Análise espectral de Hilbert-Huang: Introdução e aplicação em
Transcrição
Análise espectral de Hilbert-Huang: Introdução e aplicação em
Análise espectral de Hilbert-Huang: Introdução e aplicação em problemas de VIV. Seminário de Pesquisa - EPUSP Guilherme R. Franzini [email protected] 1/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Resumo 1 Objetivos 2 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. 2010]) Cilindro flexível, montado em base elástica - [Franzini et al. 2011] 8 HHT-3 2/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] • Apresentar a técnica de análise espectral de Hilbert-Huang (HHT); • Discutir suas motivações; • Breve fundamentação teórica; • Apresentar exemplos; • Novos desenvolvimentos; 3/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] • Introduzida no artigo [Huang et al. 1998] • Apropriada para sinais não estacionários e/ou provenientes de um sistema não-linear • Amplitude definida no domínio tempo-frequência 4/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Definição Define-se o par transformado de Fourier: Z +∞ 1 g (t)e −jωt dt G (ω) = √ 2π −∞ Z +∞ 1 g (t) = √ G (ω)e +jωt d ω 2π −∞ (1) (2) 5/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Hipóteses • A TF é válida à luz das chamadas condições de Dirichilet • Descontinuidades em número finito • Sinal de energia: R +∞ −∞ |x(t)|dt < 0 6/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] 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 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] o que fazer? 8/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Definição Seja g (t) uma série temporal. Sua Transformada de Hilbert (TH) h(t) é o valor principal da integral: Z +∞ g (τ ) 1 dτ (3) h(t) = P π −∞ t − τ 9/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] 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) Sob algumas condições definem-se a amplitude a(t) e a fase instantâneas (φ). q a(t) = g (t)2 + h(t)2 ω= dφ dt (4) (5) (6) 10/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Exemplos • Caso 1: g1 (t) = sin(t) • Caso 2: g2 (t) = α + sin(t) 11/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Análise no plano complexo a(t)=1 a(t) j(t) j(t) Caso 1 Caso 2 12/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Análise no plano complexo • No Caso 1: A amplitude constante igual a 1 e a fase monotônica crescente (φ̇ > 0) • No Caso 2: Amplitude não constante e fase não monotônica crescente (φ̇ < 0 para algum t) 13/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] 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. 14/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] E se a TH não é suficiente? 15/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Existe uma alternativa viável? 16/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Sim, existe a... Transformada de Hilbert-Huang 17/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Resumo 1 Objetivos 2 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. 2010]) Cilindro flexível, montado em base elástica - [Franzini et al. 2011] 8 HHT-3 18/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] 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. 19/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Resumo 1 Objetivos 2 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. 2010]) Cilindro flexível, montado em base elástica - [Franzini et al. 2011] 8 HHT-3 20/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] 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. 21/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Processo de sifting Dado uma série temporal h1 (t) (sinal original ou não) • Identifico dois envelope contendo os extremos (positivos e negativos) • Calculo da média dos envelopes m1 (t) • h2 (t) = h1 (t) − m1 (t) • Repete-se o processo utilizando h2 (t) como a série original. • O processo é repetido até que a série resultante seja uma IMF. 22/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Completando a EMD... Identificada uma IMF, o processo de sifting repete-se, considerando agora o sinal original subtraído da IMF. 23/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Sifting ([Huang et al. 1998]) Wind speed m s–1 (a) Wind speed m s–1 (b) Wind speed m s–1 (c) Time (s) 24/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] C4 C3 C2 C1 u Exemplo de um sinal com várias IMFs ([Huang et al. 1998]) Time (s) 25/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] C9 C8 C7 C6 C5 Exemplo de um sinal com várias IMFs ([Huang et al. 1998]) Time (s) 26/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] 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 27/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Exemplo de aplicação y /D = cos(Ω1 t) cos(Ω2 t(1 + ε cos Ω3 t)) Ω2 = 2π, Ω1 = Ω2 100 , Ω1 = Ω2 ε = 0.1 50 ,Crosswise Vibration 1 0.8 0.6 0.4 y/D 0.2 0 −0.2 −0.4 −0.6 −0.8 −1 0 20 40 60 80 100 Time [s] 28/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Exemplo de aplicação y /D = cos(Ω1 t) cos(Ω2 t(1 + ε cos Ω3 t)) Ω2 = 2π, Ω1 = Ω2 100 , Ω1 = Ω2 50 , ε = 0.1 Mean TrendImf 7 Imf 6 Imf 5 Imf 4 Imf 3 Imf 2 Imf 1 Signal Empirical Mode Decomposition 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 0 10 20 30 40 50 Time [s] 60 70 80 90 29/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Exemplo de aplicação y /D = cos(Ω1 t) cos(Ω2 t(1 + ε cos Ω3 t)) Ω2 = 2π, Ω1 = Ω2 100 , Ω1 = Ω2 50 , ε = 0.1 Hilbert−Huang Spectrum 3.5 1 0.9 3 0.8 0.7 0.6 2 0.5 y/D Frequency [Hz] 2.5 1.5 0.4 0.3 1 0.2 0.5 0.1 0 0 20 40 60 80 100 0 Time [s] 30/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Resumo 1 Objetivos 2 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. 2010]) Cilindro flexível, montado em base elástica - [Franzini et al. 2011] 8 HHT-3 31/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Descrição geral • Re constante, sob modulação da frequência. • 3 < VR < 9 em única série temporal de deslocamento • Duas taxas distintas de modulação da frequência 32/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Base elástica 33/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Taxa de modulação 2.5mm/s - Sinal 1 0.8 0.6 0.4 y/D 0.2 0 −0.2 −0.4 −0.6 −0.8 −1 0 100 200 300 400 500 600 700 800 900 1000 Time [s] 34/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Taxa de modulação 2.5mm/s - Amplitude 1 0.9 0.8 A*(t)=A/D 0.7 0.6 0.5 0.4 0.3 0.2 Vr increasing: Re=6400 Vr decreasing: Re=6400 Standard: 3000<Re<9000 0.1 0 2 3 4 5 6 7 8 9 10 Vr(t)=U/fn(t)D 35/67 Escola Politécnica 2 Universidade de São Paulo Guilherme R. Franzini [email protected] Vr decreasing: Re=6400 Standard: 3000<Re<9000 0.1 Taxa de0modulação 2.5mm/s - Frequência 2 3 4 5 6 7 8 9 10 Vr(t)=U/fn(t)D 2 1.8 1.6 f*(t)=f(t)/fN (t) 1.4 1.2 1 0.8 0.6 0.4 Vr increasing: Re=6400 Vr decreasing: Re=6400 Standard: 3000<Re<9000 0.2 0 2 3 4 5 6 7 8 9 10 Vr(t)=U/fn(t)D 36/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Taxa de modulação 5.0mm/s - Sinal 1 0.8 0.6 0.4 y/D 0.2 0 −0.2 −0.4 −0.6 −0.8 −1 0 50 100 150 200 250 300 350 400 450 500 Time [s] 37/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Taxa de modulação 5.0mm/s - Amplitude 1 0.9 0.8 A*(t)=A/D 0.7 0.6 0.5 0.4 0.3 0.2 Vr increasing: Re=6400 Vr decreasing: Re=6400 Standard: 3000<Re<9000 0.1 0 2 3 4 5 6 7 8 9 10 Vr(t)=U/fn(t)D 2 Escola Politécnica Universidade 1.8 de São Paulo 38/67 Guilherme R. Franzini [email protected] Vr decreasing: Re=6400 Standard: 3000<Re<9000 0.1 Taxa de0modulação 5.0mm/s - Frequência 2 3 4 5 6 7 8 9 10 Vr(t)=U/fn(t)D 2 1.8 1.6 f*(t)=f(t)/fN (t) 1.4 1.2 1 0.8 0.6 0.4 Vr increasing: Re=6400 Vr decreasing: Re=6400 Standard: 3000<Re<9000 0.2 0 2 3 4 5 6 7 8 9 10 Vr(t)=U/fn(t)D 39/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] HHT nos ajudou a ver que... • Modulação da rigidez → amplitude menor • Histerese é influenciada pela taxa de modulação 40/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Resumo 1 Objetivos 2 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. 2010]) Cilindro flexível, montado em base elástica - [Franzini et al. 2011] 8 HHT-3 41/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] 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 42/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Set-up Carriage z y Y accelerometer water flume 4000mm XY accelerometer 6000mm 43/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Modos e Frequências naturais 1 2 3 4 Figura: Eigenmodes - FEM Analysis 44/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Modos e Frequências naturais Tabela: Non-damped eigenfrequencies - Numerical analysis. Mode shape 1 3 fN [Hz] 0.97 2.39 Mode shape 2 4 fN [Hz] 1.24 7.73 45/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Figuras de Lissajous xt (t) × yt (t) VR = 0 Lissajous Figure - Re = 2276 VR = 3.6 Lissajous Figure - Re = 3044 1.5 1 1 0.5 0.5 0.5 0 −0.5 0 −0.5 −1 −1.5 −1.5 yt∗ 1.5 1 yt∗ yt∗ Lissajous Figure - Re = 0 1.5 −0.5 0 x∗t 0.5 1 1.5 −1.5 −1.5 0 −0.5 −1 −1 VR = 4.9 −1 −1 −0.5 0 x∗t 0.5 1 1.5 −1.5 −1.5 −1 −0.5 0 x∗t 0.5 1 1.5 Figura: Lissajous figures - Trajectories in the plane (xt∗ , yt∗ ). 46/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Figuras de Lissajous xt (t) × yt (t) VR = 6 Lissajous Figure - Re = 4549 VR = 7.3 Lissajous Figure - Re = 5315 1.5 1 1 0.5 0.5 0.5 0 −0.5 0 −0.5 −1 −1.5 −1.5 yt∗ 1.5 1 yt∗ yt∗ Lissajous Figure - Re = 3769 1.5 −0.5 0 x∗t 0.5 1 1.5 −1.5 −1.5 0 −0.5 −1 −1 VR = 8.5 −1 −1 −0.5 0 x∗t 0.5 1 1.5 −1.5 −1.5 −1 −0.5 0 x∗t 0.5 1 1.5 Figura: Lissajous figures - Trajectories in the plane (xt∗ , yt∗ ). 47/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Figuras de Lissajous xt (t) × yt (t) VR = 9.8 Lissajous Figure - Re = 6836 VR = 11 Lissajous Figure - Re = 7572 1.5 1 1 0.5 0.5 0.5 0 −0.5 0 −0.5 −1 −1.5 −1.5 yt∗ 1.5 1 yt∗ yt∗ Lissajous Figure - Re = 6112 1.5 −0.5 0 x∗t 0.5 1 1.5 −1.5 −1.5 0 −0.5 −1 −1 VR = 12.2 −1 −1 −0.5 0 x∗t 0.5 1 1.5 −1.5 −1.5 −1 −0.5 0 x∗t 0.5 1 1.5 Figura: Lissajous figures - Trajectories in the plane (xt∗ , yt∗ ). 48/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Figuras de Lissajous xt (t) × yt (t) VR = 13.9 Lissajous Figure - Re = 9408 VR = 15.1 Lissajous Figure - Re = 10159 1.5 1 1 0.5 0.5 0.5 0 −0.5 0 −0.5 −1 −1.5 −1.5 yt∗ 1.5 1 yt∗ yt∗ Lissajous Figure - Re = 8644 1.5 −0.5 0 x∗t 0.5 1 1.5 −1.5 −1.5 0 −0.5 −1 −1 VR = 16.4 −1 −1 −0.5 0 x∗t 0.5 1 1.5 −1.5 −1.5 −1 −0.5 0 x∗t 0.5 1 1.5 Figura: Lissajous figures - Trajectories in the plane (xt∗ , yt∗ ). 49/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] VR = 4,9 Hilbert−Huang Spectrum 5 Hilbert−Huang Spectrum 1.6 10 0.5 1.4 0.45 4 8 1.2 0.4 2 6 0.3 x∗ 0.8 f [Hz] y∗ f [Hz] 0.35 1 3 0.25 4 0.6 0.2 0.15 0.4 1 2 0.1 0.2 0 0 10 20 30 40 0.05 0 0 0 50 t[s] 10 20 Imf 1 0 Imf 2 −1 1 0 Imf 3 −1 1 Imf 4 0 −1 1 Imf 5 0 −1 1 Imf 6 0 −1 1 0 −1 1 0 10 20 0 50 Empirical Mode Decomposition Signal 0 30 Time [s] 40 50 Mean TrendImf 7 Mean Trend Imf 6 Imf 5 Imf 4 Imf 3 Imf 2 Imf 1 Signal Empirical Mode Decomposition 1 0 40 t[s] −1 1 −1 30 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 0 10 20 30 Time [s] 40 50 50/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] VR = 6,0 Hilbert−Huang Spectrum 5 Hilbert−Huang Spectrum 1.6 10 0.5 1.4 0.45 4 8 1.2 0.4 2 6 0.3 x∗ 0.8 f [Hz] y∗ f [Hz] 0.35 1 3 0.25 4 0.6 0.2 0.15 0.4 1 2 0.1 0.2 0 0 10 20 30 40 0.05 0 0 0 50 t[s] Signal Imf 1 Imf 2 Imf 3 Imf 4 Imf 5 10 20 30 40 0 50 Empirical Mode Decomposition 30 Time [s] 40 50 Mean Trend Imf 6 Signal Imf 1 Imf 2 Imf 3 Imf 4 Imf 5 Imf 6 Mean TrendImf 7 0 20 t[s] Empirical Mode Decomposition 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 10 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 0 10 20 30 Time [s] 40 50 51/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] VR = 7,3 Hilbert−Huang Spectrum 5 Hilbert−Huang Spectrum 1.6 10 0.5 1.4 0.45 4 8 1.2 0.4 2 6 0.3 x∗ 0.8 f [Hz] y∗ f [Hz] 0.35 1 3 0.25 4 0.6 0.2 0.15 0.4 1 2 0.1 0.2 0 0 10 20 30 40 0.05 0 0 0 50 t[s] 10 20 Imf 1 0 Imf 2 −1 1 0 Imf 3 −1 1 Imf 4 0 −1 1 Imf 5 0 −1 1 Imf 6 0 −1 1 0 −1 1 0 10 20 0 50 Empirical Mode Decomposition Signal 0 30 Time [s] 40 50 Mean TrendImf 7 Mean Trend Imf 6 Imf 5 Imf 4 Imf 3 Imf 2 Imf 1 Signal Empirical Mode Decomposition 1 0 40 t[s] −1 1 −1 30 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 0 10 20 30 Time [s] 40 50 52/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] VR = 8,5 Hilbert−Huang Spectrum 5 Hilbert−Huang Spectrum 1.6 10 0.5 1.4 0.45 4 8 1.2 0.4 2 6 0.3 x∗ 0.8 f [Hz] y∗ f [Hz] 0.35 1 3 0.25 4 0.6 0.2 0.15 0.4 1 2 0.1 0.2 0 0 10 20 30 40 0.05 0 0 0 50 t[s] Signal Imf 1 Imf 2 Imf 3 Imf 4 Imf 5 10 20 30 40 0 50 Empirical Mode Decomposition 30 Time [s] 40 50 Mean Trend Imf 6 Signal Imf 1 Imf 2 Imf 3 Imf 4 Imf 5 Imf 6 Mean TrendImf 7 0 20 t[s] Empirical Mode Decomposition 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 10 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 0 10 20 30 Time [s] 40 50 53/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] VR = 9,8 Hilbert−Huang Spectrum 5 Hilbert−Huang Spectrum 1.6 10 0.5 1.4 0.45 4 8 1.2 0.4 2 6 0.3 x∗ 0.8 f [Hz] y∗ f [Hz] 0.35 1 3 0.25 4 0.6 0.2 0.15 0.4 1 2 0.1 0.2 0 0 10 20 30 40 0.05 0 0 0 50 t[s] 10 20 Imf 1 0 Imf 2 −2 2 0 Imf 3 −2 2 Imf 4 0 −2 2 Imf 5 0 −2 2 Imf 6 0 −2 2 0 −2 2 0 10 20 0 50 Empirical Mode Decomposition Signal 0 30 Time [s] 40 50 Mean TrendImf 7 Mean Trend Imf 6 Imf 5 Imf 4 Imf 3 Imf 2 Imf 1 Signal Empirical Mode Decomposition 2 0 40 t[s] −2 2 −2 30 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 0 10 20 30 Time [s] 40 50 54/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] VR = 11,0 Hilbert−Huang Spectrum 5 Hilbert−Huang Spectrum 1.6 10 0.5 1.4 0.45 4 8 1.2 0.4 2 6 0.3 x∗ 0.8 f [Hz] y∗ f [Hz] 0.35 1 3 0.25 4 0.6 0.2 0.15 0.4 1 2 0.1 0.2 0 0 10 20 30 40 0.05 0 0 0 50 t[s] 10 20 30 Time [s] 40 50 Mean Trend Imf 10 Imf 9 Imf 8 Imf 7 Imf 6 Imf 5 Imf 4 Imf 3 Imf 2 Imf 1 Signal Signal Imf 1 Imf 2 Imf 3 Imf 4 Imf 5 Imf 6 Mean TrendImf 7 0 20 30 40 0 50 t[s] Empirical Mode Decomposition 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 10 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 Empirical Mode Decomposition 0 10 20 30 Time [s] 40 50 55/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] VR = 12,2 Hilbert−Huang Spectrum 5 Hilbert−Huang Spectrum 1.6 10 0.5 1.4 0.45 4 8 1.2 0.4 2 6 0.3 x∗ 0.8 f [Hz] y∗ f [Hz] 0.35 1 3 0.25 4 0.6 0.2 0.15 0.4 1 2 0.1 0.2 0 0 10 20 30 40 0.05 0 0 0 50 t[s] 10 20 30 Time [s] 40 50 Mean Trend Imf 9 Imf 8 Imf 7 Imf 6 Imf 5 Imf 4 Imf 3 Imf 2 Imf 1 Signal Signal Imf 1 Imf 2 Imf 3 Imf 4 Imf 5 Imf 6 Mean TrendImf 7 0 20 30 40 0 50 t[s] Empirical Mode Decomposition 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 10 Empirical Mode Decomposition 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 0 10 20 30 Time [s] 40 50 56/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] VR = 13,9 Hilbert−Huang Spectrum 5 Hilbert−Huang Spectrum 1.6 10 0.5 1.4 0.45 4 8 1.2 0.4 2 6 0.3 x∗ 0.8 f [Hz] y∗ f [Hz] 0.35 1 3 0.25 4 0.6 0.2 0.15 0.4 1 2 0.1 0.2 0 0 10 20 30 40 0.05 0 0 0 50 t[s] 10 20 0 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 10 20 30 Time [s] 40 50 Mean Trend Imf 9 Imf 8 Imf 7 Imf 6 Imf 5 Imf 4 Imf 3 Imf 2 Imf 1 Signal Mean Trend Imf 6 Imf 5 Imf 4 Imf 3 Imf 2 Imf 1 Signal Empirical Mode Decomposition 2 0 40 0 50 t[s] −2 2 −2 30 Empirical Mode Decomposition 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 0 10 20 30 Time [s] 40 50 57/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] VR = 15,1 Hilbert−Huang Spectrum 5 Hilbert−Huang Spectrum 1.6 10 0.5 1.4 0.45 4 8 1.2 0.4 2 6 0.3 x∗ 0.8 f [Hz] y∗ f [Hz] 0.35 1 3 0.25 4 0.6 0.2 0.15 0.4 1 2 0.1 0.2 0 0 10 20 30 40 0.05 0 0 0 50 t[s] 10 20 30 Time [s] 40 50 Mean Trend Imf 9 Imf 8 Imf 7 Imf 6 Imf 5 Imf 4 Imf 3 Imf 2 Imf 1 Signal Signal Imf 1 Imf 2 Imf 3 Imf 4 Imf 5 Imf 6 Mean TrendImf 7 0 20 30 40 0 50 t[s] Empirical Mode Decomposition 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 10 Empirical Mode Decomposition 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 0 10 20 30 Time [s] 40 50 58/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] VR = 16,4 Hilbert−Huang Spectrum 5 Hilbert−Huang Spectrum 1.6 10 0.5 1.4 0.45 4 8 1.2 0.4 2 6 0.3 x∗ 0.8 f [Hz] y∗ f [Hz] 0.35 1 3 0.25 4 0.6 0.2 0.15 0.4 1 2 0.1 0.2 0 0 10 20 30 40 0.05 0 0 0 50 t[s] 10 20 30 Time [s] 40 50 Mean Trend Imf 9 Imf 8 Imf 7 Imf 6 Imf 5 Imf 4 Imf 3 Imf 2 Imf 1 Signal Imf 1 Signal Imf 2 Imf 3 Imf 4 Imf 5 Imf 6 Imf 7 Mean TrendImf 8 0 20 30 40 0 50 t[s] Empirical Mode Decomposition 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 2 0 −2 10 Empirical Mode Decomposition 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 1 0 −1 0 10 20 30 Time [s] 40 50 59/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] 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) 60/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Conferência • Participação na HHT-3, organizada pelos próprios criadores da técnica. • Foco da conferência: Aplicações e teoria 61/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] 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: ? 62/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Aplicações • Aplicações em quase todos os campos do conhecimento • Finanças, ciências sociais, medicina, bioengenharia, dinâmica de sistemas... 63/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] 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 2009]) 64/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Onde usar EEMD? • PIV ? • Vibração de estruturas ? • Ondas de superfície? • ... 65/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] Obrigado 66/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected] 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.], 2010. 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.], 2011. 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. 903–955, 1998. WU, Z.; HUANG, N. E.; CHEN, X. The multi-dimensional ensemble empirical mode decomposition method. Advances in Adaptative Data Analysis, v. 1, p. 339–372, 2009. 67/67 Escola Politécnica Universidade de São Paulo Guilherme R. Franzini [email protected]