基于EMD分解的车辆振动识别

杨鹏　李智

摘要：启动的车辆都将产生一定程度的微振动信息。这些微振动信息与发动机转速，车辆结构相关，对于给定的车辆，具有独特性。激光测振仪的应用，使得运用微振动信息实现远距离非接触式车辆目标自动识别变得可能。文中主要研究车辆的微振动特性，利用经验模态分解（EMD）提取车辆振动的特征函数。实验证明，该方式能有效的运用于车辆识别中。

关键词： 激光探测；车辆微振动；EMD；特征识别

中图分类号：TN911 文献标识码：A 文章编号：1009-3044（2014）04-0818-03

车辆识别一直是一项重要的研究领域，不管是在民用领域，还是在战场目标识别军事领域，因此车辆特征信息的参数选择以及采集方式也成为一门热门的学科。

车辆内部发动机的运转、自身机械结构等因素的影响，会致使其表面产生一定的机械振动。这些振动是车辆微动效应的重要表现形式之一，其包涵了车辆的微动特性，作为车辆识别的重要标签，而激光探测技术能在远距离非接触的状况下，探测车辆的微动信息，因此利用激光探测技术对车辆微动信息分析与识别，日益成为国内外研究的重点与热门[1]。

在国内，国防科技大学、西安电子科技大学等多家科研机构均在微振动面开展了一定的研究，包括微动信号特征建模、微动特征提取等方面；研究对象包括高速运动目标，如地面车辆如坦克、装甲车、导弹发射架等振动目标[2]。在国外，新加坡南洋理工大学使用经验模态分解使用经验模式分解（Empirical Mode Decomposition，EMD）技术提取出了静止卡车发动机振动的微多普勒特征，验证了激光测振技术在车辆目标振动识别中的可行性[3]。

本文主要研究车辆车门的微振动特性，利用经验模态分解（EMD）对车辆微振动信号进行时频分析，并提取其特征函数。

1 相关基础

HHT的基本思想是把目标信号通过经验模态分解（EMD）成一定数量的本征模态函数（IMFs）[4]。具体流程如下：

1）找出信号中所有极大值点和极小值点，采用三次样条函数拟合成该数据序列的上、下包络线，取均值为该数据的平均包络线[m1（t）]。

2） 将信号[x（t）]减去[m1（t）]，得到一个去低频的新序列[h1（t）]，即

若[h1（t）]不是一个平稳序列，则将[h1（t）]作为待处理的信号[x（t）]，重复步骤（1）和（2） ，直到满足判定条件[SD=t=0T|h1（k-1）（t）-h1k（t）|2h21（k-1）（t）≤0.2]。这样就得第一个IMF分量[c1（t）=h1k（t）]，k为达到判定条件的迭代次数。

3） 得到去掉高频成分的差值数据序列[r1（t）]

4） 对[r1（t）]进行上述处理，得到第2个IMF 分量[c2（t）]。重复上述步骤，直到最后一个差值序列[rn（t）]为不可再被分解的单调函数为止。

最后，原始序列即可由指定的IMF分量及残余项[rn（t）]表示，即

2 实验仿真

实验数据来源于，利用实验组自制的激光测量车辆振动装置，对10m外的停止且发动机空转的车辆微振动信息的测量。对两种类型的车辆，福克斯与本田，静止发动机空转时，车门附近位置进行测量，两类车辆时域振动波形如图1，图2所示。

由EMD分解对车辆的分析可知，如图3，图4所示，车辆车门附近的主要振动信息包涵在第3，第4个IMF本征函数中。分别对比福克斯，本田的第4个IMF本征函数的Hilbert谱，由于这两种类型的车辆均为四缸活塞发动机，且空转时转速相近，所以含有汽车振动的第4个IMF本征函数的频谱信息近似。而由第3个IMF本征函数对比可知，福克斯车门的振动频域主要表现在70Hz，本田车门则主要表现在75Hz。由此，EMD分解的含有振动信息的IMF本征函数，可以作为车辆识别的关键。

3 小结

本文通过实验分析，验证了利用激光探测技术，测量车辆的微振动信息，并采用EMD分解提取车辆特征函数的方法，在车辆识别中是可行的。该文以后的研究重点以下三方面进行：

1）车辆各个部位的振动信息并不完全相同，单一某点特性不能完全诠释车辆的整体振动特性，如何根据这些差异实现整体联合分析。

2）车辆行驶过程中，将引入多普勒分量，信号的分量将更为复杂，此时的车辆微动特性的研究。

3）激光探测中，噪声类型以及分布特性的研究及其相应的去噪方式。

参考文献：

[1] Nedg?rd I. A comparison of analysis methods for vehicle classification by laser vibrometry[J].Swedish Defence Research Agency， April 2005.

[2] 庄钊文，刘永祥，黎湘. 目标微动特性研究进展[J].电子学报，2007，35（3）： 520-525.

[3] Cai C J ，Liu W X， Fu J S. Empirical mode decomposition of micro-Doppler signature[A].Proceedings of International Conference on Radar[C].Washington ， USA ： IEEE Press，2005：895-899.

[4] 孙辉，朱善安. 调制故障源信号盲分离的经验模态分解法[J] .浙江大学学报： 工学版，2006，40（2）：258-261.