分离EMD中混叠模态的新方法

针对经验模态分解(empirical mode decomposition,EMD)过程中可能出现的模态混叠问题,提出一种新的处理方法.该方法利用了差分运算、累计求和,同时结合EMD来实现混叠模态的分离.该文对数值仿真信号和LOD(1ength-of-day)数据进行了仿真分析,比较了原始EMD和所提算法的分析结果.仿真结果表明,该算法可有效分离混叠模态,得到尺度成分清晰的本征模态函数.     

基于EEMD特征提取的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性与非线性的特点,提出将集合经验模态分解(ensemble empirical mode decomposition, EEMD)方法用于轴承信号处理.滚动轴承故障诊断的重要环节是特征提取,其直接关系到轴承故障诊断的正确率.因此,将熵知识应用到轴承特征提取步骤中,应用奇异熵与能量熵知识,提出一种峭度值与以上两种熵进行特征融合的特征提取方法,完成滚动轴承故障诊断.该方法首先对滚动轴承的振动信号进行EEMD模态分解为若干个本征模态函数(intrinsic mode function, IMF)之和,对每个含有故障特征的IMF进行奇异熵、能量熵与峭度值求取;其次,将求得的三种数据输入核主元分析(kernel principal component analysis, KPCA)中进行特征融合与特征提取;最后,将提取的特征作为支持向量机(support vector machine, SVM)的输入参数进行故障分类.试验结果表明此方法能够准确有效地识别出滚动轴承的工作状态,实现了滚动轴承故障分类的自动化.     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。     

一种基于EEMD的异常声音识别方法

为了优化组合特征在异常声音识别中的效率,提出一种用集合经验模态分解（EEMD）对异常声音帧信号进行有效性检测和提取多层特征的算法.首先对异常声音帧信号进行集合经验模态分解,得到固有模态函数;然后根据给定的固有模态函数层数阈值,对该帧信号进行有效性检测;再对有效帧信号的每一层固有模态函数提取梅尔频率倒谱系数、翻转梅尔频率倒谱系数、线性预测倒谱系数、短时能量和能量比,并将它们归一化后拼接成多层特征.根据提取的特征,用深度卷积神经网络实现异常声音识别分类.仿真结果表明,提出的新方法在4类异常声音识别中的识别率可以达到98.65%.     

改进的EEMD算法及其在多项流检测中的应用

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法. 先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征. 通过仿真信号和实验台信号验证了该改进方法的有效性.

     

基于最优特征的改进经验模态分解方法

针对经验模态分解(EMD)过程中存在的模态混叠等问题,提出了一种基于最优特征的自适应白噪声平均总体经验模态分解方法。该方法采用基于边界局部均值延拓的方法抑制端点效应问题,同时,在经验模态分解的每个阶段自适应地添加有限次白噪声,保证在平均次数相对少的情况下,通过计算唯一残余分量来获取信号的固有模态函数,从而避免了模态混叠问题的产生。通过分析仿真信号和实测信号,证明了该方法对模态混叠现象有一定的抑制作用,同时可有效避免端点效应问题的产生。     

具有独立分量的经验模态分解算法研究

在经验模态分解算法中用极值包络平均近似局部平均,不能保证分解分量之间的正交性,固有模态分量存在冗余.这种情况对信号成份分析尤为不利,冗余部分的物理意义无法解释,或可能作出错误的解释.将独立分量分析方法引入经验模态分解算法中,利用其良好的分解独立特性,使模态分量不仅正交而且相互独立,消除了冗余.仿真试验表明,改进算法的模态分量彼此独立,特别对于混有突变信号的周期信号,在得到周期分量的同时,也得到突变分量,说明了改进算法比原算法优越,且具有较好的工程应用前景.     

采用循环叠加经验模态分解的去噪算法

为了检测被强噪声淹没的目标信号,提出了一种新的基于经验模态分解(EMD)的去噪算法.该算法将经验模态分解得到的第一个固有模态函数(IMF)循环移位,得到功率保持不变的噪声样本函数.将多个噪声样本函数叠加后,与重构的目标信号合成新的含噪信号.进一步采用软阈值去噪的方法,达到显著削弱噪声的目的.仿真实验表明:所提的新算法能够抑制4~6 dB的高斯白噪声,但抑制高斯混合噪声的能力较差;并且当信噪比较低时,其性能明显好于原始的基于EMD的去噪算法.该算法为低信噪比下的弱信号检测提供了一种新的思路.     

一种基于样条插值的经验模态分解改进算法

经验模态分解过程中经常由于信号采样率不足而产生伪固有模式函数(IMF),希尔伯特变换中也常出现无物理意义的负瞬时频率,就这两个问题进行研究后认为,HHT谱中产生负频率的主要原因是由于经验模态分解结果中的伪IMF所造成的,而伪IMF产生的原因主要是信号采样率不足引起的,并提出以HHT谱是否稳定来判断IMF的真伪。还针对信号采样率不足这一问题,提出了一种应用三次平滑样条拟合插值来加密信号采样点,进行信号重构的方法,算例表明:该重构方法可以有效消除分解过程中由于信号采样率不足而引起的包络线失真,从而可有效消除分解结果中的伪固有模式函数和HHT谱中的负频率。     

基于改进的经验模态分解的虹膜识别方法

首先,采用先行后列的方法对归一化虹膜图像进行经验模态分解,得到不同尺度的固有模态分量;找出有利于识别的分量,将其进行二值化处理生成特征图像;然后对特征图像进行水平和垂直移位匹配,得到海明(Hamming)距离匹配向量,计算匹配向量的改进标准差,以此标准差进行虹膜识别。最后分别对CASIA1、CASIA2、CASIA3-interval、MMU1库进行了识别,结果表明:该方法能够有效地提取图像的二值特征,具有速度快、识别率高等优点。     

基于EEMD的地声信号单通道盲源分离算法

针对只有一个观测通道时,基于矩阵运算的盲源分离算法将会失效的问题,提出一种适用于单观测通道的地声信号盲源分离方法.首先采用总体经验模态分解方法将观测信号分解为固有模态矩阵,使单通道的欠定问题转化为多通道的正定问题,再利用已有的盲源分离算法进行分离.仿真实验说明该方法可以抑制宽频及瞬态干扰,有效地提取源信号,而且对频带有...     

基于集合经验模态分解和支持向量机的短期风速预测模型

通过构建基于数据预处理的EEMD-SVM混合风速预测模型,预测黄土高原陇东区环县风电场的日平均风速.数值分析结果表明,EEMD-SVM模型的预测精度高于基于离散小波去噪的混合模型DWT-SVM和单个SVM模型的预测精度.     

基于改进PCA和EEMD的桥梁挠度监测中温度效应分离

单通道桥梁挠度信号通过总体经验模态分解法(Ensemble Empirical Mode Decomposition,EEMD)分解得到的一系列线性平稳的本征模函数(intrinsic mode function,IMF),然后与原信号进行相关性分析,去除IMF分量中的弱相关成分,达到首次降维的效果。利用主成分分析(Principal Component Analysis,PCA)进一步提取信号中的主元,最后所得信号通过快速独立分量分析(Fast Independent Component Analysis,FastICA)处理,实现桥梁挠度信号中温度效应的准确分离。仿真及实验结果表明:该方法能较好地解决桥梁监测中温度效应分离的问题。     

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EEMD和ICA方法的驾驶室内噪声源时频分析

为有效控制工程机械驾驶室内噪声,利用集合经验模态分解(ensemble empirical mode decomposition, EEMD)后的本征模函数作为稳定独立成分分析(independent component analysis, ICA)算法中的多个虚拟通道,提出了基于EEMD和ICA相结合的驾驶室内噪声盲源分离方法。通过分析仿真信号验证了EEMD-ICA方法研究复杂非平稳信号可行。结合相干分析、时频分析方法研究推土机驾驶室内噪声特性。结果表明,柴油机的1／2阶、1阶转动频率是驾驶室内相关零部件的振动辐射噪声的主要激励来源,柴油机的燃烧噪声也是室内噪声的来源。通过相干分析与时频分析相结合的技术可较准确实现噪声源定位,结合测试对象的相关常识可实现对噪声类型判别、噪声传入途径等复杂的问题进行研究,为进一步实现驾驶室内噪声治理、故障诊断,提供经济实用的分析手段。     

基于互补集合经验模态分解与样本熵算法的接地系统故障选线研究

针对中性点经消弧线圈接地的配电网接地系统在发生单相接地故障时存在故障电流特征不明显、阈值整定困难和故障选线准确性不高等问题,本文提出一种无阈值的基于互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition, CEEMD)与样本熵的故障选线方法。通过研究故障线路零序电流暂态特性,选定震荡和衰减特征的高频分量作为观测对象,提出基于CEEMD算法的高频分量快速提取方法及故障表征策略,探究基于高频分量的样本熵作为无阈值选线判据的可靠性。模拟建立多场景扰动下中性点经消弧线圈接地系统模型,验证了所提算法在不同线路位置、故障合闸角、接地电阻和消弧线圈补偿度等工程场景下应用的可行性。其中,所提的算法能够实现仅采集半个周期电流的快速故障选线,并且该方法无需设置阈值,不受系统不同运行方式影响,易于多场景故障选线的工程应用。     

基于EEMD样本熵和支持向量机的高压断路器故障诊断

首先提出了一种以集合经验模态分解(ensemble empirical mode decomposition,EEMD)样本熵和支持向量机(support vector machine,SVM)相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。然后提出并分析了分闸弹簧力减小、缓冲弹簧无效两种新故障对高压断路器的性能影响,同时针对输电线路发生永久故障时,断路器按照跳闸、重合闸然后二次跳闸指令动作的实际情况,首次探索性选择振动能量相对较小的分闸振动信号作为诊断对象。最后实测了某35 k V高压SF6断路器正常运行、分闸弹簧力减小、缓冲弹簧无效、基座螺丝松动工况下断路器分闸振动数据进行识别,结果表明该方法检测高压断路器故障快速、准确,为断路器的故障诊断提供了新的思路。     

基于改进的多时间尺度特征排列熵的 心率变异性分析研究

为了分析不同生理状态下人体心率变异性的差异性,并弥补传统心率变异性分析方法时间尺度特征单一的不足,本文结合了互补式集合平均经验模态分解和改进的排列熵算法对心率变异时间序列进行了具有多时间尺度特征的排列熵分析,并计算得到反映心率变异显著差异性的指标CEEMD-mPE.最后基于MIT-BIH心率失常数据库的实验结果分析表明,本文所使用的心率变异性分析方法相比于其他基于熵的分析方法具有更优异的表现.     

基于EEMD与动态神经网络的短期负荷预测

提出了采用EEMD与动态神经网络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EEMD将非平稳的负荷序列分解,然后根据分解后各分量的特点构造不同的动态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.仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度.     

基于BEEMD的单目测距图像区间阈值降噪算法

图像噪声是影响单目视觉定位精度的主要因素。该文在二维经验模态分解(BEMD)和阈值降噪方法的基础上,提出一种基于二维集合经验模态分解(BEEMD)的区间阈值图像噪声滤除方法。图像经过BEEMD分解为不同尺度的多个二维本征模态函数(IMF)分量和1个残余分量,依据图像和IMF分量的2范数准则和概率密度函数方法剔除纯噪声IMF分量,通过合理选择调节因子α,利用改进的区间阈值降噪方法实现图像降噪。将该算法应用于单目视觉测距中,并与BEMD算法进行对比,结果表明,该方法不仅能有效抑制BEMD中的模态混叠问题,而且能有效削弱图像噪声影响,从而提高单目视觉测距的精度和可靠性。