Hilbert-Huang变换在爆破震动信号分析中的应用

介绍了Hilbert Huang变换(HHT)法的原理、内容和优越性,并用仿真信号进行实例分析,以验证其关键技术经验模态分解(EMD)的高效性、自适应性,以及其时频图能定量地描述时间与瞬时频率的关系。用HHT法对爆破震动信号进行分析与处理。研究结果表明:EMD能很好地按不同的时间尺度对信号进行分解,分解后的固有模态函数能反映信号本身所固有的特性;能将Hilbert能量谱中的信号能量清晰地表示在时间-频率-能量的分布图上;HHT法能有效地提取爆破震动信号的时频特征;HHT法比小波分析更具适应性,为爆破震动信号的分析与处理提供了新的研究思路与方向。

Hilbert-Huang变换与大地电磁噪声压制

大地电磁信号具有非线性、非平稳、非最小相位特征,不符合以Fourier变换为基础的传统功率谱估计的基本要求.Hilbert-Huang变换是近年发展起来的处理非线性、非平稳信号的完全局部时频分析方法.本文在简要介绍Hilbert-Huang变换基本原理与算法基础上,以实际数据分析为例,探讨了它在大地电磁信号处理及噪声压制中的应用.提出利用Hilbert时-频能量谱对大地电磁信号进行时段筛选,以提高信号品质,增强数据处理的质量和资料的可解释性.利用经验模态分解方法及其多尺度滤波特征,可以有效地分析MT信号中的噪声分布特征,并进行干扰压制.

一种基于改进Hilbert-Huang变换的非平稳信号时频分析法及其应用

对于非平稳信号时频分析,提出了一种基于改进Hilbert-Huang变换(HHT)的分析方法.根据HHT的已有原理,改进了经验模式分解(EMD)过程中的筛选停止准则,提高了分解精度;给出了Hilbert谱分析的完整过程;以线性调频连续波(FMCW)信号模型作为研究对象,结合改进的EMD分解和完整的Hilbert谱分析,通过分析时频分布特征实现高噪声背景下雷达目标信号的检测以及干扰信号的提取.仿真结果表明了改进后的HHT方法对于低信噪比非平稳信号分析的有效性.

Hilbert-Huang变换的滤波特性及其应用

Hilbert-Huang变换是最新发展起来的处理非线性非平稳信号的时频分析方法。其基本的实现分为两步,多分辨经验模态分解和瞬时频率的求解,随后可以获得信号的时—频谱。这种方法的关键部分是多分辨经验模态分解,任何复杂的信号都可以分解为有限数目并且具有一定物理意义的固有模态函数。多分辨经验模态分解方法可以解释为以信号极值特征尺度为度量的时空滤波过程。时空滤波器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很大的优势。文中介绍了Hilbert-Huang变换时空滤波的实现过程,并列举了一些实例,说明了该方法的有效性。

利用Hilbert-Huang变换提取地震信号瞬时参数

通过Hilbert变换求取的信号瞬时参数并非对任何信号都有物理意义,此法通常要求被分析信号是窄带或平稳的,而且对噪声很敏感。而实际地震信号既非平稳又含有噪声,若在实际应用中不加考虑地对地震信号进行Hilbert变换以求取瞬时参数,这种情况下求取的瞬时参数将缺乏物理意义甚至失真。Hilbert-Huang变换是一种新的分析非平稳非线性信号的方法,它先将信号进行经验模态分解(EMD),形成有限个固有模态函数(IMF)之和,再对固有模态函数作Hilbert变换求取时频谱,求取的时频谱在时域和频域都具有较高的分辨率。本文将Hilbert-Huang变换应用于地震瞬时参数的提取,实例表明,对地震剖面做EMD可以得到不同时间尺度上的特征,Hilbert谱比传统的时频谱在时间和频率域上的分辨率都要高,强反射层在第1阶IMF瞬时频率剖面上比原瞬时频率剖面上表现得更为明显。

基于RO-SBM的Hilbert-Huang变换端点效应抑制方法

针对Hilbert-Huang变换方法中由于信号经验模态分解(empirical mode decomposition,简称EMD)过程中所存在的端点效应问题,分析了现有数据延拓方式的利弊,并在基于斜率(slope based method,简称SBM)方法以及改进方法(improved slope based method,简称ISBM)的基础上提出了一种全新的基于斜率再优化(reoptimization slope based method,简称RO-SBM)方法用于信号序列的极值点延拓,然后对延拓后的数据进行EMD分解,得到相应的本征模函数(intrinsic mode function,简称IMF)分量。数值仿真结果表明,采用基于RO-SBM方法进行数据延拓,相比镜像延拓以及ISBM方法,可以更有效地抑制EMD中的端点效应问题,提升HHT方法的信号分析性能。通过基于RO-SBM方法进行数据延拓的HHT方法准确分离出了某转子系统的局部碰摩径向振动信号中所包含的故障特征分量,并将此方法成功应用于旋转机械故障诊断领域。

Teager-Huang变换在齿轮裂纹故障诊断中的应用

提出了一种基于Teager-Huang变换的齿轮箱故障诊断方法,该方法综合利用了经验模态分解(empiricalmode decomposition,简称EMD)和Teager能量算子分析技术。由于EMD方法具有自适应的分析能力,首先利用EMD把时间序列信号分解成不同特征时间尺度的固有模态函数,然后用Teager能量算子计算各固有模态函数的瞬时幅值和瞬时频率,得到Teager-Huang变换时频谱。齿轮箱齿轮裂纹故障振动试验信号的研究结果表明:Teager-Huang变换时频谱优于Hilbert-Huang变换时频谱,能有效地识别齿轮的裂纹故障。

基于Hilbert-Huang变换和随机减量技术的模态参数识别

傅里叶分析的信号处理方法对非线性、非平稳信号的处理能力差,传统的模态参数识别方法也存在阻尼比识别精度不高的问题。基于Hilbert-Huang变换和随机减量技术提出了一种新的、实用的模态参数识别方法,首先对结构振动信号进行滤波处理和经验模态分解,得到若干阶本征模态响应,然后利用随机减量技术提取自由衰减响应,进而由Hilbert-Huang变换得到信号的瞬时特性,最后结合模态识别的基本理论识别结构的模态频率和模态阻尼比。为了验证这一方法的有效性,对12层钢筋混凝土框架模型振动台试验一测点的加速度记录进行了处理,识别了模态参数,识别结果与其它识别方法及有限元分析结果的对比表明该方法识别模态频率是可靠的,而模态阻尼比识别的精准性仍然难以确认。

基于Hilbert-Huang变换的梁结构损伤识别方法研究

提出一种基于空间Hilbert-Huang变换进行损伤识别的方法。以工程中最常用的梁结构为对象,首先从理论上分析了损伤对梁结构动力学参数的影响,揭示了损伤所带来的模态奇异性特征;然后通过EMD自适应的分解模态信号,由Hilbert变换捕获其损伤特征频率的变化,有效地识别了损伤存在时位置和损伤程度。通过数值实验,验证了空间HHT变换方法在损伤识别中具有很高的频率分辨率,同时又具备较强的抗噪性能。

Huang变换在地震波信号纠偏中的应用

一种新的信号处理方法Huang变换能够提取信号的均值或趋势,而对地震加速度记录进行二次积分得到较长时间内的位移时程会“飘离”零线,据此通过Huang变换后固有模态函数分量信息重构推导Huang变换在地震波信号纠偏中的原理.为了验证其应用性,从波形、反应谱和结构位移反应进行实例比较分析,结果得出Huang变换在地震波信号纠偏中有一定的应用前景.

基于Hilbert-Huang变换的语音信号共振峰频率估计

由快速傅里叶变换(FFT)初步估计出的语音信号的各阶共振峰频率确定相应带通滤波器的参数,并用该参数对语音信号作滤波处理,对滤波后的信号进行经验模态分解(EMD)得到一族固有模态函数(IMF),按能量最大原则确定出含有共振峰频率的IMF,计算出该IMF的瞬时频率和Hilbert谱即得到语音信号的共振峰频率参数.实验结果表明,与传统方法相比,该方法无须对语音信号进行分帧截断,提高了语音信号共振峰频率估计的时频分辨率和准确性,能够更精确地反映共振峰频率随时间的快速变化.

基于Hilbert-Huang变换的煤矸声波信号分析

基于Hilbert—Huang变换技术，对综采工作面上采集的煤和矸石振动声波信号进行了经验模态分解（EMD）和Hilbert谱分析，得到顶煤下落和煤矸混放2种情况下声波信号的频率和幅值特征，即顶煤下落产生的声波信号主要集中在400—600Hz范围内；当有矸石出现，即煤矸混放时，声波信号中还出现了比较强的高频信号成分（1000～2800Hz），而因为煤矸混放，放煤量降低，其400～600Hz频率范围内的信号成分减弱。煤矸声波信号的上述特征可用于煤矸界面的识别。

二维Hilbert-Huang变换及其在图像增强中的应用

为了更加有效地提取图像细节,在分析希尔伯特——黄变换(Hilbert-Huang Transform,HHT)的基础上给出了二维HHT的实现方法,并应用于图像增强.首先对二维图像信号进行基于Delaunay三角分割的二维经验模式分解,再将分解得到信号的各个内蕴含模式分量分别作总体Hilbert变换.实验结果表明,此方法可细致地描绘出图像的边缘信息,并可在不同程度上体现图像的轮廓信息.该研究在图像压缩和图像分割中有重要的意义.

基于Hilbert-Huang变换的QRS波检测算法研究

心电图(ECG)被广泛应用于心脏疾病诊断,而ECG中QRS复合波的检测是对ECG进行处理和分析的基础。本文提出一种新的QRS复合波检测算法。该算法利用Hilbert-Huang变换(HHT)中的经验模式分解(EMD)将心电信号自适应地分解为一组称为内禀模态函数(IMF)的波动模态成分。然后,结合软阈值去噪方法,构造出有利于QRS复合波检测的检测层,利用模极大值和QRS复合波特征点之间的对应关系,实现了对QRS复合波的检测。经MIT-BIH心率失常数据库验证,该算法对QRS复合波检测的平均准确率达到了99.34%,平均灵敏度为99.77%,平均阳性预测率为99.56%。

基于Hilbert-Huang变换的大跨屋盖气动阻尼识别

当风流经大跨柔性屋盖时,屋盖在内外压共同作用下表现出显著的流固耦合特性.根据Hilbert-Huang变换的特点,在比较多种气动阻尼识别方法的基础上,提出联合采用经验模态分解法(EMD)、改进的随机减量法(MRDT)和Hilbert变换法(HT)进行大跨屋盖气动阻尼识别研究,并详细阐述了联合法的技术原理.通过大跨屋盖气弹模型风洞试验,将采集的信号经EMD法得到各阶模态响应(IMF),提取主要IMF经过MRDT、HT及带通滤波技术,识别出屋盖在四周封闭和突然开孔两种状态下的气动阻尼和固有频率.研究了在不同风速下屋盖气动阻尼的变化特性.在突然开孔时,气动阻尼对屋盖风致振动的影响不可忽略.

基于Hilbert-Huang变换的振动信号特征提取

采用Hilbert-Huang变换,提取高压齿轮泵泵壳振动信号故障特征。该方法先对信号进行EMD分析和Hilbert变换,再提取信号Hilbert谱及谱熵。Hilbert谱刻画了信号的能量随时间和频率的变化规律,而谱熵刻画了信号能量分布的复杂性。分析结果表明,提取的特征有效地刻画了故障信号,为故障模式的识别奠定了基础。

Hilbert-Huang变换在行星齿轮箱故障诊断中的应用

提出了一种基于H ilbert-Huang变换的行星齿轮箱轴承故障诊断的新方法,叙述了该方法的基本原理.测量了行星齿轮箱轴承的故障振动信号,并用经验模态分解方法将振动信号分解成不同特征时间尺度的固有模态函数,然后对固有模态函数进行边际谱和能量谱分析,就可识别齿轮箱轴承的故障部位和类型.齿轮箱轴承故障振动实验信号的研究结果表明:该方法能有效地识别轴承的故障.

基于时延自相关预处理的Hilbert-Huang变换解调

针对具有噪声干扰的旋转机械故障振动信号解调问题,提出基于时延自相关运算和经验模态分解(EMD)方法相结合的新方法.讨论了时延相关算法的降噪原理、离散信号时延相关算法和Hilbert-Huang变换理论.采用矩形窗截断故障振动信号自相关函数的无偏估计,获取较长时间差的部分,得到时延相关函数.利用EMD方法对时延相关函数进行自适应滤波,得到固有模态函数(IMF),对IMF进行Hilbert变换,求得解调结果.不同噪声强度仿真数据和滚动轴承故障振动信号实验数据分析表明,该方法比直接解调或仅采用时延相关解调更能有效抑制噪声,凸现信号调制信息.

基于Hilbert-Huang变换理论的非平稳数据处理

详细介绍了Hilbert-Huang变换这一全新的处理非平稳信号数据的方法,将其用于分析土木工程中常用的El Centro地震波南北向记录。将该记录分解成9个固有模态函数分量和1个残余量,进而得到相应的瞬时频率图、瞬时能量图和振幅-频率-时间三维分布图谱,并将其边际谱与Fourier谱作了比较。结果表明,波的能量主要集中在低频分量10 Hz以下,并且Fourier谱在高频分量处高估波谱能量,在低频分量处低估波谱能量。根据此三维分布而定义的平稳度,对其频域和时域的平稳性进行了分析,得到该记录随频率及时间变化的平稳度曲线。

Hilbert-Huang变换及其滤波特性研究

Hilbert-Huang变换是最新发展起来的处理非线性非平稳信号的时频分析方法。其基本的实现分为两步,经验模态分解和瞬时频率的求解。这种方法的核心部分是经验模态分解,任何复杂的信号都可以分解为有限数目并且具有一定物理意义的本征模态函数,对这些本征模态函数作Hilbert变换即可得到每一个本征模态函数的瞬时频率。经验模态分解方法是一个以信号极值特征尺度为度量的时空滤波过程,它充分保留了信号的局部特征,在信号的滤波和去噪中具有较大的优势。本文讨论了Hilbert-Huang变换时空滤波的实现过程,仿真验证了该方法的优越性。