基于LABVIEW的HHT法疲劳损伤时频分析

在LABVIEW平台上利用希尔伯特-黄变换方法,对某型飞机的垂尾整流罩系统的前支架在随机载荷作用下的振动疲劳试验数据进行时频联合分析,得出前支架的一阶固有频率及其上应变值在试验最后300s的变化趋势,从而为研究其上疲劳裂纹的产生和扩展提供参考数据,并最终判断支架的试验疲劳寿命为4525s.同时将HHT法与短时傅里叶变换...     

基于HHT算法的波浪频率提取

海浪加速度信号属于非平稳非线性信号,且在测量时易受到各种方向上的噪音污染,为了实时获取海浪的频率信息,以海浪识别仪所测得的三轴加速度为数据分析对象,通过EMD分解将原始信号分解为多个IMF分量,然后利用设定阈值筛选出这些分量中的有效成分,并对有效IMF分量进行HHT变换,最后在试验平台以stm32作为控制器直接对数据进行处理,从而获得海浪的瞬时频率。结果表明,HHT算法可以准确地计算出瞬时频率。     

基于马尔科夫和HHT的图像拼接盲检测

基于对图像拼接技术的分析,提出了一种基于马尔科夫模型与Hilbert-Huang变换（HHT）的图像拼接盲检测算法。该算法计算图像DCT域上的马尔科夫转移概率矩阵,同时对图像进行Hilbert-Huang分析,得到两类特征值集,并通过计算相关系数矩阵分析了两者之间的相关性,最后使用支持向量机进行训练与分类。实验结果表明,相对于已有文献,该算法具有较高的检测准确率。     

基于HHT的电能质量扰动定位与分类

针对电能质量扰动定位和识别分类的需求,提出了一种基于HHT的电能质量扰动定位与分类的新方法。采用HHT算法对电能质量扰动信号进行变换,获得瞬时幅值、Hilbert谱和边际谱,并利用Hilbert谱对扰动信号进行定位。从瞬时幅值、Hilbert谱和边际谱中提取特征量,为决策分类树提供判断依据以便进行分类识别。仿真实验结果表明,采用HHT算法与决策分类树相结合的电能质量扰动定位与分类不需训练,提取的特征量少而有效,分类识别的效果较好,具有良好的抗噪性能。     

极限学习机延拓的BS-EMD端点效应抑制算法及应用

针对希尔伯特-黄变换过程中经验模态分解出现的端点效应问题,采用极限学习机（Extreme Learning Machine,ELM）算法对原始数据序列分别向左右两端延拓,对扩展后的数据序列用B样条插值函数求其平均曲线,在此基础上进行下一步分解,结束分解后摒弃两端延展的数据,使算法得到优化,起到了抑制端点效应的作用。通过与未经延拓,BP神经网络延拓和支持向量机延拓各项指标的对比分析表明,该算法不仅有效抑制了经验模态分解过程中的端点效应,在预测速度和分解精度上都有一定的优势。将该方法应用于电力系统的谐波分析中,仿真结果表明该方法能有效抑制EMD的端点效应,更好地分解出谐波中含有的不同频率谐波分量。     

基于EMD和HHT的航空发动机转子—机匣振动信号分析

将EMD和HHT方法引入航空发动机转子—机匣的振动信号分析,某台发动机的台架实测机匣振动信号的分析结果表明,该方法能够比较清楚地再现转静系统碰摩故障随转速和采样周期的演变过程,能够克服傅立叶谱无法同时获得时域和频域信息的缺陷。同时边际谱与傅立叶谱相比能够比较真实客观地反映系统的频率和幅值分布情况。     

12MnNiVR钢拉伸过程声发射信号特征分析

对大型常压储罐材料12MnNiVR钢拉伸过程中声发射信号的幅值、振铃计数、撞击计数和能量等常规特征参数进行了分析。在此基础上,对拉伸过程不同阶段典型声发射信号的时域波形、频谱、希尔伯特时频分布等进行了波形分析。结果表明,声发射信号的特征参数和波形分析能反映不同拉伸过程变形特征,可用于拉伸过程的表征。     

基于独立分量分析与希尔伯特-黄变换的轴承故障特征提取

滚动轴承早期故障信号具有能量小、频带分布宽等特征,易受到其它能量较大振源信号的干扰。传统的希尔伯特-黄变换（HHT）对信噪比大、多频率调制信号常因不能对其所包含的固有模式函数（IMF）实现准确分离和去除调制干扰分量而失效。本文提出了基于HHT和独立分量分析（ICA）的滚动轴承诊断新方法。该方法首先利用经验模式分解（EMD）将滚动轴承振动信号分解成若干平稳的本征模式函数IMF分量,通过提取若干包含主要信息的IMF分量,应用带通滤波器和Hilbert变换获取IMF分量的高频包络波形,再应用ICA分离包络波形并进行频谱分析,进而判断滚动轴承的运行状况。仿真和试验分析结果验证了本方法的可行性。     

数字信号处理的时频分析方法综述

现代数字信号处理方法众多,时频分析在此领域应用广泛并仍然具有发展潜力。介绍了数字信号处理的时频分析方法的发展,从短时傅里叶变换,到Wigner-Ville分布,小波变换,希尔伯特-黄变换,EEMD,分别论述了5种方法的原理以及优缺点。     

基于MEEMD香农熵-LSSVM的高速列车蛇行失稳诊断方法*

针对列车高速运行时易出现蛇行失稳这一问题,提出了一种改进的集合经验模态分解(Modified Ensemble Empirical Mode Decomposition, MEEMD)香农熵-最小二乘法支持向量机(Least Squares Support Vector Machine, LSSVM)的高速列车蛇行失稳诊断方法。首先通过MEEMD对列车330Km/h～350Km/h时转向架构架的横向振动信号进行分解,得到固有模态函数(Intrinsic Mode Function, IMF),再通过Hilbert变换(HT)分析其时频聚集性,同时提取IMF分量的香农熵特征,最后用LSSVM进行训练和识别。结果表明,转向架蛇行失稳状态下的时频分布的聚集性较正常状态下好,并且MEEMD香农熵-LSSVM方法的识别率和计算耗时优于EEMD-SVM方法,识别率达到96.67%。