基于EEMD与FastICA的损伤异常识别与定位

为了准确地提取结构损伤异常信息,消除小波奇异值分解时存在需要特定的小波基和分解层数以及经验模态分解（EMD）方法存在诸如虚假模态混叠等问题,本文提出了一种基于改进的总体平均经验模态分解（EEMD）与快速独立分量分析（FastICA）相结合的提取结构损伤特征并进行识别与定位的新方法。首先,通过EEMD对结构动力响应信号进行预处理并用 FastICA提取出包含损伤信息的特征分量对结构响应异常进行识别和初步定位;然后,计算归一化的源分布向量(NSDV)的最大值,并根据该最大值精确定位结构损伤。最后,通过框架数值算例和试验进行了所提方法的验证,结果表明该算法能够较好地进行结构损伤异常的识别与定位。     

改进EEMD方法及混沌降噪应用研究EI北大核心CSCD

在总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)降噪过程中,对本征模态分量(Intrinsic Mode Function,IMF)的有效处理一直是影响降噪效果的关键。为此,提出一种基于改进EEMD的去噪方法。基于"3σ"法则和奇异值分解(Singular Value Decomposition,SVD)提取第一个IMF分量中有用信号细节。利用连续均方误差准则对剩余IMF分量进行高低频区分,分别使用SVD和S-G算法提取高低频分量的有用信号,可以有效避免了高频部分有用信号的流失,同时剔除低频分量中的部分噪声,克服了EEMD去噪时IMFs难以有效处理的不足。为了验证该方法的有效性,进行了数字仿真与双势阱混沌振动试验,结果表明,该方法的降噪效果优于小波加权和EEMD去噪方法。     

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。     

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。     

基于EEMD样本熵的直流牵引网故障电流识别

针对地铁直流牵引网的振荡电流容易引起继电保护系统频繁误动的问题,提出一种结合总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)和样本熵的直流牵引网振荡电流与短路故障电流识别方法。利用EEMD方法对直流牵引网的馈线电流信号进行分解,求取各固有模态函数(intrinsic mode function,IMF)分量的样本熵值,并将计算结果求和,进而获得反映直流牵引网运行状态信息的特征量。通过对典型馈线电流信号进行分析计算,可知EEMD和样本熵相结合的特征提取方法可以有效地区分直流牵引网振荡电流与短路故障电流。算例分析验证该方法的有效性。     

基于EEMD的滚动轴承故障诊断方法

提出一种基于集合经验模态分解的滚动轴承故障诊断方法。首先目标信号中加入一定分量的白噪声信号;然后再进行经验模态分解;并且多次重复以上两步,但每次加入不同的白噪声信号;取多次所得的对应内禀模态函数的平均值作为最终的内禀模态函数。最后对内禀模态函数进行Hilbert变换,得到Hilbert谱和Hilbert边际谱,通过谱分析识别滚动轴承的运行状态和故障类型。实验结果显示所提方法的有效性。     

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。     

基于小波优化EEMD的二氧化硫检测

为解决检测SO₂时系统接收到的荧光信号微弱、易被噪声淹没的问题,提出了小波优化总体经验模态分解(EEMD)的方法对SO₂荧光信号进行去噪。搭建了SO₂紫外荧光检测系统对SO₂浓度进行检测,检测的平均相对误差为0.0011, SO2浓度与荧光强度的线性相关系数为0.9787。利用小波优化EEMD去噪方法对SO₂荧光信号去噪,得到的信噪比为224.7958,均方误差为1.01×10^-7,波形相似系数为0.9973,SO2浓度与荧光强度的线性相关系数为0.9936。相比于EEMD和小波去噪方法,小波优化的EEMD去噪方法对SO2荧光信号的去噪效果更好,能够达到理想的去噪效果。     

基于VMD和中心频率的舰船辐射噪声特征提取方法研究EI北大核心CSCD

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。     

基于EEMD及敏感IMF的再制造发动机振动模式研究

为更好提取再制造发动机的振动特征,采用总体平均经验分解模式（Ensemble Empirical Mode Decomposition,EEMD）对信号进行分解,并用于再制造发动机振动模式研究中。在对振动信号分解基础上,利用相关系数计算IMF分量与其原始信号间相关性及原始信号IMF分量敏感因子;利用敏感IMF进行Hilbert变换。研究结果表明,采用EEMD分解算法所得IMF分量能反映再制造发动机的振动特征,基于敏感IMF的边际谱能区分再制造发动机不同部件的振动模式,并将再制造发动机部件分为缸壁、缸盖、曲轴三种振动模式,对提高发动机再制造水平具有重要意义。     

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。     

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。     

基于二次EEMD的Wigner-Ville分布旋转机械故障信号分析及试验研究

摘 要： Wigner-Ville分布（WVD）凭借优良的数学性质被广泛应用于信号处理等领域,但因其不满足可加性而引起的交叉项却影响信号分析的准确性。针对此问题提出利用二次聚合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)消除Wigner-Ville分布交叉项的方法。该方法首先用EEMD将原信号分解成为若干本征模函数（Intrinsic Mode Function,IMF）,再利用EEMD对获得的IMF进行二次处理,得到一组新的IMF,然后对新得到的若干模态成分分别进行WVD计算,最后将各项结果求和得到信号的WVD分布。该方法在改善模态混叠的同时有效地消除Wigner-Ville分布交叉项,并保留Wigner-Ville分布的各种优良特性。将该方法应用于转子碰摩故障诊断,效果很好。     

基于EEMD和Laplace小波的滚动轴承故障诊断

滚动轴承故障导致振动信号中出现多阶模态冲击响应,为了提取单阶模态冲击响应的模态参数,由于Laplace小波相关滤波受多阶模态冲击响应的影响,提出了一种基于EEMD和Laplace小波的滚动轴承故障诊断方法。先用EEMD把振动信号中的多阶模态脉冲响应分解为各单阶模态冲击响应分量,然后用从分解的分量的频谱中选取所需的单阶模态冲击响应分量,再用Laplace小波相关滤波对选取的单阶模态冲击响应分量进行分析,便可以诊断出故障。通过对仿真信号和滚动轴承内圈、外圈、滚动体数据分析很好地验证了提出的方法的有效性。     

基于EEMD与GA-小波神经网络的传动系声品质预测

为了进行车辆传动系声品质预测,实施了传动系整车转鼓试验,并结合主、客观分析量化了影响传动系噪声烦恼度的主要异响指标;同时,通过相关分析揭示了心理声学客观参量与主观评价的内在关系。引入聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法与本征模态函数(Intrinsic Mode Function,IMF)样本熵值对传动系噪声特征进行了提取;在此基础上,以Morlet小波基函数作为隐含层节点的传递函数构建小波神经网络(Wavelet Neural Network,WNN),同时运用遗传算法(Genetic Algorithm,GA)优化小波神经网络的层间权值和层内阈值,构造出GA-小波神经网络模型并用于传动系声品质预测;为了对比所提取的传动系噪声特征性能,将心理声学参量也作为模型输入以进行预测,同时,为了对比GA-小波神经网络模型的预测效果,引入了传统的GA-BP神经网络模型。分析结果表明:GA-小波神经网络较GA-BP神经网络能更准确、有效地对传动系声品质进行预测,并且以本征模态函数样本熵值作为预测模型的输入特征其预测结果较心理声学参量效果更佳。     

经验模态分解理论及其应用

阐述了经验模态分解(EMD)的概念、基本理论及其作为一种数据驱动的时频分析方法,能够根据信号特点自适应地将信号分解成一组具有物理意义的固有模态函数的线性组合,十分适合于非线性、非平稳信号分析的机理,然后综述了一维EMD算法在解决包络拟合、边界效应、模态混叠等关键问题上的研究进展,重点对新兴的多维经验模态分解的发展情况进行了详细论述;介绍了EMD在信号去噪,地球物理、生物医学信号处理,电力工程、机械工程故障诊断方面的主要应用,结合EMD研究中的难点问题,指出了下一步研究的五个重要方向。     

应用希尔伯特黄变换的单矢量传感器多目标分辨研究

将希尔伯特黄变换与矢量信号处理相结合应用到水声领域,与传统方法相比有许多优势。在希尔伯特黄变换中本征模态函数是基于序列数据的局部时间尺度特征而得出。每个本征模态函数可以看作是信号中一个固有振荡模态,其对应于某个目标的固有振荡,希尔伯特黄变换用经验模态分解的方法将信号分解为多个本征模态函数,可以较好地将不同目标的能量分离。该变换得到的瞬时频率、瞬时能量和瞬时方位具有清晰的物理意义,信号的时间-频率-方位-能量的四维分布为多目标信号处理提供了丰富的信息量。与传统处理方法相比不仅有较好的目标分辨效果,而且适用于非线性和非平稳信号的处理。     

EMD和二进正交小波分解对旋转机械振动信号处理效果的研究

二进正交小波分解通过一组高、低通正交镜像滤波器，以二分频形式把信号分解到各个频段中，经验模式分解（EMD）具有类似性质。但由于分解原理问的差异，对同一信号有不同处理效果。以故障滚动轴承振动信号处理为例，对比分析两种方法的处理效果，表明对于旋转机械，由于故障信号往往表现为调幅形式，而且相互间具有不同的载波与调制波频率，EMD方法是以信号的真实物理意义实现自适应二分频分解，能完整保留各个调幅信号，二进正交小波变换严格按照数学意义分解信号，势必破坏调幅信号完整性，影响故障定位，对比处理效果，EMD提取故障特征频率的效果要比二进正交小波分解好。     

集合经验模态分解的稳健滤波方法研究

为了消除野值和噪声信号对观测数据的影响,给出一种基于集合经验分解的具有稳健性的滤波算法：首先用滑动中值滤波算法剔除原始数据中的野值,然后采用集合经验模态分解算法,抑制数据中的噪声。数值仿真和实际工程应用表明,该方法不仅能剔除野值,抑制信号中的噪声,提高信噪比,还能够有效消除模态混叠问题,将被测信号中不同的频率成分独立分解在不同的固有模态函数中,从而得到更清晰的时频分布,有利于实际数据处理中的信号分析和故障诊断。