为提高爆破振动信号时频分析精度, 引入一种基于傅里叶分解(FDM)的时频分析方法。首先, 基于FDM理论对原始仿真信号进行分解, 计算模态分量与原始信号相关系数及其能量占比, 从而筛选优势分量。然后, 对筛选所得分量进行Hilbert变换, 求取时频谱。同时, 基于EMD方法、EEMD方法、CEEMDAN方法对原始仿真信号进行分解, 利用能量占比理论评价分解结果的模态混叠效应, 利用Hilbert变换求取对应时频谱, 比较四种方法时频谱分辨率。最后, 将该方法用于实测爆破振动信号时频分析。结果表明: FDM可以有效解决模态混叠问题, 且其分解结果经Hilbert变换所得时频谱具有良好分辨率, 有利于提取爆破振动信号局部细节特征, 有助于获取爆破振动信号时间-频率-能量三者之间联系, 提高隧道爆破振动信号时频分析准确度。

针对齿轮故障难以识别的问题,提出了一种用于齿轮异常状态识别的自适应噪声补偿聚合经验模态分解方法。利用光纤布拉格光栅(FBG)传感器提取齿轮的振动信号,通过自适应补偿高斯白噪声使振动信号频谱均匀化,以消除经验模态算法分解产生的模态混叠现象。利用相关系数和峭度值组成综合评价指标来选择有效分量,并提取其特征,采用支持向量机对齿轮故障进行识别与分类。实验结果表明:所提方法能有效地识别齿轮的不同状态(正常、轻度磨损、重度磨损、点蚀、裂纹以及断齿等),识别正确率均在90%以上。

针对经验模态分解在实际应用中因异常信号导致的模态混叠问题, 提出了一种基于双尺度比例的判据和局部EMD的处理方法。首先分析了异常信号对EMD算法的影响, 之后提出了基于时间特征尺度和极值差(双尺度)的判据;通过该判据确定异常信号的时域位置后, 再对该时段信号进行局部经验模态分解, 实现异常信号和固有信号的分离。数值仿真实验以及对比分析表明,相比传统方法, 所提方法能够更加有效地抑制因异常信号产生的模态混叠问题。

提出了一种改进的添加自适应高频谐波进行经验模态分解(EMD)的算法，减少了EMD原始算法中频谱混叠现象。通过对原始信号的预处理，自动提取出原始信号中包含的最高频率分量，并根据提取出的频率分量进行高频谐波添加。仿真验证了添加自适应高频谐波的EMD 算法，可有效减少EMD 算法中频谱混叠现象，同时解决了高频谐波添加中频率难以确定的问题。

在使用经验模式分解(Empirical Mode Decomposition，EMD)对激光雷达回波信号进行去噪处理时，由于信号含有脉冲及间歇等间断事件而产生模态混叠，导致不能很好地分解出有用信号成分，影响去噪效果。针对这一问题，提出了一种形态滤波与EMD相结合的组合算法。首先，使用自适应多尺度形态滤波器作为前置单元，对信号进行初步处理，剔除信号中的间断事件干扰。之后，应用EMD对处理过的信号去噪。采用仿真数据及真实激光雷达回波数据进行了去噪实验。实验结果表明，文中算法相比于直接EMD去噪，在仿真试验中信噪比提高了8.89 dB，均方根误差降低了0.0514；在真实回波数据去噪实验中，6 km以后平均信噪比提高了3.356 4 dB。该组合算法有效地抑制了模态混叠现象，具有良好的去噪效果及应用前景。

针对采用经验模式分解直接阈值(EMD-DT)和经验模式分解间隔阈值(EMD-IT)在激光雷达回波信号的去噪应用中会产生的模态混叠现象，采用一种可变间隔阈值的经验模式分解(EMD-SIT)的去噪方法。首先，对信号进行经验模式分解。然后，采用过零率方法将分解出的含有噪声的固有模态函数分离。最后，应用过零点阈值，设立一个新的可变阈值，将EMD-IT和EMD-DT有效融合对信号进行去噪。通过与多种阈值的仿真对比以及激光雷达的回波信号去噪实验，结果表明该方法可以有效地去除噪声，抑制模态混叠，较EMD-IT和EMD-DT更具有优越性，因此有着很好的应用前景。