基于灰色准则与EEMD的滚刀振动信号降噪方法

工程现场采集的滚刀振动信号掺杂噪声,致使信号特征难以提取。提出一种基于灰色准则与集合经验模态分解(EEMD)的滚刀振动信号降噪方法。首先将原信号进行EEMD分解得到若干个特征模态函数(intrinsic mode function,IMF),再根据提出的灰色准则对IMF分量进行极性一致化处理、均值化处理,计算出IMF1与其他IMF分量的灰色关联度,并按照灰色关联度将IMF分量降序排列,然后选择降序排列中前一半IMF分量进行软阈值处理,最终将处理后的IMF分量、未处理的IMF分量及余项进行重构,得到降噪后的信号。通过不同初始信噪比的仿真信号和实际加工中的滚刀振动信号验证了本方法的可行性和有效性,同时与EEMD结合相关系数降噪法、小波软阈值降噪法进行了比较,结果表明本方法的降噪效果更优。     

EEMD结合小波包的振动筛轴承信号降噪效果分析

为解决振动机械故障诊断中如何更有效地在复杂信号中提取有用的故障信号的问题,提出了一种优良降噪算法。先将原始信号用小波包降噪,对降噪后的信号进行EEMD分解,然后将分解得到的固有模态分量(IMF)构建不同的带通滤波器,利用算法逼近度指标和相关系数建立优良降噪算法的判断准则,以此来选择最优的滤波器组合。对振动筛轴承信号进行仿真,用新算法处理仿真信号,结果显示,故障信号被保留下来,其他信号均被滤除。同时用该降噪算法分析了实测振动筛轴承信号,所得的结果合理有效。     

EEMD结合小波阈值的光电容积脉搏波信号降噪

为了研究脉搏波信号降噪的问题,文章提出了一种集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与小波阈值相结合的降噪方法,对采集到的光电容积脉搏波信号来做降噪处理,同时和EMD结合小波阈值降噪算法进行比较。算法首先把信号做EEMD的分解,将原始信号分解为n个模态分量(Intrinsic Mode Function,IMF),然后对这些分量做相干性的计算,对其中的噪声分量来做小波阈值降噪,最后将信号重构。原始信号在STM32平台上采用MAX30100传感器测得。实验结果表明:本文的方法能够很好地剔除光电容积脉搏波中包含高频噪声与基线漂移的各种噪声,降噪后信噪比为34.09,均方根误差为1.99。提高了PPG信号的质量,为光电容积脉搏波信号的准确测量提供了新的思路。     

基于CEEMDAN-PE的心冲击信号降噪方法研究

心冲击信号(BCG)是反应心脏力学特征的生理信号,能实现无电极束缚条件下的连续采集测量,然而BCG信号微弱且极易受到干扰,测量时经常会淹没在噪声中。为了有效识别BCG信号,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)联合排列熵(PE)的BCG降噪方法。首先,将采集到的BCG信号通过CEEMDAN分解得到一系列按频率由高到低的固有模态函数(IMF)。其次,通过PE计算各个IMF分量的值并确定有效信号的阈值范围,从而滤除信号中的高频噪声和基线漂移。最后实验结果显示,降噪后信号的幅频特性得到明显改善且信噪比较传统方法有明显提高,证明了本文降噪方法效果显著,能够有效还原BCG信号特征。     

基于SVD降噪的机械振动信号经验模式分解及其应用

提出了1种基于奇异值分解降噪的振动信号经验模式分解方法,利用该法对原始振动信号进行相空间重构和奇异值分解,并根据奇异值降噪,再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,对滤波前和滤波后振动信号进行经验模式分解分析。分析结果表明：奇异值分解能有效地提高信噪比,突出原始振动信号的特征,使降噪后振动信号分解出的基本模式分量具有更明确的物理意义,有利于对柴油机进行精确诊断。     

基于IES的切削颤振孕育期信号降噪方法

切削颤振孕育期介于稳定切削与颤振爆发之间,该阶段切削力信号中颤振特征具有典型微弱信息特性。采用基于总体经验模态分解（ensemble empirical mode decomposition, 简称EEMD）与奇异值分解（singular value decomposition, 简称SVD）相结合的方法对颤振孕育期信号进行降噪时,大多存在噪声剔除不充分或微弱目标特征信息失真等问题。首先,通过引入功率谱密度（power spectral density, 简称PSD）与常相干函数（common coherency function, 简称CCF）对EEMD降噪机制进行改进,使微弱目标特征所在本征模态函数（intrinsic mode function, 简称IMF）分量得到有效提取;其次,借助池化原理（pooling principle, 简称PP）降低IMF分量复杂度,并联合SVD对其实施分块降噪,以实现对微弱目标特征中所含噪声进行有效消减;最后,耦合上述改进并重构信号,可面向微弱目标特征信号形成基于改进EEMD?SVD（improved EEMD?SVD,简称IES）的降噪方法。分别利用IES与EEMD?SVD对Rossler混沌信号进行降噪处理,并通过比较信噪比、均方误差及平滑度等降噪评价指标,对所提方法在降噪有效性及信息保真度方面的优势进行量化验证。在此基础上,再次借助所提IES方法对变轴向切深铣削实验中颤振孕育期铣削力信号进行降噪分析。结果表明,该方法能显著抑制颤振孕育期信号噪声,并能有效避免微弱颤振特征信号失真问题。     

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EEMD信息熵和PSO-SVM的自动机故障诊断

针对自动机振动信号的瞬态冲击、非线性和非平稳性,提出一种基于集合经验模式分解(EEMD)的信息熵和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用小波阈值降噪对振动信号进行预处理;其次运用具有抗混叠效应的EEMD对降噪信号进行分解得到本征模式分量(IMF),从而提取能反映自动机状态的特征参数:能量熵、边际谱熵和奇异谱熵;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将特征向量子集分别作为PSO-SVM和概率神经网络(PNN)的输入参数以识别自动机故障,结果表明:PSO-SVM相对于PNN可以提高故障分类正确率,同时证明基于EEMD信息熵和PSO-SVM方法在自动机故障诊断中的有效性。     

基于变分模态分解的管道泄漏信号降噪方法

管道泄漏信号的降噪是精确定位泄漏点的关键,但该信号具有非平稳、非线性的特性,传统方法对这类信号的去噪效果有限。为了有效剔除噪声以提升泄漏定位的精度,提出了一种基于变分模态分解（variational mode decomposition,简称VMD）的自适应降噪方法。首先,通过相关系数筛选有效固有模态函数（intrinsic mode function,简称IMF）实现信号重构;其次,根据重构信号信息熵的最小值,得到VMD的最优分解层数和最优降噪信号;最后,通过负压波理论实现泄漏定位,并搭建了管道泄漏实验系统对所提方法进行验证。结果表明：该方法能有效抑制噪声,保留了信号的波形特征,且能识别出明显的负压波拐点;泄漏定位的最小相对误差为0.9%,最大为3.75%。与传统方法相比,所提方法定位的精度更高,结果更稳定。     

基于EEMD消噪和相关系数识别的滚动轴承故障诊断方法

针对往复泵动力端滚动轴承振动信号非平稳、非线性且含有大量噪声的特点,提出基于EEMD、距离因子、相关系数和小波包分解相结合的诊断方法。通过在轴承寿命试验台上测取轴承振动信号,利用EEMD对所测信号进行分解,根据距离因子和相关系数相结合的方法筛选并重构IMF分量,以突出故障特征信息且避免偶然误差影响,重构振动信号进行小波包分解后构造能量特征信号向量,然后计算特征向量的相关系数,通过比较所得相关系数的差值绝对值判断故障类型。此方法的故障识别率与直接对轴承振动信号进行相关系数分析相比,故障识别率有较大提高,而且无需像神经网络识别需要大量数据训练,是一种较好的轴承故障识别方法。     

APEEMD及其在转子碰摩故障诊断中的应用

总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)是抑制经验模态分解(empirical mode decomposition,简称EMD)模态混叠的有效方法,针对EEMD分解效果依赖于添加噪声的大小、筛分次数和总体平均次数等参数的选择及噪声残留大、分解不完备等问题,提出了自适应部分集成经验模态分解。该方法通过成对地向目标信号加入自适应噪声,并对每个内禀模态函数(intrinsic mode function,简称IMF)自动选择筛选次数,通过排列熵检测筛分出高频IMF,再对剩余信号进行EMD分解。将提出的方法应用于仿真和转子碰摩故障试验数据分析,结果表明提出的方法能够有效地应用于转子碰摩故障诊断,而且在分量的精确性、完备性和模态混叠的抑制等方面优于EEMD方法。     

基于迭代的集总经验模式分解算法的齿轮箱故障特征提取

针对集总经验模式分解方法(Ensemble Empirical Mode Decomposition,EEMD)在实际应用中存在的盲目添加白噪声的问题,提出了一种迭代的集总经验模式分解方法(Iterative Ensemble Empirical Mode Decomposition,IEEMD).首先介绍了IEEMD...     

CEEMD和小波半软阈值相结合的滚动轴承降噪

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。     

均值优化经验模态分解及其在转子故障诊断中的应用

经验模态分解（Empirical mode decomposition,EMD）作为一种自适应的信号分解方法已经被广泛应用于诸多工程领域。为了提高EMD的分解性能,分别考虑从不同权值均值曲线的迭代筛分结果中选择正交性最小以及从每层内禀模态函数迭代结果中选择最优以保证整体分解最优,发展了两种均值优化经验模态分解（Mean-optimized empirical mode decomposition,MOEMD）算法。通过仿真信号分析,将MOEMD方法与EMD等现有信号分解方法进行了对比,结果表明,MOEMD方法在分解性能和分解精度方面比EMD等方法有显著提高。最后,将MOEMD方法应用于转子碰摩故障信号分析,并与EMD进行了对比分析,结果表明,MOEMD方法不仅能够有效地识别转子碰摩故障,而且识别效果优于EMD方法。     

基于经验模态分解的改进乘性噪声去除方法

乘性噪声往往由不理想的(时变的或非线性的)信道引起,它与信号是相乘的关系,因此难以消除。在乘性噪声消除应用背景下,引入同态变换去除噪声与信号的相倚性,将乘性噪声转化为加性噪声,并应用经验模态分解技术进一步研究受均匀分布白噪声污染的谐波信号及其同态变型的能量分布特性,据此建立起适用于乘性噪声去除的本征模函数幅值滤波新阈值准则。从而,形成基于经验模态分解的改进乘性噪声去除方法。结果表明,采用柔性阈值的改进算法对乘性噪声的去除效果最佳。而且,基于二阶多项式回归分析所构建的本征模函数幅值滤波阈值准则已经可以获得较高的源信号重建精度,过高的多项式阶次会导致本征模函数幅值滤波阈值与其实际噪声能量水平的失配,从而显著地降低算法的去噪性能。     

基于经验模态分解的转子启动波德图绘制

提出利用经验模态分解的方法来绘制转子启动的波德图。此波德图能够准确地体现转子启动的动态信息,从而克服了手工绘制波德图时由于间断采样使得数据在临界转速不准确的缺点。同时,针对经验模态分解的边缘效应,采用了一种基于等斜率的新方法,即增加极值点的斜率和临近极值点的斜率相等,与其它的边缘值处理方法相比较,该方法不仅利用了信号的内部特征,而且拥有计算简单的优点。     

基于互补的总体经验模式分解算法的齿轮箱故障诊断

针对经验模式分解(EMD)和总体经验模式分解(EEMD)算法在齿轮箱故障诊断中的缺陷,提出了一种基于互补的总体经验模式分解(CEEMD)算法的齿轮箱故障诊断方法。首先介绍了CEEMD方法,然后将CEEMD方法用于实际齿轮箱的故障诊断中。结果表明,与基于EMD/EEMD算法的齿轮箱故障诊断方法相比,基于CEEMD算法的齿轮箱故障诊断方法不但可以有效地克服模态混叠和能量泄露现象,而且大大提高了计算效率,为齿轮箱的故障诊断提供了一种新的方法。     

基于EEMD的行星齿轮箱齿轮裂纹损伤定位

针对行星齿轮式变速箱的齿轮裂纹损伤难以提取特征频率和定位的问题,提出基于总体平均经验模式分解(ensemble empirical mode decomposition,简称EEMD)的齿轮局部损伤频率解调分析方法。该方法在建立的齿轮局部损伤振动信号模型的基础上,分别对太阳轮、齿圈、行星轮的裂纹损伤信号进行EEMD分解和频率解调分析,通过频谱图提取齿轮的局部损伤特征频率,从而识别变速箱中裂纹损伤齿轮的位置。综合仿真分析和试验结果表明,基于EEMD的齿轮局部损伤频率解调分析方法可以有效地提取太阳轮、齿圈和行星轮的裂纹损伤特征频率,实现行星齿轮式变速箱中齿轮裂纹损伤的定位。     

基于经验模式分解的全息谱故障识别方法

由于实测信号中的一些噪声干扰会影响全息谱对信号分析的准确性,采用经验模式分解(emprical mode decomposition,简称EMD)方法进行信号滤波以提高识别的可靠性.应用EMD对信号分解,并结合互相关系数对内蕴模式分量(intrinsic mode function,简称IMF)进行滤波,在此基础上对信号进行重构,以降低噪声干扰,并对实际测试信号进行有效提纯.最后,对滤波后的转子信号进行全息谱分析,并通过分析实际转子碰摩信号来验证该方法的有效性.