双稳随机共振降噪下的经验模式分解研究

研究了强噪声混合条件下微弱信号的经验模式分解(EMD)问题,提出了一种基于随机共振降噪的EMD分解方法。该方法利用随机共振在微弱信号检测方面的独特优势,首先对有噪微弱信号进行随机共振输出,微弱信号得到降噪和加强后,再进行EMD分解。在仿真实验中,对随机共振输出前后的信号分别进行EMD分解,分析结果表明该方法不仅能够提高原始信号的信噪比,有效检测出被噪声淹没的微弱信号从而提高了EMD分解的质量,同时减少了EMD分解的层数,提高了运算效率。     

强噪声背景下滚动轴承微弱故障特征信号的经验模态分解

针对强噪声背景下滚动轴承早期微弱故障信号经验模态分解问题,提出了一种基于级联自适应分段线性随机共振系统降噪的经验模态分解方法。该方法依赖于级联自适应分段线性随机共振系统优良的降噪特性,首先对含噪信号进行降噪处理,然后再进行经验模态分解。通过对轴承故障仿真信号和滚动轴承实验信号的分析,结果表明该方法能有效滤除高频噪声,减少经验模态分解阶数,提高经验模态分解的质量,实现强噪声背景下滚动轴承早期微弱故障特征提取。     

经验模态分解和小波包变换的表面等离子体共振光谱降噪方法

针对经验模态分解(Empirical Mode Decomposition,EMD)降噪时信号端点处极值不确定和小波变换降噪信号失真的问题,综合经验模态分解自适应性和小波包变换更加精确的数据分析能力,提出一种EMD和小波包变换的表面等离子体共振(Surface Plasmon Resonance,SPR)光谱降噪方法.利用SPR系统模型模拟共振光谱信号,借助EMD对信号进行分解处理,再对低频项及残余项做小波包变换降噪处理得到共振信号.最后将EMD和小波包变换的方法用于对实际SPR光谱进行滤波处理.结果表明:EMD和小波包变换方法既能有效去除噪声,又能准确得到SPR光谱信号中的光强反射率信号,有效提高了共振波长的辨识精度,是一种实效的SPR光谱信号降噪方法.     

集成TEO解调和随机共振的行星齿轮箱早期故障诊断方法

针对行星齿轮箱早期微弱故障难以诊断的问题,提出一种结合Teager能量算子(TEO)解调和随机共振增强输出的方法以实现故障特征提取。首先,对行星齿轮箱振动信号进行经验模式分解(EMD)并选取包含故障信息的分量信号,使用TEO解调运算获得分量信号的解调信号。其次,为满足随机共振系统的小参数条件,将解调信号做适当压缩处理并进行频率二次采样。再次,以定义的随机共振系统输出信噪比为适应度函数,采用粒子群算法优化随机共振系统的结构参数,进而重构随机共振系统以实现信号、噪声以及非线性系统的最佳匹配。最后,将信号重新输入参数优化后的随机共振系统实现故障特征的增强提取。仿真和实验均表明:该方法获取了随机共振系统的大信噪比输出,实现了强噪声下微弱故障特征的准确和高效提取,是一种行之有效的行星齿轮箱早期微弱故障诊断方法。     

基于EMD和小波熵阈值算法的超声回波信号降噪

超声检测信号中通常包含大量噪声,而其中材料晶界散射的噪声是一种相关噪声。鉴于传统的方法难以将这种噪声和缺陷回波信号区分,提出一种EMD和小波熵阈值联合降噪的算法。该算法首先对目标信号进行EMD分解,提取具有噪声特性的IMF分量进行小波分解,利用含噪系统熵增的特性,在分解各尺度层的细节部分选用小波熵自适应阈值降噪,然后将剩余分量和降噪处理后的信号进行重构。仿真信号结果表明:该降噪方法(EMD-WET)输出信号的信噪比(SNR)为7.9 d B、均方根误差(RMSE)为18.1、相似系数(NCC)为0.92,优于传统的小波软、硬阈值方法。对实测信号进行处理,该方法降低信号中的大部分噪声,更好地还原回波信号的波形。     

小波降噪在信号基于EMD的Hilbert变换中的应用

提出用小波降噪后再用经验模态分解（EMD）对信号进行分析,利用小波包对信号分解重构,去除噪声干扰信号,然后再对信号进行EMD分解。该方法减少噪声对EMD分解的干扰,从而减少由于分解无用的噪声信号引入的边界效应误差和分解层数,提高EMD分解的准确性和时效性,使EMD算法在信号的分析中更具实用性。     

指数型随机共振微弱振动信号检测方法

在实际工程故障诊断中特征频率信号经常淹没在噪声中,信息提取非常困难。为了提取强噪声背景中的微弱信号,将简谐势阱与Gaussian Potential模型相结合,提出一种作用在Duffing方程下的新型指数型双稳随机共振系统。首先,推导逃逸率并研究系统参数对输出信噪比影响;其次,基于指数型双稳随机共振系统对冲击衰减信号以及谐波振动信号进行检测;最后为检测大噪声下多频信号提出指数型双稳随机共振和经验模态分解的微弱信号联合检测方法并应用于轴承故障信号检测中。实验分析及仿真结果表明,指数型双稳随机共振模型在信号检测中是可行的,并且对于多频谐波信号通过随机共振后进行经验模态分解可使检测更加准确,联合检测不仅能识别故障信号,还能识别故障倍频信号。     

基于非线性耦合双稳态随机共振的轴承微弱故障信号增强检测方法研究

针对滚动轴承微弱故障信号难以检测的难题,提出一种基于新型非线性耦合双稳态随机共振模型的轴承微弱故障信号增强检测方法。噪声背景下,随机共振可以实现微弱信号的增强输出,提高微弱信号特征的检测。提出的非线性耦合双稳态系统是由两个单一双稳态系统经非线性方式耦合而成,通过分析耦合系数、阻尼系数随着噪声强度改变的信噪改善比响应特性曲线图研究了不同参数对随机共振现象的影响。结果表明,耦合双稳系统比单一双稳态系统具有更强随机共振现象的产生。最后采用模型对轴承故障微弱信号进行了增强检测应用,所提出的非线性耦合双稳态随机共振能够实现在复杂的噪声背景下对微弱故障信号的检测。     

基于时延反馈多稳随机共振的微弱信号检测方法

为了检测噪声背景下的微弱信号,提出了一种基于一次项时延的新型多稳态随机共振模型。分析了各参数对该模型的影响,并与时延反馈随机共振模型进行对比。提出的基于一次项时延的多稳态随机共振模型可以集中增强微弱信号特征频率处的幅值,提高输出信号的信噪比和谱功率放大系数。通过实例验证表明提出的方法可以有效检测出早期微弱信号的特征。     

基于包络解调随机共振和CEEMD的机械早期微弱故障诊断方法研究

针对噪声背景下机械振动信号早期故障特征提取难题,提出一种基于包络解调随机共振和互补总体经验模态分解的机械早期微弱故障提取及诊断新方法。首先对含噪声机械故障信号进行包络解调处理,然后对包络信号进行变尺度随机共振输出,使故障特征信号得到增强,最后对处理后的信号进行互补总体经验模态分解(CEEMD),得到机械振动信号故障特征分量,实现故障特征提取及诊断。对机械故障诊断实例表明,该方法不仅能增强信号幅值,同时减少了虚假分量,提高了CEEMD算法的精度,有效提取出被噪声淹没的微弱故障信号,提高了机械早期故障诊断效果。