基于Wigner分布和经验模态分解的谐波分析方法

在电力系统中,谐波对电网的危害日益严重,准确地对电力系统谐波进行检测有着重要的意义。Wigner分布是采用非线性变换处理非平稳信号一种常用的时频分析方法。将Wigner分布与经验模态分解结合起来,经验模态分解作为Wigner分布的一个预处理环节,信号分解为一系列固有模态函数,分别对单个固有模态函数进行Wigner分布。该方法用于多分量谐波的信号分析,具有很好的时频聚集性,且能够很好的抑制交叉项的干扰。仿真结果表明了该方法的有效性。     

EMD与CWD结合在暂态电能质量扰动检测中的应用

针对Cohen类二次型时频分布存在的交叉项,提出一种基于EMD与Choi-Williams分布相结合的方法,利用经验模态分解将信号从频域上分离若干个固有模态函数经过去伪后进行Cohen分布的时频变换,将得到的结果叠加重构出原始信号的Cohen类时频分布.仿真结果表明,该方法能有效抑制时频分布的交叉项,保证Cohen分布的时频聚集性,提取扰动特征.     

基于VMD-PWVD的内燃机振动信号时频分析方法

针对Wigner-Ville分布(WVD)在分析多分量信号时交叉干扰项与时频聚集性相互矛盾的问题,提出一种基于变分模态分解的伪魏格纳分布法(VMD-PWVD),以抑制WVD分布中的交叉项。该方法首先对信号进行VMD分解,将信号在频域上进行剖分,得到一组相互独立的具有不同频率的固有模态函数(IMF)分量,然后对每个IMF分量进行PWVD分析,最后把各个IMF分量的PWVD分析结果线性叠加,重构原始信号的时频分布。仿真结果表明,该方法在有效地从频域和时域双向抑制WVD交叉项的同时,又保留了WVD分布法原有的优良特性。将VMD-PWVD应用于内燃机缸盖振动信号的时频分析中,能很好地刻画出不同工况信号的特征信息,各时频分量物理意义明确,是一种有效的时频分析方法。     

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.     

VMD与Cohen核结合的时频分布交叉项抑制方法

在非平稳信号时频分析中,使用Cohen核所得时频分布的交叉项抑制与时、频分辨率难以兼顾。针对此,提出一种将变分模态分解（VMD）与Cohen核相结合的时频分析方法。首先对信号进行VMD分解,得到一组具有不同频率成分,相互独立的固有模态函数（IMF）分量,然后对每个IMF分量进行Cohen核时-频变换,再线性叠加重构出原始信号的时频分布。通过仿真分析,结果表明：该方法可以在保持时频分布中较高时、频分辨率的基础上,有效消除交叉项的干扰。     

基于二次EEMD的转子故障信号时频分析方法研究

HHT时频分析被广泛应用于机械故障诊断中,但其模态混叠成为应用时的瓶颈。针对此问题提出了利用二次集合经验模态分解分解(ensemble empirical mode decomposition,EEMD)来消除模态混叠的时频分析方法。该方法首先用EEMD将原信号分解成若干个本征模函数(intrinsic mode function,IMF),然后选取相关系数较大的分量重构原信号,再利用EEMD对其进行二次处理,便可获得去除模态混叠的时频分布。通过对仿真与实验转子信号分析,该方法可以有效抑制经验模式分解(empirical mode decomposition,EMD)的模态混叠现象,相比一次EEMD,二次EEMD去除模态混叠更明显,能有效应用于旋转机械故障诊断中。     

基于EMD时频分析的声波测井油层的信息提取

阵列声波测井信号是典型的非线性、非平稳信号。文中采用EMD（经验模态分解）的时频分析方法,对油层声波信息提取储集层性质。首先对信号进行EMD分解,得到有限个固有模态函数（IMF）,再次对每个IMF做H ilbert变换,求得信号的H ilbert谱的三维分布以及H ilbert边际谱和瞬时能量谱,仿真结果表明,油层中纵...     

改进经验模态分解的麦克风阵列语音增强方法

提出一种将改进经验模态分解与麦克风阵列最小方差无失真响应的自适应波束形成相结合的语音增强方法.该方法首先利用互相关系数阈值法去除经验模态分解得到的虚假固有模态函数,并结合其各阶自相关函数特性准确获取信号主导与噪声主导的固有模态函数的分界点;对噪声主导的固有模态函数进行小波阈值去噪,并将所有同阶固有模态函数进行最小方差无失真响应波束形成,求和得到增强语音信号.改进经验模态分解算法避免了在高信噪比条件下的信号失真,同时满足了最小方差无失真响应波束形成算法窄带特性的要求,进而增强了麦克风阵列抗干扰能力.实验结果证明了方法的有效性.     

经验模态分解与RBF神经网络在轴承故障诊断中的应用

针对轴承振动信号的非线性与非平稳性,采用经验模态分解与RBF神经网络相结合的故障诊断方法.首先,采用经验模态分解法对轴承信号进行分解得到各个固有模态函数,提取各个固有模态函数的能量作为故障特征参量,然后将故障特征参量输入RBF神经网络进行训练与测试,实现了智能化的故障模式识别.结果表明,基于该方法的轴承故障诊断系统能够准确地识别外圈裂纹、内圈点蚀和保持架断裂等故障,具有较好的实际工程应用价值.     

基于EEMD和ICA的语音去噪方法

语音去噪技术是语音识别系统走向实用化的一个关键性难题.针对语音信号为非平稳信号的特点,提出了一种基于EEMD和ICA相结合的语音去噪方法,首先利用集合经验模态分解(EEMD)算法将含噪语音信号分解为若干个独立的固有模态函数(IMF),消除了经验模态分解(EMD)算法处理语音信号时产生的模态混迭现象;然后将固有模态函数通过改进的独立分量分析(ICA)算法分离出若干个有效的语音信号分量;最后对其进行语音重构,从而达到消除噪声干扰的目的.实验结果表明,该方法在输入信噪比为-10dB的汽车噪声条件下,可以将语音信号的信噪比提高到2.741 2 dB.     

基于改进EMD的地震信号去噪

压制随机噪声是地震数据处理过程中的一个重要环节,目前大多数去噪技术都不同程度存在去噪效果差、易损伤有效信号等问题。利用经验模态分解可将信号自适应地分解为不同特征尺度固有模态函数的优点,及小波变换模极大值滤波方法对噪声的依赖性较小且适合于低信噪比信号去噪的优势,构造了一种经验模态分解与小波变换模极大值相结合的新的去噪算法,该算法很好地实现了地震有效信号与随机噪声的分离,有效提高了地震数据信噪比。将该算法应用于仿真实验和实际地震数据处理,结果都表明该方法明显优于常规经验模态分解去噪效果。     

经验模态分解和魏格纳-维利分布在往复泵泵阀振动信号特征提取中的应用

将经验模态分解(EMD)和魏格纳一维利分布(WVD)两种方法应用于往复泵泵阀振动信号特征的提取.首先对现场采集的振动信号进行EMD分解,再对分解得到的同有模态函数(IMF)分量进行WVD分析后叠加,最终得到的信号Wigner-Viile分布可以有效抑制由于干扰项引起的频率混叠和干扰问题,有助于将原始信号在时间历程、频率成分和幅值大小三个方面的特征信息同时进行准确提取.试验结果表明,该方法能够全面、有效地表征出振动信号中所蕴含的泵阀状态信息,为后续进行泵阀状态识别和故障诊断奠定基础.     

EEMD和Cohen类联合抑制交叉项的时频特征提取方法

Wigner-Ville分布是一种双线性时频分布,对多分量信号分析存在交叉项干扰.本文提出了一种基于EEMD和Cohen类时频融合算法,该算法采用EEMD算法将信号从频域上分离为若干个固有模态函数之和,再对伪分量之外的各分量进行Cohen类时频变换并叠加,得到信号的时频分布,消除了信号内部各模态函数之间时频分布的交叉项.通过对EEMD和Cohen类时频融合算法进行仿真,与小波分解和Cohen类联合时频算法、EMD和Cohen类联合时频算法的仿真进行比较,结果表明,该算法抑制交叉项效果最好,重构误差最小,同时抑制了噪声对时频特征的干扰.     

损伤检测的经验模态分解法

用经验模态分解法对几种典型信号的特征进行分析.首先分解出内在模态函数分量,再对模态函数进行希尔伯特变换,得到时频图,由模态分量中突变点的位置来识别损伤发生的时间,而由时频图识别频率的变化.对一单自由度系统在刚度突变和累积疲劳引起的缓慢变化两种情况进行了分析,根据时频图中频率的变化识别出刚度发生突变的时刻及刚度变化的过程和损伤程度.结果表明经验模态分解法是进行损伤检测和时变参数识别比较理想的方法之一.     

Hilbert-Huang 变换在爆破震动信号分析中的应用

介绍了Hilbert-Huang变换(HHT)法的原理、内容和优越性, 并用仿真信号进行实例分析, 以验证其关键技术经验模态分解(EMD)的高效性、自适应性, 以及其时频图能定量地描述时间与瞬时频率的关系. 用HHT法对爆破震动信号进行分析与处理. 研究结果表明: EMD能很好地按不同的时间尺度对信号进行分解, 分解后的固有模态函数能反映信号本身所固有的特性;能将Hilbert能量谱中的信号能量清晰地表示在时间-频率-能量的分布图上;HHT法能有效地提取爆破震动信号的时频特征;HHT法比小波分析更具适应性, 为爆破震动信号的分析与处理提供了新的研究思路与方向.     

Hilbert-Huang变换与大地电磁信号的时频分析

将Hilbert-Huang变换引入大地电磁信号的时频分析中,介绍HHT(Hilbert-Huang transform)时频分析原理及方法,给出仿真信号的经验模态分解及其时频分布,并对实测大地电磁信号进行HHT时频处理与剖析.研究结果表明:Hilbert能量谱随时频的具体分布具有很强的非稳态动态变换时频刻画能力;时频谱的时间、频率分辨率不受Heisenberg测不准原理的限制,且其时间、频率分辨率都很高,有很好的时频聚集性;HHT方法能用于描述大地电磁信号的非线性时变特征,是大地电磁信号时频分析的有效工具.     

基于小波降噪和EMD方法的风力发电系统齿轮箱故障诊断

将小波降噪和经验模态分解相结合,提出一种风电机组齿轮箱故障诊断的方法。先对齿轮故障振动信号进行小波降噪预处理,再进行经验模态分解,对包含故障特征的固有模态函数用Hilbert变换得到包络谱,通过对包络信号做功率谱分析,提取故障特征频率,与未降噪信号处理的结果进行比较,降噪后诊断效果明显。     

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.     

EEMD结合能量特征和小波降噪的轴承故障诊断

为解决在强背景噪声条件下滚动轴承故障诊断问题,开展基于能量特征和小波降噪的总体经验模态分解(EEMD)研究。首先以仿真信号为研究对象,对其进行总体经验模态分解,得到9个固有模态函数(IMF)和1个余项( Res),然后考虑各模态函数的能量特征,将分解后的9个IMF分量与原始信号的能量比作为判断标准,剔除附加5个低频分量,最终得到4个有效的IMF分量和1个余项,与仿真信号相符。在仿真信号分析的基础上,对含噪声信号的滚动轴承故障信号进行故障诊断试验研究,采集信号经小波降噪后,利用总体平均经验模态分解并结合能量特征,得到3个IMF分量和1个余项,然后对3个IMF分量进行包络谱分析,提取故障特征频率157.5 Hz,与滚动轴承故障内圈特征频率157.9 Hz相比,误差为0.25%,说明该方法能很好地提取含有噪声信号的轴承故障信息。该研究为强背景噪声下滚动轴承故障信息的提取提供了一种有效的方法。     

基于经验模态分解的水下目标回波提取

为在噪声中有效提取水下目标回波,提出一种基于经验模态分解的目标回波提取方法,分别对目标回波与噪声进行经验模态分解,得到二者各阶的固有模态信号分量;计算二者各阶的固有模态分量的能量,求取对应各阶的能量差,并与门限相比较,选取大于门限的固有模态分量重构目标回波信号.分析了经验模态分解阶数和选择门限等因素对重构信号精度的影响.仿真结果表明,该方法可精确提取目标回波.采用该方法提取信号的均方误差均低于自适应滤波方法,尤其在低信噪比时.