基于参数优化的ICEEMDAN-MEMS陀螺信号处理研究

航空飞行器多维智能感知系统极端应用环境中,MEMS陀螺的输出信号中会含有各种噪声,进而影响系统后续的导航任务。为了改善MEMS陀螺输出信号的质量,提出了一种参数优化的改进的自适应噪声完全集成经验模态分解(ICEEMDAN)的MEMS陀螺信号滤波方法。首先通过灰狼优化算法(GWO)对ICEEMDAN的参数进行优化;对MEMS陀螺的输出信号进行分解,得到若干个本征模态函数(IMF),并根据排列熵对分量进行划分,并使用递归最小二乘算法(RLS)对混合分量进行滤波;最后将信号重构得到最终信号。对系统实测数据进行处理,分析结果表明：与原始信号相比,降噪后的MEMS陀螺输出信号均方根误差(RMSE)降低了78.6%,该算法可有效地去除输出信号中的噪声,具备一定的工程应用价值。     

一种振动信号的EMD去噪方法及其仿真分析

针对在集合经验模态分解(EEMD)降噪应用过程中出现的模态混叠问题,采用排列熵与经验模态分解(EMD)相结合的方法,对振动信号进行降噪。引入排列熵概念,利用排列熵对EEMD分解得到的固有模态函数(IMF)进行随机性检验,形成新的EEMD降噪处理方法。仿真试验结果表明,该方法能有效提高信噪比,运算效率也得到了较大程度的提升。     

矿用带式输送机驱动滚筒轴承振动信号降噪方法

针对现有振动信号降噪方法中经验模态分解存在模态混叠、独立分量分析要求采集的振动信号数不少于源信号数等问题,提出了一种基于集合经验模态分解(EEMD)和快速独立分量分析(FastICA)的矿用带式输送机驱动滚筒轴承振动信号降噪方法。首先,通过EEMD算法对采集的振动信号进行分解,得到若干不同尺度的包含故障特征频率的本征模态函数(IMF)分量;然后,基于相关系数对IMF分量进行重构,得到特征信号和虚拟噪声信号,将重构的特征信号和虚拟噪声信号组成输入矩阵,并作为FastICA算法的输入;最后,利用FastICA算法实现信号与噪声分离,达到信号降噪的目的。实验结果验证了该方法的可行性和有效性。     

基于CEEMDAN的MEMS加速度计输出信号降噪方法

针对微机电系统(MEMS)加速度计输出信号存在误差,导致高压输电杆塔倾斜监测系统的输出倾角数据精确度不高的问题,提出了一种基于自适应噪声完备集合经验模态分解(CEEMDAN)联合奇异值分解(SVD)对杆塔的加速度计输出信号降噪方法。利用CEEMDAN对原始加速度计输出信号进行分解,得到一系列模态分量,分别计算其排列熵(PE),筛选出特征分量和含噪特征分量,然后再将需进一步降噪的特征分量通过SVD进行二次滤波,最后将降噪后的特征分量与未处理的特征分量进行叠加即得到降噪后的加速度计输出信号。仿真实验结果表明,所提出的方法可以有效地抑制噪声干扰,通过与扩展卡尔曼滤波和CEEMDAN-PE对比说明该方法滤波效果更好,有效提高了加速度信号分析精度和杆塔倾斜角测量精度。     

基于CEEMD阈值和相关系数原理的MEMS陀螺信号去噪方法

针对经验模态分解（EMD）方法易产生模态混叠问题,而集成经验模态分解（EEMD）方法又存在重构误差较大的缺陷,提出了一种基于完备集成经验模态分解（CEEMD）阈值滤波和相关系数原理的MEMS陀螺信号去噪方法。首先通过CEEMD方法对陀螺信号进行有效完备的分解,并利用相关系数原理合理确定分解后噪声分量与有效分量的界限。在此基础上,通过借鉴小波阈值处理方式和EMD阈值设置方法,对信号进行阈值滤波去噪。对仿真信号和实际MEMS陀螺信号的研究结果表明,CEEMD阈值去噪方法的去噪效果要优于CEEMD、EEMD、EMD强制去噪方法和小波分析方法。这也充分体现了其在MEMS陀螺信号去噪应用中的可行性和有效性。     

MEMS陀螺仪的稀疏冗余去噪

为了提高随钻测量过程中MEMS陀螺仪的测量精度,抑制振动信号等对陀螺仪漂移造成测量精度的影响,采用经验模态分解(Empirical Mode Decomposition,EMD)和压缩感知(compressed sensing,CS)的算法进行降噪.首先对MEMS陀螺信号进行EMD分解,利用连续均方误差(CMSE)计算两个连续重构陀螺仪信号的欧式距离,以此将分解得到的模态函数(IMFs)以高、低频的形式分离,剔除高频噪声模态的影响;构建冗余字典,使低频IMFs分量在该字典上稀疏表示,利用贝叶斯理论对优化剩余IMFs分量重构;同时,在该字典上添加一列误差补偿项,通过贝叶斯估计求得.最后将处理后的剩余IMFs分量和补偿项叠加重构.去噪前后,MEMS陀螺仪数据解算的方位角累积误差由11.8562°减小到0.4725°.仿真实验分析可知,该算法可有效去除陀螺仪信号中的噪声.     

基于VMD和CWT的MEMS陀螺仪输出降噪研究

针对MEMS陀螺仪信号噪声的问题,提出了一种基于变分模态分解(VMD)和连续小波变换(CWT)相结合的去噪方法.方法 首先利用VMD算法将MEMS陀螺仪信号分解成若干不同频率的本征模态分量 (IMF),有效的抑制了LMD分解中存在的模态混叠现象和端点效应等问题,经过信号重构之后,再用CWT算法进行二次去噪处理,分离出有效的低频信号.将上述方法应用到实际工程中,并与传统的VMD去噪和传统的CWT去噪方法作对比,实验结果表明VMD和CWT联合降噪方法可以有效地去除MEMS陀螺仪输出信号中的噪声,对改善MEMS陀螺仪零偏稳定性有着较好的作用,为工程中解决MEMS陀螺仪降噪问题提供了新思路.     

基于CEEMD-VMD-SIST算法的sEMG信号降噪方法

针对基于表面肌电信号(sEMG)的手势识别中,由于传统降噪算法对sEMG信号高频部分分解不当或存在频率混叠现象使得对含噪sEMG信号降噪效果不佳而导致手势识别精度大大降低的问题,提出使用基于互补集合经验模态分解(CEEMD)与变分模态分解(VMD)组合的滑动区间软阈值(SIST)降噪算法(CEEMD-VMD-SIST)对含噪sEMG信号进行降噪处理;使用CEEMD将含噪信号分解为从高频到低频的多个不同本征模态函数(IMF),根据自相关系数客观界定后续降噪模态分量范围,对选中的模态分量采用VMD的SIST方法进行分解降噪并与部分剩余模态分量进行重构;从实验结果中可以看出,在不同信噪比下,所提算法的降噪性能与传统降噪方法相比,信噪比与均方根误差均有明显改善,可以更大程度上保留信号的有用信息,即所提算法的降噪性能更佳。     

局部经验模态分解算法

对经验模态分解算法中的异常事件干扰机制做了深入的探讨,指出发生频率混叠现象时必须满足的两个条件。为了避免出现频率混叠现象,提出了基于动态窗口的局部分解算法。利用信号的时间特征尺度检测出信号的突变并定位局部高频分量,在分解信号的过程中,局部分解算法并不对信号的整个时间区域进行分解,而是以定位好的局部高频分量位置为窗口,进行局部的经验模态分解,分离出高频分量。通过这种局部分解,就可以有效地消除模态间的频率混叠,得到的固有模态函数更可靠地反映了真实物理过程。和现有异常事件处理方法相比,局部经验模态分解算法在理论上和经验模态分解算法更为统一,方法更为简便。通过实例表明了局部经验模态分解算法的有效性。     

基于DVMD降噪的旋转机械故障诊断

针对振动信号噪声难以剔除而造成故障诊断精度低的问题, 提出了一种基于深度变分模态分解(DVMD)的 旋转机械故障诊断方法. 首先, 利用麻雀算法(SSA)对变分模态分解(VMD)算法的参数进行优化. 然后, 通过SSA– VMD对信号进行自适应深度分解得到模态分量, 将每层深度的分量与原始信号作皮尔逊相关系数分析, 再对分量 进行奇异值分解(SVD)或者直接剔除, 将处理后分量重构后, 实现振动信号的深度降噪. 最后, 提取降噪信号的一维 多尺度排列熵特征和二维时频特征, 将特征依次放入轻量级梯度提升机(LightGBM)中进行训练, 实现故障诊断. 设 计方法在风力涡轮传动系统的齿轮箱故障信号上进行验证, 不仅能够剔除信号的大量噪声, 并且提高了故障诊断精 度, 具有良好的工程应用前景.     

基于改进HHT的脉搏信号分析方法

利用传统希尔伯特-黄变换(HHT)处理脉搏信号时,经验模态分解(EMD)分解精度低,并且存在模态混叠问题。为此,提出一种改进的HHT方法。结合时变滤波(TVF)对脉搏信号进行EMD得到一系列本征模态函数(IMF),采用相关系数法提取有效的IMF分量,并对其运用希尔伯特变换得到脉搏信号的Hilbert谱和边际谱。实验结果表明,该方法可提高分解精度,有效解决模态混叠问题,同时去除信号中的干扰成分,得到的Hilbert谱和边际谱能够准确反映脉搏信号的时频特性。     

基于CEEMD的水下机器人MEMS陀螺降噪方法

MEMS陀螺仪工作时,容易受到各种噪声,尤其是高频噪声影响,不利于导航系统长时间工作,因此需要对数据实时去噪。互补集合经验模态分解(CEEMD)是一种按照自身尺度进行信号分解的算法,信号震荡随着分解级数逐渐减小,能够较好地分离高频和低频信号。以水下机器人MEMS陀螺仪为研究对象,根据水下实测数据,采用CEEMD分解陀螺信号,提取有效信息,并利用Allan方差验证CEEMD的有效性。仿真结果表明CEEMD对随机噪声、高频信号具有良好的降噪效果。     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

基于HHT的多MEMS陀螺信号融合算法研究

基于经验模态分解方法将多MEMS陀螺信号分解为一列本征模态函数和残差函数,并采用希尔伯特变换求取其瞬时频率和瞬时能量.首先,通过本征模态函数与原信号的非线性相关系数分析来实现MEMS陀螺信号噪声的滤波处理;然后,以非线性相关信息熵作为优化指标,通过选取不同本征模态函数的组合进行加权融合,优化结果能有效地提高信号的测量精度;最后,通过仿真结果验证了所提出方法的有效性.     

基于经验模态分解的单通道盲源分离算法

为了提高单通道盲源分离性能,首先由单路信号利用经验模态分解得到一系列本征模函数分量组合成多路信号;其次针对存在模态混叠的本征模函数分量,提出利用信号周期性构造其多路信号、并利用独立分量分析消除模态混叠的有效方法;然后利用互相关性消除上述所得到的多路信号中的虚假分量,并将剩余的分量信号与观测信号构成新的多路信号;最后利用Fast-ICA(fast-independent component analysis)算法分离得到源信号。仿真实验表明该算法能够有效分离源信号,分离性能优于目前已有的基于经验模态分解的单通道盲源分离算法。     

基于改进小波包阈值降噪的滚动轴承故障分析

具有非平稳特性的滚动轴承振动信号易受到外界噪声干扰,且传统的小波包硬、软阈值函数降噪方法无法根据信号中的噪声干扰情况自适应调节。因此,提出一种基于排列熵的改进小波包阈值降噪方法,并与自适应噪声的完整集成经验模态分解(CEEMDAN)相结合进行故障信号分析。首先,对采集的滚动轴承故障信号进行改进小波包阈值降噪处理,然后将降噪信号进行CEEMDAN处理,分解得到一系列固有模态分量(IMF),根据相关系数选择IMF,并作包络谱分析。最后对滚动轴承实际振动信号的故障分析,证明了此方法的有效性。     

轴承早期故障特征提取方法研究

针对滚动轴承早期故障信号被背景噪声淹没、故障特征不明显的问题,提出一种基于小波包分解和互补集合经验模态分解(CEEMD)的轴承早期故障信号特征提取方法.利用Matlab软件对采集到的轴承振动信号进行快速谱峭度分析,根据峭度最大化原则确定带通滤波器的中心频率和带宽,设计带通滤波器;对经过带通滤波器滤波后的信号进行小波包分解和CEEMD分解,根据峭度、相关系数筛选出有效本征模态函数(IMF)分量;利用IMF分量重构小波包信号,对重构小波包信号进行包络谱分析,提取轴承早期故障信号特征频率.该方法通过谱峭度分析降低背景噪声干扰,通过小波包分解增强故障冲击信号,并将CEEMD与小波包分解相结合,解决经典EMD分解存在的模态混叠、无效分量问题.仿真结果表明,相较于传统包络解调算法,重构后信号的背景噪声得到抑制,故障特征分量突出,验证了所提方法的可行性和有效性.     

交联电缆局部放电检测研究

为了提取局部放电信号特征,将集合经验模态分解方法用于交联电缆局部放电信号分析中,提出了一种用于处理局部放电数据的自适应阈值算法。首先利用集合经验模态分解方法将含有噪声的局部放电信号分解成一些相互独立的模态函数分量,然后对所得的模态函数分量进行自适应阈值处理与重构,从而抑制噪声干扰。该算法克服了经验模态分解方法易产生的模态混叠问题,仿真和实测数据验证了其正确性及可行性。     

基于SSA-VMD和熵的特征值提取方法

针对滚动轴承早期故障微弱难以识别、无法有效提取故障信息特征的问题,提出一种基于SSA优化的结合了变分模态分解与熵的特征值提取方法。方法利用麻雀搜寻算法对变分模态分解算法中的参数进行寻优,将包络熵选取为目标函数;根据峭度筛选后续需要的IMF分量,计算筛选后的IMF分量的样本熵与排列熵共同组成特征向量;采用WOA-SVM进行诊断识别,以验证该方法的有效性。经实验分析与对比,本方法能够有效提取信号的特征值,显著提高了分类识别的准确率。     

覆冰导线振动数据降噪及状态识别

为准确识别输电线路覆冰运动状态,提出基于SSA-VMD和E-KL散度的覆冰导线振动数据降噪及状态识别的方法。首先利用微惯性测量组合(MIMU)采集导线运动三轴加速度和三轴角速度原始振动数据,构建排列熵、包络熵和相关系数结合的适应度函数,利用麻雀搜索算法(SSA)优化变分模态分解(VMD)参数。用优化后的变分模态分解方法将真实振动信号与噪声分离,选取真实振动信号重构信号,完成振动信号降噪预处理,并通过仿真实验验证降噪算法对覆冰导线振动数据的适用性。搭建覆冰导线模拟系统采集数据,降噪处理后计算导线各维能量,构建E-KL散度对覆冰导线状态识别,估计覆冰导线幅值和频率变异程度。实验结果表明可有效识别覆冰导线状态并进行幅频估计。