EMD端点效应处理方法的研究

经验模态分解(EMD)过程中存在着端点效应问题,使得EMD分解结果产生严重的失真现象,从而导致处理数据发生畸变.提出了将极值点对称延拓和在信号序列上加窗函数相结合的方法,带入到EMD分解过程中,以抑制信号被分解时在端点附近所产生的上下包络线的发散现象.结果表明,该方法较好地解决了信号失真问题.     

改进EMD在轴承故障诊断中的应用

为解决传统镜像延拓经验模态分解(mirror Empirical Mode Decomposition,简称mirror-EMD)在对信号分解过程中易受随机噪声干扰,易产生虚假固有模态分量(Intrinsic Mode Function,简称IMF)的缺点,论文提出了一种将自适应小波阈值去噪,镜像延拓EMD分解,相关系数法剔除虚假IMF三者相结合的改进EMD方法 (简称wt-mirror-EMD).该方法首先对原始故障信号去噪,然后对去噪后信号镜像延拓EMD分解,得到若干个IMF分量,最后对各IMF分量计算相关系数,对相关系数大的主IMF作频谱分析。仿真信号和实际轴承信号分析均表明,wt-mirror-EMD,该方法相对于传统改进mirror-EMD方法,尤其是当有噪声干扰时,检测结果更加准确。     

镜像延拓EMD方法的改进及其应用

希尔伯特黄(Hilbert-Huang)变换是一种自调节信号分解方法,通常该方法包括两部分:经验模式分解(Empirical Mode Decomposition,EMD)和希尔伯特变换。由于希尔伯特黄变换理论并不成熟,尤其是该方法存在的“端点效应”问题,使其在某些场合应用误差较大。为了解决端点效应问题,本文首先从阐述了Hilbert-Huang变换的基本理论、算法、存在的问题及常见的解决方法入手,针对镜像闭合延拓EMD处理端点效应问题时的不足,提出了一种新的镜像延拓EMD方法。最后利用仿真信号验证了该方法的有效性,取得了较好的结果。     

希尔伯特-黄变换端点效应的自适应端点相位正弦延拓方法

针对希尔伯特-黄变换（Hilbert Huang Transform,HHT）的端点效应问题,提出一种自适应端点相位正弦延拓经验模态分解（Empirical Mode Decomposition,EMD）方法.该方法根据端点附近数据变化趋势,通过在信号两端自适应加上相位、幅值和频率适当的正弦延拓函数,使得原端点的包络线顺着端点附近波形延展,以改进EMD分解精度.为满足EMD内禀模态分量（Intrinsic Mode Function,IMF）与原信号的相关性精度和EMD较低迭代次数的要求,引入能表征EMD性能的目标函数.该函数可通过迭代次数、IMF个数和有效IMF的相关系数大小等来衡量.由于该方法的边界延拓参数是根据延拓周期比例系数、延拓信号长度系数和采样频率自动确定的,故其分解过程完全是一个自适应过程,不需要人为设置,具有较好的实用性.仿真和液压系统实例分析表明,该方法不仅能较好地解决HHT的端点效应,而且相对现有的延拓方法而言,筛选次数更少,能显著提高信号EMD分解精度,且减小Hilbert谱的端点效应,更加精确地提取了液压系统齿轮泵振动信号的故障特征,取得了较好的应用效果.     

基于EMD改进算法的欠定混合盲分离

为改善拟合效果,针对经验模态分解(empirical mode decomposition,EMD)算法存在的端点效应,提出一种改进的EMD算法——端点极值延拓方法.利用改进的EMD算法对观测信号进行分解,将分解分量连同之前的观测信号构成新的观测信号,从而将欠定情况转化为超定情况,最后利用独立成分分析(independent component analysis,ICA)算法得到源信号的估计.通过仿真实验对比,证明了本文算法的有效性.     

基于最大相关波形延拓改进的EEMD方法

针对经验模态分解(empirical mode decomposition,EMD)中出现的端点效应和模态混叠现象问题,提出了利用最大相关波形延拓改进聚合经验模态分解(ensemble empirical mode decomposition,EEMD)方法.利用最大相关波形法对原始信号的两端进行延拓,实现延拓数据在原信号边界处的平滑过渡,减小端点处包络线的拟合误差.针对EEMD中参数无法自动获取的问题,采用自适应EEMD对新信号进行分解,提高信号的分解精度.通过仿真分析和转子不平衡故障诊断实例研究表明,改进的EEMD方法不仅能够明显减少虚假模态分量、有效抑制模态混叠现象,而且较好地改善了端点效应引起的分解失真问题.同时与基于极值点对称延拓改进方法及基于镜像延拓改进方法相比,所提方法具有较高的分解精度.     

希尔伯特-黄变换方法边界问题的处理

在研究基于经验模态分解（EMD）算法的基础上,本文提出了一种处理EMD边界问题的新方法——拟正弦边界延拓法,并通过仿真试验,与采用特征波法的分解结果进行比较。对比表明,拟正弦边界延拓法能有效地抑制EMD分解出的固有模态函数两个端点处的摆动,从而提高时频分辨率,应用拟正弦边界延拓法处理EMD的端点效应具有一定的优越性,值得推广应用。     

经验模式分解算法的探讨和改进

对经验模式分解算法中的滤波停止条件和端点延拓问题进行了研究。在改进的EMD算法基础上,通过对本征模函数使用“新的滤波停止条件”,获得了更好的实验分解结果,同时,由于改进的EMD算法假定信号是无限长的,回避了B样条插值中节点延拓的固有问题,研究了有限长度信号的端点延拓问题,给出了端点延拓算法,从而弥补了已有方法的不足,使之更具实用性。实验表明,文中提出的算法是有效的。     

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。     

经验模态分解端点效应抑制的常用方法比较研究

由美国国家航空航天局(NASA)的Huang等提出的经验模态分解(Empirical mode decomposition,EMD)是一种先进的信号分析方法,能够有效地获得非平稳信号的时频特征,应用范围极其广泛.但是其利用样条曲线构造信号上下包络线的过程中存在严重的端点效应.针对这个问题,人们提出了各种抑制方法,并都取得了一定程度的效果,然而对各种方法的性能特点缺乏系统准确的评价.针对常用的几种方法:匹配延拓法、镜像闭合延拓法、极值点对称延拓法、多项式拟合延拓法等,通过估计各自的Hilbert谱,平均频率曲线的均方误差,以及计算复杂度等比较研究了各种方法的性能.