基于变分模态分解和粒子群算法的微震信号降噪方法

为从含噪微震信号中提取有效信息, 并准确识别岩体破裂信号和爆破振动信号, 提出了基于粒子群算法和小波阈值去噪的改进变分模态分解方法。该方法利用粒子群算法实现模态数量和惩罚因子的最优取值, 以最优参数对微震信号进行变分模态分解, 再对由高频噪声主导的模态分量进行小波阈值去噪, 将去噪后的高频信号分量与原先的低频信号分量进行重构, 实现信号降噪。经验证, 该方法相比集合经验模态分解和单纯的变分模态分解方法具有更好的降噪效果。以该方法对200组岩体破裂信号和200组爆破振动信号进行去噪, 以第一模态分量能量占比50%作为区分爆破振动信号和岩体破裂信号的依据, 识别成功率达到97.25%, 证实了此识别方法的准确性。     

基于变分非线性调频模态分解方法的岩质边坡爆破振动信号特征分析

为了精确获取爆破振动速度、加速度信号携带的时频特性信息,结合某矿山岩质边坡的爆破振动监测试验,基于变分非线性调频模态分解方法对监测信号进行了分析处理,揭示了速度、加速度能量在时间、频率的分布特征。结果表明:变分非线性调频模态分解方法去噪能力较强,且分解的速度信号能量集中于低频带0～50Hz范围,而加速度能量在80～100dB范围所占比例较大,且加速度能量逐渐向高频段集中,与速度能量分布有较大的差异性。     

基于EEMD_Hankel_SVD的矿山微震信号降噪方法

针对矿山微震信号降噪,提出了一种基于EEMD_Hankel_SVD(集合经验模态分解_Hankel矩阵_奇异值分解)的微震信号降噪方法。首先采用EEMD获得多层模态分量,计算各模态分量与原始信号的相关系数,剔除第一个相关系数差值局部最大值前的模态分量。对剩余各模态分量分别构建Hankel矩阵,再计算各Hankel矩阵的奇异值矩阵。根据奇异值曲线划分信号空间和噪声空间,实现剩余各模态分量的降噪,进而对降噪后的模态分量相加得到降噪信号。仿真试验表明该方法能有效保留信号的局部特征,提高了信噪比;矿山微震信号应用表明该方法有效地提高了STA/LTA,PAI-K和AIC法P波初至拾取效果;仿真试验和矿山微震信号P波拾取均表明该方法降噪效果优于小波重构、EMD重构和Hankel_SVD降噪,且该方法与AIC法结合拾取效果最佳。     

利用经验模态分解及小波变换压制微震信号中的随机噪声

随机噪声的压制是微震信号分析过程中的重要环节,目前大多数降噪技术都不同程度的存在去噪效果差、易损伤有效信号等问题。针对微震信号的随机非平稳特征,提出一种联合经验模态分解(EMD)及小波阈值的降噪方法,压制微震信号中的随机噪声。该法首先使用EMD对微震信号进行自适应分解,得到有限个本征模态函数(IMF)。考虑到随机噪声主要集中在高频IMF分量中,基于噪声能量突变原则找出低频IMF分量与高频IMF分量的分界后,利用小波阈值方法对高频IMF进行降噪处理,最后将降噪后的高频IMF分量与剩余的低频IMF分量重构即可实现微震信号降噪。仿真分析及实验结果表明,该方法能充分保留微震信号的随机非平稳特征,较对比方法具有更好的降噪效果。     

基于变分模态分解和小波能量熵的微震信号降噪

微震监测技术被广泛应用于矿业工程、石油天然气开采、安全监测等领域。 针对微震监 测采集到的微震信号存在随机噪声的问题,本文提出了一种变分模态分解(variationalmodedecomposition,VMD)和小波能量熵(waveletenergyentropy,WEE)结合改进阈值函数的降噪算法。 对原始信号进行VMD分解,将得到的各模态分量(intrinsicmodefunction,IMF)进行多尺度小波 分解,用小波能量熵表征各尺度信号的含噪状态,并以小波能量熵最大子区间的小波系数计算各 尺度层的阈值,通过改进阈值函数进行降噪处理后得到新的IMF,重构微震信号。 对仿真信号和 实测信号进行降噪处理,结果表明,该算法优于经验模态分解(empirical mode decomposition, EMD)、集合经验模态分解(ensembleempiricalmodedecomposition,EEMD)、VMD结合小波硬阈值 和软阈值降噪方法,提高了微震信号的信噪比。     

基于优化参数的变分模态分解结构损伤识别

多数建筑结构在受到损伤后损伤指标不明显,使用传统的经验模态分解、局部模态分解等会产生端点效应,导致模态混叠,对准确识别结构损伤造成一定的影响,而变分模态分解采用非递归算法对信号进行分解,很好地抑制了模态混叠与端点效应,但是其参数设置需人为经验.为了能够将更好地运用在结构损伤识别中,本文通过能量差值比来确定K值,同时通过...     

基于变分模态分解的爆破振动信号去噪方法研究

为对爆破的振动信号进行有效去噪,提出了一种基于窗口傅里叶变换的自适应双重变分模态分解-小波阈值(Adaptive dual variational mode decomposition-Wavelet threshold,ADVMD-WT)组合方法对爆破临近地区采集的振动信号进行去噪处理。首先利用VMD算法对振动信号进行第一次分解,分解层数根据窗口傅里叶变换频谱图中的波峰个数来确定,基于各个分量的相关系数识别出高频的噪声分量;然后对剩余信号分量逐个进行第二次分解,重复第一次分解的步骤,分离出各个低频分量中含有的噪声信号;针对噪声分量中仍含有少量有用信号,对噪声分量进行小波阈值去噪,获取有用信号;最后重构信号分量得到ADVMD-WT方法去噪后的信号。将ADVMD与其它去噪方法相比,并从信噪比、均方根误差2个评价指标验证了ADVMD方法在爆破振动信号去噪中的有效性。     

基于经验模态分解的井架变形信号自适应降噪研究

 在进行建筑物高精度动态监测时,真实位移信号往往淹没在强噪声之中,利用经验模态分解对监测信号进行多尺度分解,根据尺度标准化模量累积均值指标,确定噪声分离层次,对有效尺度分量重构得到降噪后的变形信号,建立了变形监测信号的自适应降噪模型。工程实例表明该方法具有优越性。     

变分模态分解算法在煤矿井筒爆破信号趋势项消除中的应用

爆破信号测试过程中,受测试环境和仪器自身原因的影响,在爆破近区监测到的信号往往含有趋势项干扰,无法实现信号特征的精细化提取。对现场爆破信号进行有效采集,采用变分模态分解(Variational mode decomposition,VMD)对其进行了趋势项消除并进行了时频特征提取。结果表明:井筒爆破振动信号中的趋势项具有高幅、低频特征,在时间轴上的分布更为广泛,信号中的真实成分具有宽频、低幅特征,在时间轴上聚集性更强,两者具有显著的区分度,变分模态分解对于爆破信号的自适应性强,可有效避免模态混叠效应的产生。     

基于频域约束独立成分分析的经验模态分解去噪方法

噪声污染是煤岩动力灾害电磁监测应用中需要解决的重要问题,去噪效果的好坏直接影响灾害预测的准确性。经验模态分解(Empirical Mode Decomposition,EMD)是目前电磁信号去噪中应用最多的一种方法,但当信号与噪声时频特征相近时,该算法存在严重的内蕴模态函数(Intrinsic Mode Function,IMF)混叠现象(即部分模态函数仍为信号与噪声的组合)。针对该问题,提出一种基于经验模态分解和频域约束独立成分分析的去噪方法,首先利用EMD将电磁信号分解为多个IMF分量,通过计算各分量与原信号间的互相关系数判断存在模态混叠现象过渡IMF,再以过渡IMF后续分量的频域为约束条件,对过渡IMF进行独立成分分析,去除过渡分量中的噪声;最后将去噪后的过渡分量与其后续分量进行重构,得到去噪后的信号。分别以含噪Ricker子波和现场电磁信号为例,利用信噪比定量验证了上述方法对处理现场电磁信号模态混叠问题的有效性,同时频域约束条件下的独立成分分析去噪收敛快、效率高,适合海量实时监测信号快速去噪使用。     

基于EEMD方法的地下矿山微震信号去噪研究

对地下矿山实时在线监测的微震信号进行微震事件特征提取和识别分类研究时,识别的效率往往取决于训练样本和测试样本的质量,为提高数据样本的质量,去除信号中掺杂的噪声,采用聚合经验模态分解(EEMD)方法对地下矿山微震信号进行预处理。通过采用EEMD分析方法对矿山微震信号进行预处理,获得从高频到低频铺展的一组固有模式分量(IMF)及一个残余分量,通过计算各分量能量占比把IMF中的噪声部分及残余项去除,再将包含矿山微震信号主要信息的剩余分量进行重构,从而得到去噪后的微震信号。通过信号仿真实验及实例分析,对比小波预处理方法,结果表明:该方法利用EEMD自适应分解的特性不但克服了小波阈值和分解函数选取困难等弊端,而且能显著提高信号的信噪比,较好地保留了信号形态,获得较为理想的去噪效果。     

基于VMD的大地电磁信号去噪研究

大地电磁信号是解释地质构造的重要信息载体,其受长周期和随机噪声影响严重,导致地质构造的反演结果出现严重的偏差。为了解决该问题,基于变分模态分解(Variational Mode Decomposition,VMD)提出了一种综合性的大地电磁信号去噪算法。对原始电磁信号进行多分辨VMD处理去除长周期噪声,采用小波包阈值去噪法去除信号的随机噪声,使用信号重构得到去噪处理后的大地电磁信号。使用此方法对工程实测大地电磁信号进行处理,结果表明,此方法能够对大地电磁信号的长周期噪声和随机噪声进行抑制,并且极大限度地保存了信号的有效分量,提高了时域信号的周期性,全频分段的视电阻率曲线得到了明显优化。     

熵权法赋权的清洁可再生能源节能潜力评估方法

针对已有方法未能对能源进行节能判定性分析,导致评估结果不准确,提出了一种基于熵权法赋权的清洁可再生能源节能潜力评估方法,采用综合评估和清洁可再生能源节能潜力分析的“双分析”方法对能源进行节能性判断。分别从建筑布局以及可再生能源等5个方面提取节能指标,构建节能潜力评估体系。采用熵权法对指标权重进行计算。通过可拓物元法组建清洁可再生能源节能潜力评估模型,采用模型完成节能潜力评估。经实验测试证明,所提方法能够准确地完成节能潜力评估。     

利用经验模态分解改进的CEEMD故障诊断方法

针对互补集合经验模态分解(CEEMD)方法在分解过程中会产生模态分裂的现象,提出了一种利用经验模态分解改进的CEEMD方法。由于经传统CEEMD方法分解得到的IMF分量并不能满足IMF分量的严格定义,将这些分量定义为预分解IMF分量,然后利用经验模态分解对这些预分解IMF分量重新分解,得到正确的IMF分量。为了验证改进CEEMD方法的有效性,将它用于仿真信号分解中。仿真结果表明,该方法可以有效消除传统CEEMD方法出现的模态分裂现象,分解结果更符合实际情况。将改进的CEEMD方法对真实轴承故障信号进行分解,结合包络谱分析,可以准确提取故障特征频率,从而实现对轴承故障的有效诊断。     

EMD与能量算子解调在提升机齿轮箱故障诊断中的应用

提升机齿轮减速箱一旦发生故障,其振动信号表现出强烈的非平稳性,表现为复杂的调制现象,因强烈的噪声干扰,给故障特征提取带来了困难。介绍了基于经验模态分解(Empirical Mode Decomposition, EMD)与Teager-Kaiser能量算子（Teager-Kaiser Energy Operator,TKEO）解调相结合的提升机齿轮箱故障诊断方法,该方法结合了EMD自适应滤波和Teager-Kaiser能量算子非线性故障特征提取的优点。EMD方法可将齿轮箱振动信号分解成若干个局部频率从高到低不同频段的IMFs（Intrinsic Mode Functions）,各个IMF突出了原始信号的某些局部特征,再对相对高频段且含有齿轮啮合频率及谐频的IMFs进行能量算子解调,成功提取了提升机齿轮箱中间轴旋转频率fr2的故障特征频率,诊断出了提升机齿轮箱中间轴上齿轮Z2和Z3的点蚀故障。分析结果表明,该方法能有效诊断出提升机齿轮箱的故障。     

基于改进HHT的矿山微震信号多尺度特征提取及分类研究

针对矿山微震与爆破信号难以识别问题, 提出基于改进Hilbert-Huang变换(HHT)的矿山微震信号识别方法。该方法引入互补集合经验模态分解(CEEMD)对HHT改进, 信号被自适应分解后, 计算IMF分量的偏度、峭度、Hilbert边际谱能量、Lempel-Ziv复杂度以及重构信号的分形盒维数, 运用拉普拉斯得分(LS)对5种时频域特征参数降维, 最后通过遗传算法(GA)优化的支持向量机(SVM)模型, 实现微震信号的分类识别。经400组微震和爆破信号的实例分析验证, 两类信号的5种特征参数均有较大差异, 改进HHT法识别效果优于传统经验模态分解法(EMD)和局部均值分解法(LMD), 且基于改进HHT和GA-SVM分类模型准确率达到95%, 证实了此识别方法的准确性。