旋转机械振动信号基于EMD的希尔伯特变换和小波变换时频分析比较

基于经验模态分解(Empirical Mode Decomposition, EMD)的希尔伯特变换(Hilbert Transformation,HT),是先把一列时间序列数据通过经验模态分解,然后经过希尔伯特变换获得频谱的信号处理新方法。介绍了该方法的理论和算法。对仿真和旋转机械油膜涡动故障振动信号分别用基于EMD的HT和基于小波变换(Wavelet Transformation,WT)的时频分析在时域、时频域和频域进行了比较研究,研究结果说明,旋转机械振动信号基于EMD的HT时频分析方法比基于WT的有效。

多尺度形态滤波模态混叠抑制方法

针对Hilbert-Huang变换(HHT)中存在的模态混叠现象,依据数学形态学理论,提出多尺度平均组合形态滤波方法,并构建了多尺度平均组合形态滤波器对原始振动信号进行降噪预处理,以实现对模态混叠的抑制。并以滚动轴承的振动信号为原始数据进行故障特征频率提取实验,将所提方法与集合经验模态分解(EEMD)方法对模态混叠的抑制效果进行对比。结果表明,所提的多尺度平均组合形态滤波方法耗时仅为EEMD的1/10,且特征频率提取的误差率比EEMD低0.16%。最后,将多尺度平均组合形态滤波与HHT相结合进行滚动轴承故障特征提取的现场试验,特征频率提取结果与理论值的误差率为0.26%。

光通信粗瞄系统莫尔条纹信号正弦性补偿方法

为了保证光通信终端的精确对准,抑制编码器莫尔条纹正弦性偏差引入的细分误差,设计了基于经验模态分解(empir-ical mode decomposition,EMD)的正弦性修正方法。首先,介绍了卫星光通信终端跟瞄系统的组成与工作原理。接着,分析了莫尔条纹正弦偏差给系统带来的细分误差并给出满足工程需求的正弦性阈值。然后,在阐述EMD分解原理的基础上,给出了基于EMD的正弦性修正方法,该方法利用编码器自身粗码信息计算转速,从而确定精码莫尔条纹信号的基波频率值,并采用EMD分解在原始信号中提取与该值相匹配的基波分量。最后,对该方法进行了原理和转速自适应性仿真,并应用到去掉光学滤波镜片后的粗瞄回路编码器中。仿真及实验结果表明:在光通信终端的各工作转速下,修正后的莫尔条纹正弦性均小于0.85%,满足细分要求;修正后的精码译码结果精确,编码器测角精度维持在1″以内,满足终端对准精度的要求。

基于HMM校正与神经网络延拓的EMD端点效应抑制方法

针对神经网络延拓方法在抑制经验模态分解的端点效应时存在的延拓数据与真实数据往往存在误差的问题,提出了一种基于HMM校正的方法来减小预测延拓数据误差。首先利用径向基函数(RBF)神经网络预测估计方法对部分原始数据进行估计,同时对端点外数据进行预测。然后计算该方法估计的数据与真实数据的误差序列,再用HMM方法建立估计误差序列模型,用以预测延拓后数据的误差。最后用RBF神经网络延拓数据减去HMM预测的误差数据得到新的校正后延拓数据。仿真与实验证明了将HMM预测方法与RBF神经网络数据延拓结合应用到解决端点效应的过程中所得到的延拓数据更接近真实数据,能够更好地解决端点效应问题,提高了经验模态分解精度。

顾及有色噪声的改进EEMD站坐标时间序列降噪方法

针对全球导航卫星系统(global navigation satellite system,GNSS)站坐标时间序列信噪不易分离的问题,提出一种基于整体经验模态分解方法(ensemble empirical mode decomposition,EEMD)方法与相关系数准则的降噪新方法。该方法通过EEMD分解获取本征模态分量(intrinsic mode function,IMF)分量,再以相关系数准则进行高频噪声与低频信号的分离,可有效抑制传统EMD方法中的模态混叠问题,获得更精确的结果。以8个不同噪声、信号模型的仿真信号及5个实测站坐标时间序列进行实验分析,通过多种指标进行精度评估,结果表明:与传统EMD方法相比,基于EEMD与相关系数准则的方法能够获得更精确的坐标时间序列,且不受有色噪声模型影响,稳定性高。

地磁变化场的MEEMD-样本熵-LSSVM预测模型

针对地磁变化场时间序列的混沌特性,提出了一种改进的集成经验模态分解(modified ensemble empirical mode decomposition,MEEMD)-样本熵-最小二乘支持向量机(least square support vector machine,LSSVM)的地磁变化场预测模型。首先,利用MEEMD-样本熵将非平稳的地磁变化场时间序列分解为一系列复杂度差异明显的地磁变化场子序列;然后,针对每一个子序列分别建立LSSVM模型,选择各自适合的最优模型参数;最后,以地磁台站实测的地磁变化场数据为例进行实验,并与基于单一LSSVM以及RBF径向基神经网络的两种预测模型进行比较。实验结果表明,MEEMD-样本熵-LSSVM模型的预测值能紧跟地磁变化场的变化趋势,相比另外两种模型,体现出更好的预测效果,在地磁Kp指数小于3时,预测3h平均绝对误差为1.63nT。