球化率音频检测的激励点有限元优化研究

在球化率音频检测过程中,激励点的选取直接影响到各阶模态频率响应的值,特别对于相邻的模态频率响应,还会导致测量结果的差异。为提取关注的模态频率,抑制非关注的模态频率,提出了一种基于有限元的激励点优化方法。以汽车零部件飞轮为例,通过ANSYS对球墨铸铁待测件进行模态分析,结合各阶振型特点、固有频率以及模态激励理论,确定优化激励点,通过MATLAB GUI程序对激励点的音频信号进行分析验证。实验结果表明,该方法可对此飞轮结构所关注的模态振型做到有效激励,验证了相邻模态频率响应与激励点的选择有着密切关系,并可通过激励点的调整,有效区分相邻频率的模态振型。     

基于变分模态分解和小波分析的变压器局部放电去噪研究*

为有效去除变压器局部放电信号中大量的电磁干扰,针对现有经验模态分解存在模态混叠等问题,提出将一种新的信号分解算法——变分模态分解结合小波运用在变压器局部放电信号中来抑制窄带周期干扰和白噪声。首先利用变分模态分解将含噪信号分解成若干个以某中心频率波动的模态,在分解过程中自动滤去白噪声;然后提取含局部放电信息的模态进行重构;最后通过小波去除残余窄带周期干扰,进而实现干扰抑制。仿真和实测信号分析结果表明,该方法能很好地抑制两类干扰,保留局部放电信号特征,验证了采用变分模态分解结合小波去除噪声的有效性,为局部放电信号去噪提供了一种新的方法。     

基于VMD与自相关分析的滚动轴承故障特征提取

滚动轴承故障信号多呈现非平稳、多分量调制特性,早期故障信号调制特性微弱、易受周围设备噪声干扰,导致轴承早期故障特征淹没在噪声信号中,故障特征难以提取。为此,提出一种变分模态分解(variational mode decomposition,VMD)与自相关分析相结合的轴承故障特征提取方法。首先利用自相关分析消除故障信号中噪声干扰,提取周期成分;然后再用VMD算法将消噪信号分解成若干本征模态分量(intrinsic mode function,IMF),运用能量算子对相关系数及峭度值较大分量进行解调分析;最后通过能量解调谱来判别滚动轴承故障类型。将该方法应用到滚动轴承仿真故障数据和实测数据中,结果表明,该方法可降低了噪声的干扰,有效提取故障特征频率,能够实现滚动轴承故障的精确诊断。     

基于增强VMD相关分析的水电机组摆度信号降噪

为有效提升强背景噪声与复杂电磁干扰下水电机组摆度信号的分析精度,研究提出了一种基于增强VMD相关分析的摆度信号降噪方法。首先对摆度信号构造Hankel矩阵并进行奇异值分解,进而基于均值滤波策略筛选有效奇异值,求得Hankel估计矩阵并反向重构信号,实现低频段信号增强;再利用变分模态分解将重构信号分解为系列模态分量,并分别进行自相关分析,求得归一化自相关函数及对应的能量集中度指标;最后基于能量集中度选择有效分量进行特征信号重构,最终得到降噪后的摆度信号。通过仿真分析与电站实测振摆信号降噪验证,证明了所提方法具有较好的降噪性能。     

变分模态分解在电力系统谐波检测中的应用

针对电能质量分析中的谐波检测问题,将变分模态分解(VMD)应用到电力系统谐波检测中。利用VMD对信号的频带划分能力,实现各谐波模态的有效分离。对谐波信号进行频谱预分析确定VMD模态分解数,采用Hilbert变换提取各谐波模态幅值、频率等特征信息,通过基于奇异值分解的扰动定位方法对暂态谐波起止时刻与幅值变化时刻进行准确定位。不同类型谐波信号仿真实验验证了该方法的有效性,在无噪声与较低信噪比情况下均具有较高检测精度,具有良好的噪声鲁棒性。     

基于同步挤压小波变换的抗混叠低频振荡模态参数识别

针对经验模态分解法对低频振荡信号模态提取时,存在相邻频率分量混叠而导致分析结果不正确的问题,本文提出基于同步挤压小波变换的抗混叠低频振荡模态参数识别新方法,首先利用同步挤压小波变换将低频振荡信号分解为一组无频率混叠的固有模态分量,实现各固有模态的精确提取;其次对各固有模态分量进行希尔伯特(Hilbert)变换、计算其相对应瞬时幅值、瞬时频率及相位;最后运用瞬时频率、瞬时幅值计算其阻尼比,从而实现对低频振荡模态参数的有效识别,数值仿真及实例分析均表明该方法的可行性和有效性。同时该方法有助于评价阻尼控制器对系统不同振荡模态阻尼特性的影响,为阻尼控制器的设计研究及改进提供理论支撑,具有较好的实用价值。     

基于EEMD与KICA的局部放电窄带干扰抑制

窄带干扰严重时可能完全淹没局部放电信号,给局部放电检测工作带来巨大困难。针对局放信号经验模态分解模态混叠现象,提出采用集合经验模态分解与核独立分量分析抑制局部放电窄带干扰的方法。在局放信号叠加不同频率、不同幅值的窄带干扰情况下,该方法能较好地提取出局放信号,有效提高信噪比且信号失真小。仿真和现场测试信号的处理结果均验证了所提方法的有效性。     

基于WPT和参数优化的VMD谐波检测方法

针对变分模态分解(Variational Mode Decomposition, VMD)在谐波检测中易受噪声影响、分解模态个数K难以确定的问题,提出一种基于小波包降噪(WPT)和参数优化的VMD谐波检测方法。首先,对谐波信号进行WPT降噪处理,然后对降噪后的信号进行VMD预分解,根据解析分量的瞬时频率均值选取最优的K值,最后对降噪信号进行最优K值VMD分解并提取频率,用希尔伯特变换进行幅值检测。仿真结果与对比表明,该方法能够有效的选择VMD分解模态个数,减小噪声影响,且具有良好的检测精度。     

基于VMD和平滑滤波的ECG去噪方法*

针对目前变分模态分解法在心电信号降噪时存在模态分量难以取舍的问题,提出了一种改进的变分模态分解方法。首先对含噪心电信号进行变分模态分解,通过各模态分量的中心频率和模态分量与原始心电信号的互相关来确定噪声占优的模态分量与信号占优的模态分量。然后选取中心频率处于医学心跳频率范围的模态分量来提取心跳频率对应的采样点数,根据心跳频率对噪声占优的模态分量和信号占优的模态分量分别进行平滑滤波。最后使用处理过的模态分量重构心电信号,完成基线漂移和肌电噪声的去除。实验结果表明该方法的去噪效果优于小波阈值法、变分模态分解法及两者相结合的方法。     

基于自适应CEEMD方法的电能质量扰动检测与分析

针对现有时频分析方法处理非线性、非稳态信号自适应性的不足,提出了一种自适应互补集总经验模态分解(ACEEMD)方法。该方法通过对加噪辅助分解方法噪声准则的研究,引入相关均方根误差与信噪比两个参数作为加噪评价指标,自适应确定最优加噪幅值和集总分解次数。且加入的噪声以正负成对的形式加到目标信号中,克服了原始分解方法存在的模态混叠问题、端点效应以及残余噪声大的缺点。最后将改进的方法与Hilbert变换相结合运用在电能质量扰动检测中,通过仿真实验验证所提方法既可以有效提取扰动的频率、幅值等特征参数,也可以准确定位扰动的时间,为电能质量检测与分析提供了一种新思路。     

EEMD在超宽带雷达生命信号提取中的应用

超宽带生命探测雷达回波信号具有非线性、非平稳特性,由于心跳信号能量较弱,且受到呼吸谐波的干扰,传统的数字滤波方法无法有效地提取心跳信号。鉴于此采用一种从时域上提取生命信号的新方法。应用聚类经验模式分解(EEMD)将生命信号分解成有限个固有模态函数(IMF),再依据模式判别准则从时域上重构呼吸和心跳信号。实验结果表明,相比于经验模式分解(EMD),EEMD能有效提取呼吸信号和心跳信号。     

基于HHT变换和独立分量技术的模态参数识别

HHT方法在识别环境激励下的模态参数时已经有比较高的精确度,并且在工程实际运用中得到了很好的体现。但是,HHT法长期以来都有着许多不足之处:在经验模态分解过程中会出现模态混叠,尖端效应以及虚假模态问题。所以,如何在模态参数识别时减小甚至避免这类问题是至关重要的。主要研究如何减小模态混叠对参数识别的影响。首先加入白噪声对原始信号进行预处理,得到1组新的信号;接着进行EMD分解过程,得到若干个模式函数(IMF),根据IMFs判据来判定其是否是真正的IMFs;然后运用希尔伯特变换及独立分量技术识别出结构的模态参数;最后应用所提方法识别了一个实测飞机模型的模态参数并和实验数据进行对比。结果表明该方法成功解决了HHT方法中的模态混叠现象,并能更加准确地提取信号的各阶模态参数。     

基于EMD相关去噪的风电机组振动噪声抑制及特征频率提取

针对风电机组振动信号同时受背景白噪声和短时干扰噪声的影响,使得早期微弱故障特征频率难以提取的问题,提出一种结合经验模态分解(EMD)、相关性分析和小波包变换(WPT)的振动信号噪声抑制及故障特征频率提取方法(EMD相关去噪-WPT)。该方法首先利用EMD分解振动信号得到能表征不同频率的固有模态函数(IMF),然后筛选表征故障特征频率的IMF,并重构得到故障特征信号;其次,利用自相关分析去除重构信号中噪声的影响;最后,结合小波包变换(WPT)提取去噪重构振动信号中的特征频率。为了验证所提方法的有效性,以实测和模拟的双馈风电机组轴承故障振动信号为例,对轴承振动信号分别利用小波包变换(WPT)、EMD相关去噪-WPT、小波硬阀值-WPT方法进行特征频率提取分析。通过不同特征频率提取方法比较表明,所提出的基于EMD相关去噪-WPT特征频率提取方法,能够更有效地抑制背景白噪声和短时干扰噪声的影响,提取出早期微弱故障特征。     

EWT算法在ECG信号滤波中的研究

针对经验模态分解(EMD)算法存在的模态混叠问题和集合经验模态分解(EEMD)算法实时性不足的缺点,采用EMD与小波分析相结合的EWT算法,对ECG信号的频谱自适应分割,在分割区间上构建小波滤波器组,提取具有紧支撑的单分量成分,剔除直流分量和噪声余项,并将其余分量重构。实验数据来自MIT-BIH数据库中真实的心电图(ECG)信号,仿真结果表明,该算法能有效去除ECG信号中的基线漂移和工频干扰,信噪比(SNR)、均方根误差(RMSE)和自相关系数(AC)优于其他两种自适应算法EMD和EEMD;算法整体运行时间小于1 s,满足了心电监测的实时性与准确性要求。     

经验模态分解奇异性检测的配电网混合线路测距方法

含架空线和电缆的配电网混合线路发生故障时,故障行波信号传播复杂,波头识别困难。提出一种分形维数与经验模态分解（EMD）奇异性检测结合的配电网混合线路单端行波测距方法。对故障产生的行波信号进行分形滤波后,利用经验模态分解方法提取出高频信号的固有模态函数（IMF）,进行奇异性检测实现行波波头的准确标定,最后利用A型行波测距原理实现配电网混合线路的故障测距。PSCAD仿真结果表明,该方法具有较高的准确性和可靠性,能够有效识别出混合线路中故障点反射波和对端母线反射波,实现故障测距。     

基于掩膜分量的改进HHT方法在电能质量扰动信号定位中的应用

为克服EMD方法的缺点,提出了一种基于掩膜分量的改进HHT方法对电能质量进行检测.首先对信号进行神经网络预测延拓,并对延拓部分进行加窗处理,有效的抑制了端点效应在经验模态分解过程中带来的影响.然后用掩膜信号法对电能质量扰动信号进行分解,得到包含单一频率的精确的经验模态函数分量,再对各分量进行Hilbert变换,并对瞬时幅值求导就能确定出电能质量扰动的起止点.仿真结果表明,基于掩膜的改进HHT方法能有效克服端点效应和模态混叠对信号分解的影响,适用于各种暂态扰动的分析.     

基于自适应线性元件的周期误差分离研究

动态测量误差信号通常为多分量的非平稳信号,可能包含非周期性趋势项误差、周期性误差、随机误差等分量.为了更精确地修正误差,需将各误差分量分离出来.用神经网络自适应线性元件方法分解动态测量误差信号的周期性成分,通过一个动态测试仿真系统进行验证,并与EMD方法分解结果对比,得出神经网络自适应线性元件方法在分离周期性成分(特别...     

基于EMD与SVD的齿轮箱分形诊断方法研究

提出了一种基于经验模态分解(EMD)与奇异值分解(SVD)的机械振动系统故障分形诊断方法。该方法首先将EMD和SVD相结合,对信号进行分解和特征筛选,通过重组所得轨道矩阵,实现对机械系统振动信号不同特征信息的提取。然后利用Kolmogorov熵、多重分形等动力学分析方法,对降噪振动信号进行分形诊断。在直齿轮减速箱故障识别中的应用表明,该方法不仅有效提取出了系统的特征信息,而且可实现对系统状态和细微故障差别的有效识别,并可给出定量判据。     

基于DCT和EMD的滚动轴承故障诊断

根据轴承故障振动信号特点,提出了一种离散余弦变换和经验模态分解相结合的轴承振动信号故障诊断新方法。将离散时间序列经过离散余弦变换处理成对应的系数向量,在阈值处理的基础上,重构信号提高故障信号的信噪比;对重构信号进行经验模态分解,通过相关系数计算去除伪分量,并进行频谱分析。仿真信号和轴承故障信号的分析表明,该方法提高了信噪比,降低了EMD运算成本,减少了IMF的数量,保证了IMF的物理意义,成功完成微弱故障诊断。