基于ICEEMDAN-ACF的自适应MEMS陀螺信号去噪方法北大核心CSCD

针对基于EMD的MEMS陀螺信号去噪方法中存在模态混叠、Hurst指数筛选法和相关系数筛选法无法准确筛选含噪本征模态函数(IMF)的问题,提出一种基于改进自适应噪声完备集合经验模态分解-自相关函数(ICEEMDAN-ACF)的自适应MEMS陀螺信号去噪方法。首先使用ACF自适应阈值判断信号信噪比,对于包含低能量高频成分的低信噪比信号使用小波软阈值预降噪,之后使用ICEEMDAN算法将陀螺信号分解为多个IMF和一个余项,使用ACF自适应阈值筛选噪声主导IMF,剔除噪声主导IMF后重构陀螺信号。实验表明:文中改进算法在低、中、高信噪比条件下的去噪效果均优于小波软阈值法、EMD-Hurst指数法、EMD-相关系数法和EMD-ACF法。     

联合CEEMD及AFSA优化小波阈值的心音信号去噪研究

心音是诊断身体健康的重要生理信号，为有效降低心音信号的噪声，提出一种联合互补总体经验模态分解(CEEMD)及AFSA优化小波阈值去噪相结合的方法。即先将不同频率范围的心音信号通过CEEMD进行分解，然后选取高频部分的IMF分量使用人工鱼群(ArtificialFish-SwarmAlgorithm,AFSA)优化小波阈值算法进行去噪，最后将去噪后的信号与分解的低频IMF信号进行重构得到去噪后的心音信号。将联合CEEMD及AFSA优化小波阈值去噪算法与传统的CEEMD算法、小波阈值去噪算法进行仿真对比。实验结果表明，联合去噪算法在去除心音信号噪声方面效果最好。     

轴系轮廓重构信号的CEEMDAN—小波阈值去噪方法

针对轴系回转过程中动不平衡引起的位移误差信号含噪问题,提出自适应噪声完备集合经验模态分解(CEEMDAN)—小波阈值去噪的轴系轮廓重构模型。采用CEEMDAN对位移信号进行分解得到各阶本证模态函数(IMF),采用相关性分析提取含噪的IMF分量,并对其进行小波阈值去噪,与经验模态分析EMD—小波阈值去噪方法进行比较,最后将提纯后的信号进行重构。模拟仿真表明,去噪后的信号不仅保持了原有信号的特征,并且有效去除了噪声。将去噪后的信号输入到重构轮廓模型进行试验,结果表明,去噪后分离的单个截面回转误差准确度提高了0.05μm,圆度误差准确度提高了0.0703μm。     

CEEMDAN-小波阈值联合的球磨机筒体振动信号去噪方法研究

针对球磨机振动信号非线性、非平稳性特点及总体平均经验模态分解方法(CEEMDAN),舍弃高频分量降噪方法和小波阈值降噪方法存在的不足,提出了一种基于CEEMDAN-小波阈值联合的球磨机筒体振动信号去噪方法。首先运用CEEMDAN算法将信号分解成一系列IMF分量;其次采用连续均方误差准则确定含噪声较多的高频IMF分量;然后采用小波阈值去噪方法对含噪声较多的高频IMF分量进行去噪处理;最后将去噪后的IMF分量和去噪的IMF分量进行重构,从而得到去噪后的信号。通过对实测球磨机筒体振动信号进行去噪分析,结果表明本研究提出的联合去噪方法去噪后信号的信噪比更高、均方根误差更低,证明该方法具有更高的去噪精度。     

基于CEEMD与小波阈值的机械密封声发射信号自适应降噪方法

针对机械密封声发射信号容易受到环境噪声干扰,难以有效地从背景噪声中分离的问题,提出将互补集合经验模态分解(CEEMD)与改进小波阈值降噪方法相结合的声发射信号自适应降噪方法。根据白噪声经经验模态分解(EMD)后其固有模态函数分量的能量密度与其平均周期的乘积为一常数的特性,自适应地判定CEEMD信噪分量的分界点;为避免小波原阈值函数的缺陷,应用改进小波阈值函数对高频IMF分量进行降噪处理,然后同其余的IMF分量进行信号重构,完成降噪过程。对仿真信号和采集的机械密封声发射信号的降噪结果,证明了该降噪方法的有效性和可行性。     

基于EMD自相关的表面肌电信号消噪方法

为了更好地消除混杂在表面肌电信号(sEMG)中的噪声,提出一种基于噪声统计特性的EMD自相关消噪方法。首先,对含噪sEMG信号进行EMD分解,并根据噪声统计特性降低低信噪比的高频IMF分量的能量后重组信号。其次,对重组后的信号进行自相关函数特性的EMD分解,并对自相关函数方差低于阈值的高频IMF分量进行小波去噪。最后,把处理后的高频IMF分量和低频IMF分量重构,得到的信号即为消噪信号。实验结果表明,该方法不仅能更好的消除噪声,而且在低信噪比情况下有良好表现。     

基于小波改进阈值去噪与EMD的滚动轴承故障诊断研究

针对传统阈值去噪方法在处理轴承故障信号时存在的不足,提出了基于小波改进阈值去噪与经验模态分解(Empirical Mode Decomposition,EMD)的滚动轴承故障信号的分析方法。为改善小波去噪产生的信号振荡和失真问题,构造了适用于滚动轴承振动信号的非线性阈值函数,并将其用为滚动轴承故障信号的噪声过滤器。采用经验模态分解将去噪后的信号分解成若干固有模态函数(Intrinsic Mode Function,IMF),并用统计分析的方法提取出谱峭度值、各固有模态函数与去噪信号之间的互相关系数最大的分量。最后,为了在频域内提取到故障特征频率,对抽取到的固有模态分量进行包络分析。仿真数据分析和模拟实验数据分析表明,所提方法可有效地提取轴承故障特征频率,实现轴承的故障诊断。     

基于BWO优化VMD联合小波阈值的管道泄漏次声波去噪方法

管道泄漏次声波信号中的干扰噪声影响管道泄漏定位的精准度。提出了一种基于白鲸优化算法（BWO）优化变分模态分解（VMD）联合小波阈值（WT）的管道泄漏次声波去噪方法。针对VMD算法中分解层数K和惩罚因子α的取值对信号分解结果影响较大,利用白鲸优化算法（BWO）对VMD分解的两关键参数进行寻优,获得最优参数组合[K、α],并利用优化后的参数对次声波信号进行VMD分解,获得一系列本征模函数（IMF）分量。通过计算各IMF分量的相关系数来区分噪声IMF分量和有效IMF分量,引入一种改进的小波阈值函数对有效的IMF分量进行去噪处理,再重构去噪后各有效IMF分量,得到去噪后的管道泄漏次声波信号。通过仿真实验,将所提方法与灰狼优化算法（GWO）优化VMD联合小波阈值和麻雀搜索算法（SSA）优化VMD联合小波阈值两种方法对比,所提方法去噪后信号的信噪比分别提高了1.27%、2.01%,表明所提方法的去噪效果具有一定的优越性,为后续管道泄漏计算定位奠定了良好的基础。     

基于CEEMD的滚动轴承振动信号自适应降噪方法

针对滚动轴承故障特征信号容易被噪声掩盖难以提取的问题,提出了基于互补集合经验模态分解(CEEMD)的滚动轴承振动信号自适应降噪方法。为了准确判定噪声分量和有用信号分量的分界点,在对振动信号进行CEEMD分解后,设计了依据信噪分量自相关函数的单边波峰宽度特性自适应地判定分界点的方法。为了保证重构信号的完整性,利用改进的小波阈值降噪方法提取低频IMF分量中的高频有效信息。实验分析表明,结合改进阈值函数的CEEMD自适应降噪方法能够有效地去除故障振动信号中夹杂的噪声,并且很好地保留了滚动轴承振动信号的突变细节,达到了不错的降噪效果。     

基于经验模分解的陀螺信号去噪

陀螺随机漂移是影响寻北精度的重要因素,小波消噪方法对小波基和分解尺度等因素依赖性较强。提出了一种新的基于功率谱密度准则的经验模态分解(EMD)去噪方法,可有效解决传统EMD去噪自适应滤波器截止阶数难以确定的难题,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,并对噪声分量起主导作用的模态进行类似小波软阈值去噪的方法进行滤波,然后与信号分量起主导作用的模态共同对信号重建实现去噪。将该方法应用于测试信号与陀螺信号的去噪,结果表明:新方法能有效地判断噪声与信号起主导作用的模态分界点,具有良好的去噪效果,且不受主观参数的影响,具有自适应性。     

静电放电能量耦合建模数据的小波去噪

为提高静电放电能量耦合模型的精度,使用小波阈值去噪法对采集到的信号进行处理。选用db系列小波作为小波基函数,根据信号的频谱宽度确定小波阶次,使用启发式阈值原则和软阈值处理方式,通过不同分解层数下去噪效果的对比,最终确定分解层数。结果表明小波去噪法能够有效地去除静电放电信号的噪声,且信号失真小、保留了信号的高频细节。     

改进EMD阈值小波滤波方法

下肢自主康复训练机器人中交流伺服电机电流信号噪声严重影响电机力矩辨识精度。为解决非线性非平稳信号的滤波去噪问题,提出一种基于经验模态分解(EMD)的改进阈值小波滤波算法。首先对EMD最佳去噪层数和阈值小波的阈值处理函数进行分析和改进,然后将两种改进方法相结合,最后对Matlab中的Heavy sine信号添加高斯噪声,分别利用改进方法和软、硬阈值等滤波方法进行去噪实验。仿真实验结果表明,改进算法能有效去除非线性非平稳信号中噪声信号。与EMD和阈值小波等其他滤波方法相比,本文滤波算法去噪后信噪比更大,均方根误差更小,滤波效果更好。     

改进小波去噪Teager算子的齿轮微弱故障提取方法

针对齿轮箱在强噪声背景下齿轮微弱故障振动信号的特征不易被提取的问题,提出将改进小波去噪和Teager能量算子相结合的微弱故障特征提取方法。采用改进小波阈值函数对振动信号进行去噪处理,与形态学滤波和传统小波阈值函数相比能够有效地提高信号的信噪比。对去噪后的信号进行集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)得到若干本征模式函数(intrinsic mode function,简称IMF),计算各IMF分量与原信号的相关系数并结合各IMF分量的频谱剔除虚假分量。对有效的IMF分量计算其Teager能量算子,并重构得到Teager能量谱,对重构信号进行时频分析并将其结果与原信号的希尔伯特黄变换(HilbertHuang transform,简称HHT)得到的边际谱进行对比。实验研究结果表明,本研究方法相比HHT能够对齿轮微弱故障特征进行更为有效地提取,验证了本研究方法在齿轮箱微弱故障诊断中的可行性。     

基于小波去噪和EEMD包络解调分析的滚动轴承故障诊断方法

针对强噪声背景下的故障信号诊断问题,提出一种基于小波去噪和改进型总体经验模式分解算法(Ensemble Empirical Mode Decomposition,EEMD)包络解调分析的滚动轴承故障诊断方法。由于经验模态分解方法易产生虚假分量和模态混叠现象,引入EEMD。首先将采集到的振动信号进行软阈值去噪,然后对去噪信号进行EEMD分解,抽取能量较大的前4个内禀模态函数(IMF)进行Hilbert变换,得到包络信号,最后对包络信号进行细化谱分析,得到轴承故障特征频率。小波去噪可解决噪声造成的包络信号粗糙这一问题,提高了包络提取精度。将该方法应用于滚动轴承的内圈和外圈故障诊断,诊断结果均表明该方法能够准确有效地提取故障特征频率。     

小波改进阈值去噪和经验模态分解相结合的旋转机械故障特征提取

针对实际工程信号易受噪声干扰导致提取的故障特征不明显的问题,将小波改进阈值方法和经验模态分解(Empirical Mode Decomposition,EMD)相结合,提出一种基于小波改进阈值的经验模态分解去噪方法,并应用到旋转机械故障特征提取中。首先,为了克服传统小波阈值方法在阈值函数的连续性以及重构误差等方面的不足之处,研究小波改进阈值方法并利用其进行振动信号预处理,减少随机噪声对振动信号的干扰,同时减少EMD分解过程中的分解层数以及其边缘效应对有用信号分解质量的影响。在实际应用中,由于振动信号中混有多种不同性质的噪声,预消噪处理常常不足以消除全部噪声的干扰,因此有必要用EMD相关度方法适当地消噪后处理,提高故障特征提取的准确度,研究为旋转机械故障进一步识别诊断提供了重要的参考。     

小波改进阈值去噪和经验模态分解相结合的旋转机械故障特征提取

针对实际工程信号易受噪声干扰导致提取的故障特征不明显的问题,将小波改进阈值方法和经验模态分解(Empirical Mode Decomposition,EMD)相结合,提出一种基于小波改进阈值的经验模态分解去噪方法,并应用到旋转机械故障特征提取中。首先,为了克服传统小波阈值方法在阈值函数的连续性以及重构误差等方面的不足之处,研究小波改进阈值方法并利用其进行振动信号预处理,减少随机噪声对振动信号的干扰,同时减少EMD分解过程中的分解层数以及其边缘效应对有用信号分解质量的影响。在实际应用中,由于振动信号中混有多种不同性质的噪声,预消噪处理常常不足以消除全部噪声的干扰,因此有必要用EMD相关度方法适当地消噪后处理,提高故障特征提取的准确度,研究为旋转机械故障进一步识别诊断提供了重要的参考。     

小波阈值去噪在深小孔钻削声发射信号处理中的应用

深小孔钻削声发射信号中往往夹杂着大量噪声信号,能否有效去除这些噪声对后续利用声发射信号实现钻头状态的在线监测具有重要意义。针对深小孔钻削声发射信号中存在噪声的问题,文章采用了小波阈值法进行去噪,并详细讨论了小波阈值去噪过程中各参数的选定方法和最优选取原则。对深小孔钻削声发射信号进行去噪对比实验,结果表明:在选取4层小波分解、Sym6小波基函数、rigrsure阈值以及改进的渐进半软阈值函数去噪时,获得的信号的信噪比最大为23. 616 8,均方根值最小为0. 112 8。说明其有效去除了声发射信号中的噪声,同时又很好地保存了信号的完整度,避免信号失真,显著改善了去噪效果。     

一种基于变分模态分解和样本熵的MEMS陀螺去噪方法

针对MEMS陀螺信号,提出了一种基于变分模态分解(VMD)和样本熵(SE)的随机噪声抑制方法。首先采用VMD算法自适应地将原始信号分解为固有模态函数(IMF)的集合,然后针对不同的固有模态序列建立基于样本熵理论的信号组分筛选标准,从而将其划分为低频有效信息IMFs、信息和噪声混合IMFs和高频噪声IMFs。舍弃高频噪声IMFs,并利用软区间阈值降噪方法实现对混合分量的进一步处理,最后通过重构得到最终的信号。对一组真实的MEMS陀螺静态漂移输出数据进行实验分析,比较结果表明该算法的去噪性能优于同为模态分解的EMD去噪方法。     

噪声环境下滚动轴承故障特征提取

滚动轴承故障振动信号采集中往往含有大量的噪声信号。为了从含噪信号中提取故障特征,首先对采集的信号进行小波降噪,然后利用经验模态分解(empirical mode decomposition,EMD)得到若干个内禀模态函数(intrinsic mode function,IMF),并考虑分解的各模态函数的能量特征,将分解后的IMF分量与分解前信号的能量比作为判断标准,剔除附加低频成分,最后选取有效的IMF集进行包络谱分析,提取故障特征。通过仿真分析和以真实滚动轴承为研究对象的故障诊断实验,表明该方法有效地去除了混杂在故障信号中的噪声,有效地提取旋转机械中的故障特征信息。     

凸轮廓线反求信号的小波包去噪研究

凸轮廓线反求时,测量噪声严重影响了反求的精度和廓线的光顺等。利用小波包分析,选用合适的小波基函数、分解层数、去噪阈值和阈值量化方法可有效去除噪声。通过把五次多项式叠加白噪声作为原始的凸轮廓线含噪信号,应用MATLAB软件进行去噪仿真试验,结果表明:选择coif2小波基函数、分解层数取1和选用启发式阈值软阈值去噪,去噪效果最好;小波包去噪效果优于小波去噪,得出了小波包去噪的一般步骤和重要参数的选取方法。