一种新的时频分析方法——局部特征尺度分解

在定义瞬时频率具有物理意义的内禀尺度分量(Intrinsic scale component,ISC)的基础上,提出了一种新的自适应时频分析方法——局部特征尺度分解(Local charac-teristic-scale decomposition,LCD),该方法可以自适应地将一个复杂信号分解为若干个ISC分量之和.分别采用LCD方法和经验模态分解(Empirical mode decomposition,EMD)方法对仿真信号进行了分析,分析结果表明:2种方法都可以有效地对信号进行分解,但LCD方法在计算效率和抑制端点效应等方面要优于EMD方法.此外,还将LCD方法应用于滚动轴承故障诊断,实验信号的分析结果进一步表明了该方法的有效性.     

基于LCD-MCKD的滚动轴承故障特征提取方法

鉴于在复杂工况和强背景噪声环境下,滚动轴承的非线性非平稳信号的特征提取非常困难,导致早期故障难以诊断,提出了一种基于局部特征尺度分解(LCD)和最大相关峭度解卷积(MCKD)的故障特征提取方法.首先,利用LCD对信号进行分解,获得一系列瞬时频率具有物理意义的内禀尺度分量(ISC),选取相关系数较大的ISC分量进行重构;然后,利用MCKD方法对重构信号进行处理,增强冲击信号频率,实现降噪;最后,对经LCD-MCKD处理过的信号进行希尔伯特包络谱分析,验证所提方法的有效性.仿真和实验表明该方法能够有效提取故障特征频率,实现故障诊断.     

基于LCD分解的微震信号分析与识别

 针对矿山微震监测信号识别难,识别速度慢的问题,引入新的非平稳信号的分析方法--局部特征尺度分解法（LCD）,该方法可以自适应地将一个复杂的信号分解为若干个瞬时频率具有物理意义的内禀尺度分量（ISC）之和。与传统的经验模态分解（EMD）相比,LCD 计算的效率更高,并能更好地抑制端点效应。分别对矿山典型的岩石破裂微震信号和爆破振动信号进行LCD,结果表明,2种信号均得到了有效的分解。对各ISC作频谱分析表明,2种信号在频率分布上存在较大差异。对各ISC作Hilbert变换,得到的能量分析结果表明,2种信号在能量分布上也存在较大差异。该方法为快速、准确地识别微震信号提供了新的途径。     

自适应最稀疏时频分析方法的分解能力研究

自适应最稀疏时频分析(adaptive and sparsest time-frequency analysis,ASTFA)方法将信号分解转化为最优化问题,在优化的过程中实现信号的自适应分解.为了研究ASTFA的分解能力,在定义分解能力评价指标(Evaluation Index of Decomposition Capacity,EIDC)的基础上,以双谐波分量合成信号模型来研究幅值比、频率比、初始相位差对ASTFA的影响.同时,将ASTFA方法与经验模态分解(Empirical Mode Decomposition,EMD)、局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)进行对比分析.研究结果表明,ASTFA方法的分解能力基本不受幅值比的影响,可分解的极限频率比较大,不受初始相位差的影响,该方法的分解能力具有明显的优越性.     

基于LMD和AR模型的转子系统故障诊断方法

提出了基于局部均值分解(Local mean decomposition,简称LMD)和AR模型相结合的转子系统故障诊断方法.该方法先用LMD方法将转子振动信号分解成若干个瞬时频率具有物理意义的PF(Product function,简称PF)分量之和,然后对每一个PF分量建立AR模型,提取模型参数和残差方差作为故障特征向量,并以此作为神经网络分类器的输入来识别转子的工作状态和故障类型.与EMD方法的对比研究表明,这两种方法均能有效地应用于转子系统的故障诊断.但LMD方法信号分解后数据残差比EMD方法的小.     

基于局域均值分解的膛内横向微动特征提取方法

针对弹丸膛内横向摆动产生附加的微多普勒调制项问题,提出了一种基于局域均值分解(Local mean decomposition,LMD)的调制信号分离和特征提取方法.采用LMD方法,将复杂调制信号自适应地分解成若干个具有物理意义的瞬时频率的单分量信号,对每个单分量解调求出瞬时幅值与瞬时频率,获得原信号的调制信息.通过仿真信号验证了LMD处理多分量调幅-调频信号的有效性,将LMD方法应用于膛内运动弹丸实测信号的分析,结果表明该方法能完整提取出弹丸膛内横向微动产生的微多普勒频率调制特征.     

基于经验模式分解与LM一BP神经网络的大坝变形预报模型

提出一种基于经验模式分解(EMD)与LM-BP神经网络相结合的模型进行大坝变形预报的方法.先利用EMD具有根据信号本身特征进行自适应分解的功能将变形时间序列分解为一系列不同尺度的固有模式分量IMF,再根据各个IMF的变化规律采用相匹配的LM-BP模型进行预报,最后对各分量的预报值进行叠加得到最终的变形预报结果.实例分析...     

关于经验模态分解与整体经验模态分解的分离效果差别的探讨

经验模态分解(Empirical Mode Decomposition ,简称EMD)是一种自适应信号分解方法,主要应用于非线性非平稳的信号。整体平均经验模态分解(Ensemble Empirical Mode Decomposition ,简称EEMD)解决了EMD中出现的模态混合问题。在此主要讨论EMD和EEMD处理含噪信号时的效果差异,就几种特殊的信号,对EMD和EEMD在实际应用中出现的问题进行探讨。     

局域波法的多分辨分析特性及其应用

局域波法通过局域波分解和瞬时频率的求解,将任何复杂的信号分解成为有限数目并且具有一定物理意义的基本模式分量,每一个分量描述了时变信号中不同频率和尺度范围的固有振动模式,所获得的各分量局域波时频分布具有多分辨分析特征.由于局域波分解是自适应的,它的多分辨分析特征也是自适应的.经理论分析与对变速箱轴承座处拾取的振动信号的分析验证了方法的有效性,局域波法为工程测试中的时频分析提供了一种有效的手段.     

一种基于EMD技术的语音信号去噪算法

分析了基于经验模态分解(EMD)方法的含噪语音信号尺度滤波特性,并根据清音和浊音的不同特点,应用软门限方法对以宽带随机噪声为背景的语音信号IMF分量作门限处理,提出了一种基于EMD的语音信号噪声处理的算法,计算机实验仿真结果表明,该算法具有较好的语音去噪效果和较小的语音失真性能。