一种识别EMD虚假分量的新方法.pptxVIP

content目录01研究背景与问题提出02EMD虚假分量的成因与特征分析03现有识别方法的技术演进04基于深度神经网络的新方法框架05方法性能验证与实验分析06技术优势与未来发展方向

研究背景与问题提出01

经验模态分解在非平稳信号分析中具有自适应优势，但易产生无物理意义的虚假分量自适应优势EMD能根据信号自身特征进行分解，无需预设基函数，适用于非线性非平稳信号分析。其完全数据驱动的特性在结构振动、故障诊断等领域展现出强大灵活性。虚假分量产生由于极值点插值偏差和端点效应，EMD常生成无物理意义的IMF分量。这些虚假分量尤其出现在低频段，干扰真实模态识别与参数提取。缺乏客观标准传统方法依赖人工经验判断IMF真伪，主观性强且难以复现。长期健康监测中需避免人为干预，提升算法自动化与可靠性水平。影响后续分析虚假IMF会导致能量分布失真，影响希尔伯特变换后的时频结果精度。模态参数如频率、阻尼比的估计误差增大，降低诊断可信度。

传统HHT流程中虚假IMF的识别依赖主观判断，难以满足自动化监测需求主观判别局限传统HHT中虚假IMF的识别依赖工程师经验，缺乏统一标准。主观判断易导致结果不一致，难以在长期监测中保持可靠性与可重复性。自动化需求迫切结构健康监测趋向无人值守与远程监控，要求算法具备自适应能力。剔除人为干预成为实现智能诊断系统的关键前提。现有方法瓶颈相关系数法等虽常用，但阈值设定依赖先验