改进Hilbert-Huang变换的滚动轴承故障诊断

以自适应噪声完备集合经验模态分解(CEEMDAN)为基础,提出了一种改进的Hilbert-Huang变换(HHT)时频分析法。对滚动轴承振动信号进行CEEMDAN获得一组本征模态函数(IMF)。通过自动提取敏感IMF算法,筛选特征敏感IMF分量,计算特征敏感IMF分量的Hilbert包络谱和HHT二维时频谱,提取故障特征频率信息。研究结果表明:CEEMDAN算法有效降低了模态混叠,比经验模态分解(EMD)算法和集合经验模态分解(EEMD)算法具有优越性。将改进的HHT与自动提取敏感IMF算法相结合,可以有效分解信号的特征信息,筛选出含有故障特征信息的敏感IMF,剔除背景噪声和无故障IMF的干扰,有效提取轴承振动的故障特征频率,诊断出轴承故障的发生部位。     

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。     

基于改进小波去噪预处理和EEMD的采煤机齿轮箱故障诊断

针对采煤现场强噪声背景下采煤机齿轮箱振动信号集合经验模态分解(EEMD)故障特征不明显和分解效率较低的问题,提出基于改进小波去噪预处理和EEMD的故障诊断方法。采用小波改进阈值函数法对振动信号进行去噪预处理,与传统小波阈值函数法相比能够有效地提高信号的信噪比。对去噪后的信号进行EEMD分解得到若干个本征模态分量(IMF),计算各IMF分量的相关度并剔除虚假分量。将该方法应用于采煤机齿轮箱行星轮的故障诊断,通过对真实的IMF分量进行频谱分析并提取信号的故障特征频率,与未去噪的信号进行对比。研究结果表明:该方法能够突出故障特征频率,使分解效率提高17.35%,并能进一步减小模态混叠现象。     

VMD的时频特性及其在滚动轴承故障诊断中的应用

针对在强噪声干扰下的滚动轴承早期故障振动信号信噪比低导致故障特征提取困难的问题,提出了基于变分模态分解和Teager能量算子包络解调的滚动轴承故障诊断方法.该方法首先利用VMD算法对故障信号进行分解成若干不同频率的本征模态分量(Intrinsic Mode Function,IMF);通过峭度准则筛选出峭度值最大的IMF,将其作为故障特征最敏感分量;利用Teager能量算子解调算法对该分量进行包络解调分析,提取调制故障特征.将该方法应用到仿真信号和滚动轴承故障振动信号分析当中,同时与EMD、小波变换方法进行了比较.结果表明,该方法提高了信号的分解效率,在噪声鲁棒性和抑制模态混叠方面具有良好的性能,能够实现滚动轴承故障的精确诊断,具有一定的理论研究意义和工程实用价值.     

基于MEEMD和二代小波阈值的表面肌电信号去噪处理

表面肌电(surface electromyogram, sEMG)信号能够反映神经肌肉的相关活动信息,被广泛应用于假肢控制、临床医学等领域,而获取干净的sEMG信号是精确地解释和应用信号的先决条件。为了消除混杂在sEMG信号中的噪声,文章提出了一种基于改进的经验模态分解(modified ensemble empirical mode decomposition, MEEMD)与二代小波改进阈值函数相结合的sEMG信号去噪方法。对含噪的sEMG信号进行MEEMD分解,再对高频的本证模态分量(intrinsic mode function, IMF)进行二代小波改进阈值函数去噪,将处理后的高频IMF分量和低频IMF分量以及残余信号进行重构,重构后的信号即为去噪sEMG信号。仿真结果表明,基于MEEMD与二代小波改进阈值函数方法的去噪性能指标高于其他方法;实验结果表明,该方法结合了MEEMD和二代小波的优点,能够很好地消除噪声,且能最大限度地保留信号中的有用信息。     

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。     

基于钦州湾验潮站2008-2020年潮位序列的潮汐特征研究

潮汐是钦州湾的主要海洋动力,对物质输运、海洋工程、海洋生态环境等都有重要影响。本研究基于钦州湾验潮站2008-2020年共13年的水位观测资料,利用潮汐调和分析、偏度计算和线性回归等方法,分析钦州湾长时间的潮汐变化、潮不对称性特征及海平面变化趋势。结果表明,钦州湾验潮站潮汐以O₁、K₁分潮占优,属于规则全日潮。主要分潮振幅有显著的年际变化,2008年为最小值,O₁为95.82 cm, K₁为88.18 cm, M₂为39.53 cm; 2016年达到最大值,O₁为104.27 cm, K₁为95.15 cm, M₂为46.16 cm,这一变化与月赤纬角的变化有关。钦州湾潮不对称现象显著,涨潮历时比落潮历时多2-3 h,造成该现象的主要原因是受到半日分潮和全日分潮之间相互作用的影响,其中主要贡献来源于O₁、K₁、M₂之间的相互作用,占总潮汐偏度的80...     

采用EEMD算法与互信息法的机械故障诊断方法

提出一种总体经验模态分解(EEMD)算法与互信息法相结合的Hilbert-Huang变换机械故障诊断改进的方法.仿真与实例结果表明:EEMD算法能克服模态混叠弊端,获得具有实际物理含义的固有模态函数(IMF);互信息法能有效剔除虚假分量,使最终IMF分量更加精准且集中突显故障信号特征;所提出方法能有效表征机械故障特征,并进行精确诊断.     

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...     

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。     

基于SVD差分谱和IMF能量谱的改进HHT方法

针对随机噪声和虚假IMF会导致改进HHT中EEMD分解质量下降和Hilbert谱混乱,提出了一种基于SVD差分谱降噪预处理和IMF能量谱剔除虚假分量的改进HHT.该方法首先对原始信号进行SVD降噪,通过基本不等式原理来确定相空间重组的最佳Hankel矩阵结构,利用奇异值差分谱来确定有效奇异值的阶次;然后对消噪的信号进行EEMD分解,通过IMF能量谱来去除虚假分量;最后对主IMF进行Hilbert谱分析.仿真和实验结果表明,SVD能提高信噪比,抑制噪声对EEMD分解精度的干扰;能量谱能有效地消除虚假IMF对Hilbert谱分析的影响;Hilbert谱中各频率成分清晰,解决了随机噪声和虚假分量对传统改进HHT的不良影响.     

基于改进小波阈值函数和变分模态分解的 电能质量扰动检测

针对强噪声环境下扰动特征提取困难的问题,提出一种基于改进小波阈值函数和变分模态分解的电能质量扰动检测算法.采用改进小波阈值函数滤除电能质量扰动信号的噪声,通过傅里叶变换确定预设尺度,再基于变分模态分解准确地求出电能质量扰动信号的各个本征模态函数,结合Hilbert变换和奇异值分解分别求解每个本征模态函数的振幅、频率、起止时间等特征量,并据此搭建PXI和LabVIEW结合的电能质量扰动检测平台.分别采用单一扰动、复合扰动和电网实际扰动数据验证本文算法的准确性与有效性,相比现有经验模态分解和集合经验模态分解,本文提出算法不仅具有抗模态混叠和虚假分量的能力,且在强噪声环境下仍具有较高的准确性和鲁棒性.     

基于深海锚系潜标的潮汐特征计算方法

针对深海潮汐特征难以获取的困难,基于深海锚系潜标压力传感器所测资料,利用线性近似的方法,建立了海面水位变化计算模型,并对该模型进行计算误差分析,提供了模型计算精度判别方法。基于该模型,利用南海中部海区深海锚系实测压力资料获取了锚系点的海面水位数据,并采用T-TIDE潮汐调和分析函数处理水位数据,获取了该海区的潮汐调和常数,对该海区的潮汐特征进行了验证与分析。所得潮汐类型为不规则日潮,主要(半)日分潮K1、O1、M2的振幅和迟角,均与前人利用卫星高度计资料和数值模拟分析结果基本一致。     

珠江河口岸线变化对潮动力的影响

为研究珠江河口岸线变化对潮波特征的影响,基于D-Flow FM(Delft 3D-flow flexible mesh)建立珠江河口二维水动力数值模型,模拟的水位、流速流向结果与观测数据吻合良好。利用T_TIDE对模型结果进行调和分析,通过振幅比、相位差和潮能通量探讨岸线变化对潮汐动力特征的影响。结果表明:珠江河口半日分潮M_2的振幅和1/4日分潮M_4的振幅总体均呈增大的趋势,潮能通量呈减小的趋势。珠江河口整体表现为潮汐不对称加剧,涨潮占优增强。岸线变化通过影响径流作用、河口形态、浅水效应和潮能辐聚作用,影响珠江河口的分潮振幅、相位、潮汐不对称和潮能通量等潮汐特征。由岸线变化带来的潮汐振幅增加、潮汐不对称性加剧和涨潮占优趋势加强,可能会导致风暴潮等沿海灾害和严重的淤积问题。     

采用HHT的单相接地故障电流与励磁涌流辨识

为有效辨识中压配电网单相接地故障电流与变压器铁芯饱和产生的励磁涌流相似波形,提出一种基于希尔伯特 黄变换（HHT）经验模态分解（EMD）的辨识方法。通过对故障电流和励磁涌流进行EMD特性分析,将原始信号分解为若干本征模态函数（IMF）分量,根据确定的主导IMF分量个数以及比重系数和阈值的关系,区分出故障电流和励磁涌流的波形。仿真发现,单相接地故障电流主导的本征模态函数分量仅有1个,而励磁涌流主导的IMF分量则有多个;故障电流的比重系数Ki远大于励磁涌流的Ki。仿真结果表明,该方法能够有效辨识故障电流和励磁涌流。     

结合EEMD与K-SVD字典训练的语音增强算法

该文提出一种总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)方法与K奇异值分解(K-singular value decomposition,K-SVD)字典算法相结合的语音增强算法。将带噪语音通过EEMD分解得到各本征模式分量(intrinsic mode function,IMF),对各IMF分量进行互相关和自相关分析,去除噪声IMF分量,并将过渡IMF分量再次进行EEMD分解,去除其中的噪声IMF分量。将过渡IMF分量和剩余的IMF分量叠加,得到预降噪的带噪语音。利用纯净语音,通过K-SVD字典训练算法得到过完备字典。对预降噪的带噪语音通过过完备字典进行稀疏表示,稀疏系数重构出纯净语音。实验结果表明:在低信噪比和高信噪比情况下,该算法的去噪效果明显优于传统的谱减法、小波阈值去噪法和K-SVD字典训练。     

一种抑制模态混叠的改进HHT模态参数识别方法

针对传统HHT法识别模态参数时的模态混叠问题,提出基于互补总体平均经验模态分解(CEEMD)和信号调频变换(FM)结合的改进HHT模态参数识别方法;并在CEEMD分解后应用随机减量处理(RDT)削弱CEEMD分解对自由衰减响应的影响。将改进的HHT法应用于密集模态系统的参数识别中,结果得出:密集模态系统的频率为0.672 7,1.184 0,1.307 5,阻尼比为0.636 1,1.110 3,1.213 0,与其他方法所得数据相比,改进方法最接近真实数值。表明改进HHT法可以有效避免间断信号与密集模态共同作用下造成的模态混叠问题。     

基于VMD-ICA-CWT的内燃机噪声源识别方法

提出了基于变分模态分解(VMD)、独立分量分析(ICA)和连续小波变换(CWT)相结合的内燃机噪声源识别算法.首先,对内燃机进行铅覆盖,只裸露待测的第6缸部分,测量裸露部分缸盖位置处的单一通道噪声信号;然后采用变分模态分解算法将其分解为各变分模态分量,并用FastICA算法提取各独立成分,解决了对单一通道噪声信号进行盲分离的欠定问题,同时克服了传统的经验模态分解处理噪声信号时出现的模态混叠缺陷;最后利用连续小波时频分析和相干分析,对分离结果进行进一步识别.研究结果表明:该算法能有效地分离识别出内燃机的燃烧噪声和气阀机构敲击噪声.     

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.     

基于经验模态分解的无量纲指标故障诊断定位

无量纲指标作为新的理论工具应用于故障诊断研究中,虽然取得了一定的进展,但在应用时没有考虑到其他噪声干扰信号的影响,对结果分析有一定的干扰.而经验模态分解(EMD)技术能够提取出振动数据的故障特征信号,针对无量纲指标分析数据时的噪声干扰,提出了基于EMD的无量纲指标处理算法.首先对采集到的振动数据做EMD,分解出的前几个固有模态函数(IMF)分量中包含了振动数据的故障特征,去除其他噪声干扰信号的影响;其次求出含有振动数据特征信号的IMF分量的无量纲指标值,做出其无量纲指标的特征范围值;最后进行故障诊断分析.将此算法应用于旋转机械的故障诊断实验中,通过实验验证了该方法的可行性和有效性.