| 基于EEMD-SVD-PE的轨道波磨趋势项提取 |
| |
| 作者姓名： | 陈亮 刘宏立 郑倩 马子骥 李艳福 |
| |
| 作者单位： | 湖南大学电气与信息工程学院,长沙,410082;湖南大学电气与信息工程学院,长沙,410082;湖南大学电气与信息工程学院,长沙,410082;湖南大学电气与信息工程学院,长沙,410082;湖南大学电气与信息工程学院,长沙,410082 |
| |
| 基金项目： | 中央国有资本经营预算项目;中央高校基本科研项目(1053214004);国家自然科学基金资助项目(61771191);湖南省科技计划重点项目(2015JC3053);湖南省自然科学基金项目(2017JJ2052);长沙市科技计划项目(KQ1801194) |
| |
| 摘 要： | 
钢轨波磨检测是保障行车安全的重要手段,针对复杂钢轨线路波磨数据中的轨道起伏趋势提取问题,提出了一种基于排列组合熵(Permutation Entropy, PE)选取低复杂度奇异值分量重构趋势的EEMD-SVD信号去趋方法.相比已有的经验模式分解去趋算法,该方法考虑到原始IMF可能存在的信号成分混杂问题(如含有白噪声与信号的低频成分),首次提出通过奇异值分解来精确提取隐藏在多维IMF矩阵中的趋势项成分作为奇异值分量.由于协方差矩阵构建的奇异值分量排列时只考虑了能量的分布而未考虑趋势项信号低复杂度、高幅的特点,使用排列组合熵来选出符合趋势项特征的奇异值分量,最后对满足要求的奇异值分量进行重建得到最终的趋势项.为验证本文方法的有效性,分别进行了数字仿真和实际钢轨波磨数据去趋实验.数字仿真实验结果表明该方法整体去趋性能优于低通滤波法、与EMD结合的线性规划法和小波分解法,尤其在多信噪比的仿真实验中,当信噪比较低时,提趋准确率最大提高约30%.同时,实际钢轨波磨数据去趋实验说明本文方法能够适用于钢轨波磨检测.
|
| 关 键 词： | 聚合经验模态分解 奇异值分解 排列组合熵 信号去趋 |
| 收稿时间： | 2017-01-26 |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
| 点击此处可从《哈尔滨工业大学学报》浏览原始摘要信息 |
|
点击此处可从《哈尔滨工业大学学报》下载全文 |
|
