基于变分模态分解的心冲击信号和呼吸信号分离

为了在睡眠时以非侵入方式监测心冲击信号（BCG）和呼吸信号,使用电阻式薄膜压力传感器嵌入床垫中,将变分模态分解（VMD）算法引入到二维生理信号提取过程. 信号经床垫中的柔性压力传感器,通过硬件低通滤波、数字去趋势（DFA）后,利用VMD算法分解出生理信号中心冲击信号与呼吸信号的潜在分量,通过自适应选取有效分量重构BCG信号与呼吸信号. 基于Hilbert变换,对比VMD、经验模态分解（EMD）、互补集合经验模态分解（CEEMD）分量的瞬时频率. VMD在0~3.0 Hz内的混叠情况相对于EMD与CEEMD得到改善. 采用Bland-Altman法,对标准结果和实验重构结果进行一致性评价. 结果表明,利用VMD法所得BCG与呼吸信号分别有93.75%和92.5%的点在95%一致性标准界限内,有较高的一致性.     

基于VMD-HHT方法的水电机组启动过渡过程振动信号分析研究

为了解决水电机组启动过渡过程振动信号特征频率提取困难问题,采用一种较新的处理非线性非平稳信号自适应方法---变分模态分解（VMD）,并用于葛洲坝某台机组启动过渡过程振动信号分析。通过Hilbert-Huang（HHT）变换对VMD分解得到的各固有模态函数（IMF）进行瞬时频率计算,得出相应Hilbert谱图,并将结果与经验模态分解（EMD）方法进行对比。结果表明：经VMD分解后,机组启动过渡过程振动信号各分量频率变化与机组转速时变规律吻合良好,能够有效提取特征频率,较EMD具有更好的自适应性,分析结果更加准确有效,能够更好的揭示水电机组过渡过程信号中的振动规律。     

参数优化VMD在爆破振动信号分析中的应用

针对经验模态分解(Empirical Mode Decomposition, EMD)方法在爆破振动信号应用中模态混叠的问题,提出了一种改进的变分模态分解(Variational Mode Decomposition, VMD)方法.首先,使用任意给定的模态分解个数与惩罚因子变分模态分解将爆破振动信号分解为K个模态;然后计算分量的幅值谱熵的局部最小值;其次采用混合GA-PSO算法对任意模态分解个数与惩罚因子进行全局搜索来不断优化参数并更新幅值谱熵的局部最小值,最终最小幅值谱熵与平均幅值谱趋于一致,得出全局最小的局部最小值的幅值谱熵相应的模态分解个数与惩罚因子.仿真结果表明:模态分解个数与惩罚因子作为全局最优输入交叉优化能够准确地确定模态分解个数与惩罚因子,与经验模态分解相比,改进的变分模态分解方法具有很强的鲁棒性和抗噪声干扰能力以及分解与去噪重构精度.最后利用参数优化后的VMD进行爆破振动信号的实测,通过相关系数法检验,各分量相关系数均在一个数量级上,解决了模态混叠问题并且无虚假分量,证明参数优化的VMD在爆破振动信号应用上具有很好的适应性.     

基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取

针对滚动轴承早期故障难以提取和最大相关峭度解卷积（maxim correlated kurtosis deconvolution,MCKD）降噪效果受滤波器长度L的影响,提出了基于互补集合经验模态分解（complementary ensemble empirical mode decomposition,CEEMD）和自适应最大相关峭度解卷积相结合的故障特征提取方法（CEEMD-AMCKD）.首先,利用CEEMD将信号分解得到一组固有模态分量,利用峭度值筛选出冲击成分明显的分量;然后,以排列熵值为标准,运用步长搜寻法确定最佳的MCKD滤波器长度,对前面筛选出的分量进行降噪处理;最后,将降噪后的分量及其他分量进行信号重构并根据包络功率谱提取故障特征频率.通过仿真和试验验证了该方法的有效性.

     

CEEMD-FFT在滚动轴承故障诊断中的应用

针对经验模态分解(EMD)在非线性非平稳信号处理中存在模态混叠问题,虽然总体平均经验模态分解(EEMD)能在一定程度上抑制模态混叠问题,但是添加的白噪声不能完全被中和.因此利用补充的总体平均经验模态分解(CEEMD)对降噪监测信号进行分解,减少重构误差,提取最佳的IMF分量,然后对IMF分量进行FFT变换,实现对滚动轴承的故障诊断.通过对实验采集的滚动轴承的振动信号进行分析,证明了该方法的优越性,有一定的使用价值.     

基于经验模态分解与人工鱼群神经网络的短期负荷预测

提出了采用经验模态分解（EMD）、人工鱼群算法的RBF神经网络与BP神经网络相结合的混合模型进行电力系统短期负荷预测的方法。首先运用经验模态分解（EMD）将非平稳的负荷序列分解成若干平稳序列,然后根据分解后各分量的特点构造不同的神经网络对各分量分别进行预测,最后对各分量预测结果采用BP网络进行重构得到最终预测结果。     

基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法

滚动轴承是旋转机械的重要零部件,当发生早期故障时,难以有效地提取其微弱的故障特征.针对这一问题,提出了优化参数K取值的变分模态分解（variational mode decomposition,VMD）早期故障诊断方法.首先,通过瞬时频率均值判断法确定模态数K的取值,然后用VMD方法对采集的轴承故障信号进行处理.通过筛选轴承故障信号分解得到本征模态函数分量,对其中的敏感分量进行包络谱分析,从而判断轴承的故障类型与严重程度.最后,分别比较EMD和原VMD算法得到的结果.结果表明：优化后的VMD算法能成功地提取滚动轴承早期故障特征,实现轴承早期故障诊断.

     

基于EMD的激光超声信号去噪方法

基于连续均方误差的准则,提出了一种基于经验模态分解（EMD）的激光超声信号去噪方法．该方法将经验模态分解得到的固有模态函数（IMF）分为信号分量起主导作用,模态与噪声分量起主导作用模态,利用反映信号主要结构的模态对信号进行部分重建实现去噪．将该方法应用于测试信号与实际激光超声信号的去噪,实验结果表明该方法能够有效地去除噪声,并且不受主观参数的影响,具有自适应的特点．     

VMD与PSO的乐器声音识别

针对乐器音频信号的识别率低的问题,提出了一种变分模态分解(VMD)和被粒子群算法(PSO)优化的支持向量机(SVM)的乐器音频信号识别的方法。采用VMD将乐器音频信号分解成一系列平稳的窄带分量(IMF),并根据相关系数重构信号,采用小波去除残余的噪声。最后,在分析传统的声音特征提取方法基础上,提取梅尔频率倒谱系数(MFCC),用经PSO寻优参数的SVM进行音频信号的分类。实验结果表明,本文算法的去噪效果明显优于经验模态分解(EMD)和集合经验模态分解(EEMD)的分析结果;PSO优化后的SVM有效的提高了噪声环境下音频信号分类的正确率。     

基于经验模态分解和支持向量机的传感器故障诊断方法

提出了一种基于经验模式分解（EMD）和支持向量机（SVM）的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数（IMF）,对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型。通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中。     

基于CEEMD和自适应MCKD诊断滚动轴承早期故障

针对滚动轴承早期故障难以提取和最大相关峭度解卷积(maxim correlated kurtosis deconvolution,MCKD)降噪效果受滤波器长度L的影响,提出了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)和自适应最大相关峭度解卷积相结合的故障特征提取方法(CEEMD-AMCKD).首先,利用CEEMD将信号分解得到一组固有模态分量,利用峭度值筛选出冲击成分明显的分量;然后,以排列熵值为标准,运用步长搜寻法确定最佳的MCKD滤波器长度,对前面筛选出的分量进行降噪处理;最后,将降噪后的分量及其他分量进行信号重构并根据包络功率谱提取故障特征频率.通过仿真和试验验证了该方法的有效性.     

基于VMD的滚动轴承早期故障诊断方法

滚动轴承是旋转机械的重要零部件,当发生早期故障时,难以有效地提取其微弱的故障特征.针对这一问题,提出了优化参数K取值的变分模态分解(variational mode decomposition,VMD)早期故障诊断方法.首先,通过瞬时频率均值判断法确定模态数K的取值,然后用VMD方法对采集的轴承故障信号进行处理.通过筛选轴承故障信号分解得到本征模态函数分量,对其中的敏感分量进行包络谱分析,从而判断轴承的故障类型与严重程度.最后,分别比较EMD和原VMD算法得到的结果.结果表明:优化后的VMD算法能成功地提取滚动轴承早期故障特征,实现轴承早期故障诊断.     

基于奇异值分解和经验模态分解的航空发动机健康信号降噪

提出了一种基于奇异值分解(Singular value decomposition,SVD)和经验模态分解(Empirical mode decomposition,EMD)的信号降噪方法。首先采用EMD方法对原始信号进行分解并提取出信号趋势分量。然后对信号剩余部分采用SVD方法降噪,并根据奇异值差分谱方法自适应选择奇异值进行信号重构。最后将重构后的信号与趋势分量叠加得到最终的降噪信号。采用该方法对模拟信号和实际航空发动机健康信号进行了降噪试验,结果表明:该方法能够准确地选择用于重构信号的奇异值,并能够有效地去除信号噪声。     

基于EMD的激光超声信号去噪方法

基于连续均方误差的准则,提出了一种基于经验模态分解(EMD)的激光超声信号去噪方法.该方法将经验模态分解得到的固有模态函数(IMF)分为信号分量起主导作用,模态与噪声分量起主导作用模态,利用反映信号主要结构的模态对信号进行部分重建实现去噪.将该方法应用于测试信号与实际激光超声信号的去噪,实验结果表明该方法能够有效地去除噪声,并且不受主观参数的影响,具有自适应的特点.     

一种新的基于EMD模态相关的信号去噪方法

基于模态相关的准则,提出了一种新的信号去噪方法。首先对原信号进行经验模态分解（EMD）,其次根据各阶固有模态与原信号的相关系数曲线中第一个极小值点的位置作为标准定出噪声主导性模态与信号主导性模态的分界点,最后将固有模态函数（IMF）中信号起主导作用的模态成分进行重构来实现去噪。将该方法应用于仿真信号与实际光辐射强度信号的去噪,结果表明该方法在有效去噪的同时能较好地保持原信号的细节信息,具有较好的推广性。     

基于改进EMD算法的信号滤波

为解决经典经验模态分解(empirical mode decomposition, EMD)滤波算法在低信噪比环境下滤波效果不佳的问题,提出了一种改进的EMD滤波算法。利用FFT对信号进行简单的频谱分析,若其中含有高频噪声,则对信号经EMD分解后得到的一阶本征模态函数 (intrinsic mode function, IMF)分量做剔除处理;若信号中含有白噪声及毛刺干扰,则向经典EMD滤波算法中添加变尺度因子,然后对信号进行EMD滤波,在算法最后一次迭代时再将一阶IMF剔除。仿真试验结果表明,改进的EMD滤波算法在低信噪比环境下有较小的均方误差值,滤波效果较好。     

陀螺飞轮信号的EMD/LPF混合去噪方法

为提高陀螺飞轮系统的标定与辨识精度进而保证姿态测量性能,对其信号去噪方法进行研究以便从复杂噪声中提取标定辨识所需的有用信息.首先基于噪声产生机理对陀螺飞轮信号的噪声特性进行分析.其次,在不影响信号低频特性的前提下,采用传统低通滤波（LPF）方法对信号进行预处理以抑制高频周期噪声.然后应用经验模态分解方法（EMD）对LPF预处理后的信号进行分解,根据信号和各模态分量的概率密度函数的相似性度量,给出一种模态判定准则.在此基础上,结合现有阈值滤波方法,提出一种EMD/LPF混合去噪方案. 结果表明:所提出的基于相似性度量的模态判定准则在不同信噪比条件下均能够实现分界点的准确判定;将所研究的去噪方法分别应用于标准测试信号和陀螺飞轮实测信号;所提出的混合去噪方法相比于现有去噪方法更为有效.     

基于补充改进集合经验模态分析法-多尺度排列熵分析桥梁振动信号优化滤波方法

针对桥梁振动信号高度非平稳特征和含噪声成分严重的问题,提出了一种应用于桥梁健康监测领域的信号自适应分解与重构的优化滤波方法。该方法以自适应加噪的完备集合经验模态分解(CEEMDAN)为核心算法,将原始振动信号逐级分解为多个不同特征时间尺度相对平稳的固有模态函数(IMF),采用端点对称延拓法抑制端点效应,引入多尺度排列熵(MPE)分析各IMF在不同尺度上的熵均值,检索随机程度较大的IMF分量,将含噪严重与由于加噪分解产生的伪分量剔除完成一次滤波,为了择优选取剩余IMF进行信号重构保证滤波具有较好的相似度与光滑度,建立了优化重构模型完成两次滤波。研究表明:本文方法在自适应分解阶段较常用的集合经验模态分解(EEMD)、补充集合经验模态分解(CEEMD)方法具有更好的完备性、正交性与计算效率,在一定程度上抑制了模态混叠现象,端点效应问题有所改善,并对IMF进行优化重构,经分析最终的滤波信号具有较高的信噪比,通过对真实桥梁振动信号分析再一次验证了本文方法的优势,该方法的滤波结果可以作为实现桥梁健康监测技术的可靠依据。     

基于变分模态分解和奇异值分解的局部放电信号去噪方法

为有效抑制局部放电信号中的复杂噪声干扰,提出一种基于变分模态分解和奇异值分解的去噪方法。首先通过泄露能量确定VMD算法中的模态分解个数,对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后基于峭度指标选择包含有用信息的分量进行信号重构,将周期性窄带干扰去除;最后采用奇异值分解去噪方法抑制信号中剩余的高斯白噪声。运用该方法对含噪局放信号进行去噪处理,并通过时变峰度法对信号初至时刻进行拾取。与传统的小波方法和经验模态分解算法进行对比,该方法能有效抑制局放信号的复杂噪声干扰,去噪后信号波形畸变较小,信号拾取精度较高。     

基于改进EMD和小波阈值法的风机数据降噪研究

风机轴承振动信号中混杂着噪声,会对后期的故障诊断造成困难。提出了一种改进经验模态分解(EMD)与小波阈值降噪相结合的风机数据降噪方法。首先,采用EMD对原始振动信号进行分解得到信号的固有模态函数,考虑到各个分量中都含有噪声和信号从而出现模态混叠现象,故采用相关系数法筛选出信号分量和噪声分量对EMD进行改进。然后,采用小波阈值法对噪声分量进行降噪,并将信号分量与处理后的噪声分量进行重构,最终完成信号降噪。最后,选取某风机轴承振动数据作为实验数据,有效地去除了原始信号中的噪声,并得出轴承内圈故障的结论,与实际结果一致,验证了所提方法的有效性。