基于CEEMD与排列熵相结合的谐波检测方法研究

为消除基于互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）的谐波检测法易受到迭代次数与辅助白噪声的干扰而产生虚假分量与模态混叠等问题,以及CEEMD方法在检测噪声背景下的谐波信号精度不高的缺陷,提出一种基于排列熵（Permutation Entropy,PE）算法与CEEMD相结合的PE-CEEMD谐波检测方法。首先对谐波信号进行互补集合经验模态分解,得到若干频率由高到低排列的固有模态函数（Intrinsic Mode-Function,IMF）,利用排列熵算法快速选定随机性较大的噪声分量进行剔除,对剩余信号再进行CEEMD分解。仿真实验数据表明,相较于CEEMD方法,PE-CEEMD方法能够较好地克服模态混叠与虚假分量等问题,并且针对复杂谐波信号的各次谐波频率成分与幅值的检测精度分别提高了4.424%与9.3%。     

基于FFT-EEMD的XLPE电力电缆局放信号去噪方法

针对集合经验模态分解(EEMD)去噪算法在去除周期性窄带噪声时存在严重的模态混叠问题,提出一种快速傅里叶变换(FFT)结合EEMD的信号综合去噪方法。通过分析噪声成分,利用窄带噪声在频域上能量集中的特点,采用FFT对窄带干扰噪声先行去除,同时也解决了EEMD去噪时模态混叠的问题;然后进行EEMD去噪,通过“3σ法则”对第一层IMF分量去噪,其余IMF分量使用自适应阈值处理。最后经过对仿真信号和实测信号去噪,并与小波变换去噪算法和单一EEMD去噪算法对比,证实了该算法的有效性和优越性。     

基于 CEEMDAN-WP-SG 的 MEMS 陀螺仪去噪算法

为了减小MEMS陀螺仪随机误差,提出了一种新的去噪算法。该算法首先通过自适应噪声完备经验模态分解(CEEMDAN)将原始数据分解为多个本征模态函数(IMF),并根据多尺度排列熵与马氏距离将IMF分为噪声IMF、混叠IMF和信号IMF;其次对噪声IMF用小波包(WP)去噪,对混叠IMF用Savitzky-Golay滤波器(SG)去噪;最后,把处理后的IMF和信号IMF进行重构,得到去噪后的信号。通过所提方法对Bumps信号进行实验分析,去噪后信号从6 dB提高至17 dB,均方误差降低71.9%;对实测陀螺仪静态数据进行分析,实验结果证明去噪后信号的角度随机游走降低31.5%,表明该方法能显著提高MEMS陀螺仪的精度。     

基于CEEMD-WPT和Prony算法的谐波间谐波参数辨识

由于传统Prony算法对噪声极为敏感,因此采用互补集合经验模态分解(CEEMD)和小波包变换(WPT)相结合的去噪方法改善信号,提高Prony参数辨识的精度。首先对信号进行CEEMD分解得到固有模态函数(IMF),并对得到的IMF分量计算其排列熵(PE)值,根据排列熵值提取出含噪声较大的分量进行小波包去噪。然后将去噪重构后的IMF分量与剩余IMF分量重构信号。最后用Prony算法辨识重构后信号的参数。对所提算法进行仿真,并与已发表文献中的结果进行比较。仿真与比较结果表明,该算法是有效的,而且具有较好的辨识结果。     

基于CEEMD与改进Prony的谐波检测方法

为了解决经验模态分解(EMD)处理非线性非平稳信号的模态混叠现象以及传统Prony方法抗噪性能差的不足。提出基于完全经验模态分解(CEEMD)和改进Prony相结合的谐波分析方法。先将含噪的谐波信号进行CEEMD分解得到固有模态函数,再通过能量门限法对分解的固有模态函数进行阈值去噪。针对原始Prony方法优化了实际阶数和线性预测参数的求解过程。最后将去噪后的谐波分量进行改进Prony变换检测分析。并通过MATLAB仿真实验以及依托三相不可控负载的实测数据验证了该方法能够精确辨识出谐波分量的特征参数且具有良好的抗噪性能,从而为谐波分析提供了一种新思路。     

改进的EEMD去噪方法及其在谐波检测中的应用研究

针对低信噪比条件下集合经验模态分解(EEMD)在分解过程中产生的模态混叠问题,本文提出改进的EEMD阈值去噪方法。首先利用白噪声经EEMD分解后其固有模态函数(IMF)分量中能量密度与平均周期乘积为常量的特性确定有用信号与含噪信号的分界点,对含噪信号进行"粗筛";进而对粗筛出的含噪模态进行"细筛",在此过程中采用"3σ法则"对第一层噪声信号进行细节处理,从而更好地保留有用信号的细节特征,继而通过能量估算方式对其他各个含噪模态进行阈值处理;最后进行信号重构。选取信噪比与均方误差作为去噪效果评价标准,经与实验对比分析,结果表明本文方法达到了最佳的去噪效果,尤其在低信噪比时优势更加明显。基于以上去噪方法,本文又进一步提出了基于二次EEMD分解的谐波检测方法,结果表明该方法可实现在低信噪比下的谐波检测,进一步证明了所提去噪方法的有效性。     

GIL机械故障诊断与预警技术研究

为了有效诊断气体绝缘金属封闭输电线路(GIL)的机械故障,搭建了110 kV GIL试验平台并设计了3种典型机械故障,通过互补集合经验模态分解(CEEMD)模糊熵值与鲸鱼优化极限学习机(WOA-ELM)模型联合方法对GIL机械故障模式进行识别与诊断。首先,利用CEEMD方法对振动信号进行分解,引入正负白噪声组对信号进行处理,得到含有故障信息的模态分量(IMF)。其次,利用模糊熵计算模态分量特征值,得到能表征故障特征的模糊熵值。最后,结合WOA-ELM模型对特征向量集进行模式识别,根据聚类结果与自适应阈值对GIL设备机械故障进行诊断和预警。结果表明,利用CEEMD与模糊熵对GIL振动信号特征进行分析,可以有效避免模态混叠和冗余噪声分量的干扰,得到能够表征故障特征的特征值;利用WOA-ELM模型可以有效实现GIL设备机械故障诊断与预警。     

基于变分模态分解的暂态扰动波形去噪算法

针对经验模态分解去噪时存在的模态混叠问题,提出一种变分模态分解与滑动均值滤波相结合的去噪算法。首先通过寻找变分模型最优解将含噪信号分解成若干个固有模态。然后利用相关系数准则确定最优分解层数K以及其对应的相关模态,并用滑动均值滤波器对非相关模态进行处理以得到其中的有用分量。最后基于相关模态和非相关模态中提取的有用分量构造去噪后的信号。仿真表明,与经验模态分解去噪和小波去噪相比,所提出的算法能够在更有效去除暂态扰动中噪声的同时,保留暂态扰动中的特征信息。     

基于改进HHT的电压闪变检测

针对应用希尔伯特-黄变换(HHT)算法进行电压闪变参数检测过程中经验模态分解(EMD)产生的固有模态分量(IMF)不理想而增大参数检测误差的问题,提出了一种改进HHT的电压闪变检测方法。首先通过在EMD"筛选"步骤中添加四点插值细分算法"分裂"出新的控制点供三次样条插值拟合包络线,然后分解出一组IMF分量,最后对IMF分量采用Hilbert变换得到闪变检测参数。就含噪声的单一分量闪变信号、不含噪声的和含噪声的多分量闪变信号,分别采用未改进HHT方法与改进HHT方法进行仿真检测,研究结果表明,改进HHT算法具有良好的抗噪能力,对模态混叠具有一定的抑制作用,并且能够提高闪变信号参数检测的准确度。     

基于POA-VMD-WT的MEMS去噪方法

针对MEMS传感器所测得的加速度和角速度输出信号噪声较大问题,提出一种基于鹈鹕优化算法(pelican optimization algorithm, POA)的变分模态分解(variational mode decomposition, VMD)结合小波阈值(wavelet threshold, WT)的去噪方法。首先利用POA对VMD的参数组合进行优化选择,然后应用POA-VMD将含噪信号自适应、非递归地分解为一系列本征模态函数(intrinsic mode function, IMF)。再通过计算每个IMF的余弦相似度对IMFs进行分类,根据计算结果将IMFs分为噪声主导分量与信号主导分量,对分类后的噪声主导分量进行改进小波阈值去噪处理,最后对处理后的噪声分量与信号主导分量进行重构,获得降噪后的MEMS传感器信号。静态和动态实验结果表明,该方法去噪处理后信号的信噪比分别提高12和10 dB,均方误差分别降低75.5%和46.6%,去噪效果显著,能够提高MEMS传感器的精度。     

EEMD在激光测云仪后向散射信号处理中的应用

激光测云仪后向散射信号是典型的非线性、非稳态信号,容易受噪声污染。针对该问题采用集成经验模态分解(EEMD)去噪算法进行处理,首先对含噪信号进行经验模态分解(EMD),将分解后的IMF分量进行自相关性分析,找出含噪占有量较大的IMF分量,对其进行SG(savitzky-golay)滤波,最后将滤波后的IMF分量和剩余分量进行信号的重构。经仿真实验结果表明,与传统的EMD方法相比,EEMD方法处理含噪信号后的输出信噪比提高了1.695 dB,均方误差平均降低了30%以上,说明该方法可以适用于非线性、非稳态的后向散射回波信号去噪处理,能为激光测云仪下一级的云底高度反演提供高信噪比的初始数据。     

基于改进CEEMDAN和小波阈值的雨声信号去噪算法研究

为了从混杂着各种噪声的雨声信号中提取到较为纯净的雨声信号，本文提出基于改进完全自适应噪声集合经验模态分解（CEEMDAN）和小波阈值相结合的雨声信号去噪方法。方法引入互相关函数寻找CEEMDAN的最优分解层数F值，并通过CEEMDAN算法按最优分解层数F层分解，将信号分解成多个频率由高到低的本征模态分量（IMF）;利用小波阈值，滤除高频IMF分量中的噪声分量，最后将去噪后的高频IMF分量和未经去噪的低频IMF分量进行信号重构，提取出较为纯净的雨声信号；实验表明，本文选用方法的去噪效果相对于经验模态分解（EMD）去噪算法、小波阈值去噪算法等传统方法具有一定的优势，去噪后的雨声信号能够准确反映出环境雨情的特征，提高雨情分析的精确度。     

基于改进CEEMDAN的应答器上行链路信号降噪研究

针对在高速铁路复杂电磁环境中应答器上行链路(balise uplink, BU)信号传输受扰的问题,提出了一种基于自适应白噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)与小波包自适应阈值的联合降噪方法。首先,采用CEEMDAN算法将模拟BU信号分解为12个模态分量,根据相关系数判断分量为相关分量或无关分量;然后,相关分量经小波包降噪处理后重构为降噪后的BU信号;最后,选用信噪比(signal-noise ratio, SNR)和均方根误差(root mean square error, RMSE)作为评价指标,将该方法与目前广泛采用的6种降噪方法进行对比,信噪比提高了0.486 1～6.144 dB,均方根误差降低了0.054 9～11.091。为检验该方法的实际应用效果,采用联合降噪方法对实测BU信号进行降噪处理。仿真验证和实验验证的结果表明,采用联合降噪方法降噪后的BU信号不仅噪声分量得到了有效去除,而且信号特征保存完好,证明该方法能够应用于解决实际BU信...     

基于ICEEMDAN与小波包分解的脉搏信号联合去噪

针对脉搏信号非线性、非平稳,且难以去噪的问题,提出了一种基于改进的自适应噪声集合经验模态分解(ICEEMDAN)与小波包分解(WPD)相结合的联合去噪方法,对采集的脉搏信号进行去噪处理。首先对噪声信号进行ICEEMDAN模态分解,产生一系列的固有模态函数(IMF),再将这些IMF分量分别与原信号进行相关系数的计算,比较相关系数的值,然后进行信号的重组,最后对重组后的信号进行小波包分解,提取得到降噪后的脉搏信号。利用仿真数据、实际采集的脉搏信号进行实验分析,将该方法与集合经验模态分解(EEMD)进行了对比,并比较了这两种方法的信噪比(SNR)和均方根误差(RMSE)。实验结果表明：基于ICEEMDAN-WPD的联合去噪方法能更有效地去除噪声,并更好地保留脉搏信号的特征。     

改进自适应 CEEMD 方法在心电信号去噪中的应用

针对传统经验模式分解(EMD)方法存在的模式混淆问题,以及总体平均经验模式分解(EEMD)不具备完备性和计算量太大的缺陷,提出一种改进的自适应互补集合经验模式分解(CEEMD)方法。该方法在分析加噪准则的基础上,引入峰值误差(PE)作为加噪评价指标,来自适应确定最佳加噪幅值;然后利用原始信号的幅值标准差以及加入噪声的幅值标准差的比值系数,对不同信号自适应获取总体平均次数;最后将该方法运用到由美国麻省理工学院建立的MIT-BIH心电数据库中,很好地实现了对目标信号的去噪。实验表明,所提方法的平均信噪比(SNR)达到了19.249 7、均方根误差(RMSE)仅为0.047 3,平均平滑度指标R只有0.030 5。算法有效地去除了原始心电信号噪声,改善了信号的平滑度,提高了运算效率。     

基于改进 SVD_EMD 的绝缘子泄漏电流去噪方法

泄漏电流是表征气体绝缘输电线路(GIL)内部绝缘子性能优劣的重要指标,在实际工程中泄漏电流信号的采集常受窄带信号与白噪声信号的干扰,进而影响对于绝缘子性能的准确评估,常用泄漏电流去噪方法多依赖于经验参数与人工设定。针对以上问题,提出利用奇异值曲率谱对奇异值变换(singular value decomposition,SVD)进行改进,去除窄带信号干扰;然后引入正负白噪声组,利用经验模态分解(empirical mode decomposition,EMD)对含有白噪声信号的泄漏电流信号进行分解,在分解过程中对模态分量进行去噪处理,保留最终模态分量即为无噪泄漏电流信号。信号仿真与现场实测结果均表明所提方法可以有效实现GIL绝缘子泄漏电流去噪。     

结合滑动窗奇异值分解的EEMD暂态电能质量扰动检测法

为了解决噪声、模态混叠等原因造成提取电能质量扰动信号的时频特征不清晰的问题,根据电能质量扰动信号具有非平稳、不确定性以及周期性强的特点,应用总体经验模态分解(ensemble empirical model decomposition,EEM D)的方法对电能质量扰动信号进行分解,基于滑动窗奇异值分解(singular value decomposition,SVD)数据压缩方法对EEMD分解得到的一系列固模函数(intrinsic mode function,IMF)分量组成的矩阵进行了重构,并对重构后的IMF分量作Hilbert变换降维,提取了扰动信号时间、频率、幅值上的特征。对比传统的EEMD算法,新方法能更加准确定量地提取各个扰动成分的起始时刻、幅值、频率等扰动特征,同时能够有效抵御噪声的干扰,克服了以往只能通过人为选取IMF分量来提取扰动时频特征过于主观的缺点。算例仿真的结果验证了该方法的有效性。