希尔伯特-黄变换端点效应的自适应端点相位正弦延拓方法

摘要/Abstract

摘要： 针对希尔伯特-黄变换（HilbertHuang Transform，HHT）的端点效应问题，提出一种自适应端点相位正弦延拓经验模态分解（Empirical Mode Decomposition，EMD）方法.该方法根据端点附近数据变化趋势，通过在信号两端自适应加上相位、幅值和频率适当的正弦延拓函数，使得原端点的包络线顺着端点附近波形延展，以改进EMD分解精度.为满足EMD内禀模态分量（Intrinsic Mode Function，IMF）与原信号的相关性精度和EMD较低迭代次数的要求，引入能表征EMD性能的目标函数.该函数可通过迭代次数、IMF个数和有效IMF的相关系数大小等来衡量.由于该方法的边界延拓参数是根据延拓周期比例系数、延拓信号长度系数和采样频率自动确定的，故其分解过程完全是一个自适应过程，不需要人为设置，具有较好的实用性.仿真和液压系统实例分析表明，该方法不仅能较好地解决HHT的端点效应，而且相对现有的延拓方法而言，筛选次数更少，能显著提高信号EMD分解精度，且减小Hilbert谱的端点效应，更加精确地提取了液压系统齿轮泵振动信号的故障特征，取得了较好的应用效果.

关键词: 经验模态分解, 端点效应, 边界延拓, 故障诊断

Abstract: For the Hilbert-Huang Transform(HHT) endpoint effect problem, a self-adaptive method of endpoint-phase sinusoidal extension was presented. This method adaptively adds sinusoidal extension function of phase, amplitude and frequency to improve decomposition precision according to the data trend near the end. Then the object function to represent empirical mode decomposition(EMD) performance was introduced to satisfy the pertinence precision between intrinsic mode function(IMF) and original signal and low iterations of EMD. The boundary extension parameter decomposition is an adaptive process with better practicability. The simulation and example of hydraulic system show that this approach can not only solve HHT end effect, but also improve EMD decomposition precision with less filtration and reduce Hilbert spectrum end effect. Finally, it can extract the fault characteristics of gear pump vibration signal and get a good application effect.

Key words: empirical mode decomposition (EMD), end effects, endpoint extension, fault diagnosis

中图分类号:

TP 274
TH 17

李方溪, 陈桂明, 刘希亮, 张倩, 李胜朝. 希尔伯特-黄变换端点效应的自适应端点相位正弦延拓方法 [J]. 上海交通大学学报（自然版）, 2013, 47(04): 594-601.

LI Fang-Xi, CHEN Gui-Ming, LIU Xi-Liang, ZHANG Qian, LI Sheng-Chao. Processing Method for Hilbert-Huang Transform End Effects Self-Adaptive Endpoint-Phase Sinusoidal Extension[J]. Journal of Shanghai Jiaotong University, 2013, 47(04): 594-601.

参考文献

［1］Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis［J］. Procedures of the Royal Society of London, Series A, 1998,454:903995.
［2］Guo D， Peng Z P. Vibration analysis of a cracked rotor using HilbertHuang transform［J］. Mechanical Systems and Signal Processing, 2007, 21(8):30303041.
［3］Li X L, Bassiunya A M. Flute breakage detection during end milling using HilbertHuang transform and smoothed nonlinear energy operator［J］. International Journal of Machine Tools and Manufacture, 2007, 47(6): 10111020.
［4］Feldman M. Considering high harmonics for identification of nonlinear systems by Hilbert transform［J］. Mechanical Systems and Signal Processing, 2007, 21(2): 943958.
［5］Guo K. Application of EMD method to friction signal processing［J］. Mechanical Systems and Signal Processing, 2008, 22(1): 248259.
［6］Deng Y J , Wang W, Qian C C. Boundaryprocessing technique in EMD method and Hilbert transform［J］. Chinese Science Bulletin, 2001, 46 (11) : 954961.
［7］Huang D J , Zhao J P, Su J L. Practical implementation of HilbertHuang transform algorithm［J］. Acta Oceanologica Sinica, 2003, 22 (1): 114.
［8］Zhao J P，Huang D J．Mirror extending and circular spline function for empirical mode decomposition method［J］． Journal of Zhejiang University(SCIENCE)，2001，2：247252．
［9］杨建文, 贾民平. 希尔伯特黄谱的端点效应分析及处理方法研究［J］. 振动工程学报, 2006, 19 (2) : 283288.
YANG Jianwen， JIA Minping. Study on processing method and analysis of end problem of HilbertHuang spectrum［J］. Journal of Vibration Engineering, 2006, 19 (2): 283288.
［10］Cheng J S，Yu D J，Yang Y．Application of support vector regression machines to the recessing of end effects of HilbertHuang transform［J］． Mechanical Systems and Signal Processing， 2007(21)： 11971211．
［11］Qi K Y， He Z J．Cosine windowbased boundary processing method for EMD and its application in rubbing fault diagnosis［J］． Mechanical Systems and Signal Processing， 2007(21)： 27502760．
［12］胡爱军,安连锁, 唐贵基.HilbertHuang变换端点效应处理新方法［J］.机械工程学报,2008,44(4):154158.
HU Aijun, AN Liansuo, TANG Guiji. New process method for end effects of HilbertHuang transform［J］. Chinese Journal of Mechanical Engineering, 2008, 44(4): 154158.

[1]	许勇, 蔡云泽, 宋林. 基于数据驱动的核电设备状态评估研究综述[J]. 上海交通大学学报, 2022, 56(3): 267-278.
[2]	刘秀丽, 徐小力. 基于特征金字塔卷积循环神经网络的故障诊断方法[J]. 上海交通大学学报, 2022, 56(2): 182-190.
[3]	马航宇, 周笛, 卫宇杰, 吴伟, 潘尔顺. 变工况下基于自适应深度置信网络的轴承智能故障诊断[J]. 上海交通大学学报, 2022, 56(10): 1368-1377.
[4]	郑奕扬, 倪何, 金家善. 基于MSOP的蒸汽动力系统单参数运行稳定性评估方法[J]. 上海交通大学学报, 2021, 55(11): 1438-1444.
[5]	卓鹏程, 严瑾, 郑美妹, 夏唐斌, 奚立峰. 面向滚动轴承全生命周期故障诊断的GA-OIHF Elman神经网络算法[J]. 上海交通大学学报, 2021, 55(10): 1255-1262.
[6]	李春祥, 张浩怡. 基于混合多变量经验模态分解和极限学习机的非平稳过程预测[J]. 上海交通大学学报, 2020, 54(4): 376-386.
[7]	胡晓强，仲训昱，张霄力，彭侠夫，何荧. 基于支持向量机辅助的四轴陀螺两级故障诊断方法[J]. 上海交通大学学报, 2020, 54(11): 1151-1156.
[8]	李春祥，裴杨从琪，殷潇. 基于Hermite组合核EMD-WT-LSSVM的非平稳非高斯风压预测[J]. 上海交通大学学报, 2019, 53(10): 1249-1258.
[9]	逯程1，徐廷学1，王虹2. 基于属性粒化聚类与回声状态网络的末制导雷达故障诊断[J]. 上海交通大学学报（自然版）, 2018, 52(9): 1112-1119.
[10]	吴军a, b，黎国强a，吴超勇a，程一伟c，邓超c. 数据驱动的滚动轴承性能衰退状态监测方法[J]. 上海交通大学学报（自然版）, 2018, 52(5): 538-544.
[11]	江春冬1,2，王景玉1，杜太行1,2，郝静1,3，龙超1. 基于变分模态分解算法的单通道无线电混合信号分离[J]. 上海交通大学学报（自然版）, 2018, 52(12): 1618-1626.
[12]	贾雷，董炜，孙新亚，吉吟东，陈华. 基于节点电压增量方程的含容差轨道电路软故障诊断[J]. 上海交通大学学报（自然版）, 2017, 51(6): 679-685.
[13]	邱路1，叶银忠2. 基于多Agent系统的动态网络系统拓扑结构故障诊断方法[J]. 上海交通大学学报（自然版）, 2015, 49(06): 902-906.
[14]	王秀青1，侯增广2，曾慧3，吕锋1，潘世英1. 基于多传感器信息融合的机器人故障诊断[J]. 上海交通大学学报（自然版）, 2015, 49(06): 793-798.
[15]	杨旭1，彭开香1，罗浩2，KRUEGER Minjia2,宗大桥1，DING Steven X2. 基于EEMD和SVM的冷轧机垂直振动相关故障的诊断[J]. 上海交通大学学报（自然版）, 2015, 49(06): 751-756.