基于改进Hilbert-Huang变换的超声回波信号去噪研究

超声回波信号中包含大量有关缺陷性质的信息,由于信号在检测和传输过程中不可避免地受到随机噪声干扰,给后续信号处理带来误差。针对该问题,提出改进的希尔伯特-黄变换(Hilbert-Huang Transform,HHT)应用于超声回波信号去噪,提取回波信号中反映缺陷本质特征的信号。改进算法引入小波包变换对超声回波信号作预处理,对处理后的信号进行经验模态分解,提出对数似然检验法,识别并去除噪声引起的虚假分量,重构出有用回波信号。通过对添加高斯白噪声的超声回波信号去噪,验证改进算法应用于超声回波信号去噪的可行性和有效性。     

基于经验模式分解的希尔伯特变换包络提取在机械故障诊断中的应用

本文采用经验模式分解（EMI）提取信号的内在模函数（IMF），并利用希尔伯特变换对所得IMF进行包络分析，提取机械故障特征。与直接对原信号进行包络分析相比较，该方法提取的机械故障特征更明显，数值模拟和对故障轴承振动信号分析表明了该方法的有效性。     

瞬时频率波动分析与齿轮故障诊断

本文研究了齿轮振动信号调制与解调的过程与机理。并根据希尔伯特变换理论,提出了一种早期诊断齿轮故障的新方法—瞬时频率波动(TFF—Transient FrequencyFluctuation)分析法,实现了频率调制信号的解调,较好地提取了齿轮的局部损伤信息。在大量试验与分析的基础上对该方法进行了验证。     

一种水中目标辐射噪声调制谱的联合分析方法

讨论了一种从辐射噪声中提取调制信息的联合方法．首先利用多尺度分析方法将噪声信号在不同层次的空间上进行分解；然后，利用小波变换求其功率谱从而得到辐射噪声的调制包络；最后对动态调制包络进行1 1/2维谱分析，得到了辐射噪声的调制线谱．在此基础上，对实测噪声数据进行了仿真研究，结果表明，该方法可以有效提取噪声中动态调制信息．     

无线电监测中调制信号特征提取算法

针对传统调制信号特征提取算法在噪声环境下存在识别准确度低、分类效果差等问题,基于已有的调制 信号处理方法,提出一种新的无线电监测中调制信号特征提取算法。首先构建无线电监测中各类调制信号的 数学模型,以此为基础通过仿真得到信号瞬时幅值、瞬时相位及瞬时频率的特征。分析当前信号调制方式识别 各类算法的优缺点,采用小波变换完成调制信号的降噪处理与突变边界特征提取算法的设计,利用零中心归一 化瞬时幅度的谱密度最大特征提取算法以及核判别分析算法对各类调制信号进行逐层提取,实现了各类调制 信号的完整分类与提取,提升了噪声环境影响下的特征信号提取精度、且分类效果较好,为无线电监测中调制 信号特征提取提供了有利科学依据。     

磨煤机振声信号分析及基于BP网的料位识别

对磨煤机振声信号进行了频谱和功率谱分析,分析表明:低频分量携带磨煤机的料位信息,而高频分量则是由高速电机旋转噪声、排风机噪声以及磨煤机筒体混响噪声引起的;低频料位信号与高频噪声信号是调制关系.利用希尔伯特变换对振声信号进行了解析化处理,分解出低频料位信息,并以振声解析信号的包络为对象,进行料位特征的提取.利用BP神经元网络,建立了磨煤机料位与振声信号的关系模型,从而实现磨煤机料位的自动识别.将模型的计算结果与实测值进行比较,结果表明,料位识别精度在±1.5%之内.     

齿轮局部故障振动信号分析及提取方法研究

以齿轮局部故障为研究对象,建立了齿轮故障的振动模型,导出了齿轮局部故障的振动机理,分析了齿轮无故障振动信号和齿轮局部故障振动信号成分的异同点。在MATLAB环境下,采用小波变换算法对故障信号进行降噪处理,用希尔伯特变换对故障振动信号进行解调处理。结果表明,小波变换对强噪声干扰的机械振动信号能够进行有效的降噪处理,希尔伯特变换能从降噪后的故障振动信号中提取齿轮局部故障的特征信息。该结果在机械故障诊断中具有良好的实用价值。     

一种基于小波变换的包络分析法

对机械故障中常见的调制信号,包络分析法是一种有效的分析方法,为克服当前的包络分析法需要选择合适的滤波器参数的局性性,提出了一种基于小波变换的包络分析方法,运用小波包将调制信号分解到不同频率段上,提取需要的频率段成分进行重构,对重构后的信号作络细化谱分析就能有效地从原始信号中提取调制信息,仿真信号和实际动用都表明该方法能有效地提取信号的故障特征。     

螺旋桨加速状态下空化噪声的调制特性与分析方法

研究船舶螺旋桨处于加速或减速状态下,其空化噪声幅度受到变化的旋转频率调制的特性,有助于从噪声信号中提取进出港船舶的机动特性.从空化噪声随相位周向变化的视角分析了螺旋桨处于加速旋转状态下噪声信号的调制特性,并说明了桨叶间空化均匀性对调制特性影响的原理.进而提出了基于Hough变换和二值化DE-MON谱图的分析方法,用于估计螺旋桨的加速度参数,并运用该方法分析了水洞实测噪声数据.仿真结果验证了此分析方法的合理性.     

循环自相关函数的解调性能分析

介绍包络解调技术在幅值调制信号分析中的工作原理，同时讨论了循环自相关九的解调性能，通过理论分析，证明希尔伯特变换和循环自相关函数具有相同的解调性能，并通过实测滚动轴承振动信号加以验证。     

HHT在齿轮故障诊断问题中的应用

齿轮作为一种重要的机械传动设备,对其进行故障诊断具有重要意义。传统的齿轮故障诊断大都采用FFT或者小波分析方法,对处理具有非平稳性的齿轮故障信号效果不太明显。HHT由经验模态分解方法(EMD)和Hilbert变换两步组成。经验模态分解方法(EMD)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(IMF),适合处理非线性和非平稳过程。Hilbert变换对具有调制现象的信号的分析有很大优势。介绍了该方法的基本原理,并将HHT应用于齿轮断齿故障诊断,齿轮故障实验信号的研究结果表明:基于HHT的分析方法,能有效地诊断齿轮的故障。     

基于FrFT滤波和LMS降噪的变转速滚动轴承故障诊断

变速工况下的机械故障诊断逐渐成为旋转机械监控领域的一个热门课题,在变转速下故障更容易发生且伴随更大的噪声,而相应的降噪问题目前却没有可靠的解决方法。因此提出一种基于分数阶傅里叶变换（FrFT）滤波和最小均方算法（LMS）降噪的故障诊断方法,对变转速工况下轴承振动信号进行降噪,进而提取非平稳故障特征。首先,同时获得滚动轴承振动加速度信号和转速信号;然后对Hilbert解调后的振动信号进行峰值搜索FrFT,按照搜索得到的最佳阶次和分数阶域聚集位置进行FrFT滤波;再将FrFT滤波得到的信号作为参考信号,原包络信号作为输入信号,进行LMS自适应降噪;最后对降噪后的信号按照转速重采样进行阶次分析,将包络阶次谱中的突出特征与故障特征阶次对比,判断故障。该方法可成功应用于变转速工况下滚动轴承的试验数据处理,证明了方法的有效性。     

基于希尔伯特-黄变换周期平稳类微弱故障信号检测

在希尔伯特黄变换可以将振动信号分解为有限的模式函数的基础上,针对周期平稳类微弱故障信号难以检测到的问题,对信号进行经验模式分解,然后对本征模式函数进行希尔伯特变换;接着通过希尔伯特谱对多频信号中的弱信号和仿真齿轮裂纹弱故障信号分析,得出多频信号中弱信号成分和其时间分布以及调相频率;最后分析滚动轴承损伤弱故障,从希尔伯特谱中可以分析时频和振动量的分布情况,进而提取故障特征,分析出故障;表明希尔伯特谱对周期平稳类微弱故障信号具有一定的分析能力.     

滚动轴承早期故障在线监测与诊断

对滚动轴承早期故障的诊断提出了一种简便有效的方法．阐明频域和时域分离故障信息的原理，讨论了窄带滤波器设计参数选取的方法，特别是对窄带滤波器的中心频率及带宽与故障特征频率之间的关系给出了定量的描述，对窄带信号峰值包络包含的低频分量的放大作用给出了定量的分析．最后以５套３０７轴承为例进行了成功的诊断．采用文中提出的方法可由功率谱直接判读故障谱峰，该方法直观、快速、简便，非常适用于滚动轴承的在线监测与诊断．     

Hilbert能量谱及其在齿轮故障诊断中的应用

将Hilbert—Huang变换引入齿轮故障诊断，提出了局部Hilbert能量谱的概念，同时建立了一种基于Hilbert—Huang变换的齿轮故障诊断方法：Hilbert能量谱方法。该方法首先采用EMD方法将齿轮故障振动信号分解为若干个固有模态函数(Intrinsic Mode Function，简称IMF)之和，然后选择包含故障信息的IMF分量进行Hilbeft变换得到局部Hilbert能量谱。在局部瞬时能量图中可以发现，齿轮故障振动信号具有明显的冲击特征，从而可进一步对齿轮故障进行诊断。     

基于残差神经网络的滚动轴承故障诊断方法

针对轴承故障诊断方法在变工况条件下诊断效果不佳的问题,提出了一种基于残差神经网络的滚动轴承故障诊断方法.该方法首先以滚动轴承时域信号数据作为输入,针对信号的时变性改进了数据池化层,改进的数据池化层利用三个连续的卷积层串联构建而成,目的在于能够有效地提取振动信号中的故障特征信息,并减少残差神经网络中参数的计算量;然后设计了一种空洞卷积和残差块相结合的空洞残差块,用于特征信息的学习;最后通过在全连接层后加入Dropout层丢弃一定比例的神经元,能有效避免过拟合的负面影响.使用凯斯西储大学轴承数据集进行仿真实验,与SVM+EMD+Hilbert包络谱、BPNN+EMD+Hilbert包络谱和Resnet三种方法作对比分析,结果表明该方法在变工况下的滚动轴承故障诊断中具有更高的诊断准确率、更强的抗噪性和泛化能力.     

希尔伯特黄变换在齿轮故障诊断中的应用

希尔伯特黄变换是先把一列时间序列数据通过经验模态分解，然后经过希尔伯特变换获得时频谱的信号处理新方法。介绍了希尔伯特黄变换算法的原理及流程，利用由希尔伯特谱反映出的丰富的物理信息来对齿轮进行故障诊断。结果表明，希尔伯特谱较好地实现了齿轮故障的诊断，希尔伯特黄变换为齿轮故障提供了有力的工具。     

基于EEMD-HHT边际谱的轴承故障诊断

提出一种基于聚合经验模态分解 (ensemble empirical mode decomposition,EEMD)和Hilbert-Huang变换（HHT）边际谱的滚动轴承故障诊断方法。首先采用EEMD方法将轴承振动信号分解成若干个模态混叠得到较好抑制的固有模态函数（IMFs）,然后对各IMF进行Hilbert变换,求出轴承振动信号的总HHT边际谱,最后根据该边际谱的幅值特性,确定滚动轴承的故障特征。本文方法提供了一种滚动轴承故障诊断的有效工具。     

基于Hilbert变换的包络分析及其在滚动轴承故障诊断中的应用

讨论了Hilbert变换的基本原理,以及基于Hilbert变换的包络解调方法在轴承故障诊断中的应用。实践表明:对于具有调制现象的滚动轴承故障诊断,基于Hilbert变换的包络解调方法,具有明显的诊断意义,是一种可靠的诊断方法。     

基于EEMD和小波包变换的早期故障敏感特征获取

提出一种基于总体平均经验模态分解和小波包变换的方法,进行早期故障敏感特征的获取,构建早期故障诊断模型. 该方法首先应用EEMD对现场采集的振动信号进行分解,分离出不同频率成分的特征信号,选择与原信号相关系数最大的 IMF分量进行信息重构;面向重构的IMF分量采用WPT进行分解,得到各个节点的小波系数;最后使用Hilbert变换提取小波包系数的包络,计算功率谱,准确获得早期故障的敏感特征. 通过对仿真信号的分析验证了该方法对故障诊断的有效性. 将该方法应用于实测的滚动轴承的内圈、外圈和滚动体故障诊断,诊断结果均表明该方法可有效提取早期故障敏感特征,故障诊断快速准确.