基于改进经验模态分解的语音信号特征提取法

针对语音信号特征提取在处理含噪语音信号时识别率低,抗干扰性差等问题,提出了一种基于改进的经验模态分解算法对含噪语音信号进行特征提取.该方法通过对含噪声语音信号分解分类并对两类模态分量分别处理再进行重构和特征提取,解决了目前大多数语音信号特征提取过程会滤掉部分原信号问题,在有效地消除了噪声信号的基础上,尽可能多地保存原信...     

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.     

基于模态分解的低压串联电弧故障特征提取方法比较

低压交流系统串联电弧电流的非线性、非平稳和随机等特点给故障特征提取和检测带来极大困难,同时以包络线分析为基础的模态分解在非平稳信号分析中展现了良好效果。鉴于模态分解方法的优异效果以及串联电弧故障检测的实际困难,首先对目前较为成熟的经验模态分解(empirical mode decomposition, EMD)等6种模态分解方法进行了系统梳理,并深入分析了该系列方法在电弧故障信号分析和特征提取中的适用性和有效性。然后,通过实测电弧电流的分解实验和特征计算实验,从不同角度探讨了模态分解算法在电弧电流特征提取和故障检测中的优势与不足。最后,对未来可能的研究方向做了展望。     

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。     

多个经验模态分解对振动信号作用的对比

经振动传感器采集到的信号是非线性、非稳定的,这种信号无论是在时域还是频域上都不易分析。所以通过经验模态分解将原始信号分解成为多个本质模态函数（IntrinsicMode Function,IMF）,之后对其进行特征提取等进一步处理。但是经验模态分解存在模态混叠与端点效应的问题,所以文章采用互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposision,CEEMD）。CEEMD是在进行经验模态分解之前加入多组符号相反的白噪声,这不仅减少了模态混叠,分解出的IMF分量还更精进。这种互补集合经验模态分解有效地处理了所采集的非线性、非稳定性的振动信号。     

信息熵与广义集合集成的轴承-转子系统故障辨识方法

基于信息融合思想,对描述振动信号能量的3种信息熵测度,即时域的奇异谱熵、频域的功率谱熵、时-频域的小波能谱熵,在轴承-转子系统故障辨识中的应用方法进行研究.在根据广义集合概念对3种信息熵测度进行特征级的信息融合基础上,提出一种基于时空(场)广义信息熵集合的轴承-转子系统故障辨识方法.分析结果表明,该方法具有在三维特征空间图形化描述故障的状态域,使不同故障类别间显示出显著差别的性能,对提高辨识故障的准确率具有参考价值.     

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.     

基于经验模态分解的生命信号提取算法

穿墙生命探测雷达系统中,传统的基于快速傅里叶变换(FFT)的生命信号提取算法不能有效处理非平稳信号,且易受呼吸谐波干扰.为此,文中提出了一种从时域上提取生命信号的新方法.首先应用经验模态分解(EMD)将雷达接收信号分解成有限个固有模态函数(IMF),再用反映生命信号结构特征的IMF分量从时域上分别重构呼吸与心跳信号.仿真结果表明,所提出的新方法能避免呼吸信号谐波对心跳信号的干扰,因而能更加精确地提取心跳信号.     

重力信号的小波变换与经验模态分解级联滤波方法

针对动基座重力测量,提出了处理重力信号的小波变换与经验模态分解级联方法.该方法采用DB4小波函数的强制阈值小波变换作为前端滤波器,将原始信号分解为12层,提取第7层作为中间结果,运用经验模态分解方法用作第二级滤波器,将输入分解为8个模态,提取残余分量和最大尺度的逼近模态作为级联滤波结果.对静态重力数据进行概率密度分析,给出了重力的统计特性以及测量结果的可信度.级联滤波结果与某航空重力系统处理结果对比表明:级联滤波方法能够在强噪声中提取出微弱的重力信号,并且由于引入前端滤波器减少了级联滤波器整体计算量,提高了重力测量的空间分辨率.     

经验模态分解在EGG信号慢波提取中的应用

对临床检测到的胃电图(electrogastrogram,EGG)信号先进行经验模态分解(empirical modedecomposition,EMD),然后再选择相应的内在模分量重构,有效地提取出EGG信号中的慢波成分,提高了信号的信噪比.     

应用经验模态分解下的AR模型提取旋转机械故障特征

将时间序列的AR模型引入到旋转机械故障诊断中,采用了经验模态分解与AR模型相结合的方法提取旋转机械的故障特征。通过选取含有故障信息的固有模态函数进行功率谱分析,提取故障特征,分析故障原因。仿真和试验结果表明,此法能够有效地提取故障特征参数,为旋转机械的故障诊断提供了方法保障。     

基于EEMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出基于总体平均经验模态分解(EEMD)和支持向量机的齿轮故障诊断方法.通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断齿轮的工作状态和故障类型.实验结果表明:文中提出的方法能有效地应用于齿轮的故障诊断.     

基于EMD的复合故障诊断方法

针对转子不平衡故障和滚动轴承微弱损伤性故障的复合故障诊断问题,提出了一种基于经验模式分解的故障诊断方法,进行复合故障的耦合特征分离和轴承损伤性故障信号特征提取研究. 该方法首先通过经验模式分解将复合信号分解为若干个本征模函数(intrinsic mode function, IMF);然后通过计算各IMF与原始复合信号的相关系数确定包含故障特征信息的主要成分,除去虚假分量;最后针对主要成分中的低频成分进行频谱分析提出转子故障特征,针对主要成分中的高频成分进行Hilbert包络解调提取调制故障特征,即轴承损伤性故障特征. 仿真及实验结果表明该方法的有效性和实用性.     

EEMD滤波的转子轴心轨迹提纯方法

针对轴心轨迹提纯问题,研究了集合经验模式分解(Ensemble empirical mode decomposition ,EEMD)抑制模态混叠的特性及其滤波特性,提出了基于EEMD滤波的转子轴心轨迹提纯方法。应用EEMD将信号分解成一系列的固有模式函数(Intrinsic mode function,IMF)分量,再根据先验知识选择相应的IMF分量重构信号,组合成提纯轴心轨迹。对小型转子试验台转子轴心轨迹的成功提纯验证了该方法的有效性,与谐波窗和EMD轴心轨迹提纯方法的对比结果表明了该方法的优势,为转子系统故障诊断提供了一种新的手段。     

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.     

改进经验模态分解与谱峭度法的步态信号特征分析

通过对步态信号进行分析,提出基于能量矩占比与方差贡献率的改进经验模态分解和谱峭度法的步态信号特征频率分析方法. 改进的经验模态分解消除了传统分解过程中存在的低频虚假本征模态分量,抑制了高频噪声的干扰. 通过确定谱峭度图上的中心频率和带宽构造带通滤波器对信号进行包络解调分析,并通过实验验证了该方法能有效提取步态信号的特征频率,为步态信号的后期研究提供一条新的思路.     

基于参考信号频域半盲提取的机械故障特征声学诊断

针对生产现场机械设备零部件结构复杂、设备运行时背景噪声干扰严重等造成的监测诊断难题,以及传统盲信号处理算法在机械声信号处理方面的局限性,提出一种基于参考信号约束频域半盲提取的机械故障声学诊断算法。详细介绍了该算法的关键技术:以频域盲解卷积算法为基础,使用利于全局寻优的人工鱼群算法,构建适用于机械故障特征的改进多尺度形态学滤波器,以最大程度削弱背景噪声干扰;结合机械设备零部件结构参数构建参考信号,通过单元参考信号约束频域半盲提取算法,对降噪后的信号逐段进行复数盲分离;利用改进KL距离,解决复分量间次序不确定性问题,最终实现机械故障特征信号的提取与分离。实际声场环境中的滚动轴承故障声学诊断实验验证了该算法的有效性。     

提取感应电动机转子故障特征的新方法

感应电动机拖动机械负载运行时，如果机械负荷波动较大，通过测取电动机定子电流直接作频谱分析，难于得到正确的结果。作者分析了该种工况下电动机定子电流信号的特点，提出了一种提取电动机转子故障特征的新方法。此法通过对电动机定子电流信号作Ｈｉｌｂｅｒｔ变换解调处理，以调制信号的频谱中是否存在２ｓｆ１频率的故障特征分量，来诊断转子有无断条故障。实测结果表明，这种方法是有效的，尤其适用于这种负荷波动较大的电动机转子故障的诊断。