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]	徐寒, 朱三立, 张腾飞, 陈舒, 刘明祥. 低压配电系统剩余电流保护与重合闸逻辑组合优化方法[J]. 上海交通大学学报, 2025, 59(7): 901-911.
[2]	荣光, 张业鑫, 唐朝, 陈金宝, 周奕玲, 王建园. 基于仿真数据驱动的无人飞行器故障诊断技术研究[J]. 空天防御, 2025, 8(6): 73-84.
[3]	潘美琪, 贺兴. 基于零样本学习的风力机故障诊断方法[J]. 上海交通大学学报, 2025, 59(5): 561-568.
[4]	. 基于CEEMDAN 和 GRU的停车位预测[J]. J Shanghai Jiaotong Univ Sci, 2025, 30(5): 962-975.
[5]	. 基于深度网络和自适应阈值的脑电信号分类和伪影消除[J]. J Shanghai Jiaotong Univ Sci, 2025, 30(4): 693-701.
[6]	吴斌, 石亚卜, 姜春起. FPSO设备维修人工智能辅助系统开发研究[J]. 海洋工程装备与技术, 2025, 12(2): 31-34.
[7]	薛贵挺, 刘哲, 韩兆儒, 石访, 王倜, 王晓. 开关投切过程建模及其在配网故障诊断算法测试中的应用[J]. 上海交通大学学报, 2024, 58(9): 1381-1389.
[8]	李芬, 孙凌, 王亚维, 屈爱芳, 梅念, 赵晋斌. 基于CEEMDAN-GSA-LSTM和SVR的光伏功率短期区间预测[J]. 上海交通大学学报, 2024, 58(6): 806-818.
[9]	张宝雷, 吴禹轲, 唐雨风. 基于CART决策树的FPSO单点系泊系统电滑环故障诊断[J]. 海洋工程装备与技术, 2024, 11(2): 95-100.
[10]	孙苗, 杨钧凯, 吴立. 改进希尔伯特-黄变换含噪振动信号时频分析[J]. 上海交通大学学报, 2023, 57(12): 1648-1656.
[11]	郭俊锋, 王淼生, 王智明. 基于对不平衡数据集进行二次迁移学习的滚动轴承剥落类故障诊断方法[J]. 上海交通大学学报, 2023, 57(11): 1512-1521.
[12]	刘家赫, 胡彭炜, 程海龙. 基于性能退化的复杂系统视情维修技术研究[J]. 空天防御, 2023, 6(1): 56-62.
[13]	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.
[14]	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.
[15]	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.