经验模态分解去噪技术及其在兰姆波检测中的应用

经验模态分解(EMD)是一种新出现的处理非线性、非稳态数据的信号分析方法,通过三次样条包络分离数据的高阶成分和趋势。利用EMD的这种特性对超声兰姆波检测中的实测信号作去噪处理,并与小波去噪结果进行了对比,表明EMD去噪具有更强的自适应能力,且需知的原信号先验信息更少。     

基于AMD的经验模态分解含间断信号模态混叠消除方法

针对在经验模态分解筛选过程中间断信号引起的模态混叠问题,提出了一种基于解析模态分解的经验模态分解模态混叠消除新方法。利用第1个固有模态函数的瞬时频率特性得到其频率成分及二分频率,且能实现对间断信号的定位,然后再采用解析模态分解方法分离出间断信号,再对处理后的信号进行经验模态分解,从而消除该间断信号的影响。仿真分析和工程应用的结果表明,该方法能有效消除间断信号在经验模态分解过程中引起的模态混叠现象。     

基于EEMD和低秩稀疏分解的超声缺陷回波检测方法

针对应用超声对金属材料微小缺陷检测时缺陷回波容易被噪声干扰的问题,提出了一种基于集合经验模态分解(EEMD)和低秩稀疏分解相结合的检测方法,以避免传统基于经验模态分解(EMD)的去噪方法难以消除结构噪声的问题.首先对缺陷检测信号进行EEMD得到一系列本征模态函数(IMF),采用基于概率密度函数的相似性测量方法选取相关模...     

红外热成像聚焦超声声场测量方法综述

基于红外热成像技术对聚焦超声声场进行快速、定量测量的方法具有扫描速度快、空间分辨率高、适用频率范围广等优点。但是由于红外线的穿透能力限制,在红外摄像仪和超声吸收体之间需要一个空气层,因此使得超声吸收体内部声场较为复杂,目前已有三种模型对此进行描述,且都得到了相应的实验验证。本文通过分析基于三种模型的超声吸收体内部声场分布和声强估计方法,对其进行了较为详细的描述。为进一步研究该项技术提供了理论参考依据。     

基于变分模态分解的超声检测信号降噪研究

为解决超声检测信号的降噪问题,该文基于变分模态分解能将信号分解为一系列窄带模式,而高斯噪声则被分解为整个频带内若干个宽带模式,提出一种超声检测信号降噪方法。该方法通过变分模态分解,计算各模态带宽和中心频率,选择信号模态,根据信号模态重构无噪信号4步实现对超声检测信号的降噪;通过仿真实验表明该文方法可以将含噪超声信号分解为信号模态和噪声模态,去除噪声模态后可显著提升信噪比;对信噪比为10 dB的含噪信号经该文方法处理后得到的重构信号和原始无噪信号的均方误差为0.000 7,波形相似系数为0.994 0,重构信噪比为19.237 4 dB。此外,为提高超声信号仿真模型和实际测量到的超声信号的匹配度,该文提出一种改进的超声信号模型。实验表明该模型和实测超声信号更接近,其均方误差为0.008 3,波形相似度为0.973 3。     

基于改进的经验模态分解的滚动轴承故障诊断研究

传统的时频分析方法不能有效地处理非平稳信号,经验模态分解(EMD)非常适合处理非平稳信号,但结果可能出现伪内禀模态函数(IMF)和不敏感内禀模态函数。针对EMD的不足,提出能量门限法和敏感IMF选择法相结合来识别真IMF和敏感IMF的方法,对同时满足这两个条件的IMF作频谱变换,频谱图上可以清晰呈现故障特征信息。将改进后的EMD应用到滚动轴承故障诊断实例,证明了此方法的可行性和准确性。     

经验模态分解理论及其应用

阐述了经验模态分解(EMD)的概念、基本理论及其作为一种数据驱动的时频分析方法,能够根据信号特点自适应地将信号分解成一组具有物理意义的固有模态函数的线性组合,十分适合于非线性、非平稳信号分析的机理,然后综述了一维EMD算法在解决包络拟合、边界效应、模态混叠等关键问题上的研究进展,重点对新兴的多维经验模态分解的发展情况进行了详细论述;介绍了EMD在信号去噪,地球物理、生物医学信号处理,电力工程、机械工程故障诊断方面的主要应用,结合EMD研究中的难点问题,指出了下一步研究的五个重要方向。     

广义经验模态分解性能分析与应用

针对经验模态分解（empirical mode decomposition,EMD）的均值曲线采用三次样条拟合而容易引起包络过冲和不足等缺陷,相关学者提出了许多改进均值曲线的变种EMD方法,取得了一定的效果。广义经验模态分解（generalized EMD,GEMD）方法综合了多种改进EMD方法,通过定义不同的均值曲线对信号进行逐阶筛分,从得到的每一阶分量中选取最优作为最终的广义内禀模态函数（generalized intrinsic mode function,GIMF）,由于每一阶的GIMF分量都是最优的,因此相较于EMD等单一均值曲线筛分方法,GEMD分解结果也是最优的。论文对GIMF分量准则进行了改进以及对GEMD性能进行了分析,并将GEMD应用于仿真和实测信号的分析,结论表明GEMD分解是完备的和正交的,有比EMD更强的分解能力,而且适合机械振动信号的处理和故障诊断。     

基于经验模态分解的多通道有源噪声控制

为了提高有源噪声控制系统的降噪效果,提出了基于经验模态分解的多通道有源噪声控制系统。该系统首先采用经验模态分解（Empirical Mode Decomposition,简称EMD）方法对多个噪声源信号分别进行自适应分解,并对分解后的每个信号各个IMF（Intrinsic Mode Function,简称IMF）分量的响度分别进行计算,然后根据各个分量的响度大小进行残差滤波器的设计。与基于A计权曲线设计的残差滤波器相比,该方法所设计滤波器能更好地抑制响度较小的信号频率成分。对车内噪声进行测试并对双通道有源控制系统的降噪效果进行了仿真,结果表明,本文所提出的控制系统比传统滤波-X LMS方法和采用基于A计权残差滤波器系统的主观降噪效果有所改善。     

基于经验模态分解的图像拼接

对待拼接图像分别进行经验模态分解,对分解得到的第一个固有模态函数与第二个固有模态函数的叠加进行特征点提取、特征点匹配与变换矩阵的估计以实现图像的拼接,文中提出的方法有效提高了特征点匹配的正确率,具有很强的鲁棒性。在图像融合方面文中提出一种新的基于余弦关系变换的加权融合技术,在实现图像无缝拼接的同时,可有效去除拼接图像重叠区域的重影与鬼影现象。     

经验模式多尺度图像分解

通常一幅图像包含有大量不同尺度的信息，而图像的应用研究往往仅限于某一尺度或某些尺度上的现象。因此，将图像按尺度进行分离十分必要，既可消除其他尺度信息对图像处理结果的影响，也可简化图像处理的难度和复杂性。笔者利用经验模式分解法，将图像按尺度从小到大进行分离。小尺度信息包含了图像的细节信息，剩余的大尺度信息表达了图像的基本趋势和结构。该方法为图像处理提供了一种有效的预处理方法。     

基于经验模式分解的滚动轴承故障诊断方法

针对水泵电机轴承故障振动信号噪声大和非平稳性的特点,提出了基于经验模态分解的诊断方法;通过对原始信号进行经验模态分解,得到包含故障特征的固有模态分量,从而可以提取出故障频率.该方法应用于外圈、内圈和滚动体故障诊断,取得了很好效果.     

基于多元经验模态分解与卷积神经网络的气液两相流流型识别

提出了一种基于多元经验模态分解(MEMD)与卷积神经网络(CNN)的垂直管道气液两相流流型识别方法。该方法基于数字化电阻层析成像(ERT)系统采集的测量数据,预处理后进行MEMD分析,通过求取各分量与原始信号的皮尔逊相关系数选取本征模函数(IMFs)并求解Hilbert边际谱,提取Hilbert边际谱的标准差与均值作为卷积神经网络(CNN)输入以识别流型。结果表明,该方法能够有效识别泡状流、弹状流、段塞流,平均识别准确率可达96.43%。     

基于近场声全息的聚焦换能器声场测量方法研究

高强度聚焦超声(HIFU)被广泛应用于医疗领域,但聚焦换能器焦点处的声强比较大,直接测量容易造成水听器损坏.为了间接获得焦点处声压,将全息测量面近似等效为声源面,结合空间傅里叶变换算法,提出了一种高测量效率的聚焦换能器声场测量方法.以球面自聚焦换能器为对象,进行声场测量方法的仿真研究和实验验证.结果表明,该方法比积分法...     

EMD趋势分析方法及其应用研究

趋势分析是一种重要的设备状态监测与故障诊断方法,对分析较长时间范围内设备运行状态的变化具有重要意义。研究了一种基于经验模式分解（Empirical Mode Decomposition,EMD）的设备运行状态趋势分析方法。研究表明,与传统方法（如最小二乘法、低通滤波法）相比,经验模式分解能够更准确地提取信号趋势信息。应用于某炼油厂透平烟机故障诊断,表明这种基于经验模式分解的趋势分析方法能够有效提取设备运行趋势信息,消除采样中随机因素的影响,为准确评估设备运行状态、诊断故障提供可靠依据,具有重要的现场实用价值。     

基于集合经验模式分解和K-奇异值分解字典学习的滚动轴承故障诊断

针对经典K-奇异值分解算法构造的字典中原子形态受噪声、谐波干扰影响,进而降低冲击故障特征提取精度的问题,提出了基于集合经验模式分解和K-奇异值分解字典学习的冲击特征提取方法。该方法首先利用集合经验模式分解与Hurst指数对振动信号进行预处理,剔除谐波干扰;其次,利用经典K-奇异值分解算法和预处理信号构造超完备字典;然后,利用K-均值聚类算法对字典中的原子进行筛选;最后,利用正交匹配追踪算法实现冲击故障特征的稀疏表示。实验分析和工程应用验证了所提方法的有效性和实用性。     

基于DEMD和模糊熵的滚动轴承故障诊断方法研究

提出一种基于微分的经验模式分解(DEMD)模糊熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。首先对信号进行基于微分的经验模式分解,得到若干具有物理意义的本征模函数(IMF)分量,再利用相关度准则对固有模式分量进行筛选,计算所选分量的模糊熵,组成故障特征向量,然后将其作为支持向量机的输入来识别滚动轴承的状态。并将该方法与基于EMD模糊熵和SVM相结合的方法进行比较,实验结果表明该方法对机械故障信号能够更有效准确地进行识别分类。     

基于经验模式分解的时频重排方法及其应用

重排方法通过将代表信号局部能量分布的几何中心重排到其质量中心,从而提高时频表示的聚集性和可读性,但是并没有完全消除交叉项.在此,将经验模式分解算法引入重排方法中,用于抑制重排方法在分析多分量信号时出现的交叉项.利用经验模式分解,首先将待分析的非平稳信号分解成有限个基本模式分量,它具有单分量信号的性质.对这些基本模式分量进行重排处理后的时频表示,具有良好的时频聚集性且交叉项被消除.通过对测试的柴油机爆燃阶段振动信号的重排时频分析,验证了该方法在机械故障特征提取中具有很好的应用潜力.