当前位置：文档之家 › 基于小波包分解的能量特征法、基于希尔伯特—黄变换的边际谱特征法、基于双谱估计的双谱特征法硕士学位论文

基于小波包分解的能量特征法、基于希尔伯特—黄变换的边际谱特征法、基于双谱估计的双谱特征法硕士学位论文

  • 格式：doc
  • 大小：5.65 MB
  • 文档页数：81

摘要基于小波包分解的能量特征法、基于希尔伯特—黄变换的边际谱特征法、基于双谱估计的双谱特征法摘要全光纤安防系统是分布式干涉型的光纤扰动定位和传感防卫系统，能够获取被测区域空间和时间的变化，具有现场无源、抗电磁干扰、抗腐蚀、极高的灵敏度和监测范围大等特点。

对检测的光纤扰动信号进行及时准确的识别对于保障保护区域安全有着重要意义。

本文以光纤扰动信号为研究对象，研究信号模式识别方法。

首先介绍了小波去噪法和谱相减去噪法,通过实验给出两种去噪方法的适用环境；其次重点研究三种特征提取方法：基于小波包分解（WPD）的小波能量特征法、基于希尔伯特—黄变换（HHT）的边际谱特征法、基于双谱估计的双谱特征法，并提出一种改进特征向量的方法。

接着介绍了两种分类器设计方法：神经网络和支持向量机；最后使用构建的模式识别系统对实际光纤扰动信号模式识别。

在特征提取部分，论文详细介绍了三种时频联合分析方法，进行了理论分析和仿真实验。

对信号进行5层小波包分解，将分解系数重构来构造32维特征向量的小波包能量特征提取方法；对信号进行希尔伯特—黄变换，计算希尔伯特谱，再对由希尔伯特谱积分求得的边际谱采样，构造51维的边际谱特征；将信号进行双谱估计，将第一象限双谱绝对值按频率点加和，构造128维的双谱特征。

在分类器设计部分，神经网络相关理论介绍了BP神经网络、RBF神经网络和小波神经网络；在支持向量机理论方面介绍了一对一（OAO）、一对多（OAA）、有向无环图（DAG）、非平衡二叉树（NBBT）策略下的多类支持向量机；并且提出一种神经网络与支持向量机策略相结合的分类器设计方式，得到实验验证。

结果表明，小波能量特征法、三次改进的边际谱特征法和双谱特征法均能将三种实际光纤扰动信号准确识别。

小波方法和双谱估计方法能满足准确性和时效性，其中双谱估计的时效性稍差，但在准确性方面更优。

与支持向量机结合的方法相比，双谱特征提取法与神经网络分类器设计法结ABSTRACT合表现出更好的实用性能，对测试样本识别率高达100%。

关键词：模式识别；特征提取；小波包分解；希尔伯特-黄变换；双谱估计；神经网络；支持向量机ABSTRACTABSTRACTAll-optical security system is a distributed fiber-optic disturbance location and sensor defense system, able to obtain the measured changes in space and time in the region. The paper dose research on pattern recognition of fiber security-monitoring system .Firstly, wavelet denoising method and Spectral subtraction method are introduced. Applicable environment for two methods are given through experiments; Second, the energy characteristic method based on wavelet packet decomposition(WPD), marginal spectrum characteristic method based on Hilbert - Huang transform (of HHT) ,method based on bispectrum estimation and a new method to improve signal eigenvectors are proposed. Then the paper introduces neural networks and support vector machine; At last this paper presents the whole pattern recognition in combination with actual application.In feature extraction part, this paper presents a method to extract 32-D feature vector using WPD,a method to construct a 51-D marginal spectral characteristics by HHT, a method to get a 128-D spectrum characteristics using bispectrum estimation.In the design part of the classifier part, this paper introduces neural network theory and support vector machine theory, proposes a new method combining neural network and support vector machine strategy.The results show that the wavelet energy feature method, three improved marginal spectrum characteristic method and the bispectrum characteristics method can recognize three different fiber disturbance signals accurately. The wavelet method and bispectrum method can be real-time, accurate, highly-effective. For bispectrum estimation method spends more time and presents better accuracy.Compare with support vector machine method, neural network classifier is better for combining bispectrum feature extraction.The recognition rate is 100% for the test samples.Key words:pattern recognition; feature extraction; wavelet package decomposition; hilbert-huang translation; bispectrum estimation; neural network;support vector machine目录目录摘要 (I)ABSTRACT (II)目录 (III)第1章绪论 (1)1.1. 模式识别 (1)1.1.1. 模式识别的基本概念 (1)1.1.2. 模式识别系统 (1)1.2. 光纤传感器及全光纤安防系统 (2)1.2.1. 光纤传感器 (2)1.2.2. 全光纤安防系统 (2)1.3. 模式识别方法的发展现状 (3)1.3.1. 信号去噪方法 (3)1.3.2. 时频分析特征提取 (4)1.3.3. 分类器设计 (5)1.4. 全文工作介绍 (5)1.4.1. 全文工作的安排 (5)1.4.2. 全文工作的意义 (6)第2章信号去噪 (8)2.1. 傅立叶变换与小波变换 (8)2.1.1. 傅立叶变换 (8)2.1.2. 小波变换 (8)2.2. 谱相减去噪 (9)2.2.1. 谱相减去噪法 (9)2.2.2. 改进后的谱相减去噪法 (10)2.3. 小波去噪 (11)2.3.1. 小波基 (11)2.3.2. 模极大值去噪法 (12)东南大学硕士学位论文2.3.3. 小波阈值去噪法 (13)2.4. 谱相减去噪与小波能量阈值去噪的比较 (16)2.4.1. 基于不同小波基的仿真实验 (16)2.4.2. 对于不同信噪比信号的仿真实验 (18)2.4.3. 实验小结 (20)2.5. 本章小结 (20)第3章信号特征提取与选择 (21)3.1 小波包分解 (21)3.1.1 小波包分解定义 (21)3.1.2 小波包的空间分解 (22)3.1.3 小波包分析能量特征提取 (22)3.1.4 仿真实验 (23)3.2 希尔伯特-黄变换 (27)3.2.1 希尔伯特-黄变换概述 (28)3.2.2 希尔伯特-黄变换特征提取 (30)3.2.3 仿真实验 (31)3.2.4 希尔伯特-黄变换应用 (33)3.3 双谱估计 (34)3.3.1 双谱的定义 (35)3.3.2 双谱特征提取 (35)3.3.3 仿真实验 (36)3.4 一种改进特征向量的方法 (37)3.4.1 样品与样品之间的距离 (37)3.4.2 类与类之间的距离 (38)3.4.3 一种扩大类间距离的方法 (38)3.5 实验结果与讨论 (39)3.6 本章小结 (40)第4章分类器设计 (41)4.1神经网络 (41)4.1.1 BP神经网络和RBF神经网络 (42)目录4.1.2 小波神经网络 (43)4.1.3 三种神经网络比较 (44)4.2 支持向量机 (45)4.2.1 一对一（OAO） (46)4.2.2 一对多（OAA） (46)4.2.3 有向无环图（DAG） (46)4.2.4 非平衡二叉树（NBBT） (47)4.3 神经网络与支持向量机 (48)4.3.1 神经网络与支持向量机策略的结合 (48)4.3.2 实验结果与讨论 (49)4.4本章小结 (50)第5章实验结果与分析 (51)5.1 实验信号 (51)5.2 小波包能量特征法 (51)5.3 希尔伯特—黄变换特征法 (52)5.3.1 改进的边际谱特征 (53)5.4 双谱估计法 (55)5.5 本章小结 (57)第6章总结与展望 (58)致谢 (59)参考文献 (61)硕士期间参与的科研项目 (65)第一章绪论第1章绪论本章主要介绍模式识别概念、全光纤安防系统的基本原理、模式识别实际应用及其研究方法的国内外发展现状以及前人在光纤信号模式识别方面的工作基础，最后介绍全文工作和结构安排。

1.1.模式识别1.1.1.模式识别的基本概念模式识别（Pattern Recognition），即机器识别、计算机识别或机器自动识别，使机器能够自动识别事物[1]。

合集下载

基于小波分解的光谱特征提取算法研究

基于小波分解的光谱特征提取算法研究

基于小波分解的光谱特征提取算法研究陈刚;陈小梅;李婷;倪国强【期刊名称】《光谱学与光谱分析》【年(卷),期】2010(030)011【摘要】物质的光谱曲线反映了其独特的反射特性,利用光谱可以进行物质的分类识别工作.由于光谱曲线数据量较大、吸收特征不明显等特点.光谱曲线的特征提取是高光谱影像分类识别中的一个关键问题之一.该文利用小波分析技术通过对原始信号的分解,以及测量目标光谱特征的吸收宽度,确定了小波分解尺度,达到突出目标光谱吸收特征而抑制非相关特征及噪声的目的.通过实验表明,该方法可有效地降光谱维数,提高了光谱匹配识别精度.【总页数】4页(P3027-3030)【作者】陈刚;陈小梅;李婷;倪国强【作者单位】北京理工大学光电学院,北京100081;Polytechnic Institute of New York University, Brooklyn, NY, U.S. 11201;北京理工大学光电学院,北京100081;光电成像技术与系统教育部重点实验室,北京理工大学,北京100081;北京理工大学光电学院,北京100081;光电成像技术与系统教育部重点实验室,北京理工大学,北京100081;北京理工大学光电学院,北京100081;光电成像技术与系统教育部重点实验室,北京理工大学,北京100081【正文语种】中文【中图分类】TP79【相关文献】1.基于离散小波变换的高光谱特征提取中分解尺度的确定方法 [J], 李军;李培军;郭建聪2.基于改进阈值的小波分解和经验模态分解的人体脉搏信号滤波算法研究 [J], 麻芙阳;谢锐3.面向混合像元分解的光谱维小波特征提取 [J], 吴波;周小成;高海燕4.基于二维Gabor小波与AR-LGC的人脸特征提取算法研究 [J], 倪永婧;孙袆;岳莹;郭志萍;高丽慧;刘微5.基于改进小波变换的QRS特征提取算法研究 [J], 侯晓晴;仝泽友;刘晓文因版权原因，仅展示原文概要，查看原文内容请购买。

基于小波包能量的脑电信号特征提取方法_徐宝国

基于小波包能量的脑电信号特征提取方法_徐宝国

本文提出了一种基于小波包变换和 AR 模型 的运动想象脑电信号特征提取方法. 该方法将大脑 C3和 C 4处采集的 2路信号进行小波包分解, 利用 对应频带小波系数的平均能量, 以脑电信号的 5阶 AR模型系数为特征向量, 采用基于马氏距离的线 性判别分析进行分类, 识别 率达到 91 43% . 该方 法提取的特征向量较好地反应了脑电信号的事件 相关去同步和事件 相关同步 的变化时 程, 为 BC I 研究中运动想象脑电信号的模式识别提供了新的 思路.
特征提取是脑机接口中的关键技术之一. 由于 脑电信号十分微弱且本身非常复杂, 要从非平稳的 脑电信号中有效、快速地区分不同意识活动的成分 是对信号处理理论的严峻挑战. 常用的特征提取方 法有 功 率 谱 法 [ 4] 、FFT 法 [ 5] 、SFT 法、AR 法 [ 6] 、 A AR 法 [ 7] 、ICA 法、双谱估计法 [ 8] 、小波分析法 [ 9 ] 等. 功率谱法利用有限长度信号来估计脑电信号的 功率谱密度, 采用该方 法获得的特征 参数意义明 确, 在人们最初认识脑电、分析脑电信号与大脑活 动关系中起到了重要作用; 但是, 在脑电信号数据 长度较短时, 该方法得到的信号统计特征不明显. FFT 法在分析突变信号的频谱时具有许多局限性. SFT 法虽然在一定程度上克服了标准 FFT 法不具 备局部分析能力的缺点, 但也存在自身不可克服的 缺陷: SFT 法是在时间窗内对信号特征取平均值, 时间窗内的信号越短, 获得的时间分辨率就越高; 根据信号测不准原理, 要得到高的频率分辨率, 则 需要长的时间窗. 由此可知, 时间局域化性质和频 率局域化性质是矛盾的. AR 模型反应了信号的时 变特性, 数据长度决定了参数估计的分辨率. AAR 模型参数随每一样本点的输入而改变, 因而能够更 好地反映大脑的状态, 但是该方法更适合分析平稳 信号. 小波分析法在低频时时间分辨率较低, 频率 分辨率较高; 在高频时时间分辨率较高, 频率分辨 率较低. 这正符合低频信号变化缓慢而高频信号变 化较快的特点, 因而更适合分析非平稳的脑电 信号.
基于小波包能量谱和Hilbert包络分析的行星齿轮故障诊断

基于小波包能量谱和Hilbert包络分析的行星齿轮故障诊断

基于小波包能量谱和Hilbert包络分析的行星齿轮故障诊断曹展;王细洋;李耀祖【摘要】行星齿轮啮合振动信号噪声干扰大,难以诊断齿轮的故障.提出一种基于扭转振动信号的行星齿轮故障诊断方法.结合小波包能量谱和Hilbert包络分析用于轴系扭转振动信号进行识别行星齿轮的早期故障.将这种方法应用于行星齿轮箱在行星齿轮磨损和行星齿轮出现断齿故障状态下采集到的实际故障行星齿轮扭转振动信号,发现这种方法能识别两种状态下的行星齿轮故障特征.将小波包能量谱和Hilbert包络分析应用于两种故障状态下的横向振动信号,发现行星齿轮磨损故障不能准确识别.实验结果表明新方法对行星齿轮早期故障的识别更敏感、准确.【期刊名称】《制造业自动化》【年(卷),期】2017(039)011【总页数】7页(P82-88)【关键词】振动信号;扭转振动信号;小波包能量谱;包络分析【作者】曹展;王细洋;李耀祖【作者单位】南昌航空大学航空制造工程学院,南昌 330063;南昌航空大学飞行器工程学院,南昌 330063;南昌航空大学航空制造工程学院,南昌 330063【正文语种】中文【中图分类】TH132.40 引言行星齿轮传动有很多的优点。

例如结构紧凑、尺寸小、重量轻、传动比大，因此被广泛的应用于风力发电机、航空器、机床等产品中。

尽管有这些优点，恶劣的运行工作状态如重载、强烈的冲击载荷，可能导致齿轮磨损、齿轮断齿等常见故障经常发生在行星齿轮箱[1,2]。

齿轮的损坏可能导致不良的动态特性，造成整个传动系统故障和重大损失。

因此，对行星齿轮箱早期故障的识别是机械故障领域中的一个重要课题。

在对行星齿轮箱横向振动信号齿轮故障特征识别中，小波分析方法取得了良好的故障特征识别效果。

近年来在信号处理等领域中，小波包能量谱和包络分析得到了广泛的应用。

王子玉等[3]将共振解调与小波分析方法相结合的方法应用于轴承故障特征提取，对轴承的外圈故障特征频率的识别非常明显。

基于Hilbert边际谱的道路载荷谱特征分析

基于Hilbert边际谱的道路载荷谱特征分析

基于Hilbert边际谱的道路载荷谱特征分析李建康;周宏月;宋向荣;王望良【摘要】针对实际道路载荷谱信号具有非平稳特点的问题,以某自卸车在不同强化道路上的实测载荷谱为研究对象,运用Hilbert-Huang变换计算其Hilbert边际谱,分析了不同强化道路载荷谱的信号特征,得出了该车的动态响应特性以及自身固有特性.在此基础上,确定迭代目标谱的滤波频率范围,并在该车的室内道路模拟试验中取得良好的迭代效果.结果表明,Hilbert边际谱能够有效地应用到非平稳道路载荷谱的分析当中.【期刊名称】《河南理工大学学报（自然科学版）》【年(卷),期】2013(032)002【总页数】5页(P213-217)【关键词】道路载荷谱;Hilbert-Huang变换;Hilbert边际谱;室内道路模拟试验【作者】李建康;周宏月;宋向荣;王望良【作者单位】江苏大学土木工程与力学学院,江苏镇江212013;江苏大学土木工程与力学学院,江苏镇江212013;江苏大学汽车与交通工程学院,江苏镇江212013;徐工集团江苏徐州工程机械研究院,江苏徐州221004【正文语种】中文【中图分类】U469.40 引言室内道路模拟试验是测定和验证汽车可靠性的重要手段，它能够以很高的精度在室内模拟汽车行驶过程中所受到的路面激励，具有重复性好、试验周期短等优点，不但减少了人力和财力［1］，而且越来越受到汽车厂商们的青睐.为了得到道路模拟试验机的作动器位移激励信号，首先要获取能够反映车辆在实际道路行驶中载荷信息的目标信号道路载荷谱(下文简称载荷谱).但在汽车试验场采集时，由于受到驾驶员的驾驶习惯、实际行驶车速的非平稳性、测量仪器的非线性失真以及行驶环境中存在风阻、坡阻、惯性等因素影响，会混入各种噪声成分［2］，使得载荷谱信号具有非平稳特征.Hilbert-Huang 变换［3］ (Hilbert-Huang Transform，HHT)是由美籍华人黄锷博士等提出的一种全新的分析非平稳非线性信号的时频分析方法，具有简单高效、自适应性强、高分辨率等优点［4］.Hilbert边际谱［3-5］是原始非平稳信号经过HHT后所得到的一种频域表示形式.目前，国内外学者已将Hilbert边际谱应用于生物医学、机械故障诊断、结构损伤检测等许多学科领域［5-11］，显示出其独特的非平稳信号处理优势，但在载荷谱分析和处理方面却鲜有报道.本文提出了基于Hilbert边际谱的道路载荷谱特征分析方法，以某型号自卸车的实测非平稳载荷谱数据为研究对象，通过计算和分析其Hilbert边际谱，得出该车在不同强化道路上的响应特性以及自身固有特性，以及根据Hilbert边际谱的能量分布特征来确定前期数字滤波的频率范围，为后期运用到室内道路模拟试验奠定基础.1 经验模态分解和Hilbert边际谱1.1 经验模态分解EMDHHT的第一部分是经验模态分解(Empirical Mode Decomposition，EMD).任何非平稳信号经过EMD分解后［3］，得到有限个并且具有一定物理定义的固有模态函数(Intrinsic Mode Function，IMF)与一个残余项.其中，任意一个IMF分量都满足以下条件:整个数据段内极值点的个数和零交叉点的个数相等或相差最多不能超过一个;在任何一点，由局部极大值点形成的包络线和由局部极小值点形成的包络线的平均值为零.各阶IMF分量分别包含了信号从高频到低频的成分，反映了信号的动态特性，而残余项则代表信号的偏移量或稳态值.1.2 Hilbert边际谱HHT的第二部分是对每个 IMF分量进行Hilbert变换，构造解析函数，计算得到可随时间变化的瞬时幅值函数ai(t)和瞬时频率函数fi(t)［3］.舍去残余项，重新表示原始非平稳信号x(t)为Re表示取实部，展开式(1)，即得到信号x(t)的幅值在瞬时频率-时间平面上的分布，称为Hilbert时频谱，即Hilbert时频谱的每个组成分量的幅值和相位随时间可变，能够精确地描述信号幅值随时间和(瞬时)频率的变化规律，进一步可以定义Hilbert边际谱为式中:T是信号的时域长度.Hilbert边际谱h(f)是Hilbert时频谱在时间轴上的积分，表示信号在概率意义上的累积幅值(或能量)大小，反映出信号幅值(或能量)在整个(瞬时)频率段上随(瞬时)频率的变化规律.2 基于Hilbert边际谱的道路载荷谱某型号三轴自卸货车需要进行室内道路模拟试验，以检验车辆的疲劳耐久性和可靠性.课题组首先进行了该车满载工况下的道路试验，采集得到各个典型强化路面上的道路载荷谱.为了在道路模拟试验机上迭代得到模拟载荷谱，即伺服作动器位移激励信号，前期需要根据车辆特性和载荷谱信号特征进行滤波［1］.滤波范围的选择需综合考虑车辆型号、频谱特征、道路模拟机的适应要求等因素，一般根据经验来确定，但是经常会出现迭代不收敛的情况，需进行不断重复试验，花费大量的时间和人力.为改进试验迭代效果，本文首先对典型强化道路载荷谱进行HHT变换，计算Hilbert边际谱，分析得到该车的响应特性和固有特性.然后，根据载荷谱的边际谱能量分布特征确定滤波范围，并实际应用到室内道路模拟试验当中，取得了较好的试验效果，节省了时间与成本.2.1 道路载荷谱采集数据采集硬件使用比利时LMS公司的SCADASⅢ采集仪和美国PCB公司的ICP 加速度传感器，软件使用b的Signature模块，采样频率设置为400 Hz.根据室内道路模拟试验机的垂向激励特性，选择试验自卸车的6个轴头位置作为迭代控制目标信号点，分别安装加速度传感器，其中后轴左轴头传感器布置见图1.试验场采集载荷谱的行驶规程及路段的选择应具有代表性，能够重现汽车实际使用中的重要事件，使测得的载荷历程具有典型性、概括性与集中性［12］.因此，本次试验选择安徽定远汽车试验场的强化路段，包括扭曲路、搓板路、卵石路、不整齐石块路等路型.该自卸车磨合状态良好，满载25.56 t，每段强化道路按《中国定远汽车试验场汽车产品定型可靠性试验规程》规定的速度行驶，载荷谱测试现场见图1.2.2 典型强化道路载荷谱的Hilbert边际谱分析采用前述的理论，遵循图2的计算流程编制Matlab运行程序，先将不同强化道路载荷谱信号进行EMD分解，然后，再计算Hilbert边际谱.由于测点和计算工况较多，限于篇幅限制，仅列出了搓板路前轴右轴头载荷谱原始信号，以及EMD分解后的前四阶固有模态函数和残余项(图3).由图3可以看出，IMF1和IMF2是主要高频信号分量，IMF3是原始信号的基本振动分量，IMF4分量约在8.2 s时出现振荡，最终的残余项是一个单调递减函数，证明EMD方法可以有效地实现载荷谱信号从高频到低频的分解，反映出信号的动态特性.各强化道路载荷谱信号的Hilbert边际谱计算结果如图4所示.以具体分析搓板路和卵石路载荷谱的Hilbert边际谱为例，观察搓板路载荷谱的边际谱(图4(b))发现，该车前、后轴4个轴头载荷谱能量集中在15～18 Hz频带内，在16 Hz频率点处能量最大.后轴2个轴头载荷谱在10 Hz处存在峰值，中轴2个轴头载荷谱能量在5～20 Hz频带上，总体分布比较均匀.Hilbert边际谱说明搓板路的激励频率分布于16～18 Hz，并不是固定的某一单频激励，直观地反映了搓板路载荷谱的信号特征.卵石路载荷谱所包含的频率成分比较丰富，其边际谱(图4(c))反映的信息有:信号能量主要分布在30 Hz以内，30 Hz以外可认为是噪声干扰能量，但在5 Hz低频范围内，前轴左轴头和后轴右轴头载荷谱的能量相对其他轴头信号能量较大，高频部分的噪声能量显示得不突出;该路况下，自卸车中、后轴非悬挂(车辆)质量的固有频率约10 Hz，但前轴的共振没有被激起.其他工况下的载荷谱信号特征分明，分析步骤与以上相似，鉴于篇幅限制，不再叙述.通过综合分析图4中所有Hilbert边际谱的频谱特征，得出以下结论.(1)扭曲路(图4(a))、卵石路(图 4(c))、不整齐石块路(图4(d))和山路下陡坡工况(图4(f))下的边际谱反映出，在约5 Hz低频范围内，前轴左和后轴右载荷谱能量相对其他轴头信号能量较大，尤其是扭曲路边际谱5 Hz以内的低频能量值过大，以至于淹没了5 Hz以外的能量.(2)卵石路(图 4c)、不整齐石块路(图 4(d))、半整齐石块路(图4(e))和山路下陡坡工况(图4(f))下的边际谱反映出，该自卸车中、后轴非悬挂(车轮)质量的固有频率约10Hz，边际谱图4(d)、(e)和(f)反映前轴非悬挂质量的固有频率约14Hz，符合文献［13］所指出的车辆非悬挂(车轮)质量部分的固有频率(10～15 Hz)，说明该分析结果是可靠可信的.各轴头的结构、位置、力学性能等因素的差异导致响应特性的区别，通过计算各种载荷谱的Hilbert边际谱，分析和比较边际谱所反映的信号特征，能够较好地识别出不同轴头之间的响应特性差异，可以对该车后期研发、改进过程提供理论支持.2.3 Hilbert边际谱滤波建议值目前，室内道路模拟试验一般采用远程参数控制法(Remote Parameter Control，RPC)，属于频域辨识方法.要获得精度高并且有效的系统频率响应函数(Frequency Response Function，FRF)，前提是目标响应信号具有很高的信噪比，即道路载荷谱信号中不存在任何噪声［14］.实际采集的载荷谱信号在经过去毛刺、纠正漂移等必要操作之后，需要进一步检查噪声分量并进行滤波处理［1，15］.传统的滤波范围一般根据经验值来确定，滤波过程也不可能完全将噪声识别出来并且全部滤去，但是经过Hilbert边际谱分析之后，可以最大程度地识别出噪声的分布范围.在该车的室内道路模拟试验前期，项目组人员按照传统经验方法结合载荷谱的Fourier频谱特性，确定0.2～50 Hz的滤波频带，结果迭代时出现伺服作动器位移过大以及个别通道迭代不收敛，得不到合适驱动谱的问题.观察图4各种强化路上载荷谱能量的分布范围，得出噪声频率一般分布于30～40 Hz以外的高频部分，然后确定高通滤波频率设置为0.5 Hz，低通滤波频率为30～40 Hz，该车型对应各种典型路面的滤波频率建议频带见表1.采用Hilbert边际谱分析确定的滤波频带重新迭代后，在道路模拟实验中取得了良好的迭代效果，说明Hilbert边际谱能够有效地适用于道路载荷谱的分析领域.表1 各强化路面载荷谱的建议滤波频带Tab.1 Filtering frequency ranges ofdifferent road load spectrum?3 结语综上所述，用于室内道路模拟试验的载荷谱信号具有非平稳特性，采用Hilbert边际谱分析载荷谱是一种新型的并且有效的尝试.以某自卸货车为例，能够得出该车在不同强化道路上的响应特性以及自身固有特性.基于Hilbert边际谱分析各强化道路载荷谱的信号特征，可以确定较为准确的滤波频率范围，并且有效地应用于室内道路模拟试验中，减少迭代次数，节省试验时间，为其他型号重型车的室内道路模拟试验提供重要的参考价值.随着模态混叠、边界效应及其相关问题的进一步完善，在类似道路载荷谱的非平稳信号分析中，Hilbert边际谱分析方法将具有更广阔的工程应用前景.参考文献:［1］钱立军，吴道俊，杨年炯，等.基于室内道路模拟技术的整车加速耐久性试验的研究［J］.汽车工程，2011，33(2):91-96.［2］宋勤，姜丁，赵晓鹏，等.道路模拟试验载荷谱的采集、处理与应用［J］.仪表技术与传感器，2011(3):104-106.［3］ HUANG N E，SHEN Z，LONG R S，et al.The empirical mode decomposition and Hilbert spectrum for nonlinear and non-stationary time series analysis［J］.Proceedings of the Royal Society A，1998，454:903-995.［4］钟佑明.希尔伯特-黄变换局瞬信号分析理论的研究［D］.重庆:重庆大学，2002.［5］周云龙，刘永奇，薛广鑫，等.基于EMD和边际谱频带能量的离心泵汽蚀故障诊断［J］.化工学报，2012，63(2):545-550.［6］ VEDRAN SRHOJEGEKHER，MARIO CIFREK，MARIO CIFREK，etal.The application of Hilbert-Huang transform in the analysis of muscle fatigue during cyclic dynamic contractions［J］.Medical and Biological Engineering and Computing，2011，49(6):659-669.［7］ LI HUI，ZHANG YUPING，ZHENG HAIQI.Hilbert-Huang transform and marginal spectrum for detection and diagnosis of localized defects in roller earings［J］.Journal of Mechanical Science and Technology，2009，23(2):291-301.［8］王醇涛，陆金铭.运用HHT边际谱的柴油机故障诊断［J］.振动、诊断与测试，2010，30(4):465-468.［9］杨智春，张慕宇，丁燕，等.Hilbert边际谱在框架结构损伤检测中的应用［J］.振动与冲击，2010，29(11):26-29.［10］荆双喜，陈继清.基于Hilbert-Huang变换的提升机齿轮箱故障诊断研究［J］.河南理工大学学报:自然科学版，2008，27(5):537-541.［11］王新晴，梁升，夏天，等.基于HHT的液压缸动态特性分析新方法［J］.振动与冲击，2011，30(7):82-86.［12］水兵.用户关联汽车道路载荷谱编制的研究［D］.杭州:浙江大学，2008. ［13］余志生.汽车理论［M］.3版.北京:机械工业出版社，2000:176.［14］李光攀.基于电液伺服道路模拟实验台的路面谱在线控制［D］.武汉:武汉理工大学，2009.［15］张英爽，王国强，王继新，等.工程车辆传动系载荷谱编制方法［J］.农业工程学报.2011，27(4):179-183.。