基于改进PCA和EEMD的桥梁挠度监测中温度效应分离

单通道桥梁挠度信号通过总体经验模态分解法(Ensemble Empirical Mode Decomposition,EEMD)分解得到的一系列线性平稳的本征模函数(intrinsic mode function,IMF),然后与原信号进行相关性分析,去除IMF分量中的弱相关成分,达到首次降维的效果。利用主成分分析(Principal Component Analysis,PCA)进一步提取信号中的主元,最后所得信号通过快速独立分量分析(Fast Independent Component Analysis,FastICA)处理,实现桥梁挠度信号中温度效应的准确分离。仿真及实验结果表明:该方法能较好地解决桥梁监测中温度效应分离的问题。     

基于EEMD和FastICA的单通道背景声舱音盲源分离

针对单通道信号盲源分离(blind source separation,BSS)模型的极端欠定问题,提出利用总体经验模态分解(ensemble empirical mode decomposition,EEMD)将单通道混合信号分解成多个瞬时频率本征模态函数(intrinsic mode function,IMF)分量...     

基于补充改进集合经验模态分析法-多尺度排列熵分析桥梁振动信号优化滤波方法

针对桥梁振动信号高度非平稳特征和含噪声成分严重的问题,提出了一种应用于桥梁健康监测领域的信号自适应分解与重构的优化滤波方法。该方法以自适应加噪的完备集合经验模态分解(CEEMDAN)为核心算法,将原始振动信号逐级分解为多个不同特征时间尺度相对平稳的固有模态函数(IMF),采用端点对称延拓法抑制端点效应,引入多尺度排列熵(MPE)分析各IMF在不同尺度上的熵均值,检索随机程度较大的IMF分量,将含噪严重与由于加噪分解产生的伪分量剔除完成一次滤波,为了择优选取剩余IMF进行信号重构保证滤波具有较好的相似度与光滑度,建立了优化重构模型完成两次滤波。研究表明:本文方法在自适应分解阶段较常用的集合经验模态分解(EEMD)、补充集合经验模态分解(CEEMD)方法具有更好的完备性、正交性与计算效率,在一定程度上抑制了模态混叠现象,端点效应问题有所改善,并对IMF进行优化重构,经分析最终的滤波信号具有较高的信噪比,通过对真实桥梁振动信号分析再一次验证了本文方法的优势,该方法的滤波结果可以作为实现桥梁健康监测技术的可靠依据。     

基于EEMD降噪与非抽样提升小波包的滚动轴承故障诊断方法

针对传统小波包在诊断滚动轴承隐含故障中存在频率混叠、精度不高等问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)降噪与非抽样提升小波包相融合的故障诊断方法.首先利用EEMD方法分解原始故障信号得到多个本征模态函数(intrinsic mode function,IMF)分量,然后计算各个IMF分量与原始信号间的相关系数,并与设置的相关系数阈值相比较,将小于阈值的IMF分量视为伪分量予以剔除; 对剩余的IMF分量采用峭度准则再次筛选最优IMF分量进行重构,进而实现降噪目的.为了避免传统小波包因采取抽样运算方式导致频率混叠情况,文中采用非抽样运算的提升小波包来分解降噪信号,并采用Hilbert变换进行包络解调分析得到滚动轴承的故障位置.仿真实验和滚动轴承内圈故障应用实例表明:采用EEMD分解原始故障信号,结合相关系数-峭度准则,达到了很好的降噪效果; 采用非抽样提升小波包比传统小波包具有更高的故障诊断精度,且不存在频率混叠问题.     

基于KPEMD与INFO-SVM的柱塞泵故障诊断

针对难以从转辙机柱塞泵的非线性振动信号中有效提取故障特征以及各分量之间存在模态混叠现象等问题,提出了一种非线性自适应正交经验模态分解(Kernel Principal Empirical Mode Decomposition, KPEMD)与向量加权平均算法优化的支持向量机(INFO-SVM)结合的故障诊断方法。首先通过KPEMD方法将原始信号分解为多个IMF分量,根据相关系数筛选出故障信息丰富的敏感分量;其次提取敏感分量的时域频域特征及能量熵构造混合特征样本集;最后输入到INFO-SVM多分类器中进行故障识别。利用柱塞泵实验数据进行对比分析,结果表明：KPEMD能够有效减弱模态混叠现象,充分提取故障信息,INFO优化SVM的识别准确率优于其它常用算法的优化结果。本方法能有效识别出转辙机柱塞泵的不同故障类型,诊断准确率达到98%。     

参数优化VMD在爆破振动信号分析中的应用

针对经验模态分解(Empirical Mode Decomposition, EMD)方法在爆破振动信号应用中模态混叠的问题,提出了一种改进的变分模态分解(Variational Mode Decomposition, VMD)方法.首先,使用任意给定的模态分解个数与惩罚因子变分模态分解将爆破振动信号分解为K个模态;然后计算分量的幅值谱熵的局部最小值;其次采用混合GA-PSO算法对任意模态分解个数与惩罚因子进行全局搜索来不断优化参数并更新幅值谱熵的局部最小值,最终最小幅值谱熵与平均幅值谱趋于一致,得出全局最小的局部最小值的幅值谱熵相应的模态分解个数与惩罚因子.仿真结果表明:模态分解个数与惩罚因子作为全局最优输入交叉优化能够准确地确定模态分解个数与惩罚因子,与经验模态分解相比,改进的变分模态分解方法具有很强的鲁棒性和抗噪声干扰能力以及分解与去噪重构精度.最后利用参数优化后的VMD进行爆破振动信号的实测,通过相关系数法检验,各分量相关系数均在一个数量级上,解决了模态混叠问题并且无虚假分量,证明参数优化的VMD在爆破振动信号应用上具有很好的适应性.     

CEEMD-FFT在滚动轴承故障诊断中的应用

针对经验模态分解(EMD)在非线性非平稳信号处理中存在模态混叠问题,虽然总体平均经验模态分解(EEMD)能在一定程度上抑制模态混叠问题,但是添加的白噪声不能完全被中和.因此利用补充的总体平均经验模态分解(CEEMD)对降噪监测信号进行分解,减少重构误差,提取最佳的IMF分量,然后对IMF分量进行FFT变换,实现对滚动轴承的故障诊断.通过对实验采集的滚动轴承的振动信号进行分析,证明了该方法的优越性,有一定的使用价值.     

检测低频振荡模式的EMD复合算法研究

提出一种抗模态混叠的EMD复合算法。首先,通过改进频率外差方法,增加混叠模态分量间的频谱距离,有效分离出倍频模态混叠成分;其次,结合小波奇异点检测技术,确定各模态分量的自适应滑动分析窗口,实现间歇性混叠模态分离和振荡模式非平稳参数辨识。为验证算法的有效性,利用测试算例和电网仿真算例进行了测试分析,结果表明,该算法能够有效分离出混叠模式分量,对于模式复杂的低频振荡信号,能够有效分离出对应的低频振荡模式,具有较高的振荡模式信息检测精度。     

基于集合经验模态分解法的局部放电信号去噪

针对局部放电检测中存在较多白噪声干扰的问题,采用基于集合经验模态分解的方法对放电信号进行消噪处理。该方法首先利用集合经验模态分解(EEMD)把信号分解成多个经验模态函数分量(IMFs),然后利用3σ法则对各分量进行细节信息提取和能量估计,最后对IMF分量进行PCA变换,并根据IMF所含噪声能量选择主成分分量进行重构。EEMD建立在经验模态分解(EMD)基础之上,通过人为添加白噪声成分,并利用多次重复取均值的方式去除白噪声,同时抑制模态混叠现象。仿真数据分析表明,所提消噪方法可以有效抑制局部放电噪声干扰,成功提取出有效的局部放电信号。     

基于改进的EEMD实现地震信号去噪

EEMD(Ensemble Empirical Mode Decomposition)是EMD的一种新扩展,为克服EMD本身存在的模态混叠而产生。传统EEMD去噪通常是将由噪声引起的IMF(Intrinsic Mode Function)直接舍掉,然后利用剩余的IMF重构信号,然而这种作法仅仅是压制了部分噪声,去噪效果不够理想。基于此本文提出一种改进的EEMD随机噪声消除方法,该方法结合了平移不变量小波阈值滤波压制高频噪声的优点以及Savitzky-Golay滤波去除低频噪声的优势。结果表明该方法不仅可以很好地衰减随机噪声,有效提高地震资料的信噪比,而且能够较好地保持有效信号。     

基于小波包和改进EMD的脑电信号消噪研究

由于采集到的脑电信号含有噪声,提出了总体经验模态分解(EEMD)的希尔伯特黄变换(HHT)结合小波包分析的脑电信号去除噪声的方法。含噪脑电信号经EEMD分解可以得到一定数量的IMF分量,而且可以解决经验模态分解(EMD)时的模态混叠问题,然后,对IMF分量进行Hilbert变换,分析Hilbert谱,把含噪的IMF部分进行小波包处理,最后,把各IMF相加,可得处理过噪声的脑电。经验证得,单独使用小波包方法消噪和改进EMD消噪,都没有小波包结合改进EMD方法的信噪比高,提高了去噪效果,有利于更精确的诊断医学疾病。     

基于自适应多元变分模态分解的电力系统低频振荡模态辨识

针对电力系统多元非线性信号模态辨识困难的问题,提出一种自适应多元变分模态分解方法(自适应MVMD)对多元低频振荡信号进行辨识.自适应MVMD法通过对构建的多元约束变分模型迭代求解获得最优分离模态集合,避免了噪声扰动下的模态混叠及虚假模态等问题.首先通过最大复原近似度确定分离模态数K,然后利用自适应多元变分模态分解法对多元信号进行辨识以获得模态集合,对各信号中同频模态分类提取,并利用Hilbert变换以及傅里叶变换频谱分布对振荡参数进行辨识.测试算例及仿真算例证明了该方法的有效性,与经验模态分解法对比结果显示自适应MVMD法对含噪声信号辨识能力更强.     

基于EMD与ICA的滚动轴承复合故障诊断

针对单通道情况下滚动轴承复合故障难以分离问题,提出基于经验模式分解(empirical mode decomposition,EMD)的独立分量分析(independent component analysis,ICA)算法.该方法首先对单通道采集的轴承复合故障信号进行EMD分解,得到多个基本模式分量函数(intrinsic mode function,IMF),然后依据帩度指标及相关系数值,选取有效的IMF分量与原观测信号组成新的观测信号,对其进行ICA处理,进而实现轴承复合故障的分离.实验结果表明,该方法可有效地分离轴承早期的复合故障.     

基于FastICA改进EMD的算法研究

经验模态分解(EMD)算法在非线性、非稳态的信号处理上具有显著的优势,但EMD在实际应用过程中存在着一些缺陷,其中以模态混叠和虚假模态现象最为突出。模态混叠现象可以简单地概述为在1个本征模函数 (IMF)含有多于一阶的结构固有模态分量;虚假模态现象则是指不该有的频率组分对结构模态参数识别精度的严重影响。针对这一问题,对EMD中存在的以上两大缺陷展开研究,提出了利用频带滤波和独立分量分析算法(ICA)中的快速ICA算法(FastICA)相结合改进的EMD 算法。利用希尔伯特变换(HT)识别结构频率,并通过Benchmark 结构验证了所提算法的有效性。     

基于EEMD和ICA方法的驾驶室内噪声源时频分析

为有效控制工程机械驾驶室内噪声,利用集合经验模态分解(ensemble empirical mode decomposition, EEMD)后的本征模函数作为稳定独立成分分析(independent component analysis, ICA)算法中的多个虚拟通道,提出了基于EEMD和ICA相结合的驾驶室内噪声盲源分离方法。通过分析仿真信号验证了EEMD-ICA方法研究复杂非平稳信号可行。结合相干分析、时频分析方法研究推土机驾驶室内噪声特性。结果表明,柴油机的1／2阶、1阶转动频率是驾驶室内相关零部件的振动辐射噪声的主要激励来源,柴油机的燃烧噪声也是室内噪声的来源。通过相干分析与时频分析相结合的技术可较准确实现噪声源定位,结合测试对象的相关常识可实现对噪声类型判别、噪声传入途径等复杂的问题进行研究,为进一步实现驾驶室内噪声治理、故障诊断,提供经济实用的分析手段。     

基于EEMD-FastICA的位移摄像测量误差源探究

随着摄像测量技术在土木工程结构健康监测领域的应用逐渐增多,摄像测量技术的长期全天候工作性能受到越来越多的关注.为探究摄像测量技术的主要误差源,提出一种基于盲源分离(Blind Source Separation,BSS)的误差源分析新方法:为了构建多通道信号作为盲源分离模型的输入信号,采用集合经验模态分解法(Ensem...     

基于EEMD穿墙雷达人的运动模式识别

根据穿墙雷达动目标探测中人的运动多普勒信号属于非线性、非平稳信号的特点,分别采用经验模式分解(EMD)和整体平均经验模式分解(EEMD)将人.5种运动的多普勒信号分解为一系列本征模式函数(IMF).采用支持向量机(SVM)学习算法,将两种方法分解后的各IMF能量占总能量的百分比作为支持向量机分类器的特征向量进行模式识别...     

一种基于 JADE 与小波去噪的自适应盲分离方法

针对传统盲分离算法忽略噪声影响的问题,引入小波去噪,在JADE算法的基础上,研究了前、后去噪盲分离算法与JADE算法在不同输入信噪比条件下的分离性能。仿真表明,输入信噪小于约-5dB时,后去噪盲分离算法输出信噪比最佳;大于约25dB时,JADE输出信噪比最佳;其它情况下,前去噪分离算法性能最佳。在此研究基础上,给出一种可估计信噪比的带噪信号自适应盲分离方法,实现对信号信噪比动态变化情形下目标信号的有效分离。     

直接正交联合对角化盲分离算法

针对盲源分离问题,利用白化预处理后信号的二阶和高阶累积量矩阵具有正交联合对角化的结构性质,以及多个实对称矩阵具有相同特征向量即可同时正交对角化的实对称矩阵的特征分解的理论,提出一种基于部分累积量矩阵特征分解的直接正交联合对角化算法. 该算法仅需要部分累积量矩阵信息,从而大大降低计算过程中的存储量和计算量. 通过数值模拟,该算法和经典的JADE算法性能接近,可以有效地进行盲分离.