基于多尺度极值的一维信号趋势项快速提取方法研究

现有1维信号趋势项提取算法效率低、并且缺乏适应性和灵活性.该文提出基于多尺度极值的1维信号趋势项快速提取方法,充分利用时间序列信号极值点信息,建立信号极值点的二叉树结构,避免了传统经验模式分解(EMD)方法逐层筛选求取内蕴模式函数(IMF)分量的耗时过程,在获得与现有方法趋势项提取精度相当的情况下,极大地提高了计算速度,并且可以直接提取不同层次的趋势.仿真和实际数据实验结果表明:与传统EMD趋势分解方法和趋势滤波方法相比较,计算速度可提高1到2个数量级.     

基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用

为从机械故障信号中提取包含故障信息的特征频率,提出了基于EMD的多尺度形态学解调方法,该方法首先采用EMD方法将故障信号分解为有限个IMF分量,从中选取包含故障主要信息的IMF分量求和重构信号,再进行多尺度形态学解调,从而提取机械故障特征频率信息。将该方法用于滚动轴承、齿轮的故障诊断中,并与H ilbert包络方法比较,结果表明该方法能更好地提取故障特征频率,且对含噪故障信号也有较好的分析效果。     

基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用

为从机械故障信号中提取包含故障信息的特征频率,提出了基于EMD的多尺度形态学解调方法,该方法首先采用EMD方法将故障信号分解为有限个IMF分量,从中选取包含故障主要信息的IMF分量求和重构信号,再进行多尺度形态学解调,从而提取机械故障特征频率信息。将该方法用于滚动轴承、齿轮的故障诊断中,并与H ilbert包络方法比较,结果表明该方法能更好地提取故障特征频率,且对含噪故障信号也有较好的分析效果。     

基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用

为从机械故障信号中提取包含故障信息的特征频率,提出了基于EMD的多尺度形态学解调方法,该方法首先采用EMD方法将故障信号分解为有限个IMF分量,从中选取包含故障主要信息的IMF分量求和重构信号,再进行多尺度形态学解调,从而提取机械故障特征频率信息。将该方法用于滚动轴承、齿轮的故障诊断中,并与H ilbert包络方法比较,结果表明该方法能更好地提取故障特征频率,且对含噪故障信号也有较好的分析效果。     

基于主成分分析的经验模态分解消噪方法

 针对非线性非平稳信号的去噪问题,提出一种基于主成分分析(PCA)的经验模态分解(EMD)消噪方法.该方法根据EMD的分解特性,利用PCA对噪声信号经EMD分解后的内蕴模态函数(IMF)进行去噪处理:首先利用"3σ法则"对第一层IMF进行细节信息提取,并估计每层IMF中所含噪声的能量;然后对IMF进行PCA变换,根据IMF中所含噪声的能量选择合适数目的主成分分量进行重构,以去除IMF中的噪声.为验证本文方法的有效性,进行了数字仿真与实例应用实验.实验结果均表明,所提方法的消噪效果整体上优于Bayesian小波阈值消噪方法和基于模态单元的EMD阈值消噪方法,是一种有效的信号消噪新方法.     

EMD相关度去噪及其在轧机信号处理中的应用

基于EMD时间尺度滤波特性,在引入相关度分析的基础上提出了EMD相关度去噪方法.对含噪信号进行EMD分解得到各IMF分量,并结合相关度阈值函数计算各分量的相关度值,再与预定阈值比较获取满足阈值要求的IMF并对其进行信号重构最终得到去噪信号.该方法消除了EMD时间尺度滤波不适用于噪声和信号在IMF成分混叠情祝下的限制.通过平稳和非平稳含噪信号去噪仿真实验表明了该方法的有效性;通过轧机在轧钢时实测信号分析验证了该方法的可靠性.     

基于EMD分解与1-D CNN算法的光纤振动信号的识别

为提高基于相敏光时域反射计(-OTDR)的分布式光纤声传感系统(DAS)对入侵振动事件的识别准确率,提出一种基于经验模态分解(EMD)与一维卷积神经网络(1-D CNN)相结合的识别方式。该方式首先使用EMD将振动信号分解为m阶本征模函数(IMF),然后使用皮尔逊相关系数(PCC)判断出有效的IMF分量,将有效的IMF分量使用小波阈值去噪算法(WTD)进行去噪,对所有去噪后的IMF分量求和得到重构信号,最后使用1-D CNN对重构信号进行识别。实验证明该识别方式能快速完成对识别模型的训练,训练时间小于3min,并且能有效识别在实际环境中采集的入侵振动信号,对入侵信号的识别准确率可达98.3。     

一种改进的基于EMD分解的超宽带信号消噪算法

针对低信噪比超宽带信号的消噪问题,提出一种改进的基于经验模式分解(EMD)的消噪算法.该算法首先对含噪信号进行EMD分解,得到多个固有模态函数(IMF)分量,然后选取高阶IMF重构原信号,达到消噪的目的.针对对UWB信号的IMF重构过程中阶数阈值难以确定的问题,通过数值仿真的方法,得到信号分量和噪声分量在不同阶IMF上的能量分布特性;在对所得特性进行分析的基础上,设计了一种数据自适应的阶数阈值选取算法,解决了EMD消噪中的阶数阈值选取问题.仿真结果表明,EMD消噪算法能够在较低信噪比下提供平均10 dB的信噪比增益,可以有效地对超宽带信号进行消噪.     

频率辅助信号结合EMD的旋转机械故障诊断

针对旋转机械的故障自动诊断问题,提出一种基于经验模态分解(EMD)和频率辅助信号(FAS)的故障诊断方法.首先,利用滤波器移除非故障分量,通过实验采集各种故障下的特征频率,构建故障模型.然后,在实时故障诊断中,对光电位移传感器采集到的机械振动信号进行频谱分析,当主频接近一个特定故障的特征频率时,根据该特征频率构建一个FAS,并将其与振动信号进行叠加.接着,对叠加后的信号进行EMD,根据能量准则选择出主固有模态函数(IMF).最后,通过三次样条插值法获得主IMF信号的包络,并获得包络谱的中心频率,以此对故障进行诊断.实验结果表明,提出的方法能够解决EMD的模态混叠问题,同时对故障的并发情况具有鲁棒性.     

基于EMD与SSA的语音增强算法研究

针对低信噪比下语音性能不佳及经验模态分解(EMD)在语音增强中的有效应用,文中提出了一种基于奇异谱分析(SSA)与EMD的语音增强算法。将含噪语音信号做EMD分解,对噪声IMF分量及信号IMF分别采用小波变换和SSA去噪处理。在输入信噪比为-10d B到10d B的高斯白噪声环境下进行仿真实验。结果表明文中提出的是一种有效的语音增强算法。     

基于EMD与加权一阶局域法变压器振动信号预测

针对变压器振动信号呈现非平稳、非线性的特点,提出将经验模式分解(EMD)与加权一阶局域法相结合,实现对变压器振动信号的趋势预测。首先,将现场采集到的振动信号进行经验模式分解,然后应用相空间重构理论,确定合适的时间延迟和嵌入维数对各固有模式函数进行相空间重构。随后采用加权一阶局域法对振动信号各分量进行预测、合并。实验结果表明,该方法能够准确预测变压器振动信号变化趋势,可对变压器运行状态进行有效的监测。     

基于MEEMD-HHT的分布式光纤振动传感系统信号特征提取方法

实际应用中,分布式光纤振动传感系统所测信号多为非平稳随机信号,对其进行模式识别的关键是准确获取信号的幅值-时间-频率瞬时特征。现有的相关研究表明,经验模态分解EMD方法结合希尔伯特变换可获得所测信号中固有模态分量的瞬时能量和瞬时频率,但存在模态混叠问题,后续改进的总体经验模态分解EEMD方法存在伪分量,重构误差大,互补经验模态分解CEEMD方法减小了重构误差的同时增加了运算量,无法保证特征提取与分类的效率与准确性。文中基于改进型经验模态分解方法结合希尔伯特变换MEEMD-HHT方法实现分布式光纤振动传感系统的特征提取,引入的排列熵的评价机制优化了分解过程中随机噪声迭代次数,通过仿真分析与实验对比,验证了该方法可有效解决上述方法中存在的问题,使系统在处理时间、特征准确度等性能皆有提高。实验结果表明,所提出的方法对于单频振动信号平均特征提取准确率达99.2%;对于混频振动信号平均特征提取准确率达98.1%,相对于EMD和CEEMD分别提高15.6%和7%,算法平均耗时最短,为3.8259 s,为分布式光纤振动传感系统的信号特征提取提供了一种可靠、高效的方法。     

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。     

Method for eliminating mode mixing of empirical mode decomposition based on the revised blind source separation

Since mode mixing of empirical mode decomposition (EMD) is mainly caused by the intermittence and noise, we propose a novel method to eliminate mode mixing of EMD based on the revised blind source separation. To this aim, an optimal morphological filter is employed to eliminate the noise. As a result, the component of mode mixing caused by noise is suppressed. Furthermore, the de-noised signal is decomposed into different intrinsic mode function (IMF) components through the EMD algorithm. Since it is impossible to apply blind source separation to a single channel signal directly, the IMF component, which has mode mixing is chosen and reconstructed in the phase space. Following that, the equivalent hypothetical signals are obtained. Finally, an improved fixed-point algorithm based on independent component analysis (ICA) is introduced to separate the overlapping components. The analysis of simulation and practical application demonstrates that our proposed method can effectively tackle the mode mixing problem of EMD.     

基于EMD的齿轮故障识别研究

EMD(Emirical Moe Decompoition)方法是一种自适应的信号分解方法,该文根据齿轮故障振动信号的特点,将EMD方法应用于齿轮故障诊断中。研究结果表明,EMD方法可以有效地提取齿轮故障振动信号的特征。     

基于信息融合技术的装备故障诊断系统研究

武器装备及其运行环境的复杂性决定了其故障诊断也非常复杂，尽管随着检测、信号处理、智能技术的进步。故障诊断技术得到了很大的发展，但是目前的故障诊断技术仍存在很大的不确定性。运用信息融合技术的基本理论，针对武器装备故障诊断的特点与要求，提出了武器装备状态监澍中多传感器信息和人工观澍事实进行融合处理的方法。建立了基于信息融合的武器装备故障诊断系统流程。并对信息融合技术应用于武器装备状态的实时监测的应用前景进行了探讨。     

基于粒子滤波信号降噪的齿轮箱故障诊断研究

齿轮和轴承是机械设备中重要的部件,它的健康状况直接影响着机械设备的运行状态。研究粒子滤波对齿轮箱的振动信号进行降噪处理,需要知道信号的特性和噪声的统计特性。针对此,先对齿轮箱的齿轮进行振动分析,建立振动模型,而后再研究粒子数算法,对振动信号进行EMD分解,把分解的第一个IMF分量和残余分量进行重构,组建AR模型,经AR模型系数作为粒子滤波状态方程的系数。最后采用小波变换阈值降噪思想,把分解提出的噪声信号放到粒子滤波观测方程中,对信号进行降噪处理。     

基于固有模态函数域滤波方法

本文首次提出了基于固有模态函数(IMF)域滤波方法,该方法可以用于对带噪信号的边缘检测。首先通过经验模式分解(EMD)把信号分解成有限多个IMF分量,然后对相邻尺度的IMF分量进行相关,相关运算可以凸现信号的边缘而有效抑制噪声。最后把相关后的结果与IMF分量进行逐点比较,实现对IMF分量的滤波。仿真表明了该方法的有效性。