基于EMD和功率谱的齿轮故障诊断研究

提出了一种基于经验模态分解EMD（Empirical Mode Decomposition）的齿轮裂纹故障诊断的新方法。EMD方法具有自适应的信号分解和降噪能力，EMD是先把时间序列信号，分解成不同特征时间尺度的固有模态函数（Intrinsic Mode Function，简称IMF），然后通过选取表征齿轮裂纹故障的IMF分量进行功率谱分析，就可提取齿轮故障振动信号的特征。齿轮故障实验信号的研究结果表明：该方法能有效地识别齿轮的齿根裂纹故障。     

工况模态分析的EMD方法

EMD（Empirical Mode Decomposition)算法1995年由NASA海洋水波实验室提出，本质上是一种将时域信号按频率尺度分解的数值算法，对于线性时不变系统，它可以从时域信号中直接提取具有不同特征时间尺度的内禀模式函数（IMF,Intrinsic Mode Function)，分解得到的IMF s之间具有正交性，且分解唯一，本文以此为基础，将NExT(Natural Excitation Technique)方法推广到多点随机激励下的复模态情况，对多自由度线性系统实测响应信号的互相关函数进行EMD分解，并进而实现模态参数的辨识。     

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。     

基于改进EMD和滑动峰态算法的滚动轴承故障特征提取

针对滚动轴承故障特征往往被强背景噪声淹没的特点,提出一种基于改进经验模态分解(Empirical Mode Decomposition,EMD)与滑动峰态算法的滚动轴承故障特征提取方法。首先利用EMD方法分解原故障信号得到一组平稳固有模态分量(Intrinsic Mode Function,IMF)。然后采用互信息和广义相关系数筛选法消除传统EMD分解结果中虚假分量,并运用滑动峰态算法对真实IMF分量处理得到滑动峰态时间序列。最后计算滑动峰态序列频谱提取故障特征频率。滚动轴承的实例研究结果表明：该方法能够有效提取滚动轴承故障特征,可以取得比直接滑动峰态算法和传统包络解调分析更好的效果。     

深度神经网络在EMD虚假分量识别中的应用

无线智能传感器结合云平台可以实现建筑结构的长期健康监测,模态识别是结构健康监测的重要内容。希尔伯特黄变换(Hilbert-Huang Transform, HHT)因其适用于非线性非平稳信号,且具有完全自适应性等特点,在模态识别领域中被广泛应用。与实验室中进行结构模态参数识别不同的是,长期监测中模态参数识别的算法不能出现主观的参数选择过程,而传统HHT的第一步经验模态分解(Empirical Mode Decomposition,EMD)会产生虚假的固有模态函数(Intrinsic Mode Function, IMF)分量,对虚假分量的识别与剔除往往依赖研究人员的主观判断。该文提出了一种基于深度神经网络(Deep Neural Networks, DNN)与K-L散度(KullbackLeibler Divergence, K-L Divergence)的新算法,可以自动化识别并剔除EMD产生的虚假分量,从而使得EMD后得到的固有模态函数均为真实分量。     

航空发动机试飞中转静子碰摩故障信号处理 的希尔伯特－黄变换（HHT）方法

时变信号处理的新方法希尔伯特－黄变换,是把一时间序列数据通过经验模态分解（Empirical Mode Decomposition,简称EMD）成本征模函数组（Intrinsic Mode Function, 简称IMF）,然后经希尔伯特变换（Hilbert Transformation,简称HT）获得频谱的信号时频分析方法引入到航空发动机转静子碰摩故障振动信号处理领域。该方法的理论和算法为用MATLAB语言编写分析程序,再用仿真信号验证程序的正确性和有效性;然后对飞行试验中获得的故障振动信号进行分析。结果表明,用EMD和HT方法对航空发动机转静子碰摩故障振动信号进行时频分析是有效的。     

基于EMD与GA-PLS的特征选择算法及应用

针对振动信号非平稳性和特征优化选择的问题,提出一种基于EMD和GA-PLS的特征选择算法。在该算法中,首先,采用EMD方法将振动信号分解成多个固有模态函数(Intrinsic Mode Function, IMF),对IMF分量建立自回归（AR）模型,以AR模型系数和残差作为初始特征向量,然后,遗传算法与偏最小二乘法相结合(GA-PLS)的算法对初始特征向量进行筛选得到新的特征向量,最后,以新的特征向量为输入,建立分类器,用来识别手动换向阀的工作状态和判断故障类型。实验结果表明,采用该特征选择算法能准确地选择出特征,并能应用于手动换向阀的故障诊断     

基于EMD的胶合板损伤声发射信号特征提取及神经网络模式识别

摘要：针对胶合板损伤声发射信号的非平稳性和损伤类别特征相互重叠的实际情况,提出了基于经验模态分解(Empirical Mode Decomposition, EMD)和BP神经网络相结合的信号特征提取和识别方法。首先对损伤声发射信号进行EMD分解,筛选出包含主要信息的本征模态函数（Intrinsic Mode Function, IMF）分量;其次构建以各IMF分量的能量占比作为表征各损伤信号的特征向量;最后以提取的特征向量为输入样本,建立BP神经网络模式分类器对四类胶合板损伤信号进行识别。五层胶合板损伤的实测数据表明,该方法能够准确地提取出声发射信号特征并对其损伤类型进行有效地识别。     

基于改进EMD方法与1 1/2谱的DEMON谱提取方法

噪声的包络调制检测(Detection of Envelope Modulation on Noise, DEMON)谱分析技术已被广泛应用于特征提取领域,但经典 DEMON 谱提取中高频信号频段的选取会影响 DEMON 谱的提取效果。针对这一问题,文中首先运用经验模态分解(Empirical Mode Decomposition, EMD)方法获得一系列固有模态函数(Intrinsic Mode Function, IMF),依据各阶模态函数与原信号的相关程度,筛选出更具代表性的几阶固有模态函数进行解调,再对解调的结果运用1 1/2维谱分析方法进行谱分析以抑制高斯噪声,通过这种方法获得的 DEMON 谱信噪比优于传统方法。实测湖试数据分析结果表明,该改进方法可以有效地进行特征提取,结果优于经典 DEMON 谱分析方法;该改进方法具有一定的实用性,有利于进行后续目标分类识别。     

基于EMD的奇异值熵在转子系统故障诊断中的应用

提出了一种基于EMD（Empirlcal Mode Decomposition）和奇异值熵的转子系统故障诊断方法。该方法首先用EMD方法分解转子系统的振动信号，得到若干个基本内禀模式函数（Intrinsic Mode Function，简称IMF），然后利用IMF分量形成初始特征向量矩阵，并对初始特征向量矩阵求奇异值熵，奇异值熵的大小反映了转子系统运行状态的差别，从而可以通过奇异值熵的大小判断转子系统的工作状态和故障类型。对实验数据的分析结果证明了该方法的有效性。     

一种基于分段幂函数插值法的经验模态分解方法及其应用研究

针对经验模态分解(EMD)方法的分解不完全问题,提出一种改进EMD算法。该算法采用分段幂函数插值法代替原EMD算法中的三次样条插值法,实验表明其分解效果更充分更完全。在此基础上,结合时间序列分析中的AR模型,提出一种基于EMD和AR模型的故障诊断方法,并将其应用到电磁换向阀的故障诊断中。实验结果表明,该方法能够正确有效地实现电磁换向阀的故障诊断。     

EMD自适应三角波匹配延拓算法

波形匹配延拓是遏制经验模态分解（EMD）端点效应的有效方法,针对现有波形匹配延拓方法的不足,提出了一种自适应的三角波形匹配延拓方法,改进了三角波匹配度的计算方法和匹配子波的寻优算法。改进的三角波匹配度计算方法,突出延拓平顺性的同时,加强了端点处数据与内部波形的关联。自适应的匹配寻优算法,首先在固定极值点对应的波段内部搜寻局部最佳子波的截取时刻,截取局部最优匹配子波,然后在局部最优子波内搜寻全局最优匹配子波,提高了子波截取的合理性与匹配的准确性。仿真信号及实验信号分析表明,该方法可有效抑制EMD端点效应,显著提高分解精度。     

基于EP-CEEMDAN-PED的隧道扩挖爆破网络延时分析

经验模态分解(empirical mode decomposition, EMD)固有的端点效应和模态混淆导致其在进行爆破网络延时分析时出现不容忽视的误差。为了获得爆破现场实际网络延时,判断批次雷管的安全性,必须对EMD进行改进。通过对爆破地震波监测信号进行端点处理（endpoint processing, EP）,改善EMD在处理信号实际端点时出现的端点突变现象,进而抑制EMD端点效应,提高固有模态函数（intrinsic mode function,IMF）的稳定性和精度。对EMD进行改进,得到自适应补充集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN),抑制低频趋势项模态混淆,并结合排列熵检测(permutation entropy detection, PED)来控制高频模态混淆。得到的EP-CEEMDAN-PED算法能识别微差爆破实际延期时间,且能有效克服EMD固有的端点效应和模态混淆现象,结合干扰减振法,可计算实际隧道扩挖爆破合理减振微差时间为55.14~57.93 ms,对爆破振动控制具有重要的现实意义。     

利用聚合经验模态分解抑制振动信号中的模态混叠

传统EMD易于造成分解模态的混叠,混叠后的IMF分量失去原有物理意义。聚合经验模态分解(ensemble empirical mode decomposition,EEMD),是一种将噪声辅助分析应用于经验模态分解中的新方法,可以较好的抑制EMD分解中产生的模态混叠现象,将其应用于振动信号的模态提取中,取得较好的工程效果。     

基于变分模态分解的水下目标噪声特征提取及分类

当信号中存在异常事件引起的间歇现象时,传统的经验模态分解算法常易产生较为严重的模态混叠现象,严重影响目标特征提取的性能。文章在水下被动目标信号特征分析提取中引用变分模态分解算法。该方法能够自适应地对信号频带进行切割,极大程度上避免了传统模态分解算法所产生的模态混叠现象,提高了对目标特征提取的准确性,同时也避免了无效计算。此外,还利用相关性阈值进行模态选择,一定程度上消除干扰模态。在对变分模态分解（Variational Mode Decomposition,VMD）的各阶模态函数进行希尔伯特变换的基础上,提出一种基于变分模态分解和希尔伯特变换（VDM-Hilbert Transformation,VDM-HT）联合处理的特征集进行目标分类。采用四种分类器对3种水下目标噪声信号进行分类。结果表明,VMD-HT算法所提取的特征集相比其他模态分解算法具有更好的分类性能。     

完全互补小波噪声辅助集总经验模态分解

经验模态分解(EMD)是一种自适应非线性非平稳数据处理方法。噪声辅助的EMD方法能克服EMD方法在处理间歇信号时出现的"模态混叠"现象。在这些噪声辅助方法中,互补集总经验模态分解(CEEMD)和完全噪声辅助噪声集总经验模态分解(CEEMDAN)恢复了EMD分解的完整性。在现有分析方法上提出了完全互补小波噪声辅助集总经验模态分解(CCWEEMDAN)算法。该算法能用更小的集总数、更少的迭代次数和极小的计算消耗获得更好的光谱分离效果和数目较少的筛选模态。     

极点加权模态分解及其在故障诊断中的应用

经验模态分解(EMD)是一种自适应信号分解方法,由于其能够同时提供振动信号时域和频域的局部信息,在机械故障诊断领域得到广泛应用。受EMD思想的启发,基于相邻极值加权构造均值曲线,提出一种新的自适应信号分解方法—极点加权模态分解(EPWMD)。通过仿真信号分析,将提出的EPWMD方法与EMD和局部特征尺度分解(LCD)等方法进行对比,结果表明,与EMD和LCD相比,EPWMD方法在分解性能和分解精度方面有显著提高。最后,将提出的EPWMD方法应用于转子碰摩和滚动轴承局部故障信号分析,并与EMD方法进行对比,分析结果表明,EPWMD方法不仅能够有效识别故障特征,而且其诊断效果优于EMD方法。     

心电信号预处理方法研究与评价

分别对三种滤波方法,即传统的傅立叶变换滤波、小波分析滤波以及经验模态分析滤波进行了分析、研究、比较．通过小波变换处理,可抑制心电信号高频噪声;利用经验模态分析（EMD）滤波,可抑制心电信号内混叠噪声;从理论分析入手,以MIT—BIH标准数据库中的心律失常数据作为仿真对象,进行了滤波仿真对比．进而从理论与仿真效果两方面比较了这三种滤波方法的缺点及优势．