Análise espectral de Hilbert-Huang: Introdução e aplicação em problemas de VIV. Seminário de Pesquisa - EPUSP /67
Resumo Objetivos Introdução 3 Transformada de Fourier (TF) - Revisão 4 Transformada de Hilbert 5 Transformada de Hilbert-Huang IMF - Intrinsic mode function EMD - Empirical mode decomposition 6 Exemplo clássico 7 Aplicações em VIV Cilindro rígido em base elástica ([Franzini et al. ]) Cilindro flexível, montado em base elástica - [Franzini et al. ] 8 HHT-3 /67
Apresentar a técnica de análise espectral de Hilbert-Huang (HHT); Discutir suas motivações; Breve fundamentação teórica; Apresentar exemplos; Novos desenvolvimentos; 3/67
Introduzida no artigo [Huang et al. 998] Apropriada para sinais não estacionários e/ou provenientes de um sistema não-linear Amplitude definida no domínio tempo-frequência 4/67
Definição Define-se o par transformado de Fourier: G(ω) = + g(t)e jωt dt () π g(t) = + G(ω)e +jωt dω () π 5/67
Hipóteses A TF é válida à luz das chamadas condições de Dirichilet Descontinuidades em número finito Sinal de energia: + x(t) dt < 6/67
Limitações da TF A TF pode ser entendida como uma superposição de funções harmônicas, portanto admite-se que o sistema que originou o sinal seja LINEAR O sinal é projetado em uma base composta por sinais de frequências determinadas, portanto modulações não são adequadamente tratadas. Wavelet também é baseada na TF 7/67
o que fazer? 8/67
Definição Seja g(t) uma série temporal. Sua Transformada de Hilbert (TH) h(t) é o valor principal da integral: h(t) = π P + g(τ) dτ (3) t τ 9/67
Definição de a(t) e ω(t) Seja z(t) = g(t) + jh(t) um sinal analítico. Logo z(t) = g(t) + jh(t) = a(t)e jφ(t) (4) Sob algumas condições definem-se a amplitude a(t) e a fase instantâneas (φ). a(t) = g(t) + h(t) (5) ω = dφ dt (6) /67
Exemplos Caso : g (t) = sin(t) Caso : g (t) = α + sin(t) /67
Análise no plano complexo j(t) a(t)= j(t) a(t) Caso Caso /67
Análise no plano complexo No Caso : A amplitude constante igual a e a fase monotônica crescente ( φ > ) No Caso : Amplitude não constante e fase não monotônica crescente ( φ < para algum t) 3/67
Frequências negativas de oscilação não tem sentido físico. Consequência Para que a frequência instantânea tenha significado, é necessário que a média local do sinal z(t) seja nula. 4/67
E se a TH não é suficiente? 5/67
Existe uma alternativa viável? 6/67
Sim, existe a... Transformada de Hilbert-Huang 7/67
Resumo Objetivos Introdução 3 Transformada de Fourier (TF) - Revisão 4 Transformada de Hilbert 5 Transformada de Hilbert-Huang IMF - Intrinsic mode function EMD - Empirical mode decomposition 6 Exemplo clássico 7 Aplicações em VIV Cilindro rígido em base elástica ([Franzini et al. ]) Cilindro flexível, montado em base elástica - [Franzini et al. ] 8 HHT-3 8/67
Intrinsic Mode Functions Deve satisfazer duas condições Número de extremos e número de cruzamentos nulos deve ser o mesmo ou diferir no máximo por um (Banda estreita) Média local, definida pela envoltória dos máximos e dos mínimos deve ser nula. 9/67
Resumo Objetivos Introdução 3 Transformada de Fourier (TF) - Revisão 4 Transformada de Hilbert 5 Transformada de Hilbert-Huang IMF - Intrinsic mode function EMD - Empirical mode decomposition 6 Exemplo clássico 7 Aplicações em VIV Cilindro rígido em base elástica ([Franzini et al. ]) Cilindro flexível, montado em base elástica - [Franzini et al. ] 8 HHT-3 /67
O que é EMD? Adaptativa, a posteriori Baseada e derivada do próprio sinal (Empírica) Separa o sinal segundo as diversas escalas de tempo Gera um certo número de IMFs. /67
Processo de sifting Dado uma série temporal h (t) (sinal original ou não) Identifico dois envelope contendo os extremos (positivos e negativos) Calculo da média dos envelopes m (t) h (t) = h (t) m (t) Repete-se o processo utilizando h (t) como a série original. O processo é repetido até que a série resultante seja uma IMF. /67
Completando a EMD... Identificada uma IMF, o processo de sifting repete-se, considerando agora o sinal original subtraído da IMF. 3/67
Sifting ([Huang et al. 998]) (a) Wind speed m s (b) Wind speed m s (c) Wind speed m s Time (s) 4/67
Exemplo de um sinal com várias IMFs ([Huang et al. 998]) C4 C3 C C u Time (s) 5/67
Exemplo de um sinal com várias IMFs ([Huang et al. 998]) C9 C8 C7 C6 C5 Time (s) 6/67
Transformada de Hilbert-Huang Seja x(t) um sinal qualquer. Sua HHT é obtida pelo seguinte procedimento: Aplicação da EMD Obtenção das IMFs Aplicação da TH para cada IMF Composição de todas as TH em um mapa de cores 7/67
Exemplo de aplicação y/d = cos(ω t) cos(ω t( + ε cos Ω 3 t)).8.6.4. Ω = π, Ω = Ω, Ω = Ω 5, ε =. Crosswise Vibration y / D..4.6.8 4 6 8 Time [s] 8/67
Exemplo de aplicação y/d = cos(ω t) cos(ω t( + ε cos Ω 3 t)) Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Imf 7 Mean Trend Ω = π, Ω = Ω, Ω = Ω 5, ε =. Empirical Mode Decomposition 3 4 5 6 7 8 9 Time [s] 9/67
Exemplo de aplicação y/d = cos(ω t) cos(ω t( + ε cos Ω 3 t)) 3.5 Ω = π, Ω = Ω, Ω = Ω 5, ε =. Hilbert Huang Spectrum 3.9.8.5.7 Frequency [Hz].5.6.5.4 y / D.5.3.. 4 6 8 Time [s] 3/67
Resumo Objetivos Introdução 3 Transformada de Fourier (TF) - Revisão 4 Transformada de Hilbert 5 Transformada de Hilbert-Huang IMF - Intrinsic mode function EMD - Empirical mode decomposition 6 Exemplo clássico 7 Aplicações em VIV Cilindro rígido em base elástica ([Franzini et al. ]) Cilindro flexível, montado em base elástica - [Franzini et al. ] 8 HHT-3 3/67
Descrição geral Re constante, sob modulação da frequência. 3 < V R < 9 em única série temporal de deslocamento Duas taxas distintas de modulação da frequência 3/67
Base elástica 33/67
Taxa de modulação.5mm/s - Sinal.8.6.4. y/d..4.6.8 3 4 5 6 7 8 9 Time [s] 34/67
Taxa de modulação.5mm/s - Amplitude.9.8.7 A*(t)=A/D.6.5.4.3. Vr increasing: Re=64. Vr decreasing: Re=64 Standard: 3<Re<9 3 4 5 6 7 8 9 Vr(t)=U/fn(t)D 35/67
. Vr decreasing: Re=64 Standard: 3<Re<9 3 4 5 6 7 8 9 Vr(t)=U/fn(t)D Taxa de modulação.5mm/s - Frequência.8.6 f*(t)=f(t)/f N (t).4..8.6.4 Vr increasing: Re=64. Vr decreasing: Re=64 Standard: 3<Re<9 3 4 5 6 7 8 9 Vr(t)=U/fn(t)D 36/67
Taxa de modulação 5.mm/s - Sinal.8.6.4. y/d..4.6.8 5 5 5 3 35 4 45 5 Time [s] 37/67
Taxa de modulação 5.mm/s - Amplitude.9.8.7 A*(t)=A/D.6.5.4.3. Vr increasing: Re=64. Vr decreasing: Re=64 Standard: 3<Re<9 3 4 5 6 7 8 9 Vr(t)=U/fn(t)D 38/67 Universidade.8 de São Paulo
. Vr decreasing: Re=64 Standard: 3<Re<9 3 4 5 6 7 8 9 Vr(t)=U/fn(t)D Taxa de modulação 5.mm/s - Frequência.8.6 f*(t)=f(t)/f N (t).4..8.6.4 Vr increasing: Re=64. Vr decreasing: Re=64 Standard: 3<Re<9 3 4 5 6 7 8 9 Vr(t)=U/fn(t)D 39/67
HHT nos ajudou a ver que... Modulação da rigidez amplitude menor Histerese é influenciada pela taxa de modulação 4/67
Resumo Objetivos Introdução 3 Transformada de Fourier (TF) - Revisão 4 Transformada de Hilbert 5 Transformada de Hilbert-Huang IMF - Intrinsic mode function EMD - Empirical mode decomposition 6 Exemplo clássico 7 Aplicações em VIV Cilindro rígido em base elástica ([Franzini et al. ]) Cilindro flexível, montado em base elástica - [Franzini et al. ] 8 HHT-3 4/67
Descrição geral Rigidez ajustada para que a frequência correspondente a de um cilindro rígido fosse a mesma da primeira frequência natural do flexível Pontos de medição: Engaste do modelo e sua extremidade Acelerômetros 4/67
Set-up Carriage z y Y accelerometer water flume 4mm XY accelerometer 6mm 43/67
Modos e Frequências naturais 3 4 Figura: Eigenmodes - FEM Analysis 44/67
Modos e Frequências naturais Tabela: Non-damped eigenfrequencies - Numerical analysis. Mode shape f N [Hz] Mode shape f N [Hz].97.4 3.39 4 7.73 45/67
Figuras de Lissajous x t (t) y t (t) Lissajous Figure - Re = VR = Lissajous Figure - Re = 76 VR =3.6.5.5.5 Lissajous Figure - Re = 344 VR =4.9.5.5.5 y t y t y t.5.5.5.5.5.5.5.5.5.5.5.5.5.5.5.5.5.5 x t x t x t Figura: Lissajous figures - Trajectories in the plane (x t, y t ). 46/67
Figuras de Lissajous x t (t) y t (t) Lissajous Figure - Re = 3769 VR =6 Lissajous Figure - Re = 4549 VR =7.3.5.5.5 Lissajous Figure - Re = 535 VR =8.5.5.5.5 y t y t y t.5.5.5.5.5.5.5.5.5.5.5.5.5.5.5.5.5.5 x t x t x t Figura: Lissajous figures - Trajectories in the plane (x t, y t ). 47/67
Figuras de Lissajous x t (t) y t (t) Lissajous Figure - Re = 6 VR =9.8 Lissajous Figure - Re = 6836 VR = Lissajous Figure - Re = 757 VR =..5.5.5.5.5.5 y t y t y t.5.5.5.5.5.5.5.5.5.5.5.5.5.5.5.5.5.5 x t x t x t Figura: Lissajous figures - Trajectories in the plane (x t, y t ). 48/67
Figuras de Lissajous x t (t) y t (t) Lissajous Figure - Re = 8644 VR =3.9 Lissajous Figure - Re = 948 VR =5. Lissajous Figure - Re = 59 VR =6.4.5.5.5.5.5.5 y t y t y t.5.5.5.5.5.5.5.5.5.5.5.5.5.5.5.5.5.5 x t x t x t Figura: Lissajous figures - Trajectories in the plane (x t, y t ). 49/67
V R = 4,9 5 Hilbert Huang Spectrum.6 Hilbert Huang Spectrum.5 4.4. 8.45.4.35 f[hz] 3.8.6 y f[hz] 6 4.3.5. x.4..5..5 3 4 5 t[s] 3 4 5 t[s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Mean Trend Empirical Mode Decomposition 3 4 5 Time [s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Mean Trend Imf 7 Empirical Mode Decomposition 3 4 5 Time [s] 5/67
V R = 6, 5 Hilbert Huang Spectrum.6 Hilbert Huang Spectrum.5 4.4. 8.45.4.35 f[hz] 3.8.6 y f[hz] 6 4.3.5. x.4..5..5 3 4 5 t[s] 3 4 5 t[s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Mean Trend Imf 7 Empirical Mode Decomposition 3 4 5 Time [s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Mean Trend Empirical Mode Decomposition 3 4 5 Time [s] 5/67
V R = 7,3 5 Hilbert Huang Spectrum.6 Hilbert Huang Spectrum.5 4.4. 8.45.4.35 f[hz] 3.8.6 y f[hz] 6 4.3.5. x.4..5..5 3 4 5 t[s] 3 4 5 t[s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Mean Trend Empirical Mode Decomposition 3 4 5 Time [s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Mean Trend Imf 7 Empirical Mode Decomposition 3 4 5 Time [s] 5/67
V R = 8,5 5 Hilbert Huang Spectrum.6 Hilbert Huang Spectrum.5 4.4. 8.45.4.35 f[hz] 3.8.6 y f[hz] 6 4.3.5. x.4..5..5 3 4 5 t[s] 3 4 5 t[s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Mean Trend Imf 7 Empirical Mode Decomposition 3 4 5 Time [s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Mean Trend Empirical Mode Decomposition 3 4 5 Time [s] 53/67
V R = 9,8 5 Hilbert Huang Spectrum.6 Hilbert Huang Spectrum.5 4.4. 8.45.4.35 f[hz] 3.8.6 y f[hz] 6 4.3.5. x.4..5..5 3 4 5 t[s] 3 4 5 t[s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Mean Trend Empirical Mode Decomposition 3 4 5 Time [s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Mean Trend Imf 7 Empirical Mode Decomposition 3 4 5 Time [s] 54/67
V R =, 5 Hilbert Huang Spectrum.6 Hilbert Huang Spectrum.5 4.4. 8.45.4.35 f[hz] 3.8.6 y f[hz] 6 4.3.5. x.4..5..5 3 4 5 t[s] 3 4 5 t[s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Mean Trend Imf 7 Empirical Mode Decomposition 3 4 5 Time [s] Mean Trend Imf Imf 9 Imf 8 Imf 7 Imf 6 Imf 5 Imf 4 Imf 3 Imf Imf Signal Empirical Mode Decomposition 3 4 5 Time [s] 55/67
V R =, 5 Hilbert Huang Spectrum.6 Hilbert Huang Spectrum.5 4.4. 8.45.4.35 f[hz] 3.8.6 y f[hz] 6 4.3.5. x.4..5..5 3 4 5 t[s] 3 4 5 t[s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Mean Trend Imf 7 Empirical Mode Decomposition 3 4 5 Time [s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Imf 7 Imf 8 Mean Trend Imf 9 Empirical Mode Decomposition 3 4 5 Time [s] 56/67
V R = 3,9 5 Hilbert Huang Spectrum.6 Hilbert Huang Spectrum.5 4.4. 8.45.4.35 f[hz] 3.8.6 y f[hz] 6 4.3.5. x.4..5..5 3 4 5 t[s] 3 4 5 t[s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Mean Trend Empirical Mode Decomposition 3 4 5 Time [s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Imf 7 Imf 8 Mean Trend Imf 9 Empirical Mode Decomposition 3 4 5 Time [s] 57/67
V R = 5, 5 Hilbert Huang Spectrum.6 Hilbert Huang Spectrum.5 4.4. 8.45.4.35 f[hz] 3.8.6 y f[hz] 6 4.3.5. x.4..5..5 3 4 5 t[s] 3 4 5 t[s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Mean Trend Imf 7 Empirical Mode Decomposition 3 4 5 Time [s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Imf 7 Imf 8 Mean Trend Imf 9 Empirical Mode Decomposition 3 4 5 Time [s] 58/67
V R = 6,4 5 Hilbert Huang Spectrum.6 Hilbert Huang Spectrum.5 4.4. 8.45.4.35 f[hz] 3.8.6 y f[hz] 6 4.3.5. x.4..5..5 3 4 5 t[s] 3 4 5 t[s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Imf 7 Mean Trend Imf 8 Empirical Mode Decomposition 3 4 5 Time [s] Signal Imf Imf Imf 3 Imf 4 Imf 5 Imf 6 Imf 7 Imf 8 Mean Trend Imf 9 Empirical Mode Decomposition 3 4 5 Time [s] 59/67
HHT nos ajudou a ver... Identificar, em conjunto com Figuras de Lissajous saltos e trocas modais Identificar entre quais modos houve a troca (Não possível via TF) 6/67
Conferência Participação na HHT-3, organizada pelos próprios criadores da técnica. Foco da conferência: Aplicações e teoria 6/67
Teoria Comparação da HHT com outras ferramentas de análise no domínio tempo-frequência (por ex, wavelets) Alguns trabalhos buscando um maior embasamento teórico ao processo de EMD Estágio atual:? 6/67
Aplicações Aplicações em quase todos os campos do conhecimento Finanças, ciências sociais, medicina, bioengenharia, dinâmica de sistemas... 63/67
Novos desenvolvimentos EEMD: Ensemble Empirical Mode Decomposition: Sistemas multidimensionais (imagens ou sólidos de densidade variável) For multi-dimensional temporal-spatial data, EEMD is applied to time series of each spatial location to obtain IMF-like components of different time scales. All the ith IMF-like components of all the time series of all spatial locations are arranged to obtain ith temporal-spatial multi-dimensional IMF-like component. The same approach to the one used in temporal-spatial data decomposition is used to obtain the resulting two-dimensional IMF-like components. This approach could be extended to any higher dimensional temporal-spatial data. ([Wu, Huang e Chen 9]) 64/67
Onde usar EEMD? PIV? Vibração de estruturas? Ondas de superfície?... 65/67
Obrigado 66/67
FRANZINI, G. R. et al. An experimental investigation on frequency modulated viv in a water channel. In: IUTAM Symposium on Bluff Bodies Wakes and Vortex-Induced Vibrations - BBVIV6. [S.l.: s.n.],. FRANZINI, G. R. et al. Analysis of multimodal vortex-induced vibrations using the hilbert-huang spectral analysis. In: Proceeding of the third Internation Conference on Hilbert-Huang Transform: Theory and Applications. [S.l.: s.n.],. HUANG, N. E. et al. The empirical mode decomposition and the hilbert spectrum for nonlinear and non-stationary time series analysis. Royal Society London, v. 454, p. 93 955, 998. WU, Z.; HUANG, N. E.; CHEN, X. The multi-dimensional ensemble empirical mode decomposition method. Advances in Adaptative Data Analysis, v., p. 339 37, 9. 67/67