一种改进的EMD降噪方法

提出一种改进的基于经验模态分解（EMD）的降噪方法,将基于EMD阈值降噪方法和Savitzky-Golay滤波降噪方法相结合,改进的方法分别将经过EMD分解后得到的噪声信号的高频模态函数用阈值降噪的方法,低频模态函数用Savitzky-Golay滤波降噪的方法,这样既能保持信号的高频部分,又能较好地保持信号低频部分的光滑特性。仿真实验表明,改进EMD方法的降噪性能要优于单独使用EMD阈值方法或Savitzky-Golay滤波方法。     

桥梁动力测试信号的自适应分解与重构

针对桥梁结构动力测试信号噪声水平高、难以分离结构有效信号的特点,在总体平均经验模态分解方法和主成分分析的基础上,建立了自适应分解与重构方法。对经验模态分解结果的模态混叠现象进行深入分析,利用白噪声概率密度函数的均匀性对模态混叠模式一进行了改进,基于相关性分析改进了模态混叠模式二,改进后的分解方法在计算效率和分解精度上均有较大提升;随后对所有分解获得的固有模态函数进行多尺度主成分分析,实现降噪和选择并重构测试信号。分别用模拟信号和实际桥梁测试信号对所提方法的有效性进行了验证。结果表明:改进后的信号自适应分解和重构方法能在降噪的同时,有效地提取桥梁结构信息,可用于实际桥梁结构的动力测试分析中。     

基于EEMD-SCBSS的岩石声发射信号去噪方法

针对岩石声发射(AE)信号的低信噪比、随机性强、非平稳性等特点,提出了一种基于总体经验模态(EEMD)及单通道盲源分离(SCBSS)的AE信号滤波方法。将含有背景噪声的AE信号进行EEMD分解,得到一系列按频率从高到低排列的本征模函数(IMF);提取高频背景噪声信号与观测信号构建虚拟多通道观测信号;利用快速不动点优化算法(FastICA)对构建的虚拟多通道观测信号进行盲源分离(BSS),进而得到滤波后的AE信号。通过构造含噪声AE信号进行数值仿真实验及实测数据分析,将基于EEMD及SCBSS滤波方法与小波阈值滤波方法进行比较。实验结果表明:小波阈值滤波方法会导致滤波后的AE信号频域信息失真,影响滤波后的AE信号上升时间,能量等参数识别;该方法可以对含噪声AE信号进行有效地滤波处理,能够较好地滤除AE信号中的非平稳随机噪声,并且能够保护滤波后的AE信号频域信息。     

基于SVD降噪的经验模式分解及其工程应用

提出了一种基于奇异值分解降噪的机械设备振动型号经验模式分解方法,该方法首先对原始振动信号进行相空间重构和奇异值分解,然后根据分解奇异值的奇异熵确定降噪阶次,最后利用经验模式分解法提取降噪后振动信号的基本模式分量。对滤波前和滤波后的工业现场振动信号进行了经验模式分解,分析结果表明奇异值分解能够有效地提高信噪比,突出原始振动信号的故障特征,使得降噪后的振动信号分解出的基本模式分量具有更明确的物理意义,有利于对设备故障进行精确诊断。     

基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断

针对轴承故障成分常以周期性冲击成分出现在振动信号中,而冲击响应成分常被强大噪声淹没,造成轴承故障特征提取困难等问题,将集成经验模态分解(EEMD)与改进形态滤波方法相结合,在本征模态函数(IMF)及形态学结构元素(SE)选取时均以峭度准则为依据,对筛选出的IMF分量进行信号重构后,再进行基于峭度准则的改进形态滤波方法处理。结果表明,该方法可避免共振解调中中心频率及滤波频带选取,自适应性较好;通过对实际滚动轴承内外圈故障分析,该方法可清晰准确提取到故障特征信息,噪声抑制效果好,可用于轴承故障精确诊断。     

基于IVMD-RPE的船舶噪声信号去噪及特征提取方法

针对由于复杂环境条件下的船舶噪声信号识别度低的问题,提出了一种改进的变分模式分解(Improved Variational Mode Decomposition,IVMD)、反向排列熵(Reverse Permutation Entropy,RPE)、加权排列熵(Weighted Permutation Entropy,WPE)和能量比相结合的船舶噪声信号识别分类方法。该方法利用IVMD将信号分解为若干本征模态函数(Intrinsic Mode Function,IMF);再利用RPE对IMF进行筛选,得到敏感IMF,实现去噪过程;最后计算IMF的WPE并与各个IMF的能量比构建特征向量,建立长短期记忆网络(Long Short-Term Memory,LSTM)进行识别分类。实验结果表明,与经验模态分解相比,文中提出的基于IVMD-RPE的船舶噪声信号去噪及特征提取方法能有效减少环境噪声的影响,提高信噪比,对船舶噪声目标信号识别分类的准确率更高。     

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...     

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。     

A Method for Gear Fault Diagnosis Based on the Empirical Mode Decomposition

According to the characteristics of gear fault vibration signals, a method for gear fault diagnosis based upon the empirical mode decomposition (EMD) is proposed in this paper. By using EMD, any complicated signal can be decomposed into a finite and often small number of intrinsic mode functions ( IMFs) , which are based upon the local characteristic time scale of the signal. Thus, EMD is perfectly suitable for non-stationary signal processing and fault characteristics extracting. It is well known that a gear vibration signal consists of a number of frequency family components, each of which is a modulated signal. Thus, we can use EMD to decompose a gear fault vibration signal into a number of lMF components, some of which correspond to the frequency families, and the others are noises. Therefore, the frequency families can be separated and the noise can be decreased at the same time. The proposed method has been applied to gear fault diagnosis. The results show that both the sensitivity and the reliability of this method are satisfactory.     

基于能量聚集性的轴承复合故障诊断

轴承复合故障类型多样,且部分故障的特征频率相近噪声污染严重。采用经验模态分解(EMD)的方法,在强噪声背景下会引起相近频率故障成分的无法识别,同时也难以提取微弱的故障信号。由此,提出一种基于能量聚集性的轴承复合故障诊断方法。首先借助离散余弦变换(DCT)的频域能量聚集性和奇异值分解(SVD)的时域能量聚集性,对轴承复合故障信号进行预处理,实现降噪并分离频率相近的微弱故障信号。然后对分离出来的不同故障信号进行经验模态分解,去除伪分量,对剩余的本征模态函数进行频谱分析。最后,根据本征模态函数的频谱诊断故障。仿真信号和实测轴承故障诊断信号分析表明,与直接使用EMD进行轴承复合故障诊断相比,该方法能够在强背景噪声下准确分离频率相近的微弱故障分量,改善复合故障诊断的准确性。     

EMD信号分析方法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,提出了基于经验模态分解(EMD)的信号分析方法。该信号分析方法将管道泄漏产生的声发射信号通过EMD分解为多个平稳的固有模态函数(IMF)之和,选择包含声发射特征的若干IMF分量进行重构,可以提取到管道泄漏声发射信号的本质特征,消除噪声信号的干扰。通过对重构后的信号进行互相关分析计算,使基于声发射方法的管道泄漏检测的定位精度得到较大提高,验证了Hilbert-Huang变换是表征声发射信号的非平稳特征及信号参数提取的有效工具。     

SCA-VMD在变压器声信号降噪中的应用

针对采集变压器运行声信号时会混入噪声的情况,提出了基于稀疏分量分析-变分模态分解（sparse component analysis-variational modal decomposition,SCA-VMD）分离变压器运行声信号并降噪的方法。基于稀疏特性的欠定盲源分离能够在观测信号数目小于未知源信号数目的情况下实现源信号的有效分离,变分模态分解（VMD）能将一个多分量信号一次性分解为多个单分量信号。以两路观测信号作为输入,利用稀疏分量分析法（SCA）分离得到变压器运行声信号,再利用VMD将分离信号分解为4层本征模态函数（intrinsic mode function,IMF）分量,通过阈值滤波的方法对高频分量和低频分量进行去噪处理,利用新的IMF分量重构得到去噪信号。仿真试验和实际试验结果表明,该方法能实现对变压器运行声信号的有效分离和去噪处理。     

机械振动信号自适应多尺度非线性动力学特征提取方法研究

针对机械振动信号的故障特征提取问题,提出了基于独立变分模态分解与多尺度非线性动力学参数的特征提取方法。①提出频谱循环相干系数选取匹配波形对机械振动信号进行端点延拓后再进行VMD分解得到不同频率尺度的IMF分量;②根据互相关准则选取有效的IMF分量进行核独立成分分析,分离出相互独立的有效故障特征频带分量;③计算各独立分量的复合多尺度模糊熵偏均值,并利用正交变换将独立分量正交化后构造多维超体,进而利用多维超体体积定义并计算信号的双测度分形维数,从而获得多尺度非线性动力学特征参数,实现机械故障诊断。仿真和实验结果表明:所提方法可有效抑制VMD分解的端点效应和模态混叠,信号分解效果好,特征参数分类精度高,极大地提高了机械故障诊断准确率。     

Monte Carlo study for physiological interference reduction in near-infrared spectroscopy based on empirical mode decomposition

Near-infrared spectroscopy (NIRS) can be used as the basis of non-invasive neuroimaging that may allow the measurement of haemodynamic changes in the human brain evoked by applied stimuli. Since this technique is very sensitive, physiological interference arising from the cardiac cycle and breathing can significantly affect the signal quality. Such interference is difficult to remove by conventional techniques because it occurs not only in the extracerebral layer but also in the brain tissue itself. Previous work on this problem employing temporal filtering, spatial filtering, and adaptive filtering have exhibited good performance for recovering brain activity data in evoked response studies. However, in this study, we present a time-frequency adaptive method for physiological interference reduction based on the combination of empirical mode decomposition (EMD) and Hilbert spectral analysis (HSA). Monte Carlo simulations based on a five-layered slab model of a human adult head were implemented to evaluate our methodology. We applied an EMD algorithm to decompose the NIRS time series derived from Monte Carlo simulations into a series of intrinsic mode functions (IMFs). In order to identify the IMFs associated with symmetric interference, the extracted components were then Hilbert transformed from which the instantaneous frequencies could be acquired. By reconstructing the NIRS signal by properly selecting IMFs, we determined that the evoked brain response is effectively filtered out with even higher signal-to-noise ratio (SNR). The results obtained demonstrated that EMD, combined with HSA, can effectively separate, identify and remove the contamination from the evoked brain response obtained with NIRS using a simple single source–detector pair.     

基于谱峭度与变分模态分解的转子微弱不对中故障诊断

针对噪声干扰下转子微弱不对中故障特征难以提取的问题,提出一种谱峭度与变分模态分解的转子故障诊断方法。该方法首先利用谱峭度(Spectral Kurtosis)滤除信号背景噪声以强化故障特征相关信号分量,然后通过变分模态分解(Variational Mode Decomposition,VMD)将转子振动信号分解为一系列本征模态分量并对各分量进行频谱分析,提取转子的故障特征。将该方法应用到转子不对中故障实验数据中,结果表明,该方法能有效提取出转子微弱不对中故障特征,并且结果要优于基于谱峭度与经验模态分解(EMD)方法的分析结果。     

分解信号为正交本征模态函数的方法

利用快速滤波建立了一种对信号进行本征模态函数分解的全新方法。该方法与筛选方法相比较,具有操作简单,运算速度快,尤其适用于长信号的本征模态分解。该方法的另一个重要特点是分解所得各本征模态函数及非模态函数是严格正交的,不会产生模态混淆。     

航空发动机试飞中转静子碰摩故障信号处理 的希尔伯特－黄变换（HHT）方法

时变信号处理的新方法希尔伯特－黄变换,是把一时间序列数据通过经验模态分解（Empirical Mode Decomposition,简称EMD）成本征模函数组（Intrinsic Mode Function, 简称IMF）,然后经希尔伯特变换（Hilbert Transformation,简称HT）获得频谱的信号时频分析方法引入到航空发动机转静子碰摩故障振动信号处理领域。该方法的理论和算法为用MATLAB语言编写分析程序,再用仿真信号验证程序的正确性和有效性;然后对飞行试验中获得的故障振动信号进行分析。结果表明,用EMD和HT方法对航空发动机转静子碰摩故障振动信号进行时频分析是有效的。     

基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用

为从机械故障信号中提取包含故障信息的特征频率,提出了基于EMD的多尺度形态学解调方法,该方法首先采用EMD方法将故障信号分解为有限个IMF分量,从中选取包含故障主要信息的IMF分量求和重构信号,再进行多尺度形态学解调,从而提取机械故障特征频率信息。将该方法用于滚动轴承、齿轮的故障诊断中,并与Hilbert包络方法比较,结果表明该方法能更好地提取故障特征频率,且对含噪故障信号也有较好的分析效果。     

改进的EMD结合重复降噪在故障诊断中的应用

滚动轴承的故障信号采集中往往含有大量的噪声信号。对采集信号进行小波包降噪后,利用经验模态分解(empirical mode decomposition,EMD)得到若干个固有模态函数(intrinsic mode function,IMF)。计算各个IMF与去噪后信号的相关系数以此确定哪几个IMF是待分析信号的有效集,根据有效集中IMF的突变程度来选择不同消失矩的db系小波进行小波降噪。对IMF进行边际谱分析来判断滚动轴承哪个部位发生故障。该方法有效地去除了混杂在故障信号中的噪声,提高了信噪比,准确地判断出滚动轴承发生故障的部位。     

基于EEMD的振动信号自适应降噪方法

摘 要：应用集合经验模式分解（Ensemble empirical mode decomposition ,EEMD）能有效抑制模态混叠的特性,根据白噪声经经验模式分解（Empirical mode decomposition, EMD）后其固有模式函数（intrinsic mode functions ,IMF）分量的能量密度与其平均周期的乘积为一常量这一特点设计了自动选择IMF分量重构信号的算法,提出了基于EEMD的振动信号自适应降噪方法。对仿真信号和滚动轴承振动信号的降噪结果表明了该降噪方法的可行性和有效性。