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.     

抑制EMD端点效应方法的研究

基于经验模态分解的Hilbert-Huang变换在分解过程中产生端点效应,使得信号两端点附近出现失真问题,提出对端点效应进行抑制的多种方法. 对全局统计平均法、平行线段延拓极值法、多项式拟合法、镜像延拓法、神经网络延拓法等抑制方法进行对比研究. 仿真和实验结果表明,端点效应得到有效抑制,Hilbert-Huang变换的分析性能得到改善.     

基于EMD与小波阈值的爆破震动信号去噪方法

针对小波阈值法去噪效果有限和EMD低通法去噪存在信号失真问题,综合EMD方法分解、重构方便和小波阈值法灵活、可调的优点,提出一种EMD-小波阈值爆破震动信号去噪方法.基于某矿地表实测数据,借助EMD的自适应分解特性,在原始信号分解的基础上,识别属于高频噪声的IMF1和IMF2分量,并对其进行小波阈值去噪处理,提取淹没在噪声中的有用特征信息MF1和MF2,最后,将MF1、MF2与剩余IMF分量及余量R进行重构,得到干净信号.通过频谱和小波包能量分析知:EMD-小波阈值法既能有效去除噪声,又能很好保留真实信号,还可避免EMD分解的端点震荡效应,是一种高效的爆破震动信号去噪方法.     

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。     

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.     

基于改进HHT的结构模态参数识别方法

针对HHT方法中经验模态分解(EMD)过程容易出现模态混叠、虚假模态和端点效应的问题,提出了改进的HHT方法.首先利用带通滤波对原始信号进行预处理,得到一组窄带频率信号之和;接着进行EMD过程,得到若干个本征模函数(IMF),根据IMFs和原信号的相关系数来判定其是否是真正的IMFs;然后运用随机减量技术(RDT)和希...     

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。     

一种基于改进EMD的风机振动信号异常检测方法

针对基于Empirical Mode Decomposition(EMD)的风机振动信号异常检测中噪声污染、CSI拟合包络线导致的过冲问题,端点效应引发的端点飞翼现象三点问题,提出了一种改进的EMD算法.该算法首先引进小波方法对原始数据进行降噪处理,再用边界特征尺度匹配方法对原始信号两端进行端点延拓处理,降低端点效应,同时结合3次Hermite插值拟合法的良好柔性来拟合包络线,以获得均值曲线.实验表明,利用该改进的EMD方法得到矿井风机振动边际谱,能清晰地得出风机振动信号特性,消除了过冲的影响,对端点效应也有了明显改善,提高了风机异常检测的准确率.     

基于HHT的EMD分解端点问题解决方法之比较

对于非线性、非稳定信号的处理，传统的信号处理方法都具有一定的局限性1998年。NASA的Norden．EHuang提出了一种新的信号处理方法——HHT但是它在现实应用中也遇到了一系列问题，如EMD分解中端点效应问题.现在有很多文章部在讨论这些问题，并且也提出了很多不错的方法，但是目前对它们还缺乏横向的比较所以此文旨在根据各种文献的介绍，通过Matlab在计算机上实现各种分解程序，用以对比现行的各种EMD方法的优劣     

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。     

基于混合阈值的清除重复间隔阈值经验模态分解去噪方法

经验模态分解(Empirical mode decomposition,EMD)被认为是一种有潜力的非线性非静态信号去噪方法。传统的经验模态分解阈值去噪在零点附近存在不连续性的缺点,Kopsinis提出了EMD-IIT和EMD-CIIT方法,但这两种方法对阈值过于敏感,即区间极值轻微的偏差就有可能导致去掉整个区间曲线,因此本文提出一种混合阈值算法,结合了EMD-DT和EMD-IT各自的优势。仿真结果表明此去噪算法具有较好的效果。     

基于改进三角剖分插值EMD的多尺度边缘检测

为提高二维EMD分解速度,改善从本征模函数(IMF)图像提取边缘的质量,提出了一种改进三角剖分插值EMD的多尺度边缘检测算法.该算法首先通过邻域像素比较法得到图像极值点,利用改进的Delaunay三角剖分和三次样条插值函数进行曲面拟合,抑制了边界漏点问题,并用图像灰度均值改进了筛分停止准则,再对其分解得到的第一个IMF子图像进行小波多尺度分解提取图像边缘.通过仿真实验,结果表明该算法不仅能准确地提取图像边缘,还有效地抑制了噪声.仿真结果验证了该算法的可行性和有效性.     

Identification of Modal Parameters with Linear Structure under Non-stationary Ambient Excitation

Empirical mode decomposition (EMD) is proposed to identify linear structure under non-stationary excitation,and non-white noise coefficient is introduced under the assumption of random signals consisting of white noise and non-white noise signals. The cross-correlation function of resoonse signal is decomoosed into mode functions and residue by EMD method. The identification technique of the modal parameters of single freedom degree is applied to each mode function to obtain natural frequencies, damping ratios and mode shapes. The results of identification of the five-degree freedom linear system demonstrate that the proposed method is effective in identifying the parameters of linear structures under non-stationary ambient excitation.     

噪声环境中的EMD改进算法

经验模式分解(Empirical Mode Decomposition,EMD)是近年来出现的一种自适应的信号分解算法,该方法受到了广泛的关注,被成功应用于许多领域。然而,当信号包含噪声时,它存在过度分解的弊端,容易受噪声的干扰,因而严重地限制了该方法的推广。为了解决这一问题,提出了一种改进的EMD方法:在首轮分解时,采用光滑样条拟合来代替原来的三次样条插值,可避免对噪声成分过度分解,从而极大地减少了噪声成分的干扰。仿真实验证实了新方法有显著的改进效果;两个实际气候数据序列分解的例子进一步说明了新方法的有效性和优越性。     

组合模函数方法及其在机械故障诊断中的应用

针对信号被噪声污染时,经验模式分解(empirical mode decomposition,EMD)分析信号得到的本征模函数(intrinsic mode function,IMF)会发生明显畸变,从而降低经验模式分解精度这一问题,提出了组合模函数方法。该方法利用经验模式分解算法对信号进行分解,然后将特定的本征模函数组合起来,从而得到一个新的带宽依据信号特点自适应变化的带通滤波器,揭示信号特征。将所提出的方法应用于仿真数据及某电厂发电机组高压缸振动超限故障数据分析。结果表明:组合模函数方法能够较好地解决本征模函数畸变问题,明显提高经验模式分解精度,有助于精确提取故障特征和正确诊断故障类型;组合模函数方法对工程环境采集的机械设备故障数据分析和特征提取具有一定实用价值。     

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.