基于自适应多尺度时频熵的遥测振动信号异常检测方法

针对遥测振动信号频域成份复杂、非平稳非线性和强噪声特性,提出一种基于自适应多尺度时频熵的遥测振动信号异常检测方法;首先对采集到的遥测振动信号进行零漂修正和趋势项消除,然后采用自适应分解方法对信号进行多尺度分解,得到若干分量,利用相关系数剔除虚假分量;接下来用筛选出的分量作时频分布,对时频分布进行多层多尺度划分,计算相应尺度频段内信号的分形维数,依据分形维数的大小自适应地确定各频段的时频划分尺度;最后计算时频平面的自适应多尺度时频熵,通过时频熵的变化情况对遥测振动信号进行异常检测;实测数据验证了该方法的有效性。     

基于EMD的拉曼光谱去噪方法研究

经验模态分解(EMD)方法是一个以信号极值特征尺度为度量的时空滤波过程,它充分保留了信号本身的非线性和非平稳特征,在信号的滤波和去噪中具有较大的优势。文章在介绍EMD分解方法的基础上,结合EMD的多尺度滤波特性,提出了一种新的拉曼光谱去噪方法——EMD阈值去噪法。该方法首先对含噪的拉曼光谱信号做EMD分解,得到各阶本征模态函数(IMF),然后对高频的IMF分量用阈值法进行处理,把经过阈值处理后的高频IMF分量与低频IMF分量叠加得到重构的信号,即去噪信号。通过处理对二甲苯的拉曼光谱信号,分析了在不同噪声水平上不同去噪方法的处理效果。实验结果表明EMD阈值去噪法有效地去除了噪声,较好地保留了光谱的细节信息,与小波阈值去噪方法相比较具有自适应的优势,在拉曼光谱去噪中有很好的应用前景。     

激光多普勒振动信号的时频分析

激光多普勒雷达实际测得的振动信号绝大多数都是时变信号,而基于傅立叶变换的时频分析方法是处理时变信号的有利工具。本文针对激光多普勒雷达测得的实际振动信号,比较了魏格纳-维利分布、平滑伪魏格纳-维利分布、频谱图、波恩-约旦分布和扩展修正B分布5种形式的时频分析性能。利用激光多普勒雷达测量实际单音响产生的啁啾信号振动、双音响产生的二分量啁啾信号振动、以及成年男性心跳振动3种振动,分析了时频图的分辨率和交叉项抑制情况,并通过计算时频聚集度指数,比较了5种分布情况下振动的分析性能。实验证明,扩展修正B分布的性能优于其他4种时频分布,扩展修正B分布更适合应用于激光多普勒雷达材料共振频率探测和心跳检测领域。     

基于改进自适应分解法的单通道雷达引信混合信号分离

为了更好地改善单通道多分量调频体制雷达引信信号的时频分布,以便于完成参数估计和信号分离,将自适应chirplet分解法引入到单通道雷达引信信号的分离问题当中,并加入时频曲线弯曲度因子,提出一种改进的自适应chirplet分解法,使其能够被用于非线性相位信号的分解,利用快速算法和优化算法,优化了运算过程,可准确且快速地求解出各参数,得到无交叉项的多分量信号时频分布,使复杂混合情况下的多分量信号也能够被较好地分离.通过仿真,利用该方法对多种情况下混合信号的时频分布进行了很好的改进,而后分解出了各分量信号,并通过分析计算出了相应的混合系数,仿真结果说明了该方法的有效性,且具有一定的抗噪声性能.     

基于经验模态分解-Wigner分布的光学元件中频误差识别

对于大尺寸高精密光学元件,不仅要对光学元件表面低频面形精度和高频粗糙度进行控制,还需要严格限制中频误差,以保证其使用性能和稳定性。为了确定光学元件的不合格区域并指导其返修,引入经验模态分解(EMD)和Wigner分布(WVD)函数方法,通过理论分析确定该方法与功率谱密度函数间的关系,实现对光学元件表面中频误差的辨识与定位。实验结果表明:EMD-WVD方法不仅可以识别分布在实验光学元件表面15~27mm空间频率为0.1mm-1的中频误差,还可以减小多分量信号所引起的空间频率为1.0~1.5mm-1的交叉项干扰,提高中频误差辨识的准确率。     

基于EMD-DISPO的Mie散射激光雷达回波信号去噪方法研究

激光雷达回波信号是典型的非稳态、非平稳信号,用传统的滤波方法难以对其进行有效地处理.利用经验模式分解方法(EMD)将信号按照不同的特征时间尺度分解为不同的IMF分量,将含有噪声的高频IMF分量剔除,可达到去噪的目的.但如果简单地将高频分量直接剔除,有可能造成有效信号的损失.可提出将EMD方法与Savitzky-Gola...     

时频-Radon变换在激光微多普勒效应特征提取中的应用

鉴于激光微多普勒效应探测运动目标复合振动的重要性,利用离散小波多分辨分析对激光微多普勒效应探测运动目标复合振动的实验数据进行分解,研究不同尺度下的信号特征。将Radon变换与时频分析结合在一起,对实验所得信号在时频域中进行分析,结果表明:时频-Radon变换适合于微多普勒信号的识别,应用该方法能够抑制多分量信号时频分布产生的交叉项干扰,有效地提取微动目标的特征,为目标特征的识别、分类和探测提供了便利。     

基于自适应窗的合成孔径激光雷达联合时频成像方法

传统距离-多普勒算法中观测期间多普勒频率为常量的假设在合成孔径激光雷达系统中不再成立.根据合成孔径激光雷达回波信号模型,推导计算了振动对合成孔径激光雷达回波相位的影响.根据实际情况引入振动频率不超过500Hz、振幅不超过0.2mm的机载平台微振动参量,结果表明载机微振动对合成孔径激光雷达成像的方位分辨率影响很大,而对距离分辨率影响不大.采用时频分析成像方法,能够有效克服传统距离-多普勒算法对时变信号处理的局限性.分析比较Wigner-Ville分布、伪WWigner-Ville分布和平滑伪Wigner-Ville分布作为核函数的时频成像结果,均无法兼顾成像分辨率和成像效率.据此本文提出了一种基于自适应窗的联合时频成像方法,根据变异系数和变异阈值的比较自适应地调整子区域窗口大小,从而达到成像分辨率和算法效率的平衡优化.仿真结果表明,本算法对成像分辨率影响不大,成像时间减少近69.87%,适用于合成孔径激光雷达对成像高分辨率和成像效率的要求.     

基于自适应窗的合成孔径激光雷达联合时频成像方法

传统距离-多普勒算法中观测期间多普勒频率为常量的假设在合成孔径激光雷达系统中不再成立.根据合成孔径激光雷达回波信号模型,推导计算了振动对合成孔径激光雷达回波相位的影响.根据实际情况引入振动频率不超过500 Hz、振幅不超过0.2 mm的机载平台微振动参量,结果表明载机微振动对合成孔径激光雷达成像的方位分辨率影响很大,而对距离分辨率影响不大.采用时频分析成像方法,能够有效克服传统距离-多普勒算法对时变信号处理的局限性.分析比较Wigner-Ville分布、伪WWigner-Ville分布和平滑伪Wigner-Ville分布作为核函数的时频成像结果,均无法兼顾成像分辨率和成像效率.据此本文提出了一种基于自适应窗的联合时频成像方法,根据变异系数和变异阈值的比较自适应地调整子区域窗口大小,从而达到成像分辨率和算法效率的平衡优化.仿真结果表明,本算法对成像分辨率影响不大,成像时间减少近69.87%,适用于合成孔径激光雷达对成像高分辨率和成像效率的要求.     

针对磁共振射频脉冲的时频域分析方法比较研究

射频脉冲可实现样本自旋体系的精确操控,进而产生预期的核磁共振(NMR)信号,在NMR信号产生过程中扮演重要角色.该文分别采用短时傅里叶变换(STFT)、连续小波变换(CWT)和维格纳-威利分布(WVD)几种时频域分析方法对射频脉冲(优化形状脉冲)进行特性分析和比较.结果表明,三种方法各自具有优缺点,结合各自优势对射频脉冲进行各种方法分析,可以更好地理解复杂脉冲的幅度、相位特性在时频域的分布情况.该文的研究方法将为直观理解复杂射频脉冲对自旋体系的作用机制提供参考.     

经验模态分解法在光纤光栅围栏报警系统中的应用

为了解决基于FBG传感器的光纤围栏报警系统中多个FBG传感器在同时受扰时,定位报警信号难的问题,实现对报警信号的有效识别和判断,提出了一种基于经验模态分解（EMD）和小波包特征熵算法的分析方法。利用经验模态分解法对于信号的突变性敏感和有效保留以及其特有的自适应性分解特性,首先对报警信号进行经验模态分解,再结合小波包分解,得到小波包系数提取其信号的能量分布,再做归一化得到信号的能量分布特征向量,进而运用相关性分析实现对报警信号的识别和判断。通过建立实验模型,对采集到的报警信号做了分析,证明了该方法对于解决光纤围栏报警系统中FBG传感器的级联判断报警信号的有效性。     

基于改进经验模态分解域内心动物理特征识别模式分量的心电信号重建

心电图(electrocardiogram,ECG)诊断心脏疾病的严格标准,要求有效地消除噪声并准确地重建ECG信号.经验模式分解(empirical mode decomposition,EMD)方法重建ECG信号中,模式混叠及重建采用模式分量的识别以经验为基础,导致重建ECG信号准确度降低,且方法不具有自适应和通用性.本文首先基于积分均值定理提出一种改进的EMD方法——积分均值模式分解(integral mean mode decomposition,IMMD)方法,经5000个高斯白噪声样本的蒙特卡罗法验证,IMMD方法比EMD具有更优多分辨率分析能力,能够有效地缓解模式混叠.其次,基于ECG信号内固有心动物理特征量识别重建ECG信号所采用的模式分量,具有现实物理意义,因此,方法具有自适应和通用性.经验证,提出方法重建47例ECG信号与原ECG信号的相关系数中:31例优于变分模式分解方法;33例优于Haar小波软阈值法;42例优于集总经验模式分解方法;45例优于EMD方法.相关系数均值为0.8904,方差为0.0071,表现稳定且最优.     

基于HHT变换的起动电动机特征信号时频分析

针对车辆起动电动机电气和机械故障发生时特征信号的时变不平稳特性,进行了时频域分析处理,提出了利用现代信号处理方法对故障信号提取特征向量的方法,主要对起动电动机的电枢和轴承故障进行诊断。在构建电机故障测试实验平台的基础上,利用破坏性实验构造了故障类型,测取了电枢电流和振动信号,分别采用小波分析理论和HHT变换对信号进行分析,通过分解再重构的方式将信号分解成了频率由高到低的不同分量,并获得了故障的特征频率,提取了特征向量。实验结果表明,基于HHT变换的现代信号处理方法在处理时变非平稳信号方面比小波分析理论更具有自适应性,更易识别。     

EMD时频分析拉曼光谱和近红外光谱

用时频方法分析拉曼光谱和近红外光谱。经验模态分解光谱成为特征模态分量,模态分量比重计算显示拉曼光谱能量均匀分布于各个分量,而近红外光谱的低阶特征模态分量只承载了较少的原光谱有效信息。真实光谱和数值实验均显示,经验模态分解视拉曼光谱为调幅信号,具有高频能量吸附特性; 视近红外光谱为调频信号,在一阶特征模态分量中可以较好实现高频窄带解调。一阶特征模态分量希尔伯特变换显示,经验模态分解拉曼光谱时易出现模态混叠现象。进一步在时频域分析玉米叶片近红外光谱,经验模态分解后截掉低能量的一、二阶分量,用剩余特征模态分量重构光谱信号,均方根误差为1.001 1,相关系数为0.981 3,两个指标反映出重构精度较高; 分解趋势项表明在近红外光波段,吸光度随着波长的减小呈现递增趋势; 特征模态分量的希尔伯特变换显示,657 cm-1是碱胁迫光谱特有频率,可作为碱胁迫光谱特征频率来辨识。     

基于EMD的谱峭度方法在滚动轴承故障检测中的应用

传统谱峭度方法通常采用基于短时傅里叶变换(Short Time Fourier Transform,STFT)的峭度图方法来实现。针对STFT不能保证对瞬态脉冲这种高度非平稳信号最优的分解效果的缺点,提出一种基于经验模式分解(Empirical Mode Decomposition ,EMD)的谱峭度方法。该方法首先利用EMD和Hilbert变换得到信号的时频分布,然后将信号的时频分布按照不同层数分成若干频段,通过计算各频段的峭度值得到相应的峭度图,再根据峭度最大原则选择滤波频段进行带通滤波,最后对滤波信号采用包络分析确定故障信息。实验结果表明：相比传统基于STFT的谱峭度方法,本文方法更能准确的获得轴承加速度信号的故障特征频率信息。     

HHT时频分析土壤光谱的重金属铜离子污染信息提取模型

土壤中不同浓度Cu2+含量映射到土壤光谱上的信息量十分微弱,并且这些高光谱数据中也存在着难以避免的噪声,因而本研究的关键是如何在土壤光谱复杂的噪声环境中提取微弱Cu2+信息。经验模态分解算法(EMD)能够有效去除高光谱数据中的噪声,且EMD是Hilbert变换对“非线性非稳定”信号时频分析的前提,当引入Huang变换后,可利用Hilbert-Huang变换(HHT)模型时频分析高光谱数据以实现降噪处理与信息提取。通过时频的HHT分析不同浓度Cu2+污染下的土壤光谱,完成从原始光谱经EMD分解出各本征模态函数(IMF)分量的包络线、调制信号和频谱等曲线中挖掘土壤光谱的Cu2+污染信息。研究结果表明,相同浓度Cu2+污染时的土壤光谱HHT时频分析结果相同,不同浓度时则不同,所以也可依据IMF分量反演土壤Cu2+含量。因此,高光谱数据的HHT时频分析能为土壤光谱的信息挖掘、光谱诊断和Cu2+含量反演等提供一种新的方法和思路。     

电力变压器绕组振动声纹特性分析*

为更加准确分析变压器绕组的状态特征,本文提出一种基于多物理场耦合仿真的变压器绕组振动声纹特性分析方法。根据实验条件,建立变压器绕组振动噪声模型,考虑变压器绝缘油在噪声传播过程中的作用,对S13-M-200/10型号的油浸式变压器进行短路实验,测量油箱表面的振动加速度以及周围空间的声音信号。仿真结果与实测数据对比分析,油箱表面的振动加速度集中频率为100Hz,空间声音信号集中频率为100Hz和200Hz,验证仿真模型的有效性。最后,建立变压器机械故障的仿真模型,分析得到变压器发生机械故障时,声音信号中100Hz频率分量减少,200Hz频率分量增加,为变压器绕组故障诊断提供依据。     

总体经验模态分解能量向量用于ECG能量分布的研究

总体经验模态分解(EEMD)改进了经验模态分解(EMD)存在的模态混叠问题, 依据信号自身的波动特点将信号分解, 特别适合非线性非平稳信号的分析处理. ECG信号能量分布有一定的规律, 疾病会引起能量分布的变化, 研究ECG能量分布的改变对心脏疾病的研究和临床诊断有重要意义. 本文将ECG信号通过EEMD方法分解为多个本征模态函数(IMF)分量, 观察IMF分量的波动规律, 指出了ECG信号在不同时间尺度上的波动特点和物理意义. 将IMF分量分别计算能量, 得到ECG的能量向量, 并对健康人和三种心脏疾病患者能量向量进行对比分析. 结果表明心脏疾病导致EEMD能量向量的高频分量显著降低, 尤其是p₁分量具有较好的区分度, 可以作为心脏疾病诊断的参考依据. 相比较传统的频域分析方法单纯关注频率而忽略信号自身特点和信号成分之间的相互作用, EEMD的分解结果依赖于ECG信号本身, 因此更能够反映ECG信号的真实情况, 揭示年龄和疾病对ECG能量分布的影响.     

Dynamic modelling of spur gear pair and application of empirical mode decomposition-based statistical analysis for early detection of localized tooth defect

Gears are one of the most common and important machine components in many advanced machines. An improved understanding of vibration signal is required for the early detection of incipient gear failure to achieve high reliability. This paper mainly consists of two parts: in the first part, a 6-degree-of-freedom gear dynamic model including localized tooth defect has been developed. The model consists of a spur gear pair, two shafts, two inertias representing load and prime mover and bearings. The model incorporates the effects of time-varying mesh stiffness and damping, backlash, excitation due to gear errors and profile modifications. The second part consists of signal processing of simulated and experimental signals. Empirical mode decomposition (EMD) is a method of breaking down a signal without leaving a time domain. The process is useful for analysing non-stationary and nonlinear signals. EMD decomposes a signal into some individual, nearly monocomponent signals, named as intrinsic mode function (IMF). Crest factor and kurtosis have been calculated of these IMFs. EMD pre-processed kurtosis and crest factor give early detection of pitting as compared to raw signal.