基于LMD–SVD的微震信号降噪方法研究

作为一种3维、实时的监测手段,微震监测通过分析岩体破裂产生的微震信号,评估工程岩体的稳定性,为工程建设和人员安全提供预警。然而,工程现场情况复杂,采集微震信号时通常会混入一定程度的噪声,影响后续微震信号的分析工作。针对这一问题,提出一种基于局部均值分解(local mean decomposition,LMD)和奇异值分解(singular value decomposition,SVD)的LMD–SVD联合降噪法以降低噪声干扰。该方法首先使用LMD分解,获得一系列由高频到低频分布的乘积函数(product functions,PF);通过计算原始信号与各个PF分量之间的相关系数,确定含噪信号与有效信号之间的分界位置,将分界分量之前的分量剔除,实现初步降噪。然后,针对LMD分解结果中的残留噪声,使用SVD法,以加权能量贡献率(percent of contribution to total energy,PCTE)作为奇异值阶数的确定方法,对分界PF分量进行降噪处理,实现二次滤波。通过上述处理,最终实现微震信号降噪。在仿真实验中,对于同一带噪的Ricker子波,分别使用经验模态分解(empirical mode decomposition, EMD)、LMD、LMD–SVD这3种方法进行降噪处理。其降噪前后信号的信噪比、波形图及频谱图对比结果表明LMD–SVD是一种更好的降噪方法。此外,对于白鹤滩水电站左岸地下厂房的微震监测系统所采集的信号,运用LMD–SVD对含噪微震信号进行降噪处理,表明本文方法能够有效地去除微震信号中的高频噪声,为后续微震分析工作提供帮助。     

基于奇异值分解和经验模态分解的航空发动机健康信号降噪

提出了一种基于奇异值分解(Singular value decomposition,SVD)和经验模态分解(Empirical mode decomposition,EMD)的信号降噪方法。首先采用EMD方法对原始信号进行分解并提取出信号趋势分量。然后对信号剩余部分采用SVD方法降噪,并根据奇异值差分谱方法自适应选择奇异值进行信号重构。最后将重构后的信号与趋势分量叠加得到最终的降噪信号。采用该方法对模拟信号和实际航空发动机健康信号进行了降噪试验,结果表明:该方法能够准确地选择用于重构信号的奇异值,并能够有效地去除信号噪声。     

基于LMD与奇异值差分谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非线性非平稳特性及强噪声特性,提出了一种基于局部均值分解(local mean decomposition,LMD)和奇异值差分谱的滚动轴承故障诊断方法.首先对原始信号进行LMD分解,得到若干乘积函数(product function,PF)分量,然后对故障特征明显的分量构建Hankel矩阵并进行奇异值分解,求出奇异值差分谱曲线,找到奇异值差分谱最大突变点来确定奇异值重构分量的个数,进而对包含故障特征频段的分量进行消噪和重构,再对重构信号进行Hilbert包络谱分析,提取故障特征.实验结果和工程应用表明:LMD和奇异值差分谱结合的信号特征提取方法,能准确、有效地提取滚动轴承的故障特征频率,对故障类型作出准确判断.     

基于VMD-SSA的埋地输气管道泄漏声波信号降噪研究

针对埋地输气管道泄漏声波信号沿土壤介质传播过程中易受噪声干扰的问题,提出基于变分模态分解结合奇异谱分析的联合降噪方法。先对含噪信号进行VMD分解,并根据能量熵分布图重构去除高频噪声。再对余下含中低频噪声的信号分量进行SSA分析,结合奇异值差分谱和能量贡献选取最优奇异值重构得到最终降噪信号。实验结果表明,相较于小波阈值、变分模态分解等降噪方法,改进方法降噪前后信噪比均增量提高27.1%,均方根误差均减量提高13.8%,是一种更有效的降噪方法。     

基于LMD-ICA降噪的滚动轴承故障特征提取方法研究

在滚动轴承进行故障识别中,针对局部均值分解(LMD)方法分析非平稳、非线性含噪信号时,存在端点效应,易产生虚假分量和单通道独立成分分析(ICA)盲源分离时的欠定问题,提出了基于LMD-ICA降噪的振动信号特征提取算法.首先对原始信号进行LMD,并抑制端点效应,得到n个瞬时频率具有物理意义的乘积函数(PF)之和;然后对得到的PF分量以连续的3阶PF分量为一序列组合进行ICA,可以得到n-2个重构分量;最后利用n-2个分量进行重构,得到降噪后的故障信号,并再次进行LMD或功率谱计算,提取故障特征.经验证,该方法可有效识别滚动轴承的多类故障.     

一种基于SVD分解的小波阈值降噪方法

针对小波软阈值消噪的缺点,探讨了一种基于奇异值分解(SVD)的离散小波去噪方法。该方法通过对每层小波分解细节系数进行奇异值分解,将其中的信号特征成分和噪声分解到不同的正交子空间中,在子空间中选取集成信号特征成分的奇异值矢量进行重构,从而提取出淹没在细节系数中的有用信号成分,最后进行小波重建,得到降噪信号。通过仿真实例的验证,表明该方法与小波阈值消噪法相比,在强噪声背景下,它提取出的信号特征成分更完整,信噪比更高。     

含窄带噪声和白噪声的复杂染噪局部放电信号提取及应用

复杂噪声环境下,电力设备局部放电信号的高完备度提取是实现其运行状态在线评估的关键.该文提出一种基于自适应噪声的总体集合经验分解(CEEMDAN)和改进小波包结合的复杂染噪局放信号提取方法.首先,通过自适应CEEMDAN将染噪信号进行分解,利用奇异值分解(SVD)算法对分量中包含的窄带噪声和频率混叠进行抑制,再根据信号间...     

基于LMD形态滤波的LS-SVM方法研究

在轴承的故障诊断中,为了解决核函数在最小二乘支持向量机中参数选择困难及稀疏性差的问题,提出了局部均值分解(LMD)形态滤波的最小二乘支持向量机(LS-SVM)方法.该方法首先利用LMD对信号进行分解得到PF分量,并对信号做相关分析去除虚假分量,形态滤波降噪后再进行LMD分解得到新PF分量,提取能量特征;其次,对LS-S...     

基于补充总体局部均值分解的轴承故障诊断方法

为了弥补局部均值分解(LMD)在处理非平稳、非高斯信号的不足,提出一种基于补充总体局部均值分解(CELMD)和频谱分析相结合的轴承故障诊断方法.该方法向原信号成对地添加符号相反的白噪声,首先对含噪信号进行LMD分解,得到一系列的乘积函数(PF),再选取包含最丰富故障信息的PF分量,最后对该PF分量进行FFT变换,提取故障特征频率,实现对轴承状态和故障类型地识别.通过对仿真信号和轴承振动信号地分析,表明该方法不仅能消除残留白噪声和抑制模态混叠还可以提高故障诊断的准确性和有效性.     

基于变分模态分解和奇异值分解的局部放电信号去噪方法

为有效抑制局部放电信号中的复杂噪声干扰,提出一种基于变分模态分解和奇异值分解的去噪方法。首先通过泄露能量确定VMD算法中的模态分解个数,对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后基于峭度指标选择包含有用信息的分量进行信号重构,将周期性窄带干扰去除;最后采用奇异值分解去噪方法抑制信号中剩余的高斯白噪声。运用该方法对含噪局放信号进行去噪处理,并通过时变峰度法对信号初至时刻进行拾取。与传统的小波方法和经验模态分解算法进行对比,该方法能有效抑制局放信号的复杂噪声干扰,去噪后信号波形畸变较小,信号拾取精度较高。     

阵元分集与SVD降噪

针对高距离分辨(HRR)雷达系统,提出了一种抑制噪声的方法。该方法引入辅助阵元接收目标回波形成测量矩阵,首先对该矩阵作奇异值分解(SVD),建立信号子空间和噪声子空间,然后对信号进行估计并重构出噪声受抑的测量矩阵,在重构矩阵中进行同相相加,降低噪声电平,以提高噪声背景下雷达检测和识别能力。     

基于局域均值分解的轧制力响应频率提取

在轧制生产过程中,轧制力信号是用于轧件厚度控制的基本信号,该信号包含有大量其他信息,这些信息主要通过频率和幅值表示,其中频率信息也反映了轧机在轧制力传感器安装点处的综合响应。采用局域均值分解（LMD）时频分析的方法,先将频率信息的实测信号进行LMD分解,再利用希尔伯特变换求取各个乘积函数（ P F）分量的瞬时频率,最后通过对多组轧制力传感器实测数据的求解得到该综合响应中各频率的大小。利用这一方法,对某厂1700 m m五机架冷连轧四辊轧机第一机架的多卷轧制力传感器数据的频率信息进行提取,得到其响应的基频为8．5Hz,三倍频为25．5Hz。     

基于改进LMD及LSTSVM的管道泄漏检测与定位

在管道泄漏检测中,管道首末两端采集压力信号的噪声会影响泄漏检测的准确性和泄漏定位的误差。为了最大程度地降低噪声的干扰,提出改进局域均值分解(LMD)方法,该方法在外界噪声特征未知的情况下,有效提取与泄漏信号相关的乘积函数(PF)。根据测试信号的PF和参考信号相关分析的峰值,获取包含主要泄漏信息的PF分量并进行信号重构,重构信号再经过小波分析进一步消噪。在此基础上,按照时域特征和波形特征提取信号特征值输入最小二乘双支持向量机(LSTSVM)中,用以区分不同工况。根据经过小波消噪后的重构信号,采用广义相关分析法获取泄漏信号到达首末两端负压波信号的时延估计,并结合泄漏信号传播速度实现泄漏点定位。通过环道现场实验,对管道各种工况信号进行处理分析。结果表明,该方法能有效识别不同工况及泄漏定位。     

精密仪器运输车辆隔振器的减振性能分析

对精密仪器运输车辆隔振器的减振性能进行分析,提出一种改进的基于奇异值分解(SVD)的小波变换降噪方法,采用该方法对隔振装置测试数据进行降噪,得到了优于传统小波阈值降噪方法的隔振器幅频特性。通过幅频特性分析,表明钢丝绳隔振器对于20 Hz以下信号有着很好的减振能力,但对于高频信号,特别是运输车的发动机转速和给精密仪器供电的发电机信号引起的振动却有着较大的放大作用。本文的分析结果对隔振器减振性能的进一步分析与改进奠定了基础。     

基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取

针对滚动轴承早期故障难以提取和最大相关峭度解卷积（maxim correlated kurtosis deconvolution,MCKD）降噪效果受滤波器长度L的影响,提出了基于互补集合经验模态分解（complementary ensemble empirical mode decomposition,CEEMD）和自适应最大相关峭度解卷积相结合的故障特征提取方法（CEEMD-AMCKD）.首先,利用CEEMD将信号分解得到一组固有模态分量,利用峭度值筛选出冲击成分明显的分量;然后,以排列熵值为标准,运用步长搜寻法确定最佳的MCKD滤波器长度,对前面筛选出的分量进行降噪处理;最后,将降噪后的分量及其他分量进行信号重构并根据包络功率谱提取故障特征频率.通过仿真和试验验证了该方法的有效性.

     

基于增强的谱分析和奇异值分解的T波交替检测

针对传统谱分析方法在T波交替(TWA)检测中对噪声敏感的缺点,提出将增强的谱分析方法和奇异值分解方法结合起来的TWA检测方法.该方法利用奇异值分解得到去除了噪声干扰的心电信号,克服了传统谱分析方法只能检测平稳信号且需要增大心率的缺点,强调交替水平的重要性,即增强TWA功率谱上0.5cpb处的幅值,实现对TWA的有效分析.研究结果表明：该方法对T波交替数据库中30个人工合成并含有TWA的数据的检出准确率达93.33%,高于传统谱分析方法的TWA阳性检测率,能够提高交替比率.TWA检测率明显高于physionet网站中2008年挑战（TWA检测和定量分析）得分第一的算法实验结果（66.67%）,说明该方法具有更强的TWA识别能力.