基于改进HHT方法的密集模态结构参数识别

针对Hilbert-Huang变换(HHT)方法在识别结构模态参数中存在的经验模式分解(EMD)模态分解能力不足以及固有模式函数(IMF)分量之间不正交这2个问题,分别提出采用波组信号前处理和正交化经验模式分解的方法予以改进,并将此方法称为改进的Hilbert-Huang变换方法.在介绍正交化经验模式分解方法和波组信号前处理基本原理的基础上,给出基于此改进Hilbert-Huang变换方法识别结构模态参数的基本步骤,并通过一个具有密集模态的三自由度结构在脉冲荷载激励下的模态参数识别算例予以验证.研究结果表明:该方法可有效识别密集模态结构的模态参数,且识别效果优于基于HHT的模态参数识别方法的效果.     

模态参数识别的LMD-BPF方法及其应用（英文）

鉴于准确识别结构模态参数存在的问题,提出了一种局部均值分解(LMD)-带通滤波(BPF)的模态参数识别方法。首先,将LMD方法用于位移仿真信号和压气机导向叶片测频信号的分解,分解得到的PF分量存在模态混叠现象;然后,使用LMD-BPF方法对位移仿真信号和导向叶片测频信号进行分解,成功实现了对各模态频率的准确分离;最后,使用LMD-BPF模态参数识别方法对位移仿真信号和导向叶片测频信号进行模态参数识别。识别的位移仿真信号4个模态频率和阻尼比与相应的理论值之间的最大误差分别为0.205%和2.387%,识别导向叶片的3种模态频率与测试模态频率之间的最大差别小于1.0%,识别的导向叶片的3种模态阻尼比与半功率带宽法识别的阻尼比,最大差别小于0.65%。模态参数识别的仿真分析和实验研究验证了该方法的有效性。     

基于AR-EWT和SSI的桥梁结构模态参数识别

为解决随机子空间识别(SSI)算法存在的系统定阶困难问题,避免各模态之间的相互影响,提出一种结合自回归功率谱经验小波变换(AR-EWT)和SSI的桥梁结构模态参数识别方法。首先,采用AR-EWT将结构不同测点的振动响应信号分解成一系列仅含单一模态信息的单分量信号,并利用奇异值分解(SVD)去噪单分量信号。然后,组装所有测点中包含相同模态信息的单分量信号。最后,利用SSI分别处理各组单分量信号,识别结构的自振频率、阻尼比和振型。ASCE Benchmark模型、简支梁模型和西宁北川河桥的模态参数识别结果表明：所提出的AR-EWT结合SSI的模态参数识别方法可避免直接利用SSI识别模态参数时存在的系统定阶问题,提高模态参数识别效率;ASCE Benchmark模型、简支梁模型和西宁北川河桥的模态参数识别结果与直接利用SSI的识别结果、有限元分析结果基本一致。     

基于HVD和RDT的工作模态识别

应用希尔伯特振动分解(HVD)和随机减量技术(RDT)建立了环境激励下结构工作模态参数的识别方法。基于环境激励下结构的单点振动响应信号作为分析信号,应用希尔伯特振动分解将分析信号分解为若干个包含结构模态信息的信号,再利用随机减量技术提取自由衰减信号,应用最小二乘复指数法获得各阶模态频率和阻尼比。应用该方法对5自由度剪切模型以及12层混凝土框架地震台模型的顶点地震响应作为分析信号进行了结构工作模态参数的识别,并将识别结果与其他方法识别结果进行对比。结果表明该方法识别模态频率是可靠的;对平稳结构响应信号模态阻尼比的识别有好的精度,而对非平稳响应信号有较满意的精度。     

一种优化的VMD算法及其在语音信号去噪中的应用

针对非连续、 非平稳语音信号中含有噪声的问题, 提出一种基于参数优化的变分模态分解去噪算法. 首先, 利用灰狼优化算法搜寻变分模态分解算法的最优分解参数组合——分解模态数K和惩罚因子α, 通过使用获得的参数组合分解语音信号以获得K个特征模态函数分量IMF; 其次, 利用相关系数选择有效模态分量, 并用小波阈值处理无效模态分量; 最后, 重构小波阈值处理后的模态分量和有效模态分量以对语音信号进行去噪. 实验结果表明, 该算法与其他经典算法相比能有效提升信噪比, 降低均方误差, 提高语音信号的质量.     

基于WPD-LMD和排列熵的结构损伤识别方法

为了直接从结构响应提取损伤敏感参数,对激励未知情况下的结构损伤模式进行识别,提出了基于小波包分解-局部均值分解方法(wavelet packet decomposition-local mean decomposition,WPD-LMD)和排列熵的结构损伤检测方法.该方法首先对结构振动响应进行小波包分解,将振动信号分解为一系列窄带信号,然后对窄带信号进行局部均值分解,能有效提取低能量分量.通过计算损伤前后分量信号的排列熵,对结构损伤进行了检测,最后通过计算测试数据和样本数据之间的相对排列熵,对损伤模式进行了识别.实验分析结果表明,所提出的方法能有效地对结构损伤进行识别.     

HHT法识别结构模态频率和阻尼比的改进

在应用EMD方法分解信号时,可能造成固有模态函数中不同的振动模态混合,从而淹没能量较小的振动模态而导致无法识别其模态参数。为了提高结构模态参数识别的精度和比较精确地识别低频模态及能量较小模态的参数,文章对结构响应信号进行带通滤波后再应用EMD方法进行分解,最后得到结构的各阶模态频率和阻尼比;仿真结果表明,该方法可以有效提高结构模态频率和阻尼比的识别精度。     

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.     

联合经验模态分解与二次时频分布的参数识别方法

提出了联合经验模态分解和二次时频分布进行模态参数识别的方法.将多自由度系统的响应信号用经验模态分解法分解为单频率响应的振动信号,进而计算模态频率和阻尼;由单频率响应信号的二次时频分布及其与其它质点响应信号的互二次时频分布的比值来识别模态振型,并对一多自由度的线性系统进行了计算,结果表明该方法能较好地识别结构的模态参数,且抗噪声强.     

基于EEMD的柴油机缸套磨损故障诊断

针对柴油机缸套磨损故障诊断问题,在实车上测试了柴油机机体振动信号,应用经验模态分解(EMD)对不同磨损状态下的柴油机机体振动信号进行了分析,然而,EMD存在的模态混叠问题使其难以获得准确的基本模式分量(IMF).为此引入基于总体经验模态分解(EEMD)的改进的局域波分析方法,利用EEMD获取无模式混淆的IMF,通过Hilbert边际谱分析信号能量随瞬时频率的变化特征.工程实测分析结果验证了应用该方法进行柴油机缸套磨损故障诊断的有效性.     

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.     

基于经验模态分解的低信噪比探地雷达数据处理

阐述经验模态分解原理及复信号分析理论,着重讨论EMD分解应满足的条件及具体分解过程.应用EMD方法对单道GPR数据及GPR正演加噪剖面分别进行分解,得到从高至低不同频率范围的本征模态函数GPR图.然后,以湖南长沙黑麋峰抽水蓄能电站进厂交通隧洞实测GPR剖面为例,首先对该剖面进行EMD分解去除部分噪声,再利用Hilbert变换求取GPR剖面复信号,并提取瞬时振幅、瞬时相位、瞬时频率3个参数,绘制出相互独立的瞬时参数剖面图.研究结果表明:EMD分解对于低信噪比GPR数据具有较强的适应性,把EMD分解应用于含噪的雷达信号,并结合GPR复信号分析技术得到的“三瞬”信息,避免了使用单一时距剖面分析所造成的解释偏差,可以较好地实现对低信噪比GPR数据的噪声去除,突出雷达剖面中异常体特征,达到提高GPR信号分析效果及解释精度的目的.     

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。     

Fault Diagnosis of Reciprocating Compressors Valve Based on Cyclostationary Method

The relationship between second-order cyclostationary method and time-frequency distribution is studied,and cyclic autocorrelation(CA) function is indicated to be one sort of special time-frequency distribution method.Furthermore,a fault diagnosis method for reciprocating compressors based on empirical mode decomposition (EMD) and CA function is proposed,and then it is applied to the fault diagnosis of reciprocating compressor valve.Firstly,the vibration signal of reciprocating compressor valve is decomposed by using EMD method,and several intrinsic mode functions (IMFs) are obtained.Secondly,the IMFs are evaluated by some denoising criterions to remove the noise and interfering ones.Finally,the CA functions of the remained IMFs are calculated,which will be used to reconstruct the CA function of the original vibration signal.Engineering application indicates that this method can sufficiently inhibit the cross-interference items of CA function.Therefore,more explicit working conditions of reciprocating compressor components can be achieved.     

基于EMD和相关分析的管道泄漏定位检测研究

针对长输管道泄漏检测与定位中噪声干扰问题,提出了一种基于EMD分解和相关分析的管道泄漏检测与定位方法.该方法利用EMD分解特性和相关分析技术,提取了包含故障信息的主要固有模态函数(IMF)分量,增强了泄漏信号的本质特征.通过对所提取的IMF主分量进行重构,消除了不相关分量的干扰,提高了泄漏信号的相关程度,从而提高了定位精度.实验验证了该方法的有效性.     

动态称量经验模态分解数据处理方法

为消除动态称量信号中的各种噪声,研究动态称量经验模态分解数据处理方法.针对经验模态分解筛分过程中数据序列的两端常处于非极值状态,而导致边缘效应,以及现有抑制边缘效应方法效率低、对数据量要求大的不足,提出一种新的数据延拓方法次端点镜像延拓法来抑制边缘效应.通过对定量加料动态称量经验模态分解试验,结果表明新的抑制边缘效应方法可以获得较高的称量精度和效率,对称量信号分解的最大误差在±0.8%以内.     

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.     

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.     

基于经验模态分解的煤矿设备温度预测

煤矿设备出现故障时,设备温度会迅速上升,表现出非线性和非平稳性的特点。为了较准确地预测温度异常,采用了基于经验模态分解（EMD）的神经网络方法对设备温度进行预测。该方法首先采用经验模态分解算法对设备温度时间序列进行分解,得到若干个平稳性较好的本征模态函数（IMF）分量和一个剩余量,然后分别对各分量及剩余量进行神经网络预测。仿真结果表明,基于EMD的神经网络预测方法比单一神经网络预测方法,预测精度更高,对于温度异常预测更有效。     

Hilbert-Huang变换的滤波特性及其应用

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,多分辨经验模态分解和瞬时频率的求解,随后可以获得信号的时-频谱.这种方法的关键部分是多分辨经验模态分解,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固有模态函数.多分辨经验模态分解方法可以解释为以信号极值特征尺度为度量的时空滤波过程.时空滤波器充分保留了信号本身的非线性和非平稳特征,在信号的滤波和去噪中具有很大的优势.文中介绍了Hilbert-Huang变换时空滤波的实现过程,并列举了一些实例,说明了该方法的有效性.