基于噪声水平自适应估计的往复压缩机振动信号局部投影降噪方法

局部投影降噪算法在其应用过程中,邻域的选择对降噪效果有较大影响。提出了改进算法以解决传统算法中邻域难以选取的问题。该方法利用小波包分解技术,依据频带能量的差异将原始信号分解为噪声频带和系统信号频带,将噪声频带能量占原始信号能量的比值估计为噪声水平。在一定程度内逐步增加分解层数,直至该噪声水平收敛。根据收敛时的噪声水平估计相空间中相点的邻域半径,此外利用该噪声水平可实现对原始信号的盲信噪比估计。对含噪的Lorenz和Rossler序列进行数值仿真,结果表明该方法的降噪效果优于一些传统方法和基于定量递归分析的局部投影降噪算法。对实测往复压缩机振动信号的降噪研究,进一步表明了该方法的有效性。     

高阶局部投影算法及其在滚动轴承故障诊断中的应用

针对局部投影降噪算法中邻域相点的质心选取问题,分析了邻域质心的选取对降噪效果所产生的影响。提出了一种高阶邻域质心的选取方法,利用高阶多项式对邻域质心进行了更为精确地估计,更好地适应了吸引子的几何形状,进一步抑制了噪声,提升了局部投影算法的降噪效果。通过数值仿真信号进行了验证,并与同样基于相空间重构的非线性时间序列降噪方法做了对比,说明了高阶局部投影算法的优越性。最后将其运用于工业现场的风机轴承故障诊断中,从频域成功地提取出了滚动轴承的故障特征。     

基于相空间重构与独立分量分析的局部独立投影降噪算法

针对故障分析信号中存在噪声问题,提出一种将相空间重构与独立分量分析相结合的局部独立投影降噪算法。其中相空间重构的目的在于从高维相空间中恢复混沌吸引子,独立分量分析能够找到信号的主流形,选择邻域是为了将特征相近的相点结合在一起。使用该方法对正弦仿真信号和Lorenz仿真信号进行降噪处理,结果表明局部独立投影降噪算法的降噪效果与局部独立分量分析算法降噪效果接近,但优于全局投影降噪算法。运用该方法对低速重载轴承振动信号进行分析,准确判断出轴承故障。     

自适应局部独立分量分析

提出一种自适应局部独立分量分析降噪算法。该算法先将一维时间序列重构到高维相空间,用聚集模糊K均值聚类和聚类评价函数求取高维数据集的聚类个数和聚类中心位置,然后利用K均值聚类寻找局部投影区间,对每个聚类进行独立分量分析并投影到低维空间,将低维空间数据排列并重构成一维时间序列。与使用聚类的局部独立分量分析相比,该算法具有自适应性和稳定性。使用数值仿真试验和齿轮故障信号对该算法进行验证,结果表明该算法对此类信号具有良好的降噪效果。     

基于LP与小波包的复杂机电系统监测序列混沌降噪方法

针对流程工业生产系统监测数据存在强噪声和混沌性的特点,提出了一种局部投影方法(Local Projection Method)与小波包方法相结合的信号降噪方法。该方法先利用局部投影方法从动力学系统嵌入流形的角度进行多次迭代降噪,并根据关联维数来判定迭代终止;再利用小波包方法从频率的角度进行降噪,抑制高频噪声的干扰,取得了较好的降噪效果。用Lorenz时间序列进行仿真验证,对仿真时间序列加入不同程度的噪声,对比分析小波包、局部投影与该方法降噪后的相空间、SNR值和最大Lyapunov指数,证明了该方法对于中高强度噪声具有更好的降噪效果。并将该方法用于某压缩机组的实际监测数据降噪,评估三种方法的降噪效果,进一步验证了该方法的优越性。     

基于自适应本征维数估计流形学习的相空间重构降噪方法

针对实际工程领域振动信号噪声干扰大、具有强烈非线性等问题,提出了基于自适应本征维数估计流形学习的相空间重构降噪方法。利用相空间重构将一维含噪时间序列重构到高维相空间;基于极大似然估计法(maximum likelihood estimate,MLE)估计相空间中每个样本点的本征维数并使用自适应加权平均法计算全局本征维数;采用局部切空间排列(Local tangent space Alignment,LTSA)流形学习方法将含噪信号从高维相空间投影到有用信号的本征维空间中,剔除分布在高维空间中的噪声后,重构回一维时间序列。通过Lorenz仿真实验和风电机组振动信号降噪实例,证实了该方法具有良好的非线性降噪性能。     

局部投影和离散小波变换在心音信号去噪中的应用

针对心音信号非线性的特点,提出噪声水平自适应估计的局部投影与离散小波阈值相结合的去噪方法,该算法既能得到精确的重构信号又能保留微弱信号的有效特征。Lorenz序列数值仿真结果表明,该方法可以有效地抑制噪声,其信噪比和均方误差均优于局部投影去噪和离散小波阈值去噪;对比不同算法去噪前后信号的最大Lyapunov指数,得出该方法能很好地保留原始信号的非线性特征。对实测心音信号的降噪研究,进一步表明了该方法的有效性。     

基于ATF与EEMD变转速齿轮故障特征降噪方法

针对变转速下的齿轮故障特征的降噪问题,提出了一种基于自适应时变滤波(Adaptive Time-varying Filtering, ATF)与集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的齿轮故障特征降噪方法。该方法首先用线调频小波路径追踪(Chirplet Path Pursuit,CPP)算法从变转速下的齿轮故障振动信号中估计出齿轮啮合频率,并依据该啮合频率设计时变滤波器;再利用该时变滤波器对齿轮故障振动信号进行滤波,将滤波器阻带内的噪声予以去除;然后采用EEMD方法对滤波后的信号进一步降噪,减少滤波器通带内的噪声干扰;接着利用时变滤波器对降噪后的信号再次进行滤波,消除EEMD降噪时在阻带带来的噪声干扰;最后对降噪后的信号进行阶次分析,提取齿轮故障特征。对齿轮局部故障的算法仿真和应用实例分析表明,该方法不仅可以消除阻带的噪声干扰,而且对通带内的噪声也有较好的抑制作用,可有效凸显齿轮的故障特征。     

基于CEEMDAN-IAWT方法的滚动轴承振动信号降噪EI北大核心CSCD

针对滚动轴承振动信号中混入噪声的问题,设计一种自适应白噪声完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)结合改进自适应小波阈值(improved adaptive wavelet threshold,IAWT)的联合降噪法。使用CEEMDAN对信号进行模态分解得到本征模态函数(intrinsic mode functions,IMFs);将得到的IMFs与原信号进行相关性分析识别有效分量;针对小波阈值(wavelet threshold,WT)降噪算法不能自适应选取小波基和分解层数以及阈值函数存在缺陷的问题,设计了IAWT算法,利用IAWT算法过滤IMFs中的噪声;将处理后的IMFs进行信号重构。利用设计的联合降噪算法对仿真信号和试验台信号处理可知,相比于WT,使用IAWT处理后的信号信噪比提高了约0.5 dB,与原信号的相关系数提高了约0.03,均方根误差降低了约0.01;将设计的方法与CEEMDAN-WT等方法对比可知,经处理后的信号信噪比至少提高了1.37 dB,且信号特征保存完好。     

基于自适应VMD-MPE算法的矿山爆破地震波信号降噪方法研究

实测矿山爆破地震波信号含有大量高频噪声,一定程度上掩盖了真实信号特征,不利于爆破有害效应分析。为了有效降低实测信号的噪声成分,提出了基于自适应VMD-MPE算法的矿山爆破地震波信号降噪方法。将原信号进行变分模态分解(intrinsic mode function, VMD)获得本征模态函数(variational mode decomposition, IMF),利用能量差参数ξ自适应确定模态数K,对IMF分量进行多尺度排列熵(multi-scale permutation entropy, MPE)的随机性检测,准确区分出真实IMF和噪声IMF,去除原信号中的噪声IMF以达到降噪目的。对3组实测矿山爆破地震波信号进行降噪处理,结果表明该模型能够较好地去除高频噪声,保留了信号真实成分;其降噪效果均优于EEMD-MPE、CEEMDAN-MPE算法,验证了自适应VMD-MPE降噪方法的有效性。     

混沌振动的自适应预测方法研究

在混沌时间序列相空间重构的基础上,提出了一种沿轨道自适应预测方法,推导了模型参数的自适应算法,并研究了不同邻域点数、重构嵌入维数对预测结果的影响,仿真研究结果表明在一定的参数条件下,该方法具有良好的预测性能。将该方法用于某型非线性隔振系统振动实验信号的预测,取得了良好的预测效果。     

Nonlinear model order reduction based on local reduced‐order bases

A new approach for the dimensional reduction via projection of nonlinear computational models based on the concept of local reduced‐order bases is presented. It is particularly suited for problems characterized by different physical regimes, parameter variations, or moving features such as discontinuities and fronts. Instead of approximating the solution of interest in a fixed lower‐dimensional subspace of global basis vectors, the proposed model order reduction method approximates this solution in a lower‐dimensional subspace generated by most appropriate local basis vectors. To this effect, the solution space is partitioned into subregions, and a local reduced‐order basis is constructed and assigned to each subregion offline. During the incremental solution online of the reduced problem, a local basis is chosen according to the subregion of the solution space where the current high‐dimensional solution lies. This is achievable in real time because the computational complexity of the selection algorithm scales with the dimension of the lower‐dimensional solution space. Because it is also applicable to the process of hyper reduction, the proposed method for nonlinear model order reduction is computationally efficient. Its potential for achieving large speedups while maintaining good accuracy is demonstrated for two nonlinear computational fluid and fluid‐structure‐electric interaction problems. Copyright © 2012 John Wiley & Sons, Ltd.     

基于多尺度局部保持投影的轴承故障特征增强方法

针对轴承故障声发射信号的非线性特性,及易受背景噪声干扰的特点,提出一种多尺度局部保持投影方法。通过小波包分解实现一维信号的多尺度构造,利用近邻图保持信号局部流形信息,通过局部保持投影将信号变换到新的坐标空间下,实现故障特征增强。仿真和实验信号处理结果表明,多尺度局部保持投影方法在轴承故障增强检测中效果显著。     

基于LLTSA的转子故障数据集降维方法

特征数据集降维是机械故障智能诊断的关键步骤之一。常见的数据集降维方法难以准确的从高维非线性数据集中获取反映转子运行状态的敏感特征信息,导致故障模式识别精度降低。局部切空间排列算法（LTSA）对部分高维非线性数据集达到较好降维效果。但该算法不适合处理高曲率分布、稀疏不均匀分布等高维数据源。为此,在LTSA算法的基础上结合线性分块思想,提出线性局部切空间排列算法（LLTSA）。该算法充分考虑了数据集的整体与局部结构,将数据样本空间划分为一组最大线性块,使降维后的同类数据具有更好的聚类性。通过高维非线性转子振动数据时域特征数据集对该算法进行验证,结果表明经该算法降维后的数据集具有较好的聚类与分类性能。     

基于智能模糊控制策略的有源消声

有源消声是一种有效的低频噪声控制方法，由于空间有源消声过程具有时变性和非线性，传统的自适应算法不能进行很有效的控制。本文采用智能模糊控制策略，建立了基于智能模糊控制策略的有源消声系统，通过实验与传统自适应控制算法的消声效果作对比分析，证明智能模糊控制器不但控制速度快，易于实现，而且消声效果明显优于后者，具有较大的应用推广价值。     

水下目标辐射噪声相空间重构参数选取方法

利用自相关函数法和平均互信息法求取相空间重构的延迟参数,对实测数据计算结果进行了分析比较,确定了相空间重构时间延迟参数的选择方法。在用伪最近邻法进行相空间重构嵌入维数的选取时,使用时空曲线法计算TheilerWindow的窗口值W,并以此为依据剔除由于时间上的邻近而造成的空间上的邻近的最近邻点,改进了伪最近邻计算嵌入维数的方法。实测数据计算结果表明,该方法能够获取合理、有效的嵌入维参数。     

Absolute phase estimation: adaptive local denoising and global unwrapping

The paper attacks absolute phase estimation with a two-step approach: the first step applies an adaptive local denoising scheme to the modulo-2 pi noisy phase; the second step applies a robust phase unwrapping algorithm to the denoised modulo-2 pi phase obtained in the first step. The adaptive local modulo-2 pi phase denoising is a new algorithm based on local polynomial approximations. The zero-order and the first-order approximations of the phase are calculated in sliding windows of varying size. The zero-order approximation is used for pointwise adaptive window size selection, whereas the first-order approximation is used to filter the phase in the obtained windows. For phase unwrapping, we apply the recently introduced robust (in the sense of discontinuity preserving) PUMA unwrapping algorithm [IEEE Trans. Image Process.16, 698 (2007)] to the denoised wrapped phase. Simulations give evidence that the proposed algorithm yields state-of-the-art performance, enabling strong noise attenuation while preserving image details.