粒子滤波在机械密封声发射信号降噪中的应用

机械密封声发射信号容易受到环境噪声的干扰,信噪比很低。提出一种基于互补集合经验模态分解(CEEMD)和粒子滤波(PF)相结合的降噪新方法(CEEPF)。该方法首先对采集的声发射信号进行CEEMD分解,利用相关系数原理识别出高频IMF分量后对其进行重构;然后对重构后的信号建立ARIMA模型,将其作为信号的状态方程,再利用小波分解重构思想提取测量噪声,并建立测量方程;最后对重构信号进行粒子滤波,将滤波结果与各低频IMF分量一起重构得到降噪后的声发射信号。结果表明:基于CEEMD与PF的机械密封声发射信号降噪方法能够很好地滤除背景噪声,并且能最大程度保留有效信息。对仿真信号和实验信号分别进行CEEMD小波阈值、标准粒子滤波、CEEPF降噪,发现CEEPF降噪在降噪效果上明显优于其他2种方法。     

基于CEEMD的滚动轴承振动信号自适应降噪方法

针对滚动轴承故障特征信号容易被噪声掩盖难以提取的问题,提出了基于互补集合经验模态分解(CEEMD)的滚动轴承振动信号自适应降噪方法。为了准确判定噪声分量和有用信号分量的分界点,在对振动信号进行CEEMD分解后,设计了依据信噪分量自相关函数的单边波峰宽度特性自适应地判定分界点的方法。为了保证重构信号的完整性,利用改进的小波阈值降噪方法提取低频IMF分量中的高频有效信息。实验分析表明,结合改进阈值函数的CEEMD自适应降噪方法能够有效地去除故障振动信号中夹杂的噪声,并且很好地保留了滚动轴承振动信号的突变细节,达到了不错的降噪效果。     

CEEMD和小波半软阈值相结合的滚动轴承降噪

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。     

机械密封端面接触状态的声发射监测方法

针对机械密封运行过程中反映密封端面接触状态的工作参数(端面开启时间、膜厚等)测量困难的问题,提出基于声发射信号的机械密封端面接触状态监测方法。根据密封端面产生的声发射信号具有时变非线性且突发性强的特点,采用经验模态分解(EMD)法对原始信号进行分离提取。EMD法能够将信号分解为不同时间尺度和不同频带的一系列固有模态函数,然后根据能量分布特征对伪分量进行剔除,得到"近源"声发射信号,抽取其信号特征运用Laplace小波相关系数法实现对密封端面接触状态的准确识别。通过机械密封测试试验证明,声发射监测技术能准确地识别机械密封装置动静环之间的接触状态和摩擦形式,能够在工业现场推广使用。     

基于谱峭度和CEEMD的滚动轴承声信号故障诊断研究

使用声信号来诊断轴承故障越来越受到重视.针对滚动轴承故障信号的强背景噪声特点,提出一种基于谱峭度和互补集合经验模态分解(CEEMD)的故障特征提取方法.该方法首先对滚动轴承声信号进行快速谱峭度计算并进行带通滤波预处理,使滚动轴承声信号变得简单且噪声小,故障冲击成分明显;然后利用CEEMD将滤波信号进行分解运算,得到一系...     

EEMD结合小波阈值的光电容积脉搏波信号降噪

为了研究脉搏波信号降噪的问题,文章提出了一种集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与小波阈值相结合的降噪方法,对采集到的光电容积脉搏波信号来做降噪处理,同时和EMD结合小波阈值降噪算法进行比较。算法首先把信号做EEMD的分解,将原始信号分解为n个模态分量(Intrinsic Mode Function,IMF),然后对这些分量做相干性的计算,对其中的噪声分量来做小波阈值降噪,最后将信号重构。原始信号在STM32平台上采用MAX30100传感器测得。实验结果表明:本文的方法能够很好地剔除光电容积脉搏波中包含高频噪声与基线漂移的各种噪声,降噪后信噪比为34.09,均方根误差为1.99。提高了PPG信号的质量,为光电容积脉搏波信号的准确测量提供了新的思路。     

基于小波分析的声发射信号降噪处理方法

声发射检测过程中的噪声干扰问题,一直是困扰声发射技术工程应用的主要障碍之一,介绍了一种新兴的基于小波分析的声发射信号降噪处理方法,能有效降低噪声。     

联合CEEMD及AFSA优化小波阈值的心音信号去噪研究

心音是诊断身体健康的重要生理信号,为有效降低心音信号的噪声,提出一种联合互补总体经验模态分解(CEEMD)及AFSA优化小波阈值去噪相结合的方法。即先将不同频率范围的心音信号通过CEEMD进行分解,然后选取高频部分的IMF分量使用人工鱼群(ArtificialFish-SwarmAlgorithm,AFSA)优化小波阈值算法进行去噪,最后将去噪后的信号与分解的低频IMF信号进行重构得到去噪后的心音信号。将联合CEEMD及AFSA优化小波阈值去噪算法与传统的CEEMD算法、小波阈值去噪算法进行仿真对比。实验结果表明,联合去噪算法在去除心音信号噪声方面效果最好。     

基于CEEMD与IMCKD的滚动轴承故障诊断方法

针对滚动轴承故障冲击信号周期性强且易被强烈的背景噪声所淹没的特点,提出基于互补集合经验模态分解(CEEMD)与改进的最大相关峭度解卷积(IMCKD)的轴承故障诊断方法。首先,对采集到的信号进行CEEMD分解,利用峭度为准则筛选IMF分量进行信号的重构,再对重构信号进行最大相关峭度解卷积处理,实现信号的滤波降噪,最后,将滤波信号进行包络解调得到轴承的故障特征。通过轴承故障的仿真和实验研究,验证了该方法的有效性和可行性。     

基于小波包和HHT变换的声发射信号分析方法

针对声发射管道泄漏检测过程中的噪声干扰问题,对基于小波包和经验模态分解(EMD)的声发射信号处理方法进行了研究.采用小波包分解算法和经验模态分解都可以对管道泄漏声发射信号进行分解,但分解结果却存在一定区别.EMD是近年来非平稳信号分析领域的一个突破,对管道泄漏声发射信号进行EMD分解后,选择包含声发射特征的若干固有模式函数(IMF分量)进行重构,可以提取到管道泄漏声发射信号的本质特征,消除噪声信号的干扰.相对小波包分解方法而言,对根据IMF分量重构的声发射信号进行相关分析计算,得到的管道泄漏点的位置更为精确.     

基于小波的声发射信号参数提取方法

介绍小波分析方法在声发射信号处理中的应用,提出一套基于声发射信号小波分析的小波基选取的规则方法,并通过实验和仿真证明此方法的有效性.     

基于灰色准则与EEMD的滚刀振动信号降噪方法

工程现场采集的滚刀振动信号掺杂噪声,致使信号特征难以提取。提出一种基于灰色准则与集合经验模态分解(EEMD)的滚刀振动信号降噪方法。首先将原信号进行EEMD分解得到若干个特征模态函数(intrinsic mode function,IMF),再根据提出的灰色准则对IMF分量进行极性一致化处理、均值化处理,计算出IMF1与其他IMF分量的灰色关联度,并按照灰色关联度将IMF分量降序排列,然后选择降序排列中前一半IMF分量进行软阈值处理,最终将处理后的IMF分量、未处理的IMF分量及余项进行重构,得到降噪后的信号。通过不同初始信噪比的仿真信号和实际加工中的滚刀振动信号验证了本方法的可行性和有效性,同时与EEMD结合相关系数降噪法、小波软阈值降噪法进行了比较,结果表明本方法的降噪效果更优。     

CEEMD与卷积神经网络特征提取的故障诊断方法研究

轴承动力学行为具有非线性的特点,导致其振动信号特征与运行状态之间存在较强的非线性关系;且振动信号的特征提取与选择往往需要大量的先验知识,导致特征的设计难以准确反映不同的运行状态。针对以上问题,提出一种基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)与卷积神经网络(Convolutional neural networks,CNN)的特征提取方法,从振动信号时频图中自适应提取其敏感特征,反映设备运行状态。首先采用CEEMD算法分解得到振动信号的固有模态函数(Intrinsic mode function,IMF)分量,构造各个IMF时频图,并采用CNN提取时频图的特征;然后,将提取到的特征与小波包分频带能量值相结合,组建特征指标向量,用于构建轴承故障诊断模型。将该方法应用于不同负载、不同故障深度的轴承试验中,结果表明该方法能够在多种工况下有效地提高故障识别率。     

疲劳裂纹扩展声发射信号去噪盲分离

采用声发射技术评估疲劳裂纹扩展状态时,评估结论会受到其它类型声发射信号和噪声的干扰.针对上述问题,在分析经验模态分解和独立分量分析特点的基础上,提出集合导数优化经验模态分解与独立分量分析相结合的声发射信号去噪盲分离方法,用于疲劳裂纹扩展声发射信号的处理.分别进行模拟声发射信号和疲劳裂纹扩展试验,采用上述方法对采集声发射信号进行去噪盲分离,结果表明:基于集合导数优化经验模态分解与独立分量分析的声发射信号去噪方法可有效去除噪声信号的干扰,准确分离出疲劳裂纹扩展声发射信号,为进行含裂纹结构的疲劳损伤状态评估和剩余寿命预测奠定基础.     

基于自适应CEEMD的非平稳信号分析方法

由于标准的互补集总经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)在处理模态混叠问题时缺乏自适应性,其本质是分解信号获得的本征模态函数(intrinsic mode function,简称IMF)之间产生了一定的信息耦合现象,使IMF分量不能正确地反映信号的真实成分。因此,提出了在使用CEEMD分解信号的过程中嵌入网格搜索算法(grid search algorithm,简称GSA),以最小二乘互信息(least squares mutual information,简称LSMI)为网格搜索算法的适应度函数,构造一个自适应CEEMD方法。该算法通过自适应地搜索最佳的白噪声幅值,修正信号分解过程中产生的少量的耦合频率成分,确保每个IMF分量之间信息的正交性,以进一步抑制模态混叠问题。最后,通过仿真实验验证了该方法的有效性,并将该方法用于提取滚动轴承微故障的特征频率。实验结果表明,该算法在滚动轴承的微故障特征提取应用中具有更少的迭代数、IMF分量以及相对更小的计算量。     

基于声发射信号的机械密封寿命预测

针对国内外对机械密封寿命预测研究不足,不能明确退化模型等问题,提出了基于声发射特征抽取和SVR的机械密封寿命预测方法。首先基于声发射技术通过实验采集了多组机械密封的全寿命数据,对数据进行小波去噪,并进一步进行小波包分解,从中提取能够表征机械密封运行状态的时频域特征以及其他统计特征;利用KPCA对高维特征进行降维处理,再通过马氏距离进行特征融合得到机械密封退化指标,将之作为SVR的输入训练退化模型。实验结果显示,基于声发射特征提取的机械密封寿命预测方法有着较好的泛化能力和较高的精度。     

小波阈值降噪与经验模态分解在信号瞬时特征提取中的应用

为了在信号瞬时特征提取过程中有效降低噪声干扰影响,提出一种基于小波阈值降噪和经验模态分解(EMD)的信号瞬时特征提取方法。根据信号特征选择适合的小波阈值函数进行降噪处理,然后对降噪信号进行EMD分解,以互相关系数作为判别依据,保留含有信号瞬时特征的本征模函数(IMF),并进行Hilbert时频谱图和边际谱图分析,最终完成信号瞬时特征的提取。     

基于改进阈值策略的多小波循环平移降噪方法

在机电设备的故障诊断过程中,故障特征辨识通常会受到背景噪声的干扰,如何剔除干扰成分、有效捕捉隐含的故障特征是诊断成败的关键。为了实现这一目的,提出了一种基于改进阈值策略的多小波循环平移降噪算法。针对传统阈值降噪算法的不足,同时结合软、硬阈值函数的特点,对已有的阈值函数进行改进。考虑到降噪过程中产生的PesudoGibbs现象,将循环平移算法引入多小波的降噪过程中。通过滚动轴承的模拟故障实验和轧机齿轮箱的现场诊断,表明循环平移多小波改进阈值降噪方法能有效地滤除背景噪声;运用峭度指标和均方根误差作为量化参照,结果表明该方法处理后的信号信噪比明显提高。     

小波降噪在起重机声发射信号方面的应用

检测起重机械的方法主要是常规无损检测,但是这种常规方法一般不具备实时性特点,为了弥补这点缺陷,提出采用声发射技术来实现检测。在本次实验中搭载了试验系统,研究了起重机常用钢材Q235试件在不同缺陷条件下的声发射信号特性,同时运用有限元分析,小波分析来研究声发射信号和预制缺陷之间的关系,通过比较频谱和声发射参数,来获取有用的的缺陷信息。试验结果表明,可以根据波形的分析简要判断所检测试件的受损情况。