关于多种模态分解方法的分离效果的差别探讨

经验模态分解(Empirical Mode Decomposition,EMD)是一种自适应信号分解方法,将数据从高频到低频分解成一系列的本征模式函数(Intrinsic Mode Functions,IMF)和一个余量。局域均值分解(Local Mean Decomposition,LMD)一定程度上解决了EMD方法的端点效应问题,但仍不容忽视。变模态分解(variational mode decomposition,VMD)解决了EMD方法在噪声恶劣背景下,IMF淹没在噪声背景中,导致不能得到信号特征分量的问题。多分别奇异值分解算法(Multi-resolution singular value decomposition,MRSVD)利用矩阵二分递推结构原理和SVD方法相结合,能够很好地把信号中微弱的细节信号和主体信号多层次体现出来,从而提取到其中隐含的信号特征。在此主要讨论EMD、LMD、VMD和MRSVD处理含噪信号时的效果差异,并对四种处理方法在滚动轴承故障振动信号的实际应用中出现的问题进行探讨。     

噪声干扰环境下抑制EMD模态混叠方法

经验模态分解(EMD)作为时频分析的经典算法,已经得到广泛的应用。然而,其分解质量容易受到噪声等干扰的影响,产生模态混叠问题。本文针对经验模态分解中因噪声存在的模态混叠问题,提出一种自适应的预处理方法。首先对输入信号进行B样条最小二乘拟合,消除了噪声的影响后,再进行EMD分解。为提高算法的自适应性,提出了一种基于极值点出现时刻的节点选取方法。对线性信号与非线性信号的仿真实验表明该方法有较高的分解精度;与聚合经验模态分解方法(EEMD)的分析对比结果表明该方法能很好地抑制噪声引起的模态混叠。      

添加自适应高频谐波的改进经验模态分解算法

提出了一种改进的添加自适应高频谐波进行经验模态分解(EMD)的算法,减少了EMD原始算法中频谱混叠现象。通过对原始信号的预处理,自动提取出原始信号中包含的最高频率分量,并根据提取出的频率分量进行高频谐波添加。仿真验证了添加自适应高频谐波的EMD算法,可有效减少EMD算法中频谱混叠现象,同时解决了高频谐波添加中频率难以确定的问题。     

基于VMD-RobustICA与时频分析的永磁同步电机噪声源识别

针对永磁同步电机(PMSM)噪声源分离识别问题,应用一种基于变分模态分解(VMD)与鲁棒性独立分量分析(RobustICA)结合时频分析的方法。首先,采用VMD把永磁同步电机噪声信号分解为多种变分模态分量;然后,通过RobustICA提取主要信号的独立成分。最后,结合时频分析结果,对独立成分结果进行分析识别。该组合方法可以有效处理集成经验模态分解(EEMD)中存在的模态混叠问题,同时能对测试过程中传感器数量多于或等于噪声源的分离问题进行有效缓解。结果表明,提取的主要独立分量对应于PMSM产生的电磁噪声和机械噪声,采用该方法可以分离识别PMSM噪声中的电磁噪声和机械噪声。通过对PMSM不同噪声源的有效分离和准确识别,可以为降噪、运行状态监测和故障诊断提供可靠依据。     

自适应掩膜信号集成局部特征尺度分解及其应用

局部特征尺度分解（LCD）是为克服经验模态分解（EMD）中均值曲线构造的不足而提出的一种自适应信号分解方法,已被应用于机械故障诊断领域.但LCD存在与EMD类似的模态混叠问题,为此,基于均匀相位差掩膜信号构造,提出了自适应掩膜信号集成局部特征尺度分解（AMSELCD）,该方法不仅能够将一个复杂信号自适应地分解为若干个本征模态函数和一个剩余项之和,而且能够有效地解决LCD的模态混叠现象.通过仿真信号分析,将AMSELCD与现有多种抑制模态分解方法进行了对比,结果表明了所提方法的有效性和优越性.最后,针对滚动轴承和转子碰摩故障振动信号的调制特征,将所提AMSELCD方法应用于转子碰摩和滚动轴承的故障诊断,对比和实验分析结果进一步验证了所提方法的有效性和优越性.     

极点均值型经验模式分解及其去噪应用

使用经验模式分解（EMD）对信号进行去噪时,由于EMD 本身会产生模态混叠,往往很难将噪声完全分离。针对这一问题,提出了一种新型的极点均值型EMD 方法,并且给予固有模态函数（IMF）一个新的定义。首先,将相邻极点平均以求得均值包络,然后迭代相减进而获得IMF。最后用原始信号减去分离出的高频IMF 实现去噪。随机信号仿真以及激光雷达回波信号去噪实验表明,该方法与EMD 分解相比,可以更好地将噪声分离,有效地抑制模态混叠,更可以极大地减小均方误差。因此,极点均值型EMD 拥有很好前景。     

基于CM-OMEMD和小波散射网络的语音情感识别

语音情感识别（Speech Emotion Recognition,SER）是人机交互的重要组成部分,具有广泛的研究和应用价值。针对当前SER中仍然存在着缺乏大规模语音情感数据集和语音情感特征的低鲁棒性而导致的语音情感识别准确率低等问题,提出了一种基于改进的经验模态分解方法（Empirical Mode Decomposition,EMD）和小波散射网络（Wavelet Scattering Network,WSN）的语音情感识别方法。首先,针对用于语音信号时频分析的EMD及其改进算法中存在的模态混叠问题（Mode Mixing）和噪声残余问题,提出了基于常数Q变换（Constant-Q Transform,CQT）和海洋捕食者算法（Marine Predator Algorithm,MPA）的优化掩模经验模态分解方法（Optimized Masking EMD based on CQT and MPA,CM-OMEMD）。采用CM-OMEMD算法对情感语音信号进行分解,得到固有模态函数（Intrinsic Mode Functions,IMFs）,并从IMFs中提取了可以表征情感的时频特征作为第一个特征集。然后采用WSN提取了具有平移不变性和形变稳定性的散射系数特征作为第二个特征集。最后将两个特征集进行融合,采用支持向量机（Support Vector Machine,SVM）分类器进行分类。通过在含有七种情感状态的TESS数据集中的对比实验,证明了本文提出的系统的有效性。其中CM-OMEMD减小了模态混叠,提升了对情感语音信号时频分析的准确性,同时提出的SER系统显著提高了情绪识别的性能。      

基于经验模态分解的有载分接开关振动信号识别

为了提升有载分接开关振动信号降噪效果及故障识别准确率,研究了一种基于经验模态分解的有载分接开关振动信号识别方法。该方法对有载分接开关振动信号进行采用掩膜的经验模态分解,降低模态混叠;采用阈值滤波方法对各个固有模态函数进行处理,降低噪声影响;再采用相关系数法选取特定固有模态函数并进行信号重构,采用时频分析和卷积神经网络方法进行特征提取和故障识别,得到故障识别结果。实验结果表明,利用所提出的方法进行降噪处理后的识别准确率得到有效提高。     

基于自适应多尺度形态滤波与EMD的激光雷达回波信号去噪方法

在使用经验模式分解(Empirical Mode Decomposition,EMD)对激光雷达回波信号进行去噪处理时,由于信号含有脉冲及间歇等间断事件而产生模态混叠,导致不能很好地分解出有用信号成分,影响去噪效果。针对这一问题,提出了一种形态滤波与EMD相结合的组合算法。首先,使用自适应多尺度形态滤波器作为前置单元,对信号进行初步处理,剔除信号中的间断事件干扰。之后,应用EMD对处理过的信号去噪。采用仿真数据及真实激光雷达回波数据进行了去噪实验。实验结果表明,文中算法相比于直接EMD去噪,在仿真试验中信噪比提高了8.89 dB,均方根误差降低了0.0514;在真实回波数据去噪实验中,6 km以后平均信噪比提高了3.356 4 dB。该组合算法有效地抑制了模态混叠现象,具有良好的去噪效果及应用前景。     

PC三电平逆变器电解电容故障特征分析

针对目前NPC三电平逆变器电解电容故障特征难以提取的问题,提出变分模态分解与模态能量结合的故障特征提取方法。该方法通过采集NPC三电平逆变器输出端的电流信号,结合参考电流信号,求取电流的偏差信号。根据电流偏差信号频率分布的特点,用模态重复率对VMD的分解尺度进行参数寻优。利用VMD对电流偏差信号分解,得到具有中心频率的有限带宽的模态分量。根据模态分量的信息熵确定能表征电容故障的特征分量,进而计算特征分量的模态能量,构造特征向量,寻求特征变化规律,并对其进行分类。结果表明,此方法能够准确地反映出电解电容的工作状态。     

变模式分解在供水管道漏点定位中的应用研究

针对供水管道中泄漏声信号的非平稳特征,提出了一种基于变模式分解（Variational Mode Decomposition,VMD）的漏点定位方法。算法首先利用VMD将传感器所采集的两路泄漏声信号按预设尺度自适应地分解为若干个固有模态函数,而后根据各模态函数与原始信号的相关系数选择分量重构信号,并达到消噪的目的。通过对消噪后的信号作互相关实现时延估计,最终实现对漏点的定位。实验结果表明：VMD分解方法可以在保留泄漏声信号本质特征的前提下,消除噪声对信号的干扰。较传统的EMD方法而言,其定位精度更高。     

基于VMD的调频连续波雷达生命信号提取

针对生命探测雷达心跳信号能量微弱难于准确提取的问题,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)的调频连续波雷达生命信号提取算法。该算法首先利用距离维快速傅里叶变换(Fast Fourier Transform, FFT)获得距离剖面图,然后通过最大方差法得到目标所在距离门,接着对低通滤波后的相位信号使用VMD进行分离,并采用模态判别准则对生命信号进行重构,最后对重构信号进行FFT得到呼吸和心跳频率。雷达实测结果表明,相比于应用聚类经验模态分解(Ensemble Empirical Mode Decomposition, EEMD),所提生命信号提取算法能够有效抑制雷达回波中的呼吸谐波和噪声,更加准确有效地提取生命体征信号。     

小波包分析结合VMD的气体泄漏信号降噪

针对气体泄漏声波信号降噪的问题,提出一种集合小波包分析(WPA)与变分模态分解(VMD)相结合的降噪方法。通过小波包变换对信号的噪声进行预处理;利用VMD对去除噪声的信号进行分解,得到所有的本征模函数(IMF)分量,并根据相关系数准则判断有效IMF;最后提取有效成分并进行信号重构。对本文方法进行验证,结果表明,本文方法能够有效剔除气体泄漏信号中包含的各种噪声,降噪后信噪比为15.485 1,均方根误差为0.028,为后续信号分析减少了干扰,也为气体泄漏声波信号的特征提取与分析提供了新的思路。     

基于改进EEMD的穿墙雷达动目标微多普勒特性分析

穿墙雷达动目标探测中人的心跳、呼吸、手臂摆动等运动的微多普勒信号是非线性、非平稳信号,可以采用经验模式分解(EMD)对其进行时频分析。由于EMD分解存在模式混合问题,该文提出一种改进的整体平均经验模式分解(EEMD)方法,并将其应用于穿墙雷达人的运动微多普勒特性分析中,并且对分解后的每个本征模式函数(IMF)进行Hilbert-Huang变换(HHT),得到信号的时间-频率-能量谱。仿真数据和实验结果分析均表明,改进的EEMD方法不仅能够有效消除EMD中的模式混合问题,将人运动微多普勒信号中的不同频率尺度分解在不同的IMF中,而且还能够有效抑制原始信号中的噪声,提高信噪比,得到更精细、更清晰的时频分布。     

基于EEMD的信号处理方法分析和实现

Hilbert—Huang变换是一种具有良好自适应性,能够对非线性非平稳的信号进行分析的时频分析方法。而经验模式分解是HHT的核心部分。针对传统EMD分解带来的模态混叠问题,介绍了引入白噪声辅助分析方法的改进型算法EEMD并且通过Matlab平台进行了信号仿真系统设计和实验,验证了EEMD方法的抗混分解能力。     

基于EMD的声发射管道泄漏检测研究

针对管道泄漏声发射检测信号的非平稳特征,该文提出了基于经验模态分解(EMD)的声发射信号分析方法。该信号分析法将管道泄漏产生的复杂声发射信号分解成有限个固有模态信号(IMF),使Hilbert-Huang变换(HHT)的瞬时频率具有了实际物理意义,提高了管道泄漏检测的定位精度。结果表明,HHT法能准确描述声发射波形信号的非线性、非平稳时变特征,是声发射信号时频分析的有效工具。     

基于EMD-WP的高精确度特征提取方法

在图像、语音识别或故障诊断等领域,特征提取是关键技术。在研究了小波变换和经验模态分解之后,深入分析了两者在特征提取上的优势和不足,提出了一种将两者优势有效结合来提取特征信息的方法。该方法先将信号做经验模态分解(EMD)得到平稳化单模态分量,再对单模态分量做小波包(WP)分析。最后,通过仿真和实例将本方法和已有文献中的方法进行对比,结果表明该方法不仅具有较高的可行性,而且可以准确地提取特征信息。     

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。