风电机组齿轮箱故障一直是风电场主要机械故障之一,其故障信息多是混有噪声的非平稳信号。为避免陷入对复杂的非线性信号求解,提出多种算法融合下的数字信息频率筛查处理方法。首先利用小波分析对高频信号的敏感性进行消噪,然后充分利用Hilbert-Huang变换对非平稳信号的分解和时频变换能力进行信号特征挖掘,在被干扰的非平稳信号里面找出故障对应频率。充分利用多种算法融合有效去除与主频率不相关的高频噪声,找出时域变换的边际谱。避免了直接分解含有高频信号的不确定性,降低了信号分解过程中回流成分,避免发生反射现象,完成对风电机组齿轮箱故障的非平稳信号频率筛查比对。通过对某机组进行故障实验,验证数字信息频率筛查方法的有效性。

气动阻尼研究对流固耦合问题具有重要意义,因此对气动阻尼识别方法的研究是必要的。文章首先对谱分析方法和时间序列法这两类方法进行了介绍和分析;其次,对时间序列法中以随机减量法为基础的HHT和小波分析进行了详细介绍,并进行分析和比较;最后,对谱分析方法中快速贝叶斯FFT方法进行了详细阐述和分析。

由于在短样本条件下Hilbert-Huang变换（Hilbert-Huang transform,简称HHT）识别模态参数的精度主要受经验模态分解（empirical modal decomposition,简称EMD）模式混合和随机减量法（random decrement technology,简称RDT）提取自由衰减响应时平均次数不足的影响,针对这两个影响因素,引入带宽限制信号抑制EMD的模式混合,提高EMD的精度;并引入分层抽样技术,提出基于拟合偏差和样本量的层权确定方法来进行多次识别,然后加权平均,提高RDT的总平均次数。仿真试验和应用实例表明,结合分层抽样的限制带宽EMD识别模态参数的方法能提高短样本条件下HHT识别模态参数的精度。

基于工程结构振动信号的分析与处理识别结构的模态参数,是结构健康监测和损伤诊断的重要手段之一。基于傅里叶分析的信号处理方法对非线性、非稳态信号的处理能力差,传统的模态参数识别方法也存在阻尼比识别精度不高的问题。基于Hilbert-Huang变换和自然激励技术,提出了一种新的模态参数识别方法,首先通过经验模态分解和Hilbert变换提取信号的瞬时特性,进而利用自然激励技术和模态分析的基本理论识别结构的模态频率和模态阻尼比。利用这一方法,对12层钢筋混凝土框架模型振动台试验一测点的加速度记录进行了处理,识别了模态参数,识别结果与其它识别方法及有限元分析结果的对比表明该方法识别模态频率是可靠的,而模态阻尼比的识别虽然较传统的基于傅里叶变换的半功率带宽法有所改进,但识别的精准性仍然难以确认。

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.

为了提取离心压缩机早期喘振特征频率,在对信号进行小波包降噪抽样后,利用Hilbert-Huang变换（HHT）进行信号特征提取。通过经验模态分解（EMD）得到若干固有模态函数（IMF）,然后利用相关系数法对IMF进行筛选。通过趋势项和原始信号对比可知压缩机流量减少是造成振动的主因,最后对有效IMF信号进行Hilbert变换,并求其边际谱,提取压缩机喘振频率为7.3Hz。

采用Hilbert-Huang变换，提取轴向柱塞泵泵壳振动信号故障特征。该方法先对信号进行EMD分析和Hilbert变换，再提取信号Hilbert谱及能量谱。能量谱反映了信号能量的大小和分布的复杂性，为信号特征的提取提供依据。实验分析结果表明，提取的特征有效地刻画了故障信号，为故障模式的识别奠定了基础。