基于经验模态分解的航空器结构模态参数识别

介绍了一种基于经验模式分解（Empirical Mode Decomposition,EMD）与粒子群优化算法相结合的飞机结构模态参数辨识方法。一个复杂的脉冲响应信号利用EMD方法使得耦合在一起的多阶模态响应信号分解为与各单阶模态响应信号一一对应的分量,得到前几阶主要的内禀模式函数（Intrinsic Mode Function,IMF）,再对分解得到的每一单阶IMF利用粒子群算法辨识得到各阶模态参数。试验仿真结果表明该方法有较高的计算精度,可应用于结构运行模态分析,为飞机等结构设计、运行检测提供有力保障。     

基于经验模态分解的非平稳信号趋势项消除

归纳概括了传统的趋势项消除方法,指出各类方法的优点和不足,提出了基于EMD（经验模态分解）的非线性、非平稳信号剔除方法。该方法通过数据驱动自适应构造基底函数IMF（本征模函数）,再由若干阶IMF分量和剩余分量的重组获得趋势项,避免了对复杂趋势项的数学建模和分析计算。仿真结果表明,EMD法能够有效地提取和剔除非平稳信号中的复杂趋势项成分,获得平滑的趋向性信号。     

基于GWO-TVF-EMD方法的行星齿轮箱齿面剥落故障诊断

针对时变滤波经验模态分解（TVF-EMD）方法的不足之处,将样本熵作为适应度函数,采用灰狼优化（GWO）算法对带宽阈值和B样条阶数核心参数进行寻优,得到最优组合解,对不同的故障冲击试验振动信号进行分解。对本征模态函数（IMF）分量选取过程进行优化,采用多个加权指标对所有IMF分量进行计算,最终选取最优IMF分量,再通过包络谱分析提取出行星轮齿面剥落故障特征。在行星齿轮箱故障试验中,利用方均根法对剥落故障进行初步识别,根据GWO-TVF-EMD法分解得到各剥落故障信号最优IMF分量,使用包络谱分析明显判断出行星齿轮的故障频率。该方法能够提取3种不同程度齿面剥落故障的细节特征,理论值与实际值的相对误差为1.68%。      

EMD和SVM在刀具故障诊断中的应用

与传统方法相比,声发射传感器在刀具故障诊断方面有很大的优势。将声发射传感器应用于刀具切削过程中,提出了基于经验模态分解（EMD）和支持向量机（SVM）的刀具故障诊断方法。该方法首先对标准化的声发射信号进行经验模态分解,将分解后的有限个固有模态函数（IMF）通过一定的削减算法增强故障类型特征,把每个IMF和残余项的能量以及整个信号的削减比作为特征向量,最后将特征向量输入支持向量机进行训练和测试,判断刀具的故障类型。通过对某一刀具的故障诊断结果进行分析,验证了该方法的实用性和有效性。     

基于EMD样本熵-LLTSA的故障特征提取方法

针对振动信号的非线性、非平稳性以及微弱故障特征难以提取的问题,提出了一种基于经验模态分解(EMD)、样本熵和流形学习的故障特征提取方法.该方法将EMD、样本熵和流形学习相结合.首先,利用EMD的自适应多分辨率的特点计算分解得到的IMF(固有模态函数)信号的样本熵,初步提取滚动轴承状态特征值;然后利用流形学习方法对初步的提取的滚动轴承状态特征进行进一步的提取;最后利用支持向量机(SVM)对该特征提取方法进行分类评估,并将该方法运用在滚动轴承故障诊断实验中,实验证明该特征提取方法与基于小波包样本熵的故障诊断方法相比具有很好的聚类性能,且对于SVM的分类结果可达100%,在降低了特征数据的复杂度的同时,增强了故障模式识别的分类性能,具有一定的优越性.     

基于EMD-CS的脉冲星周期超快速估计

面向X射线脉冲星周期估计的压缩感知（CS）中测量矩阵尺寸大,进而导致计算量大。针对这一问题,提出了一种基于经验模态分解-压缩感知（EMD-CS）的脉冲星周期超快速估计方法。将不同畸变度的脉冲轮廓进行EMD分解,得到一系列固有模态函数（IMF）。由于IMF包含了不同时间尺度的局部特征信号,脉冲轮廓畸变度这一微弱局部特征可体现在某些IMF中。采用迭代剔除法剔除冗余的IMF,剩下的IMF构成了测量矩阵。由于IMF的数量较少,采样率大幅减少。利用EMD-CS可实现X射线脉冲星周期超快速估计。通过计算复杂度分析结果可知,采样率与计算量呈正比关系。仿真结果中表明,EMD-CS的采样率为0.25%,仅为FFT-CS的1/29,因而计算量更小。     

撞击流混合器速度信号的Hilbert-Huang变换分析

应用激光多普勒测速系统,对撞击流混合器的流场瞬时速度进行了测量。将Hilbert-Huang变换（HHT）应用于瞬时速度信号的分析,提取出各阶内禀模态函数（IMF）并通过经验模态分解（EMD）对速度信号进行滤波降噪。通过希尔伯特谱分析（HSA）确定了撞击流混合器速度信号的能量分布状况,信号能量集中于低频区,即存在于尺度较大的流体涡旋中。分析速度信号各阶内禀模态函数在不同频段的能量分布与转换,发现不同频段IMF的能量分布与流型转变之间的对应关系。通过能量特征值的提取表明,提高螺旋桨转速有助于强化系统的混合效果。最后将撞击流混合器的流场由内而外划分为中心区、涡旋区和回流区3个部分。     

基于EMD熵特征融合的滚动轴承故障诊断方法

研究了滚动轴承故障诊断单一故障信号的局限性和故障特征的非线性,从信息融合的理论出发,利用非线性动力学参数熵作为特征,提出了基于经验模态分解(EMD)熵特征融合的方法来解决滚动轴承故障诊断问题.首先将原始信号进行EMD,利用EMD的自适应多分辨率的特点计算EMD得到的固有模态函数(IMF)信号的多种熵值,然后采用核主元分析(KPCA)对提取的状态特征进行信息融合,从而得到互补的特征,最后将提取的融合特征通过支持向量机(SVM)进行故障诊断.滚动轴承故障诊断实验表明:该方法结合了EMD、信息熵理论和KPCA强大的非线性处理能力的特点,可以进行滚动轴承故障诊断.      

基于EMD和SVM的滚动轴承故障诊断方法

将支持向量机(SupportVectorMachine,简称SVM)、经验模态分解(EmpiricalModeDecomposition,简称EMD)方法和AR(Auto-Regressive,简称AR)模型相结合应用于滚动轴承故障诊断中。该方法首先对滚动轴承振动信号进行经验模态分解,将其分解为多个内禀模态函数(IntrinsicModeFunction,简称IMF)之和,然后对每一个IMF分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型。实验结果表明,该方法在小样本情况下仍能准确、有效地对滚动轴承的工作状态和故障类型进行分类,从而实现了滚动轴承故障诊断的自动化。      

桥面变形监测的多尺度分析与建立模型

对于利用 GNSS测量技术获取的桥面监测数据,研究如何对其进行准确而有效的处理与 分析,获取桥梁的运营状态,对桥梁的养护与安全运营具有重要意义。从对桥面 GNSS监测数据 的处理与分析方法研究出发,利用 EMD 方法结合频谱分析,得到 EMD 后的IMF 分量的频域范 围,有效地分离出含有振动信息的变形量、趋势分量和高频噪声分量。结合 SSA、EMD 两种信号 处理方法的优点,提出了一种新的 EMD-SSA 耦合模型,将经SSA 去噪后的高频IMF分量与低频 IMF分量和残余项进行重构。对新的信号处理模型通过仿真信号和桥面监测信号进行验证,试验 结果表明,新模型的处理效果较单独的 EMD、SSA 方法的处理效果有了显著提升。与 EMD、SSA 方法相比,利用新方法处理信号后信噪比与相关系数增加,偏差减小,验证了新方法的可行性与有 效性。     

基于经验模式分解法的航空发动机振动传感器故障诊断技术研究

在深入研究经验模式分解法基本理论的基础上,针对航空发动机振动传感器故障的时频特征,提出一种基于经验模式分解法的传感器故障诊断新方法.该方法的关键在于将含有传感器故障的航空发动机振动测试信号进行经验模式分解,利用这种方法的局部自适应特性和时频多分辨率分析将传感器输出信号的局部特性细化,使故障信息凸显出来.分析结果表明,该方法可以准确诊断传感器软、硬故障,有效降低误报率和漏报率,具有很好的应用价值.     

减速器振动信号的经验模态分解

时域同步平均是直升机减速器诊断技术的基础,目前这种方法依赖于转速传感器提供相位同步信号。探讨了应用经验模态分解代替时域同步平均分析减速器振动信号的方法。构建了一个减速器振动信号模型,提取了故障特征信号。对经验模态分解过程进行了理论推导,证明经验模态分解可以分离出故障特征信号,给出了信号分离的充分条件。将这种方法应用于直升机减速器的两种故障(点蚀和裂纹)振动数据,结果表明经验模态分解正确地分离出了故障特征信号,信号特征更为显著。     

EMD的频带滤波筛分方法

Hilbert—Huang（HHT）变换方法由经验模态分解（EMD）及Hilbert变换两部分组成,能在时频域上正确地描述非平稳非线性信号的局部特征。但由于模态混淆,当信号组合分量的频率太接近时,HHT常不能正确分解窄带信号。针对这一情况,提出了EMD筛分过程的一种新的改进方法——频带滤波HHT方法,并运用此方法成功分解了双自由度线性体系反应的窄带信号。     

基于CEMD的旋翼微动目标杂波抑制方法

针对旋翼微动目标杂波抑制问题,研究了一种基于复数据经验模态分解（CEMD）的微动目标杂波抑制方法。首先,建立了地杂波背景下的旋翼微动目标信号模。然后,根据杂波和微动信号在时频域的差异性,基于CEMD和Gabor变换,通过新定义的不同本征模态函数（IMF）的能量所占总能量的比重,选择出微动信号占优所对应的几个IMF分量,并基于这些IMF对旋翼微动目标进行时域和时频域重构,实现旋翼微动目标和杂波的分离,达到抑制杂波提取微动目标回波的目的。最后,与常规杂波抑制方法进行了对比,仿真结果验证了所提方法的有效性。     

基于Hilbert-Huang变换和盲源分离的滚动轴承耦合故障诊断方法

结合Hilbert-Huang变换和盲源分离的优点,提出一种基于Hilbert-Huang变换和盲源分离的滚动轴承耦合故障诊断方法。该方法首先对滚动轴承故障信号进行EMD分解（经验模态分解）,得出各个本征模态函数IMF,并对IMF进行包络解调,然后用盲源分离方法对所得到的解调信号进行盲源分离,最后对盲分离后的信号进行频谱变换,从频谱图上可以清晰地观察出滚动轴承的故障特征频率。本文建立了转子-滚动轴承故障实验台,模拟了滚动轴承耦合故障,应用本文方法进行了实例分析,结果充分表明了本文方法较单一Hilber-Huang变换具有更好的降噪能力,更加突出了滚动轴承故障特征。     

基于固有模态函数频域熵的目标检测算法

为提高海杂波中慢速目标的检测性能,提出了一种基于固有模态函数(IMF)频域熵的目标检测算法。该算法对原始信号经 EMD分解后得到的固有模态函数采用 Fourier变换,自动地提取其各个分量的频域能量,以此获得 IMF能量分布特点,再运用信息熵的方法构建检验统计量,并将其输入非参量检测器中进行目标检测。研究结果表明,相比于海杂波、海尖峰,慢速目标的能量分布更为分散,熵值更大,对比频域广义符号(GS)检测算法,所提 方法检测性能更优,适用于慢速目标检测。     

一种提高脉冲雷达多普勒相位精度的方法

针对低信噪比条件下脉冲雷达模糊多普勒相位精度较低,可能导致相位测距时不能正确解相位模糊问题,基于EMD（Empirical Mode Decomposition,经验模式分解）区间阈值去噪方法,提出了一种新的提高多普勒相位精度的方法：利用EMD分解后各层信号的频率特性和能量特性,选取合适的阈值,并对各层信号进行区间阈值化处理,在提高信号信噪比的同时保持了信号的连续性.分别在回波信号噪声为高斯白噪声和AR（2）相关噪声的情况下,以及不同信噪比条件下,对该方法进行验证.仿真结果表明：在低信噪比条件下,当回波信号噪声为白噪声和相关噪声时,EMD区间阈值去噪方法能将回波信号信噪比提高5 dB,去噪性能优于小波阈值去噪方法,其对应多普勒相位精度能提高1倍以上.     

基于压缩感知的整体叶盘多模态振动叶尖定时信号重构方法

叶尖定时测量技术是近年来发展的一种非接触式旋转叶片振动监测方法,具有非入侵性的优点,但是该系统测得的振动信号通常是欠采样的。为了能够重构叶尖定时欠采样信号,本文根据压缩感知理论以及叶尖定时采样原理引入了叶尖同步振动信号稀疏模型以及叶尖振动信号重构方法。对整体叶盘有限元模型进行瞬态分析得到叶尖振动信号,使用优化的正交匹配追踪算法以及基追踪对欠采样信号进行重构并和传统方法进行对比。计算结果表明：在信噪比为30dB的噪声环境下,限制频域的正交匹配追踪算法(OMP-RFD)可以准确地识别出叶尖振动信号的主要频率成分。最后使用试验所获得的叶尖振动信号进行重构,验证了OMP-RFD算法有效性。综上可知：压缩感知方法可以很好地应用于叶尖定时测量装置中,能够使用较少传感器识别叶尖同步振动欠采样信号参数,有效提高噪声环境下识别高阶频率的成功率以及准确度。