声发射信号降噪及在裂纹检测中的应用研究

针对采用声发射技术评估疲劳裂纹断裂状态时存在噪声干扰,以及采用小波包阈值降噪方法或集合经验模态分解降噪方法处理信号时会受到阈值选取、模态分量等因素的影响等问题,对上述两种降噪方法的工作原理进行了分析。提出了将两者相结合的声发射信号降噪方法,根据声发射信号处理流程可分为IMF-WPT降噪方法、WPT-EEMD降噪方法和EEMD-WPT降噪方法;利用以上3种降噪方法对同一模拟含噪声疲劳断裂声发射信号进行了降噪处理,分别计算了降噪处理后信号的信噪比和失真度;分别进行了金属材料和焊接结构疲劳裂纹扩展试验,利用WPT-EEMD降噪方法对采集声发射信号进行了降噪处理。研究结果表明:WPT-EEMD降噪方法降噪后的信号信噪比为10.32,失真度为0.31%,降噪效果最好;该方法可以有效去除高频噪声的干扰,提高分析结果的可靠性。     

刀具声发射信号的组合去噪及特征分析

针对刀具切削加工过程产生的声发射信号进行噪音滤除,以有效监测刀具磨损情况,提高工件加工质量。研究形态滤波与集合平均经验模态分解(EEMD)的有效组合方法,在时域和频域对信号进行降噪处理。首先采用加权级联形态滤波,滤除声发射信号的尖峰脉冲干扰;进而采用EEMD分解处理后的信号,计算所得本征模态分量(IMF)的相关性以去除虚假分量,达到去噪效果。仿真实例分别对模拟加噪声发射信号和实测刀具声发射信号进行处理,并提取去噪前后信号频率特征进行比较,仿真结果说明了此方法的有效性。     

基于CEEMD与小波阈值的机械密封声发射信号自适应降噪方法

针对机械密封声发射信号容易受到环境噪声干扰,难以有效地从背景噪声中分离的问题,提出将互补集合经验模态分解(CEEMD)与改进小波阈值降噪方法相结合的声发射信号自适应降噪方法。根据白噪声经经验模态分解(EMD)后其固有模态函数分量的能量密度与其平均周期的乘积为一常数的特性,自适应地判定CEEMD信噪分量的分界点;为避免小波原阈值函数的缺陷,应用改进小波阈值函数对高频IMF分量进行降噪处理,然后同其余的IMF分量进行信号重构,完成降噪过程。对仿真信号和采集的机械密封声发射信号的降噪结果,证明了该降噪方法的有效性和可行性。     

基于小波包和HHT变换的声发射信号分析方法

针对声发射管道泄漏检测过程中的噪声干扰问题,对基于小波包和经验模态分解(EMD)的声发射信号处理方法进行了研究.采用小波包分解算法和经验模态分解都可以对管道泄漏声发射信号进行分解,但分解结果却存在一定区别.EMD是近年来非平稳信号分析领域的一个突破,对管道泄漏声发射信号进行EMD分解后,选择包含声发射特征的若干固有模式函数(IMF分量)进行重构,可以提取到管道泄漏声发射信号的本质特征,消除噪声信号的干扰.相对小波包分解方法而言,对根据IMF分量重构的声发射信号进行相关分析计算,得到的管道泄漏点的位置更为精确.     

单通道AE信号盲分离的飞机构件监测方法研究

基于声发射(AE)技术的飞机结构件疲劳裂纹检测是飞机健康状态识别的一种有效方法。由于声发射信号的瞬态性、不确定性、微弱性和易受机电干扰性,使声发射检测技术很大程度上已演变成信号处理问题,目前多数研究报道的是单源声发射信号的降噪处理。然而,在实际应用中,不仅结构件出现疲劳裂纹时会产生AE信号,而且紧耦合的结构体之间也会因冲击载荷产生弹性波,以至观测信号一般是多源AE混合信号,波的传播时延的存在使得信号混合方式为卷积混合。针对目前测试方法不能正确识别AE信号,以致难以识别结构体是否存在疲劳裂纹的问题,提出一种具有信号源个数估计的单通道非负矩阵分解解卷积盲源分离算法。首先采用经验模态分解方法将单通道混合信号分解为多个本征模态函数;然后采用主成分分析法估计信号源个数,并重构观测信号;最后通过非负矩阵分解解卷积得到各个源信号。实验结果表明,单通道盲源分离算法能正确分离AE信号,为飞机关键结构件的疲劳裂纹监测提供了一种方法。     

基于EEMD-JADE的滚动轴承故障诊断分析

滚动轴承故障信号特征往往受背景噪声影响而难以准确提取,集合经验模式分解能将源信号有效分解出具有真实物理意义的本征模态分量,提高故障特征的诊断精度,盲源分离技术能够分离故障信号进而提取故障特征。将集合经验模态分解与盲源分离技术相结合,通过相关系数的计算和敏感因子的数值判断合理选用源信号的分量,构建出噪声信号,再通过盲源分离技术,分离噪声信号。仿真分析和实验表明,此方法可以成功的分离出典型的轴承故障特征,可有效提高轴承故障诊断效果。     

改进的自适应噪声总体集合经验模态分解在光谱信号去噪中的应用

针对近红外无创血糖检测过程中噪声对血糖浓度模型精度和稳定性的影响,提出用自适应噪声总体集合经验模态分解方法实现近红外光谱信号的去噪;同时,根据原始信号曲率和分解后本征模态函数(IMFs)曲率间的离散弗雷歇距离选择相关模态。首先,将自适应噪声的总体集合经验模态分解方法引入近红外光谱去噪过程,介绍了经验模态分解、集合经验模态分解、互补集合经验模态分解及自适应噪声总体集合经验模态分解的基本原理及具体实现过程。然后,应用基于曲率和离散弗雷歇距离的自适应噪声总体集合经验模态分解改进算法对仿真信号和光谱信号进行去噪,并将其标准差和信噪比作为评价指标。实验结果表明:应用提出的方法得到的血糖浓度近红外光谱数据其标准差为0.179 4,信噪比为19.117 5dB,实现了信号与噪声的分离,改善了重构信号质量,具有良好的自适应性,可以有效识别并提取有用信息。     

基于EEMD-ICA去噪方法在转子故障特征识别中的应用研究

针对转子故障诊断过程中噪声干扰大,故障特征难以提取的问题,首次将基于集合经验模态分解-独立分量分析(EEMD-ICA)方法应用到转子故障特征识别中。该方法可有效抑制模态混叠现象,准确分离出包含在信号内部的噪声成分。实验结果表明,所提方法去噪效果明显,能够有效提取转子故障特征。     

轴系轮廓重构信号的CEEMDAN—小波阈值去噪方法

针对轴系回转过程中动不平衡引起的位移误差信号含噪问题,提出自适应噪声完备集合经验模态分解(CEEMDAN)—小波阈值去噪的轴系轮廓重构模型。采用CEEMDAN对位移信号进行分解得到各阶本证模态函数(IMF),采用相关性分析提取含噪的IMF分量,并对其进行小波阈值去噪,与经验模态分析EMD—小波阈值去噪方法进行比较,最后将提纯后的信号进行重构。模拟仿真表明,去噪后的信号不仅保持了原有信号的特征,并且有效去除了噪声。将去噪后的信号输入到重构轮廓模型进行试验,结果表明,去噪后分离的单个截面回转误差准确度提高了0.05μm,圆度误差准确度提高了0.0703μm。     

基于EEMD-FastICA的单通道超声回波信号去噪研究

针对单通道超声检测回波信号易受到噪声信号的影响导致缺陷诊断精度低的问题,提出基于集合经验模态分解(EEMD)和快速独立成分分析(FastICA)的单通道超声回波信号盲源分离方法(EEMD-FastICA).首先应用EEMD算法对回波信号进行自适应分解,得到多个不同尺度的固有模态函数(IMF)分量,利用主成分分析(PCA...