炮膛磨损信号的经验模式分解相关性降噪

针对传统降噪方法在炮膛磨损信号处理中的局限性,在经验模式分解方法的基础上,提出了一种新的炮膛磨损信号相关性降噪法。该方法利用经验模式分解法对炮膛磨损信号进行分解,并依据信号相关性原则,选取分解后的本征模态函数进行重构,从而达到降噪的目的。对某高炮炮管磨损信号进行了经验模式分解相关性降噪实验,研究结果表明：该方法能够有效地减少信号中的干扰成分,提高了信噪比,增加了测量精度。     

集合经验模式分解在柴油机机械故障诊断中的应用

针对柴油机表面振动信号非平稳、非线性等特点,引入集合经验模式分解(EEMD)的信号分析方法,对原始振动信号叠加适当的随机高斯白噪声,从而改变信号的局部时间跨度,有效抑制了经验模式分解(EMD)的模式混叠现象.通过Hilbert变换作边际谱曲线以提取故障特征信息.仿真试验和发动机故障实例证实了EEMD算法可以提高振动信号的分析精度,在柴油机机械故障诊断领域应用前景广泛.     

经验模式分解在循环平稳故障信号分析中的应用

对循环二阶统计量进行了分析,研究了交叉项产生的原因;结合旋转机械故障信号的循环平稳特性,将经验模式分解方法应用于旋转机械振动信号分析中,解决了应用循环平稳方法进行信号分析中出现的交叉项干扰问题.通过理论推导、仿真实验、真实数据验证,以及和原有方法进行比较,表明经验模式分解联合循环平稳分析方法能够有效地识别故障特征,并避免干扰项.极大地推进了循环平稳方法在旋转机械故障诊断中的应用.     

基于经验模式分解的希尔伯特变换包络提取在机械故障诊断中的应用

本文采用经验模式分解（EMI）提取信号的内在模函数（IMF），并利用希尔伯特变换对所得IMF进行包络分析，提取机械故障特征。与直接对原信号进行包络分析相比较，该方法提取的机械故障特征更明显，数值模拟和对故障轴承振动信号分析表明了该方法的有效性。     

基于经验模式分解的包络解调技术及其应用

提出了一种新的调制信号解调分析技术,来抑制传统的包络解调方法中经常出现的无意义的频率成分.首先,对复杂的振动信号进行经验模式分解,得到若干个基本模式分量,再对包含调制信号的基本模式分量进行包络分析以提取故障信息.该方法利用经验模式分解来实现故障信息的有效分离,从而提高了诊断信号的信噪比.利用该方法对某齿轮箱轴承座振动信号进行经验模式分解,进而解调出高速轴转频这一调制频率,准确地诊断出该故障是由齿轮轴不对中所引起的,通过针对性的维修后,消除了故障,从而验证了该方法的有效性.     

基于阶次跟踪和经验模式分解的齿轮故障诊断

提出了一种研究旋转机械瞬态信号的分析方法.对齿轮箱加速时测得的原始振动信号进行角域重采样,并对角域里的信号进行经验模式分解(EMD)得到多个固有模式函数(IMF),最后对包含齿轮故障信息的IMF分量进行阶次谱分析.结果表明,阶次跟踪技术能够有效地避免传统频谱方法所无法解决的频率模糊现象,EMD方法能够提取包含故障信息的IMF分量,将两种方法相结合是对传统的频谱分析法的有力补充,具有很广阔的应用前景.     

信号经验模式分解与间断频率

基于环境激励条件下结构的模态参数识别问题需要处理采集的数据信号来得到所需的参数信息.经验模式分解(EMD)通过筛分过程将原始信号分解成若干个基本模式分量(IMF),可看作无需预设带宽的自适应高通滤波方法.通过设置间断频率可以避免模态混叠,使每一个基本模式分量表示结构的某一阶固有模态.采用信号实例说明该方法的主要计算过程,分解结果表明该方法能有效对信号进行分解,方便模态参数识别.     

旋转机械振动信号处理中的滤波及特征提取技术

在广泛调研国内外旋转机械振动信号处理技术研究的基础上,针对振动信号处理中的滤波和特征提取技术进行了较为详细的回顾和总结,分析了各种滤波和特征提取方法的优缺点．文中调研和总结的研究方法和技术,可为大型旋转机械振动检测与故障诊断研究提供参考．     

旋转机械振动信号的循环谱分析

依据循环平稳理论,建立了具有旋转特性的机械设备的信号模型,对其振动信号的二阶循环统计量的解调性能进行了分析.指出利用循环谱图及其轮廓图可以有效识地从复杂的机械振动信号中提取调制信号及载波信号的频率特征,为设备的故障识别及故障定位提供了依据.     

级联双稳随机共振降噪下的经验模式分解

针对强噪声背景下混合信号的经验模式分解（EMD）问题,提出了一种基于级联双稳随机共振系统（CBSRS）降噪的EMD方法。该方法利用CBSRS对时域波形降噪的优良特性,首先对有噪信号进行随机共振输出,信号得到降噪后,再进行EMD。在仿真实验中,分别对原始信号以及各级级联随机共振输出后的信号进行EMD,对比结果表明,级联双稳系统能有效去除高频噪声,减少EMD的层数,使EMD具有更明确的物理意义最后通过一个轴承外圈故障的诊断实例表明,该方法在逐步滤除高频干扰的同时,不断加强低频特征能量,可以有效检测出故障的特征频率。     

基于经验模式分解消噪的高层建筑物变形监测数据处理方法

经验模式分解方法具有根据信号本身特征进行自适应滤波消噪的功能,基于这一特点将其应用于高层建筑物变形监测数据处理.通过对实际变形监测数据进行分析,表明应用该方法可以取得良好的消噪效果,并可从受强噪声干扰的数据序列中提取出微弱的变形特征信息.     

基于经验模式分解的齿轮箱振动辨识

论述了一种新的针对非线性非平稳信号的经验模式分解（EMD）方法，使用EMD方法对齿轮箱振动信号进行了辨识，并且与离散小波分解方法进行了对比，结果表明，通过EMD分解获得的齿轮箱振动内在模式分量（IMFs）能很好地辨识出齿轮的啮合振动模式，且比离散小波方法的分解效率更高；EMD分解的第3个IMF－IMF3清晰地表示出齿轮箱的第一级齿轮的216Hz的啮合振动模式。     

基于EEMD的奇异谱熵在旋转机械故障诊断中的应用

针对旋转机械振动信号的非平稳、非线性等特点,提出一种基于集合经验模式分解(EEMD)的奇异谱熵信号分析及故障诊断方法.该方法利用EEMD有效抑制模式混叠现象的优点,首先对原始振动信号进行EEMD分解,得到各阶本征模态函数(IMF),然后将各阶IMF分量构成一个特征模式矩阵,并对该特征模式矩阵求奇异谱熵值.奇异谱墒值的大...     

基于经验模式分解的信息隐藏研究

提出了一种基于经验模式分解的信息隐藏算法,将一幅索引图像分解成6个基本模式,用秘密信息代替其中一个模式重构原图后,把重构的图作为公开信息传输,最后再从重构图中提取秘密信息,利用归一化互相关函数和峰值信噪比对算法进行评定,并对含有秘密信息的图像进行攻击,结果表明,信息隐藏算法具有较好的透明性和鲁棒性.     

转速随机波动旋转机械振动信号的周期平稳性

首先推导了旋转机械转速波动的随机角位移统计特性,证明了随机角位移信号是一种非平稳的随机过程.对于离散随机角位移序列,提高采样率可以减小其随机性.当采样率无限增加时,该序列将退化为确定性序列.然后以不平衡质量的惯性力为例,以转角和时间为参量,分别推导出一阶和二阶矩统计量.这些统计量证明,以转角为参量的惯性力随机矢量信号是非平稳的,但具有周期平稳性;而以时间为参量的惯性力随机矢量不仅是非平稳的,而且一般也不具有周期平稳性.     

基于集合经验模式分解和公共空间模式的脑电信号特征提取

公共空间模式(common spatial pattern,CSP)能够较好地提取运动想象任务时脑电信号的判别特性,但是其性能与大脑进行想象任务的频带相关。为了确定这样一组频带实现精确的分类,基于集合经验模式分解、FIR滤波器组以及公共空间模式算法提出了一种脑电特征提取方法。预处理去除伪迹后的信号首先经过集合经验模式算法获得多个模函数,然后选择出包含μ节律和β节律范围的分量实现信号重构,重构后的脑电信号作为带通滤波器组的输入得到若干子带信号集合,从每个子带信号中提取CSP特征,最后将提取的特征经过支持向量机(support vector machine,SVM)进行分类。运用该方法对脑-计算机接口(brain-computer interface,BCI)竞赛数据集进行分类,实验表明该方法能够自适应地提取、筛选和判别每个受试者的空间CSP特征,分类准确率达96. 53%。     

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。     

基于经验模式分解的音频带宽扩展算法

音频带宽扩展是现代音频编解码器的重要组成模块,它可以大幅降低编码码率。现有方法大多将低频复制到高频,然后利用少量高频参数进行调整得到重建的高频信号。这种复制方法假设高低频信号间具有相关性;但是,当这种相关性变弱时,编码质量急剧下降。为解决该问题,提出一种经验模式分解的方法重建高频信号。首先对高频和低频激励信号进行经验模式分解,然后选择与高频模式分量相关度较大的低频模式分量作为高频重建中的源信号。在得到高频重建的源信号后,再利用模式分量能量进行调整;最后通过源滤波器模型合成高频信号。实验结果表明,该方法与3GPP WB+和AVS P10编码标准中的带宽扩展算法相比,编码质量得到了明显提升;与最新的3GPP EVS中的时域带宽扩展算法相比,主观音质相当,码率下降33.3%。     

基于谱减法和经验模式分解的语音增强

本文提出了一种基于谱减法和经验模式分解的语音增强算法。在低信噪比的情况下用谱减法可以去除语音信号中的大部分背景噪声,再对已处理过的信号进行经验模式分解,对前几个IMF进行阈值处理可以进一步增强语音。实验表明:本算法去噪效果优于传统方法。     

一种改进的二维经验模式分解方法

根据J.C.Nunes等提出的二维经验模式分解(BEMD)的基本思想,对高分辨率的图像分解提出了一种改进的BEMD方法。该方法按照图像极值点的分布将图像划分成若干块,分块处理,避免了求解大型线性方程组以及大矩阵产生,较好地降低了时间复杂度和空间复杂度。