改进的EEMD算法及其应用研究

总体平均经验模态分解（Ensemble EMD,EEMD）虽然能够在一定程度上抑制模态混淆,但计算量较大,添加的白噪声不能被完全中和,不具有完备性。补充的EEMD（Complementary EEMD, CEEMD）成对地添加符号相反的白噪声到目标信号,大大减小了重构误差。论文结合CEEMD和基于排列熵的信号随机性检测,提出了改进的EEMD方法（Modified EEMD,MEEMD）,MEEMD方法在检测出CEEMD分解的异常分量之后,直接进行EMD分解;MEEMD不仅能够抑制EMD分解过程中的模态混淆,而且减小了计算量,缩小了重构误差。通过分析仿真信号和实测信号,结果表明,MEEMD方法有很好的分解效果,对模态混淆有一定的抑制作用。     

基于改进EEMD样本熵的高速列车滚子缺陷AE信号提取

提出一种改进EEMD滚子缺陷声发射(AE)信号提取新方法,该方法根据EMD分解的二进滤波器组特性构造幅值与频率成线性-正弦规律变化的噪声添加进测试数据,给出了噪声构建原则,并按频率由高到低限定各阶IMF筛选次数,选取同一时段高频IMF归一化样本熵较小的数据段作为声发射事件参考。对实测数据计算表明特殊构造的噪声和筛选次数能有效抑制中低频段模态混叠和高阶IMF小波消失现象,改进后的EEMD方法分解出的IMF分量物理意义明确,性能优于传统EEMD方法。分段的IMF样本熵变化能在连续监测中捕捉声发射事件,对应的Hilbert谱能直观凸显出滚子缺陷声发射信号,滚动体AE信号事件周期与理论计算相吻合。     

局部波动特征分解的模态混淆问题研究

局部波动特征分解(Local oscillatory-characteristic decomposition,LOD)方法是一种新提出的自适应时频分析方法。该方法以信号本身时间尺度特征为基础,采用微分运算、坐标域变换运算、分段线性变换等运算手段将信号自适应的分解成若干个瞬时频率具有物理意义的单一波动分量(Mono-oscillation component,MOC);但是,在分解过程中会产生模态混淆现象,使得分析结果失去信号的真实物理意义。针对LOD的模态混淆问题,采用仿真信号分析了在LOD分解下白噪声的统计特性,从而进一步获取LOD的滤波器组结构。在此基础上借鉴总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)方法,通过对目标信号不断添加不同的白噪声,以达到解决LOD的模态混淆现象的目的。通过分析仿真信号与试验信号,结果证明添加白噪声能够有效解决LOD方法的模态混淆问题。     

完备总体平均局部特征尺度分解及其在转子故障诊断中的应用

作为对经验模态分解(EMD)的改进,局部特征尺度分解(LCD)也有类似EMD的模态混淆问题。基于噪声辅助分析的总体平均经验模态分解(EEMD)和完备的EEMD(CEEMD)等是抑制分解模态混淆的有效途径。然而此类方法伪分量较多、得到的分量未必满足IMF分量定义等。针对此,提出了一种完备的总体平均局部特征尺度分解(CELCD),并通过仿真信号将CELCD方法与CEEMD进行了对比,结果表明CELCD能够有效抑制LCD模态混淆,而且在抑制伪分量的产生,提高正交性和分量的精确性等方面具有一定的优越性。最后论文将CELCD方法应用于转子碰摩故障的诊断,结果表明了方法的有效性。     

基于频率截止的EEMD方法研究

为解决总体平均经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)中虚假IMF分量过多问题,提出了一种基于频率截止的EEMD方法。该方法采用一种新的IMF筛分终止条件--以信号自身的最小频率为EMD分解IMF分量的截止频率;然后将基于频率截止的IMF筛分终止条件引入EEMD分解。通过仿真和实测信号分析,并与EMD、EEMD分解结果比较得到,运用频率截止的EEMD方法不仅有效减少了虚假IMF分量的产生,使得分解的目的性更加明确,而且保证了EEMD分解出的IMF分量的完备性,更好地抑制了模态混叠现象。     

辛几何模态分解方法及其分解能力研究

针对经验模态分解(Empirical Mode Decomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、局部特征尺度分解(Local Characteristic scale Decomposition,LCD)等方法的不足,提出了一种新的分析方法——辛几何模态分解(Symplectic Geometry Mode Decomposition,SGMD)方法,该方法采用辛矩阵相似变换求解Hamilton矩阵的特征值,并利用其对应的特征向量重构辛几何分量(Symplectic Geometry Component,SGC),从而对复杂信号去噪的同时进行自适应分解,得到若干个SGC。通过仿真信号模型,研究了SGMD方法的分解性能、噪声鲁棒性,分析了分量信号的频率比、幅值比和初相位差对SGMD方法分解能力的影响。将SGMD方法应用于齿轮故障实验数据分析,结果表明SGMD方法能够有效地对待分解信号完成分解并剔除噪声信号。     

一种改进的集合平均经验模态分解去噪方法

针对现有非平稳信号去噪处理中的难点,提出一种改进的基于集合平均经验模态分解（EEMD）去噪方法,该方法根据本征模态函数（IMF）能量从被测信号中估计出噪声,使用估计的噪声代替EEMD方法中添加的噪声,最后将集合平均IMF分量累加得到去噪信号。使用相关性判据剔除了EMD分解产生的伪IMF分量,改进了噪声估计方法。仿真表明,改进的方法能够对调幅调频含噪信号进行有效的去噪处理。     

基于EEMD的舰船辐射噪声特征提取方法研究

为了解决复杂海洋环境中水声信号的特征提取问题,提出了一种利用集合经验模态分解(EEMD)研究舰船辐射噪声特征提取的方法。对经验模态分解后的不同类别三类舰船辐射噪声信号各阶固有模态函数(IMF)中心频率可分性进行分析,并讨论了最强IMF中心频率特征参数。通过比较一定数量不同类别的舰船辐射噪声的最强IMF中心频率及高低频能量差特征参数发现,同类舰船的特征参数基本处于同一水平,不同类型的舰船存在一定差异。实验结果表明,采用EEMD的舰船辐射噪声信号的最强IMF中心频率作为特征参数相比高低频能量差特征参数对舰船具有较好的可分性。     

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。     

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CEEMD和小波包阈值的组合降噪及泄流结构的模态识别方法

水流荷载激励下,泄流结构模态识别的实测振动信号常受噪声干扰。以往EEMD算法有添加白噪声造成非标准IMF导致的模态分裂问题及IMF有噪声残余不能完整重构信号的完备性问题。而完备总体经验模态分解(CEEMD)法,通过在信号分解的每一层面添加特定高斯白噪声,利用分解后第一阶分量加总平均得到唯一余量计算固有模态函数,克服了EEMD的缺点;同时提出CEEMD与小波包阈值结合的组合降噪方法,运用到向家坝水弹性模型实测振动信号降噪中,验证了该组合方法降噪的有效性;为了提高带噪振动响应模态识别的精度,基于数据相关技术,利用Markov参数构造相关矩阵R,用该相关矩阵重构Hankel矩阵后SVD分解得到系统最小实现,即数据相关特征系统实现法(ERA/DC)。将滤波降噪结合模态识别的整套方法,应用到锦屏一级拱坝的泄流实测振动响应中,得到了较好的应用效果。     

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.     

一种改进的EEMD方法及其应用研究EI北大核心CSCD

针对集成经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)中协助噪声幅值大小需要人为经验确定的不足,基于经验模式分解(Empirical Mode Decomposition,EMD)二进滤波器特性,讨论了EMD出现模式混淆的原因,研究了EEMD中协助噪声幅值大小的确定原则,提出基于极值点分布特性的改进EEMD方法,通过遍态历经,以极值点分布特性为评价参数,自适应确定EEMD方法中高斯白噪声优化幅值。通过数据仿真,验证了其有效性。最后,应用于转子早期故障诊断中,结果显示可以自适应确定噪声幅值,避免参数人为选择导致分解结果的盲目性,有效抑制了传统EMD方法的模式混淆现象,可有效识别转子早期碰摩引起的故障特征。     

一种改进的EEMD方法及其应用研究

针对集成经验模式分解(Ensemble empirical mode decomposition, EEMD)中协助噪声幅值大小需要人为经验确定的不足,基于经验模式分解(Empirical mode decomposition, EMD)二进滤波器特性,讨论了EMD出现模式混淆的原因,研究了EEMD中协助噪声幅值大小的确定原则,提出基于极值点分布特性的改进EEMD方法,通过遍态历经,以极值点分布特性为评价参数,自适应确定EEMD方法中高斯白噪声优化幅值。通过数据仿真,验证了其有效性。最后,应用于转子早期故障诊断中,结果显示可以自适应确定噪声幅值,避免参数人为选择导致分解结果的盲目性,有效抑制了传统EMD方法的模式混淆现象,可有效识别转子早期碰磨引起的故障特征。     

基于CEEMD和GG聚类的电能质量扰动识别

提出一种基于完备总体经验模态分解(complete ensemble empirical mode decomposition,CEEMD)和GG(gath-geva)聚类的电能质量扰动识别方法。CEEMD是一种对EEMD(ensemble empirical mode decomposition)的改进算法,其特点是向原始信号中以正负成对的形式加入白噪声,有利于减少重构信号中残余的辅助噪声;且在分解的每一个阶段都加入特殊噪声,计算一个唯一残差以得到每个IMF,因此分解的结果是完整的,优于EEMD。CEEMD不仅有效解决了EEMD的模态混叠的问题,同时也保留了EEMD处理非平稳信号的优势,再将CEEMD 分解的IMF分量的互近似熵值作为特征向量输入到GG模糊分类器中进行电能扰动的分类识别。为了验证该方法的有效性,进行了仿真和实测实验,结果表明,该方法有较好的频谱分离效果,且仅需要较少的迭代次数,减轻了计算成本。     

一种可用于故障诊断的信号处理方法——完备总体平均局部特征尺度分解

作为对经验模态分解（EMD）的改进,局部特征尺度分解（LCD）也有类似EMD的模态混淆问题。基于噪声辅助分析的总体平均经验模态分解（EEMD）和完备的EEMD（CEEMD）等是抑制分解模态混淆的有效途径。然而此类方法伪分量较多、得到的分量未必满足IMF分量定义等。针对此,论文提出了一种完备的总体平均局部特征尺度分解（CELCD）,并通过仿真信号将CELCD方法与CEEMD进行了对比,结果表明CELCD能够有效抑制LCD模态混淆,而且在抑制伪分量的产生,提高正交性和分量的精确性等方面具有一定的优越性。最后论文将CELCD方法应用于转子碰摩故障的诊断,结果表明了方法的有效性。     

基于CEEMD分解和Data-SSI算法的斜拉桥模态参数识别

针对集合经验模态分解算法存在的不足之处,提出了一种基于聚类分析的集合经验模态分解算法(CEEMD),以实现对响应信号的降噪与重构。首先对输入信号进行特征分析以确定加入白噪声的幅值标准差以及EEMD集成次数;其次进行EEMD分解;并对所得本征模态函数(IMF)利用欧式距离进行聚类分析,以检验所得本征模态函数之间是否存在模态混叠现象;然后采用模糊综合评价法计算每个IMF与实测信号之间的模糊相似系数,以便选出有效的IMF分量;再利用主成分分析和帕累托图法对保留下来的有效IMFs进行信号的重构,进而达到对实测信号的有效分解和降噪效果。为了验证该算法能运用于实际桥梁中,对某大型斜拉桥进行实例分析,首先对传感器所测响应信号进行重构,然后将其作为数据驱动随机子空间算法的输入,进行模态参数识别,同时为了进一步验证该算法所得结果比现有算法更为精确,对各算法结果进行了对比分析,结论是该算法能对响应信号进行更好的降噪与重构,且所得结果更接近真实值,能运用于实际桥梁的模态参数识别。     

基于同步挤压小波变换的振动信号自适应降噪方法

振动信号在噪声影响下,特征提取十分困难。为此应用同步挤压小波变换(Synchrosqueezing Wavelet Transform,SST)对振动信号进行降噪,针对分解后本征模态分量(Intrinsic Mode Function,IMF)的选取问题,提出一种基于瞬时频率复杂度和自相关系数峰度值的同步挤压小波变换降噪方法。算法首先对原始信号进行SST信号分解并提取小波脊线生成固有模态分量,然后对生成的分量进行Hilbert变换得到瞬时频率曲线,再根据瞬时频率的复杂度选择相应的合成分量重构信号。为了进一步消除噪声影响,该方法同时采用了自相关系数峰度阈值法对筛选后的分量进行二次剔除,最终实现对原始信号降噪的目的。试验最后通过不同标准方差的噪声仿真信号以及物流机械传送设备振动信号验证该方法的可行性和有效性,同时将该方法与基于集成经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)和小波变换的方法进行比较,结果表明该方法的降噪性能要优于其他方法。     

基于EEMD的改进小波阈值算法在超声水表中的应用EI北大核心CSCD

针对超声水表在实际工作环境中容易受到噪声干扰从而导致计量精度下降的问题,提出了基于集合经验模态分解(EEMD)的改进小波阈值降噪算法。为了提高降噪效果,对小波阈值降噪算法进行了改进,构造了非线性阈值函数取代传统阈值函数,同时给出了一种分解尺度选择的方法。利用EEMD将流速信号分解为一系列的本征模态函数,通过改进小波阈值降噪算法对本征模态函数进行降噪处理,去除其中的噪声分量,为了验证该算法的适用性,将其与小波阈值降噪算法和时空滤波分析方法进行了比较。试验结果表明,以超声水表流速信号为降噪对象时,基于EEMD的改进小波阈值降噪算法具有较好的降噪效果。     

基于VMD和中心频率的舰船辐射噪声特征提取方法研究

为了有效提取舰船辐射噪声的频率特征,提出一种基于变分模态分解(VMD)和中心频率的舰船辐射噪声特征提取方法。采用VMD方法将三类舰船辐射噪声分解为一组有限带宽固有模态函数(IMF),计算各阶IMF强度,选取能量较大的IMF作为研究对象,以最强IMF中心频率及能量较大的多个IMF中心频率作为特征参数对三类舰船辐射噪声进行特征提取;针对舰船辐射噪声频率特征提取难且不精准确的问题,采用VMD方法可以准确提取IMF中心频率,实现舰船辐射噪声的特征提取。通过数字仿真和实际舰船辐射噪声信号实验分析,并与基于集合经验模态分解(EEMD)的中心频率及高低频能量差方法进行比较,结果表明该方法可以有效提取舰船辐射噪声中心频率,并实现不同类别舰船的分类识别。