基于LMD-SVD的微震信号降噪方法研究

作为一种3维、实时的监测手段,微震监测通过分析岩体破裂产生的微震信号,评估工程岩体的稳定性,为工程建设和人员安全提供预警。然而,工程现场情况复杂,采集微震信号时通常会混入一定程度的噪声,影响后续微震信号的分析工作。针对这一问题,提出一种基于局部均值分解（local mean decomposition,LMD）和奇异值分解（singular value decomposition,SVD）的LMD-SVD联合降噪法以降低噪声干扰。该方法首先使用LMD分解,获得一系列由高频到低频分布的乘积函数（product functions,PF）;通过计算原始信号与各个PF分量之间的相关系数,确定含噪信号与有效信号之间的分界位置,将分界分量之前的分量剔除,实现初步降噪。然后,针对LMD分解结果中的残留噪声,使用SVD法,以加权能量贡献率（percent of contribution to total energy,PCTE）作为奇异值阶数的确定方法,对分界PF分量进行降噪处理,实现二次滤波。通过上述处理,最终实现微震信号降噪。在仿真实验中,对于同一带噪的Ricker子波,分别使用经验模态分解（empirical mode decomposition, EMD）、LMD、LMD-SVD这3种方法进行降噪处理。其降噪前后信号的信噪比、波形图及频谱图对比结果表明LMD-SVD是一种更好的降噪方法。此外,对于白鹤滩水电站左岸地下厂房的微震监测系统所采集的信号,运用LMD-SVD对含噪微震信号进行降噪处理,表明本文方法能够有效地去除微震信号中的高频噪声,为后续微震分析工作提供帮助。     

基于奇异值分解和经验模态分解的航空发动机健康信号降噪

提出了一种基于奇异值分解(Singular value decomposition,SVD)和经验模态分解(Empirical mode decomposition,EMD)的信号降噪方法。首先采用EMD方法对原始信号进行分解并提取出信号趋势分量。然后对信号剩余部分采用SVD方法降噪,并根据奇异值差分谱方法自适应选择奇异值进行信号重构。最后将重构后的信号与趋势分量叠加得到最终的降噪信号。采用该方法对模拟信号和实际航空发动机健康信号进行了降噪试验,结果表明:该方法能够准确地选择用于重构信号的奇异值,并能够有效地去除信号噪声。     

基于LMD与奇异值差分谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非线性非平稳特性及强噪声特性,提出了一种基于局部均值分解(local mean decomposition,LMD)和奇异值差分谱的滚动轴承故障诊断方法.首先对原始信号进行LMD分解,得到若干乘积函数(product function,PF)分量,然后对故障特征明显的分量构建Hankel矩阵并进行奇异值分解,求出奇异值差分谱曲线,找到奇异值差分谱最大突变点来确定奇异值重构分量的个数,进而对包含故障特征频段的分量进行消噪和重构,再对重构信号进行Hilbert包络谱分析,提取故障特征.实验结果和工程应用表明:LMD和奇异值差分谱结合的信号特征提取方法,能准确、有效地提取滚动轴承的故障特征频率,对故障类型作出准确判断.     

基于VMD-SSA的埋地输气管道泄漏声波信号降噪研究

针对埋地输气管道泄漏声波信号沿土壤介质传播过程中易受噪声干扰的问题,提出基于变分模态分解结合奇异谱分析的联合降噪方法。先对含噪信号进行VMD分解,并根据能量熵分布图重构去除高频噪声。再对余下含中低频噪声的信号分量进行SSA分析,结合奇异值差分谱和能量贡献选取最优奇异值重构得到最终降噪信号。实验结果表明,相较于小波阈值、变分模态分解等降噪方法,改进方法降噪前后信噪比均增量提高27.1%,均方根误差均减量提高13.8%,是一种更有效的降噪方法。     

基于补充总体局部均值分解的轴承故障诊断方法

为了弥补局部均值分解(LMD)在处理非平稳、非高斯信号的不足,提出一种基于补充总体局部均值分解(CELMD)和频谱分析相结合的轴承故障诊断方法.该方法向原信号成对地添加符号相反的白噪声,首先对含噪信号进行LMD分解,得到一系列的乘积函数(PF),再选取包含最丰富故障信息的PF分量,最后对该PF分量进行FFT变换,提取故障特征频率,实现对轴承状态和故障类型地识别.通过对仿真信号和轴承振动信号地分析,表明该方法不仅能消除残留白噪声和抑制模态混叠还可以提高故障诊断的准确性和有效性.     

小波降噪和局域均值分解的齿轮故障特征提取技术

针对齿轮系统非线性、非平稳性特点及传统时频分析方法的局限性,提出一种将小波和局域均值分解(Local mean decomposition,LMD)相结合进行齿轮故障特征提取的方法。该方法将原始信号通过小波分解再重构进行处理,以降低噪声的干扰,然后对重构信号进行LMD分解,并且对分解后所得到的乘积函数(PF)分量进行筛选。对筛选后的乘积函数进行包络谱分析,提取其故障特征进行研究。结果表明,两者相结合是一种很有效的故障特征提取方法,减弱了噪声对信号的干扰,可以实现对其振动信号故障特征的提取和诊断。     

基于LMD-ICA降噪的滚动轴承故障特征提取方法研究

在滚动轴承进行故障识别中,针对局部均值分解(LMD)方法分析非平稳、非线性含噪信号时,存在端点效应,易产生虚假分量和单通道独立成分分析(ICA)盲源分离时的欠定问题,提出了基于LMD-ICA降噪的振动信号特征提取算法.首先对原始信号进行LMD,并抑制端点效应,得到n个瞬时频率具有物理意义的乘积函数(PF)之和;然后对得到的PF分量以连续的3阶PF分量为一序列组合进行ICA,可以得到n-2个重构分量;最后利用n-2个分量进行重构,得到降噪后的故障信号,并再次进行LMD或功率谱计算,提取故障特征.经验证,该方法可有效识别滚动轴承的多类故障.     

基于LMD形态滤波的LS-SVM方法研究

在轴承的故障诊断中,为了解决核函数在最小二乘支持向量机中参数选择困难及稀疏性差的问题,提出了局部均值分解(LMD)形态滤波的最小二乘支持向量机(LS-SVM)方法.该方法首先利用LMD对信号进行分解得到PF分量,并对信号做相关分析去除虚假分量,形态滤波降噪后再进行LMD分解得到新PF分量,提取能量特征;其次,对LS-S...     

含窄带噪声和白噪声的复杂染噪局部放电信号提取及应用

复杂噪声环境下,电力设备局部放电信号的高完备度提取是实现其运行状态在线评估的关键。该文提出一种基于自适应噪声的总体集合经验分解(CEEMDAN)和改进小波包结合的复杂染噪局放信号提取方法。首先,通过自适应CEEMDAN将染噪信号进行分解,利用奇异值分解(SVD)算法对分量中包含的窄带噪声和频率混叠进行抑制,再根据信号间的相关系数确定有效分量并重构。最后,采用改进的小波包阈值法对重构信号中的白噪声进行滤除。利用该文算法分别对仿真数据和实测数据进行去噪处理,定量分析表明,该方法可有效去除白噪声和窄带噪声干扰,提取的局放信号波形畸变小、能量损失小,能够满足后续的工程应用需求。     

一种基于SVD分解的小波阈值降噪方法

针对小波软阈值消噪的缺点,探讨了一种基于奇异值分解(SVD)的离散小波去噪方法。该方法通过对每层小波分解细节系数进行奇异值分解,将其中的信号特征成分和噪声分解到不同的正交子空间中,在子空间中选取集成信号特征成分的奇异值矢量进行重构,从而提取出淹没在细节系数中的有用信号成分,最后进行小波重建,得到降噪信号。通过仿真实例的验证,表明该方法与小波阈值消噪法相比,在强噪声背景下,它提取出的信号特征成分更完整,信噪比更高。     

小波包变换和EEMD结合的信号去噪方法

超声波采样信号中的噪声也会参与经验模态分解(EEMD),造成各分解分量IMFs失真,针对于此,利用小波包分解能同时处理高频及低频噪声的特点,并结合EEMD分解算法良好自适应性,提出一种先通过小波包变换对原始采样信号进行初步消噪,然后再结合EEMD算法分解得到独立IMFs分量,最后根据各IMFs相关系数重构获得有效信号的降噪方法。通过仿真分析,相比单独的小波包去噪、EEMD分解去噪,本方法提高分解效率的同时提升了信噪比,具有更好的滤波效果。     

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.     

基于变分模态分解和奇异值分解的局部放电信号去噪方法

为有效抑制局部放电信号中的复杂噪声干扰,提出一种基于变分模态分解和奇异值分解的去噪方法。首先通过泄露能量确定VMD算法中的模态分解个数,对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后基于峭度指标选择包含有用信息的分量进行信号重构,将周期性窄带干扰去除;最后采用奇异值分解去噪方法抑制信号中剩余的高斯白噪声。运用该方法对含噪局放信号进行去噪处理,并通过时变峰度法对信号初至时刻进行拾取。与传统的小波方法和经验模态分解算法进行对比,该方法能有效抑制局放信号的复杂噪声干扰,去噪后信号波形畸变较小,信号拾取精度较高。     

基于曲波变换与EMD的地震数据随机噪声衰减

由于曲波变换对信号具有较好的稀性,使得曲波阈值去噪法在数字信号噪声处理领域得到了广泛的应用,但该方法对弱信号曲波系数存在过分的扼杀现象,从而去除了部分弱有效波信号。为了在彻底地去除地震数据中的随机噪声的同时,更完整地保留地震数据特征,在曲波阈值去噪过程中引入二维经验模态分解(BEMD)法。首先将地震信号从高频到低频分解为若干个本征模态函数分量,然后利用前几阶含噪声的高频分量重构二维含噪记录,并使用曲波阈值法降噪处理后再与剩余不含噪声的低频分量重构出去噪的信号。不论是对理论模型还是野外数据,联合法的处理结果均优于单一曲波法处理结果。理论与实际数据实验结果表明,联合法在几乎去除地震数据中的随机噪声的同时尽可能地保留了弱信号,提高了地震信号的信噪比。     

小波和S-G的改进算法及混沌降噪应用

为降低混沌信号中常见的白噪声及脉冲噪声,提出了改进的小波阈值降噪与S-G(Savitzky-Golay)滤波相结合的方法。小波基函数和分解层数对降噪效果有着重要影响,为取得更好的降噪效果,采用逐层确定最优基小波和分解层数自适应确定方法,并给出了各层阈值的选取方法,最后将改进的加权法应用于S-G小波去噪方法以恢复高频分量中部分有用信号。利用该方法对Lorenz混沌时间序列及实测机械式混沌振动信号进行了去噪研究,结果表明所提方法能将混沌信号信噪比提高近1 d B,自相关函数值提高0.01,是一种有效的混沌信号降噪新方法。     

经验模态分解在电力绝缘气体SF6红外光谱去噪中的应用

经验模态分解(EMD)是以信号极值特征尺度为度量的时空滤波器,它充分保留了信号本身的非线性和非平稳特征,在信号去噪中具有较大的优势。本文以电力绝缘气体SF6为研究对象,在介绍E MD分解方法的基础上,首先对含噪的SF6光谱信号做EMD分解,得到各阶本征模态函数(IMF),然后对高频的IMF分量用阈值法进行处理,把经过阈值处理后的高频I MF分量与低频IMF分量叠加重构得到去噪后的信号。分析了在不同噪声水平上与小波阈值去噪方法的处理效果。实验结果表明EMD阈值去噪法有效地去除了噪声,较好地保留了光谱的细节信息,与小波阈值去噪方法相比较具有自适应的优势。     

基于WT-SVD的汽车噪声抑制方法仿真

为了有效抑制汽车智能导航接收过程中音频信号里的汽车噪声,提出了一种基于小波变换和奇异值分解结合的双层滤波降噪方法,实现了对含有汽车噪声的接收信号信噪比的提高.先利用小波变换针对带噪音频进行滤波,然后对滤波后的带噪音频进行奇异值分解降噪.在此过程中针对含噪语音过长而无法直接进行奇异值分解,采用了分段处理方法;同时,为解决有效秩分离阶数确定的问题,使用奇异值方差法确定分离阶数.仿真实验结果表明,该方法简单易行,比传统音频降噪方法的增强性能更强,具有更好的效果和应用价值.     

基于改进EMD和小波阈值法的风机数据降噪研究

风机轴承振动信号中混杂着噪声,会对后期的故障诊断造成困难。提出了一种改进经验模态分解(EMD)与小波阈值降噪相结合的风机数据降噪方法。首先,采用EMD对原始振动信号进行分解得到信号的固有模态函数,考虑到各个分量中都含有噪声和信号从而出现模态混叠现象,故采用相关系数法筛选出信号分量和噪声分量对EMD进行改进。然后,采用小波阈值法对噪声分量进行降噪,并将信号分量与处理后的噪声分量进行重构,最终完成信号降噪。最后,选取某风机轴承振动数据作为实验数据,有效地去除了原始信号中的噪声,并得出轴承内圈故障的结论,与实际结果一致,验证了所提方法的有效性。     

基于LMD与随机森林的滚动轴承故障诊断

提出了一种基于LMD和随机森林相结合的滚动轴承故障诊断方法,该方法融合了LMD和随机森林算法,利用LMD分解方法将滚动轴承振动信号分解成若干个PF分量,轴承发生不同故障时,不同PF分量内的统计特征和频带能量会发生变化,从不同的PF分量中计算出其对应的均值、标准差与信息熵等特征值,将这些特征值构造成特征向量,最后运用随机森林算法实现分类滚动轴承类型。结果表明,利用LMD和随机森林相结合算法具有较高的识别精度,可以有效识别滚动轴承的故障类型。     

基于改进LMD及LSTSVM的管道泄漏检测与定位

在管道泄漏检测中,管道首末两端采集压力信号的噪声会影响泄漏检测的准确性和泄漏定位的误差。为了最大程度地降低噪声的干扰,提出改进局域均值分解(LMD)方法,该方法在外界噪声特征未知的情况下,有效提取与泄漏信号相关的乘积函数(PF)。根据测试信号的PF和参考信号相关分析的峰值,获取包含主要泄漏信息的PF分量并进行信号重构,重构信号再经过小波分析进一步消噪。在此基础上,按照时域特征和波形特征提取信号特征值输入最小二乘双支持向量机(LSTSVM)中,用以区分不同工况。根据经过小波消噪后的重构信号,采用广义相关分析法获取泄漏信号到达首末两端负压波信号的时延估计,并结合泄漏信号传播速度实现泄漏点定位。通过环道现场实验,对管道各种工况信号进行处理分析。结果表明,该方法能有效识别不同工况及泄漏定位。