付 春， 孫祥磊， 王 昆， 管海偉， 劉 娟， 李 明

(1.遼寧石油化工大學 石油天然氣工程學院,遼寧 撫順 113001； 2.沈陽建筑大學 土木工程學院,遼寧 沈陽 110168)

基于FastICA改進EMD的算法研究

付 春1， 孫祥磊1， 王 昆1， 管海偉1， 劉 娟1， 李 明2

(1.遼寧石油化工大學 石油天然氣工程學院,遼寧 撫順 113001； 2.沈陽建筑大學 土木工程學院,遼寧 沈陽 110168)

經(jīng)驗模態(tài)分解(EMD)算法在非線性、非穩(wěn)態(tài)的信號處理上具有顯著的優(yōu)勢，但EMD在實際應用過程中存在著一些缺陷，其中以模態(tài)混疊和虛假模態(tài)現(xiàn)象最為突出。模態(tài)混疊現(xiàn)象可以簡單地概述為在1個本征模函數(shù)(IMF)含有多于一階的結(jié)構(gòu)固有模態(tài)分量；虛假模態(tài)現(xiàn)象則是指不該有的頻率組分對結(jié)構(gòu)模態(tài)參數(shù)識別精度的嚴重影響。針對這一問題，對EMD中存在的以上兩大缺陷展開研究，提出了利用頻帶濾波和獨立分量分析算法(ICA)中的快速ICA算法(FastICA)相結(jié)合改進的EMD算法。利用希爾伯特變換(HT)識別結(jié)構(gòu)頻率，并通過Benchmark結(jié)構(gòu)驗證了所提算法的有效性。

經(jīng)驗模態(tài)分解(EMD)； 盲源分離(BSS)； 模態(tài)混疊； 希爾伯特變換(HT)

1998年，N.E.Huang等創(chuàng)造性地提出了經(jīng)驗模態(tài)分解算法(Empirical Mode Decompositon,EMD)，該算法一經(jīng)提出就在不同領(lǐng)域得到了廣泛應用[1-3]。然而隨著EMD算法應用的增多，其分解過程中存在的模態(tài)混疊及虛假模態(tài)現(xiàn)象尤為突出，為此很多學者對經(jīng)典EMD算法進行改進研究[4-8]。

近些年，盲源分離 (Blind Signal Separation, BBS)[9-10]越來越多地被應用在各個領(lǐng)域的研究中，BBS根據(jù)統(tǒng)計獨立的思想，將多個觀測信號借助于優(yōu)化算法分解為若干個獨立的成分，達到信號增強的目的，以便對信號進行合理的分析。獨立分量分析算法 (Idenpendent Component Analysis, ICA)[11-13]是盲源分離中的常用算法，并在盲信號處理領(lǐng)域中得到了廣泛的應用。目前，ICA理論比較成熟，并在混疊信號獨立源的分離方面具有突出的優(yōu)勢。經(jīng)過EMD分解之后，理論上每個本征模函數(shù)(Intrinsic Mode Function，IMF)在任意時刻都應該是僅有的單一振蕩模式，每個時刻都具有與其他IMFs不同的單一瞬時頻率。因此，理論上各IMF之間應該是相互獨立的。本文將ICA中的一種快速ICA算法FastICA算法[14-16]引入到頻帶濾波改進EMD的分解過程中，作為真正IMFs的判定工具，利用ICA中的FastICA算法實現(xiàn)IMF的自動識別，即將EMD分解后真正IMF的判定標準轉(zhuǎn)換成對IMFs混合信號獨立源的求解問題，F(xiàn)astICA分離得到的獨立分量即為真正的IMFs。

1 FastICA算法

盲源分離屬于盲信號識別的范疇，適用于源信號和傳輸通道參數(shù)均未知的情形。其識別原理是按照源信號的統(tǒng)計特性，從m個觀測信號x(t)=(x1,x2,…,xm)中分離出n個源信號s=(s1,s2,s3,…,sn)中含有的各獨立成分。即通過確定分離矩陣W，獲得源信號s的合理估計。

(1)

FastICA算法，又被稱為固定點算法，是ICA的一種快速算法。與神經(jīng)網(wǎng)絡算法不同，F(xiàn)astICA算法屬于批處理算法，是一種快速尋優(yōu)迭代算法，其收斂速度比純粹的批處理算法甚至自適應處理算法更快，并因此而得名。FastICA算法分為基于峭度、似然最大和負熵最大等形式。本文采用基于負熵判據(jù)的ICA固定點算法。

FastICA算法具體推導過程詳見文獻[14-16]，算法實現(xiàn)過程如圖1所示。

圖1 FastICA算法流程圖

若要估計源信號中的n個獨立分量，則要重復進行上述FastICA算法過程n次，即每當分離出1個獨立分量，便從待分析信號中減去此分離出的獨立分量，重復此過程，直至再無獨立分量被分離出來為止，此時分離過程結(jié)束。

2 ICA改進EMD算法的實現(xiàn)

ICA改進EMD算法的流程或基本思想可以概括為：利用頻帶濾波將待測信號分解成若干個指定頻帶的窄帶信號，對獲得的各窄帶信號依次進行經(jīng)典EMD過程，得到相應于各窄帶信號的IMFs并寫成矩陣形式，最后利用FastICA算法對各窄帶信號獲得的IMFs矩陣進行分離，得到真正的IMFs。具體實現(xiàn)步驟如下：

(1)對待分析信號進行快速傅里葉變換(Fast Fourier Transform，F(xiàn)FT)，粗略估計信號頻率的大致范圍，以峰值點頻率作為帶通濾波的中心頻率，使信號通過指定頻帶的帶通濾波，即將原分析信號分解為若干子帶信號之和。

(2)對各子帶信號分別進行EMD過程，獲得IMFs矩陣c(t)；利用FastICA算法分別對各頻段組成的IMFs矩陣c(t)進行分離，得到輸出矩陣即為真正的IMFs。

設x(t)為待分析信號，經(jīng)過頻帶濾波改進EMD 過程后得到n個IMFs和1個趨勢項之和，即：

(2)

式中，r(t)為趨勢項;ci(t)為第i個IMFi。

將各IMFs組合在一起，表示成一個n維矩陣形式c(t)：

c(t)=[c1(t),c2(t),…,cn(t)]T

(3)

則盲源分離的輸入矩陣即為IMFs矩陣c(t)，借助于FastICA算法估計出真正的IMFs。

3 Benchmark 結(jié)構(gòu)識別

為了驗證所提出算法的有效性，將該算法應用到LASC-ASCE結(jié)構(gòu)健康監(jiān)測工作組提供的4層剪切框架Benchmark模型[17]的模態(tài)識別中。結(jié)構(gòu)模型如圖2所示，結(jié)構(gòu)分析模型如圖3所示。

每層在x、y兩個方向各布置2個加速度傳感器，因此該結(jié)構(gòu)模型共布置16個傳感器，由于結(jié)構(gòu)的激勵(w1、w2、w3、w4)方向與y方向同向，因此布置在x方向上的傳感器獲得的響應非常小，故不對x方向的傳感器數(shù)據(jù)進行分析。

圖2 Benchmark結(jié)構(gòu)模型

圖3 Benchmark結(jié)構(gòu)分析模型

(a) 原始信號及IMFs (b) 頻譜

圖4經(jīng)典EMD算法得到的IMFs及其頻譜

為此，利用所提出的改進EMD算法對該信號進行分析，待分析信號中存在4個明顯的頻率峰值，選取峰值點的頻率值，并以此作為頻帶濾波的中心頻率，構(gòu)造以各峰值頻率為中心頻率的帶通濾波器，將待分析加速度響應信號分別通過這4個帶通濾波器，得到多組IMFs，并利用FastICA算法進行真正IMFs的判別。改進EMD算法加速度響應信號如圖5所示。

(a) IMFs (b) 頻譜

比較圖4和圖5可知，利用經(jīng)典EMD算法得到的各IMF分量的頻譜圖中所包含的頻率組分明顯地混疊在一起，嚴重影響模態(tài)頻率的識別結(jié)果。利用所提出的改進EMD算法得到的頻譜圖，非常清晰地展示了各IMF組分的頻率分布，各頻率組分一目了然，均為單一組分，可觀性好，即本文所提出的改進算法可以很好地解決經(jīng)典EMD算法所存在的模態(tài)混疊和虛假模態(tài)的現(xiàn)象，并實現(xiàn)了真正IMF的自動識別，保證了經(jīng)過頻帶濾波和FastICA聯(lián)合改進EMD算法分解得到的IMF均為單一組分，為后續(xù)與HT算法相結(jié)合準確識別結(jié)構(gòu)模態(tài)參數(shù)奠定了基礎。

最后分別將利用經(jīng)典EMD算法和改進EMD算法得到的IMFs與希爾伯特變換(Hilbert Transform, HT)算法[1]相結(jié)合，進行結(jié)構(gòu)模態(tài)參數(shù)的識別，模態(tài)頻率的識別結(jié)果見表1。

表1 模態(tài)頻率識別結(jié)果

從表1中可以看出，由于改進EMD算法消除了模態(tài)混疊的現(xiàn)象和虛假模態(tài)，保證獲得的每個IMF都含有單一的頻率組分，很好地滿足了IMF的定義。因此，在后續(xù)進行模態(tài)參數(shù)識別時，得到了很高的識別精度。

4 結(jié) 論

針對經(jīng)典EMD算法中存在的模態(tài)混疊現(xiàn)象這一缺陷，提出了基于頻帶濾波和FastICA改進的EMD算法，并通過Benchmark結(jié)構(gòu)的數(shù)值算例驗證了所提出的改進EMD算法，有效地避免了經(jīng)典EMD中的模態(tài)混疊和虛假模態(tài)現(xiàn)象，保證了所獲得的IMF均為單一組分，把EMD算法分解過程中產(chǎn)生的虛假模態(tài)看成是噪聲，借助于FastICA算法來快速消除虛假模態(tài)，并實現(xiàn)了真正IMF的自動判別。最后利用HT算法準確識別出結(jié)構(gòu)的模態(tài)頻率，相比未改進的經(jīng)典EMD算法具有明顯的優(yōu)勢。因此，所提出的算法用于結(jié)構(gòu)的模態(tài)參數(shù)識別是可行的，并獲得了令人滿意的識別結(jié)果。

[1] 陳雋，徐幼麟.HHT方法在結(jié)構(gòu)模態(tài)參數(shù)識別中的應用[J].振動工程學報，2003,16(3):383-387.

[2] 李中付，宋漢文，華宏星,等.基于環(huán)境激勵的模態(tài)參數(shù)識別方法綜述[J]. 振動工程學報，2000,13(5):578-585.

[3] 黃迪山.經(jīng)驗模態(tài)分解中虛假模態(tài)分量消除法[J].振動、測試與診斷，2011，31(3)：381-384.

[4] 羅周全,左紅艷,吳超,等.基于改進EMD的地下金屬礦山圍巖聲發(fā)射信號去噪聲處理[J]. 中南大學學報(自然科學版)，2013，44(11):4694-4701.

[5] 張志剛，石曉輝，施全，等.基于改進EMD和譜峭度法滾動軸承故障特征提取[J].振動、測試與診斷，2013，33(3):478-482.

[6] 張志剛,石曉輝,陳哲明,等.基于改進EMD與滑動峰態(tài)算法的滾動軸承故障特征提取[J]. 振動與沖擊，2012，31(22):80-83.

[7] 李再幃,練松良,周俊磊.基于改進EMD方法的軌道不平順時頻分析[J]. 同濟大學學報(自然科學版),2012，40(5):702-706.

[8] 姚剛,趙建軍,姚躍亭,等.基于改進EMD方法的系統(tǒng)誤差分離方法研究[J]. 振動與沖擊，2014，33(14):176-180.

[9] 權(quán)友波, 王甲峰, 岳旸, 等. 盲源分離技術(shù)現(xiàn)狀及發(fā)展趨勢[J]. 通信技術(shù)，2011，44(4):13-15.

[10] Zhou W, Chelidze D. Blind source separation based vibration mode identification[J]. Mechanical Systems and Signal Processing, 2007, 21(8):3072-3087.

[11] Blanco D,Mulgrew B, Ruiz D P, et al. Independent component analysis in signals with multiplicative noise using fourth-order statistics[J]. Signal Processing, 2007, 87(8):1917-1932.

[12] 何沿江,齊明俠,羅紅梅.基于ICA和SVM的滾動軸承聲發(fā)射故障診斷技術(shù)[J].振動與沖擊，2008，27(3):150-153.

[13] 張建偉,暴振磊,江琦.小波-ICA聯(lián)合技術(shù)在水工結(jié)構(gòu)應變損傷識別中的應用[J]. 振動與沖擊,2016，35(11):180-185.

[14] 柏林,陸超,趙鑫.基于ITD與ICA的滾動軸承故障特征提取方法[J]. 振動與沖擊,2015，34(14):153-156.

[15] 蔡劍華,胡惟文,王先春.基于EMD-ICA去噪的滾動軸承故障診斷方法[J]. 機械設計,2015，32(1):17-23.

[16] 姜紹飛,陳志剛,沈清華,等.基于EEMD與FastICA的損傷異常識別與定位[J]. 振動與沖擊,2016，35(1):203-209.

[17] Johnson E A, Lam H F, Katafygiotis L S, et al. A benchmark problem for structural health monitoring and damage detection[C]// Structural Control for Civil and Infrastructure Engineering, International Workshop on Structural Control. 2001:317-324.

Research on Improved EMD Algorithm Based on FastICA

Fu Chun1， Sun Xianglei1， Wang Kun1， Guan Haiwei1， Liu Juan1， Li Ming2

(1.CollegeofPetroleumEngineering,LiaoningShihuaUniversity,FushunLiaoning113001，China;2.CollegeofCivilEngineering,ShenyangJianzhuUniversity,ShenyangLiaoning110168，China)

The Empirical mode decomposition (EMD) has significant advantages in nonlinear and non-steady response signal processing algorithms, but in the actual application process, the EMD existed some defects, in which the modal aliasing and false mode phenomenon is most prominent, the modal aliasing phenomenon can be simple in the 1 intrinsic mode function (IMF) containing more than one order structure of intrinsic mode components. The false mode phenomenon is the frequency component that should not be existed, which has a serious influence on the identification accuracy of structural modal parameters. To solve this problem, this paper studies the above two defects in EMD, and proposes an improved EMD algorithm which combines the fast ICA algorithm (FastICA) in frequency band filtering and independent component analysis (ICA) algorithm. The structure frequency is identified by hilbert transform (HT), and the effectiveness of the proposed algorithm is verified by the the Benchmark structure.

Empirical mode decomposition (EMD); Blind source separation (BSS); Mode mixing; Hilbert transform (HT)

1672-6952(2017)05-0067-04

投稿網(wǎng)址：http://journal.lnpu.edu.cn

2017-03-19

2017-04-06

住建部科學技術(shù)計劃項目(2016-K5-009)。

付春(1980-)，女，博士，講師，從事結(jié)構(gòu)健康監(jiān)測與損傷識別研究；E-mail：fuchun@lnpu.edu.cn。

TU317+.5；TU311.3

A

10.3969/j.issn.1672-6952.2017.05.013

(編輯 陳 雷)