基于BWO优化VMD联合小波阈值的管道泄漏次声波去噪方法

管道泄漏次声波信号中的干扰噪声影响管道泄漏定位的精准度。提出了一种基于白鲸优化算法（BWO）优化变分模态分解（VMD）联合小波阈值（WT）的管道泄漏次声波去噪方法。针对VMD算法中分解层数K和惩罚因子α的取值对信号分解结果影响较大,利用白鲸优化算法（BWO）对VMD分解的两关键参数进行寻优,获得最优参数组合[K、α],并利用优化后的参数对次声波信号进行VMD分解,获得一系列本征模函数（IMF）分量。通过计算各IMF分量的相关系数来区分噪声IMF分量和有效IMF分量,引入一种改进的小波阈值函数对有效的IMF分量进行去噪处理,再重构去噪后各有效IMF分量,得到去噪后的管道泄漏次声波信号。通过仿真实验,将所提方法与灰狼优化算法（GWO）优化VMD联合小波阈值和麻雀搜索算法（SSA）优化VMD联合小波阈值两种方法对比,所提方法去噪后信号的信噪比分别提高了1.27%、2.01%,表明所提方法的去噪效果具有一定的优越性,为后续管道泄漏计算定位奠定了良好的基础。     

基于经验与变分混合分解的超声回波信号噪声消除方法

超声缺陷检测结果易受超声回波信号中复杂噪声的干扰,为了提高超声缺陷检测的准确度,提出一种基于混合分解的 超声回波信号噪声消除方法。 采用经验模态分解算法结合相关系数指标对超声回波信号进行预处理,得到消除低频噪声分量 的超声回波预处理信号。 基于变分模态分解将该预处理信号分解为一系列窄带本征模态函数,引入互信息指标估计变分模态 分解的最优模态数量,并根据窄带本征模态函数与预处理信号的相关系数提取有用的模态分量,实现对超声回波信号去噪结果 的重构。 通过仿真和实测超声回波信号验证了本文方法的去噪性能,并与现有方法进行了对比。 结果表明,本文方法可同时消 除超声回波信号中的高频和低频噪声,在不同信噪比条件下 EMD、VMD 和本文方法去噪结果的 SNR 均值分别为 10. 01、9. 48 和 16. 09 dB,验证了本文方法对于超声回波信号噪声消除的优越性。     

基于变分模态分解的管道泄漏信号降噪方法

管道泄漏信号的降噪是精确定位泄漏点的关键,但该信号具有非平稳、非线性的特性,传统方法对这类信号的去噪效果有限。为了有效剔除噪声以提升泄漏定位的精度,提出了一种基于变分模态分解（variational mode decomposition,简称VMD）的自适应降噪方法。首先,通过相关系数筛选有效固有模态函数（intrinsic mode function,简称IMF）实现信号重构;其次,根据重构信号信息熵的最小值,得到VMD的最优分解层数和最优降噪信号;最后,通过负压波理论实现泄漏定位,并搭建了管道泄漏实验系统对所提方法进行验证。结果表明：该方法能有效抑制噪声,保留了信号的波形特征,且能识别出明显的负压波拐点;泄漏定位的最小相对误差为0.9%,最大为3.75%。与传统方法相比,所提方法定位的精度更高,结果更稳定。     

一种基于变分模态分解和样本熵的MEMS陀螺去噪方法

针对MEMS陀螺信号,提出了一种基于变分模态分解(VMD)和样本熵(SE)的随机噪声抑制方法.首先采用VMD算法自适应地将原始信号分解为固有模态函数(IMF)的集合,然后针对不同的固有模态序列建立基于样本熵理论的信号组分筛选标准,从而将其划分为低频有效信息IMFs、信息和噪声混合IMFs和高频噪声IMFs.舍弃高频噪声...     

基于VMD-EV的天然气管道小泄漏信号去噪研究

针对VMD在有效分量选取方面存在的问题,提出了一种VMD与能量值结合的信号去噪算法。利用VMD算法将输入信号分解成K个带限固有模态函数(BLIMFs),分别计算每个BLIMF的概率密度函数的能量值,通过评估两个相邻能量值之间的变化选取有效模态重构信号。试验结果表明,该算法能够有效应用于天然气管道小泄漏信号的去噪处理。     

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。     

变分模态分解和相关系数联合算法在管道泄漏检测中的应用

针对变分模态分解(Variational Mode Decomposition)算法存在难以选取预设尺度K和分解后的有效IMF分量的问题,提出了一种VMD和相关系数联合准则的方法,并将其用于检测管道泄漏信号。首先,通过VMD算法将原始信号分解成具有不同特征时间尺度的固有模态函数(Intrinsic Mode Function),然后利用相关系数法选取预设尺度K和包含故障信息最丰富的IMF分量,最后,对选取的有效IMF分量进行信号重构。试验结果表明,通过VMD和相关系数联合算法可以准确选取出预设尺度K并能得到有效的IMF分量,从而提高了管道泄漏检测的精度。     

基于VMD和互谱分析的供水管道泄漏定位方法

针对低信噪比(SNR)下的供水管道泄漏振动信号用于时延估计泄漏定位误差大的问题,提出基于变分模态分解(VMD)和互谱分析结合的供水管道泄漏定位方法。首先,利用VMD将管道泄漏信号分解为若干个本征模态函数(IMF),对供水管道泄漏信号进行互谱分析确定特征频带;然后,利用IMF分量在特征频带内的能量比例作为选取准则来确定有效IMF分量,并对选取的有效IMF分量进行重构;最后,对重构信号进行时延估计来确定泄漏点位置。为了验证所提泄漏定位算法的有效性,通过仿真和实验分别对互谱与VMD结合、互相关及VMD与相关系数结合3种方法进行研究。实验结果表明,以上3种定位算法的平均相对定位误差分别为2. 53%,8. 62%和16. 86%。     

基于EMD的螺杆转子激光测量信号去噪算法研究

为去除螺杆转子激光测量信号中的噪声,提出一种EMD-β与改进小波阈值函数结合的去噪算法。首先利用经验模态分解(EMD)对螺杆转子的激光距离信号进行分解,用EMD-β寻找高频的固有模态函数(IMF),然后对高频的IMF进行改进小波阈值去噪,最后将去噪后的IMF和剩余的IMF进行信号重构得到去噪后的信号。经过仿真验证,此方法在激光距离信号的噪声去除中具有一定的使用价值。     

多工况输气管道泄漏声波信号自适应去噪

为实现极低信噪比下管道泄漏声波信号去噪,基于多通道信号的相关性,提出使用相关系数矩阵筛选变分模态分解所得 模态分量。 针对不同工况的泄漏信号,提出不依赖真值的去噪质量评价指标,将其作为多目标灰狼优化算法目标函数,基于 Pareto 前沿获取变分模态分解的最佳模态数 K 和惩罚因子 η,实现多工况自适应去噪。 搭建了输气管道泄漏多工况实验平台,在不同工 况、不同输入信号信噪比(-8~4 dB)下验证所提方法的去噪效果。 结果表明,该方法能有效抑制噪声,-8 dB 时去噪信号信噪比提 升 2. 84 dB 以上。 对比基于单目标优化的去噪方法,-8 dB 下新方法的信噪比和相关系数分别提高了 3. 65 dB 和 31. 26% 。     

遗传算法VMD参数优化与小波阈值轴承振动信号去噪分析

针对轴承振动信号夹杂的噪声极大地影响有用信息的提取,提出了基于遗传算法的变分模态分解(Variational mode decomposition,VMD)与小波阈值去噪方法。该方法首先利用遗传算法选择合适的VMD参数,然后用VMD方法对含噪声的信号进行自适应分解,最后对分解的模态分别进行小波阈值处理后重构信号,得到去噪后的信号。对实际轴承信号的分析结果表明,该方法与常用的去噪方法相比,能够得到更高的信噪比和更低的均方差。     

变分模态分解与神经网络结合的轴承故障诊断

故障信号特征提取的准确性是保证故障智能诊断识别率的关键因素。低信噪比情况下,故障诊断效果下降。变分模态分解方法(VMD)在信号分解精度和抗噪方面具有明显优势。在分析VMD抗噪性能的基础上,提出以VMD分解的各模态能量作为智能诊断特征信息,并与小波包的特征信息进行对比研究。将滚动轴承两种故障特征信息通过BP神经网络识别,用不同信噪比的加噪故障信号进行测试,结果表明,在低信噪比情况下基于VMD模态能量的故障特征更具有可识别性。     

CEEMDAN-小波阈值联合的球磨机筒体振动信号去噪方法研究

针对球磨机振动信号非线性、非平稳性特点及总体平均经验模态分解方法(CEEMDAN),舍弃高频分量降噪方法和小波阈值降噪方法存在的不足,提出了一种基于CEEMDAN-小波阈值联合的球磨机筒体振动信号去噪方法。首先运用CEEMDAN算法将信号分解成一系列IMF分量;其次采用连续均方误差准则确定含噪声较多的高频IMF分量;然后采用小波阈值去噪方法对含噪声较多的高频IMF分量进行去噪处理;最后将去噪后的IMF分量和去噪的IMF分量进行重构,从而得到去噪后的信号。通过对实测球磨机筒体振动信号进行去噪分析,结果表明本研究提出的联合去噪方法去噪后信号的信噪比更高、均方根误差更低,证明该方法具有更高的去噪精度。     

基于VMD和K-SVD字典学习的供水管道泄漏振动信号压缩感知方法

针对供水管道泄漏振动信号在分析型字典下进行压缩感知时,信号的重构均方误差较大和不能保留信号中重要泄漏信息的问题,提出了基于变分模态分解(VMD)和K-奇异值分解算法(K-SVD)的供水管道泄漏振动信号压缩感知方法。首先,利用VMD算法将管道泄漏振动信号分解若干个本征模态函数(IMF),并对IMF分量进行互相关性分析;然后,选取最优模态分量,构成最优模态集,再借助K-SVD学习算法训练过完备字典;最后,选择高斯随机矩阵为观测矩阵和重构算法为正交匹配追踪算法(OMP)对管道泄漏振动信号进行压缩感知。实验结果表明,基于VMD-K-SVD稀疏表示构造的过完备字典的压缩感知方法与基于FFT正交基、DCT正交基、K-SVD的压缩感知方法相比,在压缩率为50%～89.5%下重构均方误差更小和互相关系数更高,且在相同压缩率下得到的重构信号的互相关延时估计定位误差的平均值分别降低80.12%、64.2%、61.38%。因此,所提的压缩感知方法具有较好的重构性能和稀疏性。     

基于VMD消噪处理的滚动轴承早期故障识别

提出了一种基于变分模态分解(VMD)消噪和核模糊C均值(KFCM)聚类相结合的滚动轴承早期故障识别方法。首先提出一种通过综合运用泄漏能量和互相关系数函数确定VMD预设尺度数K的新方法,弥补了VMD方法通常按经验选取预设尺度数方法的不足;然后对振动信号进行VMD分解得到K个限带的内禀模态函数(BIMF)分量,利用归一化的自相关系数函数能量集中比大于0.9的原则确定含有噪声的BIMF分量,并剔除这些含噪BIMF分量,再将剩余的BIMF分量叠加进行信号重构,实现了信号的消噪;最后计算各样本重构信号的均方根值和归一化能量值得到二维特征向量样本集,并输入到KFCM聚类器进行故障诊断。利用实测轴承故障数据进行验证,结果表明与经验模态分解(EMD)方法相比,可以有效地实现滚动轴承早期故障诊断。     

改进VMD和包络谱结合方法在管道泄漏中的应用

为对管道大泄露高频信号进行降噪,提取信号的故障频率,实现对管道泄漏的源定位。引入了VMD方法对收集到的信号进行不同频率之间的分离,突出信号的局部细节。为消除VMD分解中k值与惩罚因子这两个人为因素对分解效果的影响,采用模态分量与原信号的相关系数法,得出最优分解层数k值。使用优化的k值来对信号进行VMD分解之后,用最大峭度值来选择最优的惩罚因子。将通过最优参数得到的VMD分解模态分量再次与原信号进行相关系数比较,选出包含故障信息最多的模态分量进行Hilbert包络分析,得到信号的故障信息,对故障进行诊断及定位。研究发现,该方法能有效分离故障信号成分,从而实现对故障频率的提取。     

改进的自适应噪声总体集合经验模态分解在光谱信号去噪中的应用

针对近红外无创血糖检测过程中噪声对血糖浓度模型精度和稳定性的影响,提出用自适应噪声总体集合经验模态分解方法实现近红外光谱信号的去噪;同时,根据原始信号曲率和分解后本征模态函数(IMFs)曲率间的离散弗雷歇距离选择相关模态。首先,将自适应噪声的总体集合经验模态分解方法引入近红外光谱去噪过程,介绍了经验模态分解、集合经验模态分解、互补集合经验模态分解及自适应噪声总体集合经验模态分解的基本原理及具体实现过程。然后,应用基于曲率和离散弗雷歇距离的自适应噪声总体集合经验模态分解改进算法对仿真信号和光谱信号进行去噪,并将其标准差和信噪比作为评价指标。实验结果表明:应用提出的方法得到的血糖浓度近红外光谱数据其标准差为0.179 4,信噪比为19.117 5dB,实现了信号与噪声的分离,改善了重构信号质量,具有良好的自适应性,可以有效识别并提取有用信息。     

基于ICEEMDAN-ACF的自适应MEMS陀螺信号去噪方法北大核心CSCD

针对基于EMD的MEMS陀螺信号去噪方法中存在模态混叠、Hurst指数筛选法和相关系数筛选法无法准确筛选含噪本征模态函数(IMF)的问题,提出一种基于改进自适应噪声完备集合经验模态分解-自相关函数(ICEEMDAN-ACF)的自适应MEMS陀螺信号去噪方法。首先使用ACF自适应阈值判断信号信噪比,对于包含低能量高频成分的低信噪比信号使用小波软阈值预降噪,之后使用ICEEMDAN算法将陀螺信号分解为多个IMF和一个余项,使用ACF自适应阈值筛选噪声主导IMF,剔除噪声主导IMF后重构陀螺信号。实验表明:文中改进算法在低、中、高信噪比条件下的去噪效果均优于小波软阈值法、EMD-Hurst指数法、EMD-相关系数法和EMD-ACF法。     

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.     

采用EMD的管道泄漏声信号增强

在管道泄漏检测中,采集信号中的噪声会影响泄漏检测的准确性和泄漏定位误差。已有的管道泄漏去噪方法依赖经验参数的设置,去噪效果受管道条件和环境影响大。本文提出使用不依赖经验参数的EMD用于管道泄漏声信号增强。现有的EMD去噪方法需要知道有用信号或者噪声的特征,不适用于特征随管道工程条件及环境变化较大的泄漏信号的去噪增强。提出改进的EMD信号增强方法,该方法不需要知道泄漏信号和噪声特征就可以提取与泄漏信号相关的IMF。在改进的EMD信号增强方法的效果分析中,信噪比提高可达16 d B。在大量实际工程管道泄漏信号处理中,使用改进的EMD信号增强方法之后得到的时延峰值更明显,漏点定位精度更高。