-
题名广义经验模态分解性能分析与应用
被引量：12
- 1
-
-
作者
郑近德
程军圣
曾鸣
罗颂荣
-
机构
湖南大学汽车车身先进设计制造国家重点实验室
-
出处
《振动与冲击》
EI
CSCD
北大核心
2015年第3期123-128,155,共7页
-
基金
国家自然科学基金(51175158
51075131)
+2 种基金
湖南省自然科学基金(11JJ2026)
湖南省研究生科研创新项目资助(CX2013B144)
湖南省机械设备健康维护重点实验室开放基金资助项目(201202)
-
文摘
针对经验模态分解(Empirical Mode Decomposition,EMD)的均值曲线采用三次样条拟合而容易引起包络过冲和不足等缺陷,相关学者提出了许多改进均值曲线的变种EMD方法,取得了一定的效果。广义经验模态分解(Generalized EMD,GEMD)方法综合了多种改进EMD方法,通过定义不同的均值曲线对信号进行逐阶筛分,从得到的每一阶分量中选取最优作为最终的广义内禀模态函数(Generalized Intrinsic Mode Function,GIMF),由于每一阶的GIMF分量都是最优的,因此相较于EMD等单一均值曲线筛分方法,GEMD分解结果也是最优的。论文对GIMF分量准则进行了改进以及对GEMD性能进行了分析,并将GEMD应用于仿真和实测信号的分析,结论表明GEMD分解是完备的和正交的,有比EMD更强的分解能力,而且适合机械振动信号的处理和故障诊断。
-
关键词
经验模态分解
广义经验模态分解
局部特征尺度分解
分解能力
故障诊断
-
Keywords
EMD
GEMD
local characteristic-scale decomposition
capacity of decomposition
fault diagnosis
-
分类号
TH165.3
[机械工程—机械制造及自动化]
TN911
[电子电信—通信与信息系统]
-
