简称PNN)的汽轮机通流部分故障诊断新方法。该方法针对EMD存在的端点效应问题,采取基于波形相似度的镜像延拓法进行改进,以得到更准确、更真实的本征模函数(intrinsic mode function,简称IMF)分量,从而有效提取了故障特征信息,并通过PNN训练判别汽轮机通流部分故障类型。以某电厂600MW火电机组实时运行数据为基础进行仿真实验,结果表明,基于改进EMD与PNN的汽轮机通流部分诊断方法能够快速准确地判别汽轮机通流部分的故障类型,其准确率明显高于基于EMD与PNN的故障诊断方法。     

基于自适应CEEMD的非平稳信号分析方法

由于标准的互补集总经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)在处理模态混叠问题时缺乏自适应性,其本质是分解信号获得的本征模态函数(intrinsic mode function,简称IMF)之间产生了一定的信息耦合现象,使IMF分量不能正确地反映信号的真实成分。因此,提出了在使用CEEMD分解信号的过程中嵌入网格搜索算法(grid search algorithm,简称GSA),以最小二乘互信息(least squares mutual information,简称LSMI)为网格搜索算法的适应度函数,构造一个自适应CEEMD方法。该算法通过自适应地搜索最佳的白噪声幅值,修正信号分解过程中产生的少量的耦合频率成分,确保每个IMF分量之间信息的正交性,以进一步抑制模态混叠问题。最后,通过仿真实验验证了该方法的有效性,并将该方法用于提取滚动轴承微故障的特征频率。实验结果表明,该算法在滚动轴承的微故障特征提取应用中具有更少的迭代数、IMF分量以及相对更小的计算量。     

基于经验模式分解的全息谱故障识别方法

由于实测信号中的一些噪声干扰会影响全息谱对信号分析的准确性,采用经验模式分解(emprical mode decomposition,简称EMD)方法进行信号滤波以提高识别的可靠性.应用EMD对信号分解,并结合互相关系数对内蕴模式分量(intrinsic mode function,简称IMF)进行滤波,在此基础上对信号进行重构,以降低噪声干扰,并对实际测试信号进行有效提纯.最后,对滤波后的转子信号进行全息谱分析,并通过分析实际转子碰摩信号来验证该方法的有效性.