非平稳信号的分析方法是信号分析领域中的一个重要问题。以风洞试验获得的非平稳风压信号和升力系数信号为研究对象,采用HHT方法对信号进行时频分析。HHT（Hilbert-Huang transform）方法可以获得有意义的瞬时频率,从而给出频率随时间变化的精确表达;信号最终被表示为时频平面上的能量分布,成为Hilbert谱;该方法适用于分析生活中普遍存在的大量频率随时间变化的非线性、非平稳信号,可将复杂的信号直接分离成从高频到低频的若干阶固有模态函数。分析结果虽然没有表现出明显的频谱分布特性,但与以往HHT分析结果提取的固有模态函数不同,如果对该试验获得的非平稳信号提取的固有模态是低频部分的残余信号,忽略其他高频信号,则风压时程和升力系数时程的残余信号曲线就可以分别回归为一个线性函数和一个正弦函数。这也说明,该非平稳信号的主成...

为了提高有源噪声控制系统的降噪效果,提出了基于经验模态分解（empirical mode decomposition,EMD）和响度的控制系统。该系统首先采用EMD方法对噪声源进行自适应分解,并对分解后的各个固有模态函数（intrinsic mode functionI,MF）分量的响度进行计算,然后根据各个分量的响度大小进行残差滤波器的设计。与基于A计权曲线设计的残差滤波器相比,该方法所设计滤波器能更好地抑制响度较小的信号频率成分。对有源噪声控制系统的降噪效果进行了仿真,结果表明,所提出的控制系统比传统滤波-X LMS（filtered-X least mean square）方法和采用基于A计权残差滤波器的系统降噪效果更好。

提出一种总体经验模态分解（EEMD）算法与互信息法相结合的Hilbert-Huang变换机械故障诊断改进的方法.仿真与实例结果表明：EEMD算法能克服模态混叠弊端,获得具有实际物理含义的固有模态函数（IMF）;互信息法能有效剔除虚假分量,使最终IMF分量更加精准且集中突显故障信号特征;所提出方法能有效表征机械故障特征,并进行精确诊断.

针对机械系统固有频率的识别问题，提出了基于变分模态分解的固有频率识别方法。首先对机械系统的振动加速度响应进行变分模态分解，得到与该机械系统振动行为对应的固有模态函数；利用希尔伯特变换对各阶固有模态函数进行分析，研究各阶瞬时频率的变动趋势，以确定各阶固有频率。以悬臂梁为例，分别采用基于变分模态分解、ANSYS模态分析、经验模态分解、集合经验模态分解的固有频率识别方法对机械系统固有频率进行识别，分析结果表明基于变分模态分解的模态参数识别方法有较好的识别效果。

针对随机噪声和虚假分量影响总体平均经验模态分解（EEMD）分解质量问题提出基于奇异值分解（SVD）和第二代小波变换（SGWT）联合降噪预处理和本征模态分量（IMF）能量熵增量剔除虚假分量的改进EEMD方法。该方法首先对原始信号进行第二代小波变换利用SVD对SGWT得到的高频系数进行降噪处理克服了软、硬阈值法降噪的缺陷。然后对消噪处理的信号进行EEMD分解通过IMF能量熵增量去除虚假分量;最后对主IMF分量进行Hilbert谱分析来提取信号的主要特征。仿真和实验结果表明SVD和SGWT联合降噪故障信号信噪比显著提高且失真度小抑制了噪声对EEMD分解精度的干扰能量熵增量能有效地去除虚假IMFHilbert谱中各频率成分清晰不混叠成功提取了液压系统故障特征频率。