基于改进VMD的岩石声发射信号去噪方法

针对岩石声发射(AE)信号中包含的噪声分量难以有效滤除的问题,提出了一种变分模态分解(VMD)与样本熵(SE)相结合的AE信号去噪方法.首先,将含噪声的岩石声发射信号进行VMD分解,并获得一系列具有不同中心频率的固有模态函数(IMF);其次,计算各个IMF分量的样本熵,将其大于设定阈值的IMF分量视为噪声分量剔除并保留...     

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。     

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。     

基于小波分析的岩石声发射信号处理技术

根据岩石声发射信号的特点,利用小波分析方法对岩石声发射信号进行分解、消噪和重构,得到了较为直观的声发射信号.介绍了小波与小波包分析的特点;对声发射信号进行小波消噪,比较了不同阈值下的消噪效果;并提出了基于能量阈值法的小波包消噪,其效果优于小波消噪.     

基于EEMD和小波阈值法的爆破振动信号预处理研究

针对爆破振动信号去噪和趋势项消除问题,借助相关性分析,引入了一种基于集合经验模态分解(EEMD)和小波阈值法的预处理滤波方法。首先运用EEMD方法进行信号分解,利用互相关系数进行含噪IMF分量和趋势项分量的预选,然后分别借助自相关函数特性和频带特点进行判断,最后完成含噪分量的小波阈值去噪和趋势项分量的去除,重构波形。实例验证结果表明,该方法能有效消除噪声、趋势项干扰,保留波形真实信息,进而提高频谱分析精度。     

基于 SA-GA 模糊熵的 VMD 算法在爆破振动信号分解中的应用

针对变分模态分解(VMD)算法预设参数选择的问题,提出了一种基于 SA-GA 模糊熵的 VMD 参数优化 算法,该算法结合模拟退火算法(SA)和遗传算法(GA)的优点,选取模糊熵( FE)为适应度函数,求解最优分解参数。 经过仿真信号分析,相比 EMD 算法,SA-GA 模糊熵的 VMD 参数优化算法有效地抑制了模态混叠和虚假分量的现象, 具有较高的分解精度。 最后利用 SA-GA 模糊熵的 VMD 参数优化算法进行爆破振动信号实测分析,结果表明:SA-GA 模糊熵的 VMD 参数优化算法可以根据不同的爆破振动自适应地选取最优解,解出来的 IMF 分量具有明确的物理意 义,频谱图能清晰地看出信号内所包含的频率成分,具有良好的适用性。     

基于变分模态分解及能量熵的微震信号降噪方法

为了从含噪微震监测数据中提取有效的微震信号,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和能量熵的自适应微震信号降噪方法。采用变分模态分解法对含噪微震信号进行自适应分解,得到一系列按频率从高到低的变分模态分量;计算每个变分模态分量的能量熵,搜索并辨识出噪声与信号的分界;剔除高频噪声,将剩余分量进行重构,得到降噪后的微震信号。通过与基于经验模态分解(Empirical Mode Decomposition,EMD)的微震信号降噪方法对比,从信噪比、降噪后信号占原信号的能量百分比和原信号与降噪后信号的均方根误差3个评价指标上定量说明该方法在微震信号降噪中表现出更好的降噪效果。     

基于人工蜂群算法优化VMD的旋转机械故障诊断方法

旋转机械在运行复杂环境下振动信号复杂且有许多噪声,难以有效提取故障特征并准确诊断,为此提出一种人工蜂群优化变分模态分解(VMD)的机械故障诊断方法。首先采用人工蜂群算法优化VMD的参数,对振动信号进行变分模态分解,获得相应的本征模态函数分量;然后对各模态分量信号计算多尺度熵,构造故障特征向量;最后利用最小二乘支持向量机(LS-SVM)进行故障诊断。实验结果表明,该方法具有较高的准确率,准确率达到97.5%,可以满足旋转机械故障诊断的要求。     

掘进机截割减速器振动特性仿真分析

以掘进机截割减速器为研究对象,分析了减速器齿轮的工作机理和产生振动信号原因,提出了变分模态分解(VMD)算法结合小波去噪理论的方法,通过运用变分模态算法对人为断齿故障信号进行分解,并结合小波去噪理论对其重构信号进行去噪。仿真结果表明,该方法适用于掘进机截割减速器振动特性的分析,能够完成齿轮多种振动信号特征的提取,分解层数较少,去噪效果良好,计算结果与人为造成的断齿故障位置一致,具有重要的现实意义。     

EMD及小波阈值联合去噪法在磁感应式分选机上的应用

磁选机广泛应用于磁铁矿石的预选抛尾环节,但由于传统磁选机受制于机械结构和分选原理,对弱磁性粗矿粒存在错选和漏选的问题,分选性能低下。磁感应式分选机可通过霍尔传感器检测磁铁矿石的磁场强度,判断矿石是否为精矿,可提供更为敏感的检测机制。然而,传感器采集磁感应信号的过程,易受到振动等外界干扰而产生噪声,造成矿石的误判。为了降低噪声的影响,通过联合经验分解(EMD)与小波阈值的方法对磁感应信号去噪。该方法首先对信号进行EMD分解,得到固有模态分量(IMF),然后对部分IMF分量进行小波阈值去噪,最后重构IMF分量得到去噪信号。结果表明,联合去噪法不仅能够有效去除噪声信号,而且去噪性能优于单一的EMD去噪和小波阈值去噪。     

基于参数优化VMD和GSA-SVM的带式输送机轴承故障诊断研究

针对带式输送机轴承故障难以精确诊断的问题,提出一种基于参数优化变分模态分解(VMD)和引力搜索算法优化支持向量机(GSA-SVM)的轴承故障诊断方法。首先以样本熵为适应度值,遗传算法优化VMD参数,得到最优模态参数K和惩罚因子α的组合;然后利用优化后的VMD分解振动信号,得到K个模态分量,并将模态分量的散布熵作为特征向量;最后将特征向量带入GSA-SVM中进行故障模式识别,得到故障诊断结果。实例验证可知,该方法能够实现轴承准确故障诊断,且优于对比方法。     

基于HHT法的煤冲击破坏SHPB测试信号去噪

针对分离式霍普金森杆（SHPB）测试信号的高噪声、持时短、突变快等特点,利用希尔伯特-黄变换（HHT）分析技术对煤冲击破坏的测试信号进行去噪处理。用经验模式分解法（EMD）分解实测的煤冲击破坏SHPB测试信号,可以得到各固有模态函数（IMF）分量及其频谱和各IMF分量的能量百分比,从而利用低通滤波将原始信号中的高频噪声有效的分离出去。利用快速傅里叶变换（FFT）频谱和Morlet小波时频谱对比分析去噪前后信号的特征,定性的说明HHT法可以用于煤冲击破坏SHPB信号的去噪处理。通过计算去噪后信号的信噪比和能量百分比,定量的说明HHT法充分保留了煤冲击破坏SHPB信号本身的瞬态非平稳特征,去噪效果显著,方法简捷,结果可靠。     

岩石声发射信号处理小波基选择的研究

针对岩石声发射信号处理和分析时小波基选择存在的问题,在详细分析岩石声发射信号特点的基础上,总结了适合于岩石声发射信号分析和处理的小波基应具有的特点,并在理论上归纳出Daubechies小波族中的Db4小波基能满足岩石声发射信号处理的要求。以处理后的工程实际岩石声发射信号为基准信号并加入白噪声,利用相关分析对小波变换前后的信号进行分析,结果表明,Daubechies小波族中的Db4是进行岩石声发射信号处理的合适小波基,从而为利用小波分析理论进行岩石声发射信号处理以及准确地找出岩石的Kaiser点奠定了一定的基础。     

基于EMD的齿轮箱故障诊断的研究

采用小波阈值法对齿轮箱故障信号进行去噪预处理,将经验模式分解(EMD)和快速傅立叶变换(FFT)相结合对齿轮箱故障信号进行特征提取,这种方法适用于非线性非平稳信号的自适应状态分析。利用EMD方法将去噪后的信号就行经验模态分解,得到一定数量的固有模态函数(IMF)分量,选取具有特定意义的IMF进行FFT,就可以得到相应的功率谱,从而提取齿轮箱故障特征频率。     

不同通道岩石破裂过程的相位谱分析

岩石受载破裂过程中释放的声发射信号携带大量声发射源的信息,岩石的宏观破裂表现在大破裂的产生,大破裂往往伴随着大能量的产生,对大能量信号的研究是探究岩石破裂信息的关键。通过岩石劈裂破坏实验,采用全相位FFT分析和小波包分解与重构的方法,重点分析不同通道声发射信号的相位谱特征,根据相位属性,划分为线性以及非线性相位。研究结果表明:线性相位广泛存在于劈裂演化阶段。根据应力与能量时间图将花岗岩破裂分为三个阶段:Ⅰ阶段劈裂成板,Ⅱ阶段剪切成块,Ⅲ阶段颗粒衍射。经小波分解去噪与重构后的声发射信号其相位的线性特征更加明显,绝对相位的提出能快速准确的识别相位的类别。不同通道的大能量声发射信号其绝对相位都是线性相位,这一结论为岩石破裂的阶段分析提供了重要思路。     

煤岩微弱电磁信号的噪声源识别及去噪方法

煤岩破坏可以产生电磁信号,分析其信号特征对于准确预测煤岩动力灾害有着重要作用,然而当破裂信号较为微弱时,外界干扰因素会对结果分析产生极大影响。为此,在分析实验条件下煤岩受载电磁信号的噪声来源及其各自特征的基础上,提出了循环带阻滤波、基于白噪声统计特征及经验模态分解(EMD)的均值滤波、基于模态分量自相关函数频谱的准周期特征识别及带阻滤波等方法,对不同源头的噪声进行了自动识别及去噪,同时,在信号源未知的情况下提出了评估去噪效果的噪噪比(NNR)方法。结果表明:基于分源去噪方法而得出的型煤电磁信号噪噪比仅为0.136 6,明显优于单一的小波及EMD去噪方法,表明分源去噪方法在煤岩受载微弱电磁信号去噪中有着良好的应用效果。     

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。