Hilbert-Huang变换及其滤波特性研究

Hilbert-Huang变换是最新发展起来的处理非线性非平稳信号的时频分析方法.其基本的实现分为两步,经验模态分解和瞬时频率的求解.这种方法的核心部分是经验模态分解,任何复杂的信号都可以分解为有限数目并且具有一定物理意义的本征模态函数,对这些本征模态函数作Hilbert变换即可得到每一个本征模态函数的瞬时频率.经验模态分解方法是一个以信号极值特征尺度为度量的时空滤波过程,它充分保留了信号的局部特征,在信号的滤波和去噪中具有较大的优势.本文讨论了Hilbert-Huang变换时空滤波的实现过程,仿真验证了该方法的优越性.     

基于Hilbert-Huang变换的管道超声检测信号处理

针对利用快速傅里叶变换法处理管道超声检测信号的转换精度不高、容易误判等问题,提出了基于Hilbert-Huang变换的非线性、非平稳信号处理方法.对原始管道超声回波信号进行经验模态分解,将复杂信号分解为有限的几个固有模态函数,对其进行Hilbert变换得到HilbertHuang幅值谱,再对时间进行积分得到Hilbert-Huang边际谱,从而获取管道壁厚对应的频率信息.结果表明,所提出的方法相较于快速傅里叶变换法的精度更高,并满足管道壁厚的检测要求.     

Hilbert-Huang变换在线性正则域的新推广

Hilbert-Huang变换是一种重要的非平稳信号分析工具,其对信号的处理包含两个方面:(i)经验模态分解;(ii)Hilbert谱分析.2012年,Li,Tao和Wang利用线性正域上的Hilbert变换将该变换推广到线性正则域,从而获得了一种更为灵活的信号分析工具.本文提出了Hilbert-Huang变换在线性正则域的一种新推广.这种新推广先利用经验模态分解将信号转换成固有模态函数,再引入另一种线性正则域的Hilbert变换对固有模态函数进行Hilbert谱分析,从而得到Hilbert-Huang变换在线性正则域的一种新推广.     

基于HHT信号处理方法的水轮发电机组低频压力脉动信号的特征提取

基于经验模态分解(Empirical mode decomposition,EMD)的希尔伯特黄变换(Hilbert-Huang transform,HHT)方法能够较好地分析非平稳和非线性的信号.提出了基于Pascal程序设计语言的HHT算法的程序实现方法.通过对某水轮发电机组水导轴承的振动信号进行分析发现,EMD方法等够有效地分离出低频压力脉动信号中的各个单一模态的振动分量,分解出来的各振动分量具有物理意义.Hilbert谱相比于传统的时频谱具有更好的时频分辨率,且具有自适应的信号处理能力.     

Hilbert—Huang变换在齿轮故障诊断中的应用

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（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。能有效地诊断齿轮的故障。     

一种基于改进Hilbert-Huang变换的非平稳信号时频分析法及其应用

对于非平稳信号时频分析,提出了一种基于改进Hilbert-Huang变换(HHT)的分析方法.根据HHT的已有原理,改进了经验模式分解(EMD)过程中的筛选停止准则,提高了分解精度;给出了Hilbert谱分析的完整过程;以线性调频连续波(FMCW)信号模型作为研究对象,结合改进的EMD分解和完整的Hilbert谱分析,通过分析时频分布特征实现高噪声背景下雷达目标信号的检测以及干扰信号的提取.仿真结果表明了改进后的HHT方法对于低信噪比非平稳信号分析的有效性.     

二维信号Hilbert-Huang变换时频谱研究

Hilbert-Huang变换(HHT)自适应时频分析是处理非平稳数据较为有效的新方法.根据一维Hilbert-Huang变换信号时频谱变换原理,研究了二维信号的分解和时频谱分析方法.通过把二维信号按指定方向进行一维分解和时频谱变换,构造出二维信号时间(空间)-频率-能量谱图,使二维信号在指定方向的时频特性能正确地显示出来,从而拓展了Hilbert-Huang变换的应用范围.该方法为分析非平稳二维信号提供了新的工具.     

多尺度分解下的自适应滤波器组的构建方法

通过分析自适应滤波和小波变换的多尺度分解滤波的原理与方法,建立了非平稳信号的多尺度分解下自适应滤波器组的构建模型和滤波方法.将小波变换分离出来的噪声成分作为自适应滤波器的输入,通过自适应滤波器组,能实现多种噪声成分的自适应滤波.通过模型验证和工程实例的应用,该方法能实现非平稳信号在同频段对噪声成分和有用信号的最佳估计.通过自适应滤波器组,能同时实现对多种噪声成分的最佳滤波,具有优良的滤波性能.     

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。     

HHT在多相流差压信号消噪上的应用

为有效提取噪声背景下的多相流差压信号,提高流量的测量精度,针对实际差压信号非线性非平稳的特点,提出基于Hilbert-Huang transform(HHT)的多相流差压信号消噪方法.该方法利用经验模态分解(EMD)把差压信号分解成有限个固有模态函数(IMF),然后分析各个固有模态函数的边际谱,利用HHT不同频段能量分...     

经验模态分解中的频域分辨率及其改进方法

经验模态分解(EMD)的主要目的是提供满足Hilbert变换要求的单组分或窄带信号.针对EMD中由于模式混淆以及信号间相互作用带来的单个本征模态函数带宽过大的不足,对单次EMD分解结果本征模态函数的带宽进行了研究,计算了其瞬时频率分辨率,以此为依据提出了经验模态分解中限制当前信号带宽的改进屏蔽信号方法.此方法完全解决了模式混淆的问题,尽可能地减少了经验模态分解中信号相互作用的不利影响,有效地提高了本征模态函数经H ilbert变换后其瞬时频率表达的频域分辨率.     

基于变分模态分解的探地雷达信号分析方法

将变分模态分解方法引入探地雷达信号处理中,针对探地雷达信号非平稳特征,利用变分模态分解原理建立探地雷达信号去噪方法。方法基于变分模态分解将雷达波信号分解为特征模态函数,再由样本熵决定高阶模态是否保留,实现白噪声去除。通过探地雷达Ricker子波和正演模型试验,检验该方法的正确性和有效性。与传统的小波变换、集成经验模态分解方法进行对比,研究探地雷达信号去噪效果,并将该方法用于分析实际工程探地雷达信号。研究表明,该方法能有效去除探地雷达信号中的噪声,在强干扰背景下,能获得高于20 d B的信噪比。     

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Hilbert-Huang变换的室内地磁信号处理分析

提出一种利用Hilbert-Huang变换(HHT)处理分析室内地磁信号的方法。介绍HHT原理与方法,设计出一种室内地磁信号采集平台,对实际测量的室内地磁信号进行经验模态分解(EMD),并对分解后的固有模态函数(IMF)进行频谱和时频剖析,最后将经过HHT处理的原始信号进行重组。结果表明,HHT能用于描述复杂的室内地磁信号的非线性时变特征,为室内地磁信号的处理分析提供一种可行的方法。     

基于特征筛选的经验模式分解脑电信号分类方法

脑-机接口已成为一种独立于正常周围神经和肌肉的从大脑到输出设备的新型通信方式.而脑电信号处理是其中的关键技术之一.利用小波变换和经验模式分解对脑电信号进行分解重构出8个内涵模态分量(IMF),然后再对分解后的IMF计算排列熵,运用比较特征值的显著性差异(Pearson系数)筛选出特征冗余小的IMF熵值,并利用遗传算法优化支持向量机进行分类,准确率达到97.64％.     

基于经验模态分解的齿轮箱故障特征提取

利用小波去噪阈值法对齿轮箱故障振动信号进行去噪,将经验模态分解(EMD)和快速傅里叶变换(FFT)相结合对齿轮箱故障进行特征提取,此方法适合于对非线性非稳态信号进行自适应的分析.利用小波阈值去噪方法对原始信号进行预处理,将去噪后的信号进行经验模态分解,得到一定数量的本征模态函数(IMF)分量,选取特定的IMF进行FFT,得到相应的功率谱,从而达到提取齿轮箱故障特征频率的目的.对齿轮箱故障信号进行分析,结果表明该方法能够有效地识别出齿轮箱故障特征频率.     

基于EMD闪光视觉诱发电位的单次提取方法

探讨了基于EMD方法的单通道闪光视觉诱发电位(FVEP)信号的单次提取方法.应用EMD方法的自适应多分辨率特性,首先把单通道闪光视觉诱发电位信号进行EMD分解,然后根据FVEP的频率特征,选择对应的IMF分量进行重构,得到有效去噪后的FVEP信号,可实现FVEP信号的单次提取.与目前临床最常用的叠加平均方法比较,说明利用EMD方法单次提取的FVEP信号能够准确反映FVEP的典型特征信息,满足了临床应用要求.     

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。     

采用解析模态分解和小波变换的损伤识别方法

针对希尔伯特-黄变换(HHT)在信号处理中存在的模态混叠现象,引入解析模态分解定理(AMD)提取时变结构响应的一阶本征函数,并构建一阶本征函数能量比指标识别结构的损伤位置.从损伤位置处的响应信号出发,引入连续小波变换和时间窗思想,提出一阶本征函数小波能量变化率指标来预测结构的损伤演化过程.通过一个刚度突变和线性变化的三层剪切型结构数值算例,对一阶本征函数能量比和一阶本征函数小波能量变化率指标进行验证.结果表明:所提出的指标能够有效识别结构的损伤位置和损伤时间.     

基于经验模态分解的自适应噪声对消方法

针对飞行器试验中单通道遥测信号频率内容丰富、降噪困难的问题,提出了一种基于经验模态分解的自适应噪声对消方法。将信号利用经验模态分解(Empirical mode decomposition, EMD)方法分解为一系列本征模态函数(Intrinsic Mode Function,IMF),将第一阶IMF作为参考噪声,并将第二阶以后的IMF分量累加求和,作为待降噪信号,在此基础上利用自适应噪声对消系统完成降噪。该方法克服了直接将高阶IMF作为噪声消除后在降噪和细节信息损失之间的矛盾性问题,可以最大程度保护信号细节信息不受损失的情况下实现良好的降噪效果。计算机仿真和某次飞行器试验实测数据处理结果证明了这一方法的有效性。