EMD端点双极值延拓方法研究

使用经验模态分解（EMD）进行信号处理过程时，端点效应抑制是关键步骤。这里提出了一种基于包络匹配的双极值点延拓算法，实现了对EMD分解过程中端点效应的抑制处理，并通过了仿真验证。首先，将端点处连续的几个极值点的包络线作为模板子波；再者将模板子波与波形内部的极值包络进行有效匹配；然后将匹配区段前方的两个极值点作为延拓极值进行极值延拓，实现了抑制EMD分解过程中端点效应的目标。并通过仿真数据，验证了算法的有效性。     

波形曲率延拓在局域均值分解中的应用

局域均值分解（LMD）是一种能够将复杂的调幅调频信号自适应地分解为一系列单分量的调幅调频信号的处理方法,其分解过程存在端点效应,分解结果有一定程度的失真。针对此问题,提出根据波形曲率特征对信号端点进行极值延拓,通过特征波的曲率波动来筛选与边界波形最为相似的数据段,在此基础上将波形匹配曲率估计应用于LMD分解过程中, 并与镜像延拓及自适应波形匹配延拓方法相比较,验证了所提方法的优点。使用仿真信号与实际的齿轮故障数据进行试验与检测,结果表明,所提方法可以有效改善LMD分解过程的端点效应,提高分解精度。     

基于边界特征尺度匹配延拓的EMD改进方法及应用

针对经验模态分解(empirical mode decomposition,EMD)中存在的端点效应问题,提出一种边界局部特征尺度延拓的EMD改进方法。通过计算信号边缘处与信号内部任何一段子波的匹配误差,确定信号的规律性强弱。在信号内在规律性较强的情况下,进行内在的匹配波形延拓,最大限度地维护信号的内在趋势;在信号规律性较弱的情况下,特别是信号边缘发生异常变化的情况下,只考虑边缘处的局部信息,根据边缘局部极值点的特征进行延拓,对延拓的极值点序列进行包络拟合,估计出均值曲线。该方法保证了信号有效数据的正确分解,提高了信号的分解精度,实现了EMD算法的改进。仿真实验验证了该方法能较好地抑制EMD端点效应。     

HILBERT-HUANG变换端点效应处理新方法

HIBERT-HUANG变换(HHT)实现过程中,对信号进行经验模态分解(Empirical mode decomposition,EMD)和对分解得到的各个本征模函数(Intrinsic mode function,IMF)进行HILBERT变换时都会产生端点效应.对此问题,采用波形特征匹配延拓数据,提高经验模态分解精度,有效地抑制HILBERT变换中的端点效应,获得准确的HILBERT时频谱.所延拓数据兼顾原始信号中的极值点及非极值点的波形数据,使延拓数据特征与原信号一致,在HHT变换实现过程中仅需一次延拓,算法简单.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HHT变换的端点效应问题.     

基于改进EMD的齿轮箱故障特征提取方法研究

针对经验模式分解(Empirical mode decomposition,简称EMD)方法在信号处理时普遍出现的端点效应问题,结合齿轮箱早期故障非稳态信号特点,提出了基于分段三次Hermit插值的极值截断法与相关筛选法相结合的改进EMD方法。该方法将信号用分段三次Hermit插值法求取包络线,在距离端点最近的极值点处对包络线及信号进行截断,取中间部分继续处理,将分解后得到的基本模式分量(Intrinsic mode function,简称IMF)与原信号计算相关系数,筛选主要IMF作为进一步分析对象。实验结果表明,本改进EMD方法可以有效提取齿轮箱故障特征。     

经验模式分解的改进及其在水轮发电机组振动信号分析中的应用

经验模式分解可以将非线性、非平稳信号分解为有限个固有模式函数,在故障诊断中这些固有模式函数常常就是故障信号。但端点效应和分解终止条件的不当使其在分解过程中出现假频,限制了其应用。提出采用可变长极值镜像拓延法,对原信号两端包络进行拓延,有效地消除了端点效应;并提出在分解过程中采用不同的结束标准,使程序在适当的时候结束,提高了分解精度和速度。最后,将该方法应用于水轮发电机组振动信号分析中,取得了满意的效果。     

基于RO-SBM的Hilbert-Huang变换端点效应抑制方法

针对Hilbert-Huang变换方法中由于信号经验模态分解(empirical mode decomposition,简称EMD)过程中所存在的端点效应问题,分析了现有数据延拓方式的利弊,并在基于斜率(slope based method,简称SBM)方法以及改进方法(improved slope based method,简称ISBM)的基础上提出了一种全新的基于斜率再优化(re-optimization slope based method,简称RO-SBM)方法用于信号序列的极值点延拓,然后对延拓后的数据进行EMD分解,得到相应的本征模函数(intrinsic mode function,简称IMF)分量.数值仿真结果表明,采用基于RO-SBM方法进行数据延拓,相比镜像延拓以及ISBM方法,可以更有效地抑制EMD中的端点效应问题,提升HHT方法的信号分析性能.通过基于RO-SBM方法进行数据延拓的HHT方法准确分离出了某转子系统的局部碰摩径向振动信号中所包含的故障特征分量,并将此方法成功应用于旋转机械故障诊断领域.     

基于RO-SBM的Hilbert Huang变换端点

针对Hilbert-Huang变换方法中由于信号经验模态分解(empirical mode decomposition, 简称EMD)过程中所存在的端点效应问题,分析了现有数据延拓方式的利弊,并在基于斜率(slope based method, 简称SBM)方法以及改进方法(improved slope based method,简称ISBM)的基础上提出了一种全新的基于斜率再优化(re-optimization slope based method, 简称RO-SBM)方法用于信号序列的极值点延拓,然后对延拓后的数据进行EMD分解,得到相应的 本征模函数(intrinsic mode function,简称IMF)分量。数值仿真结果表明,采用基于RO-SBM方法进行数据延拓,相比镜像延拓以及ISBM方法,可以更有效地抑制EMD中的端点效应问题, 提升HHT方法的信号分析性能。通过基于RO-SBM方法进行数据延拓的HHT方法准确分离出了某转子系统的局部碰摩径向振动信号中所包含的故障特征分量,并将此方法成功应用于旋 转机械故障诊断领域。     

EMD端点效应抑制的一种实用方法

根据工程上常见的非平稳随机信号可预测性差、波形不规则等特点,在研究和总结现有端点延拓方法的基础上,提出了一种实用的端点效应抑制方法——极值平移法。该方法以信号端点及其附近极值的特征作为延拓依据,分别在信号两端各添加2个极大值点和2个极小值点,以此达到抑制端点发散的目的。仿真信号和实测响应的分解结果表明,该方法计算效率高,可有效减轻端点效应对经验模态分解(EMD)结果的影响。     

Volterra模型预测在EMD端点延拓中的应用

经验模态分解(empirical mode decomposition,简称EMD)的端点效应使得EMD分解结果产生严重失真,为了减小端点效应在分解过程中产生的影响,将混沌序列模型引入EMD,提出采用Volterra模型解决分解中产生的端点效应问题。论述了基于Volterra模型的数据延拓技术原理,即先对原始数据进行Volterra建模,然后利用该模型对数据进行延拓。该方法使端点处的延拓更加合理,从而使得三次样条曲线在端点处不会发生大的摆动,实现了准确的EMD分解。通过对仿真信号的研究表明,延拓抑制了分解的端点效应。把该技术应用于转子横向裂纹振动信号的EMD分解中,取得了良好效果。     

EMD端点效应抑制方法

针对经验模态分解(empirical mode decomposition,简称EMD)中的端点效应问题,在研究总结了现有端点效应抑制方法的基础上,提出一种新的方法——基于支持向量机(support vector machine,简称SVM)延拓和窗函数相结合的方法,弥补了SVM延拓依然找不到端点以及窗函数会改变原始信号的缺点。首先,采用SVM对原始信号两端分别进行延拓,将延拓后的数据进行加窗处理(中间加矩形窗,延拓数据加海明窗);然后,利用EMD方法对加窗后的信号进行分解,得到若干个内禀模态函数(intrinsic mode function,简称IMF);最后,将IMF分量的两端延拓部分去掉,以此来达到抑制端点效应的目的。以正交性为量化评价指标,对比分析了不同方法的性能,通过仿真和实验结果表明,该方法可以更好地抑制端点效应的发生。     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)将非线性非平稳信号分解成为一系列线性、平稳的本征模函数(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析（independent component analysis,简称ICA）理论中的快速独立分量分析（fast independent component analysis,简称FastICA）算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

基于EMD-PCA的轴承故障源盲分离方法

结合经验模态分解和主分量分析各自的优点,提出了一种基于EMD-PCA的轴承故障源的盲分离方法。利用EMD方法对混合观测信号进行分解得到若干个本征模函数分量,把所有的IMF分量重新组合在一起,作为新的观测信号,然后采用PCA对新的观测信号进行共性分析以得到源信号中的主要成分,并进行了轴承故障源分离试验验证。     

Intelligent diagnosis of short hydraulic signal based on improved EEMD and SVM with few low-dimensional training samples

The high accurate classification ability of an intelligent diagnosis method often needs a large amount of training samples with high-dimensional eigenvectors, however the characteristics of the signal need to be extracted accurately. Although the existing EMD(empirical mode decomposition) and EEMD(ensemble empirical mode decomposition) are suitable for processing non-stationary and non-linear signals, but when a short signal, such as a hydraulic impact signal, is concerned, their decomposition accuracy become very poor. An improve EEMD is proposed specifically for short hydraulic impact signals. The improvements of this new EEMD are mainly reflected in four aspects, including self-adaptive de-noising based on EEMD, signal extension based on SVM(support vector machine), extreme center fitting based on cubic spline interpolation, and pseudo component exclusion based on cross-correlation analysis. After the energy eigenvector is extracted from the result of the improved EEMD, the fault pattern recognition based on SVM with small amount of low-dimensional training samples is studied. At last, the diagnosis ability of improved EEMD+SVM method is compared with the EEMD+SVM and EMD+SVM methods, and its diagnosis accuracy is distinctly higher than the other two methods no matter the dimension of the eigenvectors are low or high. The improved EEMD is very propitious for the decomposition of short signal, such as hydraulic impact signal, and its combination with SVM has high ability for the diagnosis of hydraulic impact faults.     

Cosine window-based boundary processing method for EMD and its application in rubbing fault diagnosis

A troublesome problem in application of empirical mode decomposition (EMD) method is boundary distortion. A novel boundary processing method based on cosine window is proposed here to solve this problem. With this method, a cosine window is firstly defined that its values equal to 1 in middle of the window and reduced by cosine/sine functions in both ends. Secondly, the analyzed signal is preprocessed by multiplying with the defined window, so that the amplitudes of the signal remain in middle and reduce in both ends. Lastly, EMD method is used to analyze the preprocessed signal. With the proposed method, the boundary distortion can be controlled in ends of the signal and the middle component can be correctly decomposed. Simulative and experimental studies verified that the proposed method can enormously decrease the boundary distortion of EMD and is useful in rubbing fault diagnosis of rotor system. The application in fault diagnosis of a practical machine set shows that the proposed method has strong practicability.     

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。     

Adaptive sparsest narrow-band decomposition method and its applications to rotor fault diagnosis

Enlightened by empirical mode decomposition (EMD) and matching pursuit (MP), adaptive sparsest narrow-band decomposition (ASNBD) method is proposed in this paper. The main idea of the method is to obtain the sparsest representation of a signal by constraining the components to be local narrow-band signals. In ASNBD, an optimized filter must be established at first. The parameters of the filter are determined by solving a nonlinear optimization problem. A regulated differential operator is used as the objective function so that each component is constrained to be a local narrow-band signal. Afterwards, the signal is filtered by the optimized filter to generate a single component. ASNBD is superior to matching pursuit in both the adaptivity and the physical meaning of the components. And problems such as mode mixing and end effect in EMD are alleviated in ASNBD as the computing of extremas is avoided. As it is robust and adaptive to non-stationary signals, artificial chemical reaction optimization algorithm (ACROA) is chosen to solve the optimization problems in ASNBD. Compared with GA, ACROA can reach a global optimum in a shorter time while the classification result is the same. Comparisons are made between ASNBD optimized by ACROA, ASNBD optimized by genetic algorithm and empirical mode decomposition (EMD) by analyzing simulation and experimental signals. The results indicate that ASNBD–ACROA is superior to the other two methods at least in restraining boundary effect, gaining more accurate components in the presence of noise and showing better orthogonality; moreover, it performs better in the analysis of experimental data.     

基于多元经验模态分解的旋转机械早期故障诊断方法*

针对旋转机械早期微弱故障诊断问题,提出了基于多元经验模态分解的旋转机械早期故障诊断新方法。首先将多个加速度传感器合理布置在轴承座的关键位置,同步采集多通道振动信息;再利用多元经验模态分解同时对多通道振动信号进行自适应分解,得到一系列多元IMF分量;最后,依据峭度准则和相关系数从中选取包含故障主要信息的IMF分量进行信号重构,提取故障特征。多元经验模态分解方法克服了EMD等方法在进行多通道数据融合时缺乏理论依据的局限性。仿真信号和旋转机械故障信号的实验结果表明,该方法明显优于EEMD方法,对齿轮和滚动轴承故障的检测精度更高,可以在强背景噪声情况下更好地提取出故障冲击特征。     

经验模态分解滤波器组特性及轴承异音识别

利用经验模态分解滤波器组特性可调整性,结合短时傅里叶变换(STFT)技术识别轴承异音。在研究高斯随机噪声经验模态分解(EMD)的基础上,运用数值方法证实EMD滤波器组特性随判别参数SD改变,指出类似于二进制小波滤波器组特性只是一种特殊条件下的分解现象。根据轴承振动加速度的广谱性质,利用参数SD对EMD滤波器组特性可调性,对滚动轴承振动加速度信号按异音测量要求进行EMD自动频段分解。对前3阶本征模态进行STFT变换,用三维图刻画轴承振动的幅值大小、频率大小、周期和随机分布冲击特性,设定阈值,在时频域上刻画轴承的异音。该方法揭示了轴承异音分布模式,能通过异音识别控制轴承加工质量。     

基于经验模态分解和Teager峭度的语音端点检测

采用经验模态分解和Teager峭度的统计特性对噪声环境下的语音信号端点进行检测。利用经验模态分解获得语音信号的本征模态函数,用Teager能量算子计算每个本征模态函数的瞬时能量,并对本征模态函数进行系数—峭度计算,提取信号期望的统计特征信息实现语音端点的检测。通过自适应EMD分解和Teager能量算子的处理,这种方法可以有效地消除白噪声或有色高斯噪声的影响。通过仿真例子说明这种方法可以取得良好的端点检测效果,仿真研究结果表明用经验模态分解和Teager峭度对噪声环境下的语音端点检测是可行的和有效的,提高了检测的可靠性。