改进Hilbert-Huang变换及其在转静子碰摩仿真中的应用

针对Hilbert-Huang变换(HHT)的不足,应用时间序列重构矩阵奇异值分解的能量分析方法改进了HHT,并提出了用来识别伪固有模态函数(IMF)的方法.利用仿真信号检验了改进HHT的效果.将改进后的HHT应用到某双转子航空发动机轻碰摩故障仿真试验结果的检测中,并与改进前HHT和小波分析的结果进行了比较,得出了改进后的HHT具有有效分离出微弱信号分量等优势,且能比小波变换更好地确定碰摩的存在.      

基于经验模态分解的燃烧不稳定性分析

实验研究了在常温常压条件下贫燃预混旋流火焰的燃烧不稳定性,发生燃烧不稳定性时其压力脉动表现为非平稳信号.利用一种基于经验模态分解(EMD)的希尔伯特-黄变换(HHT)算法对在当量比分别为0.71和0.80工况下的压力脉动信号进行了时频分析.针对压力脉动信号进行经验模态分解,选取主要的固有模态函数(IMF),对IMF通过HHT变换得到瞬时频率并进行统计分析.结果表明:在当量比为0.71时,压力信号呈间歇式的脉动,其振型为拍振;在当量比为0.80时,脉动压力信号则呈现出极限环振型.在基于EMD的HHT变换中,IMF体现了燃烧不稳定性的固有模态且具有自适应性强的特点.      

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。     

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Birge-Massart阈值降噪与EEMD及谱峭度的滚动轴承故障特征提取

针对传统共振解调方法易受噪声干扰导致故障特征提取效果不佳的问题,提出了一种基于Birge-Massart策略的阈值降噪与集成经验模态分解(EEMD)和快速谱峭度算法相结合的滚动轴承故障特征提取方法。对原始故障信号进行EEMD并采用峭度准则筛选出含有故障信息的本征模态函数(IMF)分量;采用Birge-Massart策略和快速谱峭度对故障信号进行滤波降噪;对滤波后信号进行Hilbert包络解调,提取轴承故障特征。采用该方法分别对仿真信号和实验信号进行特征提取,结果表明该方法可以有效提高故障信号信噪比,清晰准确地获取轴承内、外圈故障的频率特征。利用峭度因子准则筛选IMF分量能有效保留原始故障信号中的冲击特征，去除无关IMF分量的影响。      

改进Hilbert-Huang变换在齿轮故障诊断中的应用

针对Hilbert-Huang变换中齿轮故障信号经验模式分解的第一阶固有模态函数通常为非单一信号分量以及经验模式分解产生虚假低频分量的问题, 提出一种改进Hilbert-Huang变换方法.首先在频谱中确定故障信息频率范围, 并依据该频率范围和二进小波分解的特点确定需提取的相应频带的二进小波系数, 然后采用相关系数筛选法剔除小波系数经验模式分解所产生的虚假分量, 最后通过局部瞬时能量提取故障特征, 实例表明改进的Hilbert-Huang变换可以有效的提取齿轮故障特征.      

滚动轴承故障特征提取的VMD包络切片谱分析方法

为了准确提取滚动轴承故障非平稳信号中的故障特征,提出基于变分模态分解（VMD）和包络切片谱的轴承故障特征提 取方法。该方法使用 VMD将轴承故障信号分解成 1组模态分量,并进行 Hilbert变换求取各模态分量的包络信号,进而求取包络 信号的切片谱（VMD包络切片谱）来提取轴承故障特征。为了进行对比,同时对各模态分量进行幅值谱分析,得到其VMD幅值谱。 分别采用VMD包络切片谱和VMD幅值谱对正常轴承振动信号、内圈故障信号、外圈故障信号、滚动体故障信号进行分析。结果 表明：在VMD幅值谱中无轴承故障特征频率,在VMD包络切片谱中分别存在内圈、外圈和滚动体的故障特征频率fi、fo、fb及相关的 倍频和调制频率成分,从而验证了VMD包络切片谱进行轴承故障特征提取的有效性与优越性。     

基于IHT的共振解调技术的滚动轴承故障诊断方法

针对传统解调方法在滚动轴承振动信号故障特征提取中的局限性,在迭代Hilbert变换和共振解调技术基础上,提出了一种新的基于迭代希尔伯特变换(iterated Hilbert transform,简称IHT)的共振解调技术的滚动轴承故障诊断方法.采用IHT将原始振动信号分解为若干个含有故障特征信息的包络幅值分量,然后用共振解调法去除残余的高频干扰噪声并求得各个包络分量的倍频谱,利用轴承理论故障频率与共振解调得到的各倍频进行对比分析,诊断出滚动轴承相应的故障类型.轴承故障实例诊断分析结果表明该方法能有效地提取轴承故障特征.      

基于HHT的ACARS基带信号处理方法的研究

针对目前ACARS基带信号处理的方法,将Hilbert-Huang变换应用于ACARS报文的解析中.以采集到的民航飞机下行的ACARS报文信号为数据源,利用经验模式分解法EMD将报文信号分解成有限个固有模态函数IMF,从而根据Hilbert变换求出每个固有模态函数IMF的瞬时频率,结合ARINC-618协议定义的ACARS报文信号数据传输机制与编码特点,完成了报文信号的译码.将一种新的方法运用到ACARS基带信号处理中,可以有效地消除ACARS基带信号失真的影响,具有较强的抗信号漂移能力.通过与权威的译码系统译码得到的结果对比,表明算法具有良好的工程应用价值.     

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.     

基于线调频小波路径追踪阶比循环平稳解调的滚动轴承故障诊断

针对变转速工况下滚动轴承的故障诊断问题,提出一种将线调频小波路径追踪算法与阶比循环平稳解调方法相结合的滚动轴承故障诊断方法.该方法先利用线调频小波路径追踪算法提取轴承的故障特征频率,再根据轴承的故障特征频率对变转速下时域振动信号的包络在角域等角度重采样,并对获取的角域平稳信号进行循环平稳解调,计算得到切片解调谱;最后根据切片解调谱识别滚动轴承故障.仿真分析和应用实例表明:该方法能准确提取变转速工况下滚动轴承的外圈与内圈故障故障特征,提取效果明显优于基于Wigner-Ville峰值跟踪法的包络阶次谱方法.      

基于HHT的航空发动机气动失稳信号

针对航空发动机工作范围内存在的气动失稳现象,运用希尔伯特-黄变换(HHT)分析其信号的时变特征;通过对其处理非线性、非平稳信号分析新方法与其他时频分析方法的对比,并对HHT存在的问题进行针对性解决,使其适应航空发动机气动失稳数据分析的要求.并在Labview平台上通过数字仿真试验实现和验证了HHT方法;结果表明:此算法准确有效;通过航空发动机工程试验数据的处理过程,验证了HHT在处理此类相关问题时的可行性、适用性,同时指出其仍然存在的缺陷.     

基于CWTHHT结合的永磁同步电机失磁故障诊断方法及其可行性分析

永磁同步电机失磁故障是驱动电机故障中最为严重的故障之一。失磁故障意味着永磁同步电机的优势显著降低。提出了基于CWTHHT结合的永磁同步电机失磁故障诊断方法并对其可行性进行了分析。首先简要分析了永磁同步电机稳态运行特性、搭建电机故障试验平台,实时采集电机正常及失磁时的定子电流信号；然后通过信号分析得出:失磁故障下电流信号的EMD分解分量imf4的周期性较正常情况时变差,而且分量imf3所占比例较正常情况时变大；失磁故障下电流信号的HHT图中基波频带较正常情况能量分散了。因此,基于CWTHHT结合的故障诊断方法是可行的。     

基于MED和LMD的自动倾斜器轴承广义Shannon熵谱分析

针对轴承信号微弱故障特征易被强背景噪声淹没的问题,提出采用最小熵反褶积,通过逆滤波器最优化设计,对目标信号进行降噪处理,其峭度值提高了约3.8倍,增强了信号的微弱故障特征;针对非平稳非线性信号频率成分复杂难以解调的问题,提出采用局部均值分解(LMD)和峭度-相关系数筛选准则,其可对非平稳非线性信号进行自适应分解和最优重构,提高了信号的信噪比;针对信号耦合调制及边频突出的问题,通过引入广义Shannon熵进行包络谱带内降噪处理,信号一阶故障特征调制频率与故障特征频率的幅度比降低了24%~43%。通过实验室信号及某型直升机自动倾斜器轴承故障诊断地面试验的分析结果验证了该方法的合理性和可行性。      

电分相电弧对全向信标电磁辐射特性的分析

为了分析电气化铁路高速列车电分相电弧对机场全向信标（VOR）的影响,研究其电磁发射特性。利用电磁干扰接收机与频谱仪,分别以点频和扫频方式,对电气化铁路电分相点和普通点进行了大量辐射测试。分析测试数据的异方差性,改进回归分析方法,拟合出电弧在全向信标频段的幅频特性曲线,分析弓网电弧电磁辐射对机场全向信标的影响。结果表明：电分相电磁辐射是随机的,在电分相处比普通点大;现代电气化铁路高速列车经过电分相的测试数据异方差性比较明显,普通的最小二乘估计方法不适用;当电气化铁路电分相点与飞机距离小于4.944 km时,可能会对VOR信号产生影响。     

EEMD与NRS在涡桨发动机转子故障诊断中的应用

针对涡桨发动机转子系统振动信号的非平稳特征,提出一种基于集成经验模态分解(EEMD)与邻域粗糙集(NRS)的涡桨发动机转子故障诊断方法。该方法先对转子振动信号进行EEMD,提取原始信号的时域特征和多尺度排列熵(MPE)特征,转子系统的大部分故障信息隐藏在前几个高频本征模态函数（IMFs）中,分别计算它们的时域指标、能量特征和奇异值分解(SVD)特征;利用NRS评估各个特征的属性重要度,进而选出敏感特征;将其作为支持向量机(SVM)的输入向量来对转子进行故障诊断。实验结果表明:该方法利用敏感特征集对涡桨发动机转子进行故障诊断的准确率达到了97.5%,同时剔除了大量冗余特征,具有较强的鲁棒性。      

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%。