激光超声信号变分模态分解与裂纹定量检测

针对激光超声检测技术应用于金属增材件中所获取的信号具有复杂、多模态、信噪比低的特性的问题,获取激光超声信号进行时频分析,探究其频域可分性,采用变分模态分解算法根据频域特征进行分离并提取最佳表面波模态。在此基础上,提出一种基于激光超声信号B扫图结合变分模态分解提取表面回波特征值技术,对金属增材件表面裂纹长度进行定量检测。针对直接观察B扫图获取裂纹长度信息存在误差较大的问题,通过对变分模态分解提取的表面波模态在有无裂纹时反射回波峰峰值的变化分析,绘制扫查位置-峰峰值图并据此精确获取裂纹起始和结束位置,检测结果的相对误差不超过8%。与直接获取原始信号B扫图的裂纹长度信息相比,提高了检测精度。该方法在金属增材件的激光超声信号的特征提取与定量检测方面具有可行性。     

基于旋转变分模态分解的IMU角速度去噪算法

惯性测量单元(IMU)的应用中,角速度的噪声误差积累对姿态解算性能有较大的影响。针对角速度中存在的噪声,提出一种融合了变分模态分解(VMD)和角速度旋转三维分解的去噪算法。首先通过坐标系旋转获得角速度在不同虚拟轴的输出,再利用VMD提取合适分量重构虚拟轴信号。VMD的非线性重构使得各个虚拟轴的残留误差相对独立,最终多个虚拟轴的反向旋转回到原始坐标系后通过独立信号的均值合并能有效消除IMU中角速度的噪声。基于EuRoC数据集的实验结果表明：该算法降噪效果显著,均方根误差降低70%～85%,且能有效平衡三轴误差。     

激光超声信号去噪的经验模态分解实现及改进

考虑激光超声检测过程中噪声对缺陷和材料特征分析和检测的影响,本文以激光超声信号去噪为目的,研究了基于经验模态分解（EMD）的激光超声信号时间尺度滤波过程。针对分解过程中固有模态函数（IMF）上有用信号与噪声的混叠现象对重构信噪比的影响,结合信号多模态和宽频带的特点,提出了基于峰度检验策略的时域加窗方法。该方法通过局部峰度检验判断重构起点附近IMF中有用信号的位置及信噪分界点,利用Turkey-Hanning窗保存有用信号,抑制噪声,实现信号与噪声的解混叠,改善重构信号质量。仿真和实验结果表明,该方法具有良好的自适应性,有效识别并分离了信号和噪声成分,信噪改善比达14 dB以上,相对原始方法提升了3 dB,相对性能增强了20%,并且改进效果随信号受污染程度的加重而愈发突出,有望在高噪声水平下发挥优势。     

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...     

遗传算法VMD参数优化与小波阈值轴承振动信号去噪分析

针对轴承振动信号夹杂的噪声极大地影响有用信息的提取,提出了基于遗传算法的变分模态分解(Variational mode decomposition,VMD)与小波阈值去噪方法。该方法首先利用遗传算法选择合适的VMD参数,然后用VMD方法对含噪声的信号进行自适应分解,最后对分解的模态分别进行小波阈值处理后重构信号,得到去噪后的信号。对实际轴承信号的分析结果表明,该方法与常用的去噪方法相比,能够得到更高的信噪比和更低的均方差。     

改进的自适应噪声总体集合经验模态分解在光谱信号去噪中的应用

针对近红外无创血糖检测过程中噪声对血糖浓度模型精度和稳定性的影响,提出用自适应噪声总体集合经验模态分解方法实现近红外光谱信号的去噪;同时,根据原始信号曲率和分解后本征模态函数(IMFs)曲率间的离散弗雷歇距离选择相关模态。首先,将自适应噪声的总体集合经验模态分解方法引入近红外光谱去噪过程,介绍了经验模态分解、集合经验模态分解、互补集合经验模态分解及自适应噪声总体集合经验模态分解的基本原理及具体实现过程。然后,应用基于曲率和离散弗雷歇距离的自适应噪声总体集合经验模态分解改进算法对仿真信号和光谱信号进行去噪,并将其标准差和信噪比作为评价指标。实验结果表明:应用提出的方法得到的血糖浓度近红外光谱数据其标准差为0.179 4,信噪比为19.117 5dB,实现了信号与噪声的分离,改善了重构信号质量,具有良好的自适应性,可以有效识别并提取有用信息。     

基于变分模态分解的风机齿轮箱振动信号降噪方法研究

针对风机齿轮箱振动信号噪声对系统故障诊断产生干扰的问题,研究了对信号进行降噪处理的方法,提出了一种基于变分模态分析的方法.对数据进行了预处理,通过维纳滤波去除了采集信号中的噪声成分,利用了变分模态分解迭代寻找模型最优解,确定了各分量频率中心和带宽,实现了不同频率成分有效分离;采用了完全非递归分解模型,有效避免了经验模态...     

基于变分模态分解的风力发电机组轴承故障检测方法研究

为实现对轴承故障的精准检测,引进变分模态分解技术,以某风力发电机组为例,开展轴承故障检测方法的设计研究。先进行模态信号的转换,将处理后的信号与变分模态预估中心频率进行混合,将信号调制到与中心频率相匹配的基频带上,实现基于变分模态分解的采样模态信号带宽计算;根据风力发电机组轴承信号的变化周期、变化方式,提取异常信号峭度,将其作为风力发电机组轴承异常信号特征;提取轴承在常规运行条件下、内圈故障运行条件下、外圈故障运行条件下的振动信号序列,对采样信号进行VMD分解,将分解后的信号录入计算机与轴承运行信号进行适配,根据匹配结果,掌握轴承当前所处的工况与状态,以此实现风力发电机组轴承故障检测。对比实验结果表明,设计的方法可以在排除外界环境与相关因素干扰的条件下,实现对发电机组轴承故障信号的精准识别。     

基于变分模态分解的风电齿轮箱轴承故障诊断方法

双馈异步风力发电机采用变转速变桨距的控制策略以保持风力最大功率捕获,风电齿轮箱时刻处于变速变载的恶劣工况,其关键部件极易受到损伤.针对齿轮箱轴承故障特征易受到风机变工况干扰的问题,提出了一种变分模态分解与瑞利熵相结合的特征分析方法,实现对风电齿轮箱高速轴轴承健康状态系数的估计.本文以双馈异步风机齿轮箱高速轴轴承作为研究...     

条纹投影三维形貌测量的变分模态分解相位提取

针对条纹投影三维形貌测量涉及的相位提取,提出了一种基于变分模态分解的单幅条纹投影相位提取方法。通过建立变分模态分解模型和极小化变分模态分解将单幅投影条纹图分解成背景部分、条纹部分和噪声部分。然后对得到条纹部分进行Hilbert变换和反正切变换得到包裹相位;对其进行质量导向相位解包裹和Zernike多项式去载频得到解包裹相位。将该方法与Fourier变换、连续小波变换进行了对比,结果显示:本文提出的相位提取方法相位误差为3.14×10-4,小于Fourier变换和连续小波变换方法对应的误差3.30×10-4和6.52×10-4。模拟和实验结果表明:本文提出的方法在处理具有边缘信息投影条纹图时具有优势,能够提取出更准确的相位信息,可有效地用于含边缘不连续和突起的三维物体测量。     

基于小波除噪和经验模式分解的信号分析方法

经验模式分解是一种自适应分解算法。通过对常见信号的经验模式分解结果进行分析,发现信号中包含的噪声对分解结果影响较大。在此基础上,提出一种小波除噪与经验模式分解相结合的信号分析方法。该方法充分利用小波变换的降噪功能和经验模式分解的自适应分解能力,能真实地反映信号特征,为基于信号分析的故障诊断提供了一种可行的途径。     

改进二维变分模态分解的磁源分离

为了解决延拓法对不同深度磁源的磁测数据进行分离时,向上延拓高度确定困难以及延拓导致深源信号损失的缺点,提出了在延拓法的基础上利用二维变分模态分解对磁性目标进行分离。首先,利用最佳延拓高度估计法对磁测数据进行第一次分离,得到分离后的局部异常与区域异常数据;然后,利用二维变分模态分解对分离后的浅源局部异常进行第二次分离,该过程无需计算延拓高度,能够自动对不同频率的磁测数据进行分离;最后,利用该方法对不同深度磁源进行识别,通过将分离得到的磁异常Bz分量数据转化为磁梯度张量数据,实现了对不同深度磁源的磁梯度张量数据进行分离,获得对不同深度磁源的识别结果。实验结果表明实测中对小尺度磁性体组合磁源(高度差为26 cm)的分离数据与单目标观测数据的互相关系数在0.9664以上。相比传统的延拓分离方法,提出的方法的分离精度更高,抗干扰能力更强。     

基于改进小波阈值的激光陀螺漂移信号降噪

针对固定阈值法对激光陀螺漂移信号去除噪声会出现"过扼杀"小波系数的现象,提出一种称为E-median的小波阈值.信号进行平稳小波变换,计算各尺度高频小波系数的E-median阈值,采用软阈值法修正高频小波系数,通过平稳小波逆变换重构信号.对激光陀螺漂移仿真信号和实测信号去除噪声,该阈值均能保留原信号的特征并有效去除噪声...     

基于经验模态分解和Teager峭度的语音端点检测

采用经验模态分解和Teager峭度的统计特性对噪声环境下的语音信号端点进行检测。利用经验模态分解获得语音信号的本征模态函数,用Teager能量算子计算每个本征模态函数的瞬时能量,并对本征模态函数进行系数—峭度计算,提取信号期望的统计特征信息实现语音端点的检测。通过自适应EMD分解和Teager能量算子的处理,这种方法可以有效地消除白噪声或有色高斯噪声的影响。通过仿真例子说明这种方法可以取得良好的端点检测效果,仿真研究结果表明用经验模态分解和Teager峭度对噪声环境下的语音端点检测是可行的和有效的,提高了检测的可靠性。     

变分模式分解方法研究与应用综述

自适应信号分解领域一个十分活跃的分支——变分模式分解(VMD)已经成为信号处理与检测技术学界一个热门的研究方向。VMD对非平稳、非线性信号具有良好的处理效果。针对VMD模型及其参数选择,发展了许多拓展模型及参数优化方法。本文回顾近十年来VMD的研究进展,对相关的文献进行总结与分析。首先,分析VMD的原理性优势及其在各个领域的应用潜力;其次,根据模型对不同信号类型的匹配能力,分类总结VMD拓展模型的不同特性和适用场景;然后,归纳VMD及其拓展模型参数优化方法的研究现状,探讨与分析不同模型参数优化方法的特点和最新研究趋势;最后,对VMD的未来发展提出6点展望,为后续的研究指明方向。     

膏布药层厚度在线测量系统的应用研究

介绍了一种基于激光透射法的膏布药层厚度在线测量系统。对系统的测量原理、系统的结构框架、相应的硬件系统及软件系统都做了详尽的阐述。最后给出了测量结果分析,在线测量误差不超过0.1g,证明了该系统的可靠性和可行性,该系统的应用前景比较广阔。     

基于经验与变分混合分解的超声回波信号噪声消除方法

超声缺陷检测结果易受超声回波信号中复杂噪声的干扰,为了提高超声缺陷检测的准确度,提出一种基于混合分解的 超声回波信号噪声消除方法。 采用经验模态分解算法结合相关系数指标对超声回波信号进行预处理,得到消除低频噪声分量 的超声回波预处理信号。 基于变分模态分解将该预处理信号分解为一系列窄带本征模态函数,引入互信息指标估计变分模态 分解的最优模态数量,并根据窄带本征模态函数与预处理信号的相关系数提取有用的模态分量,实现对超声回波信号去噪结果 的重构。 通过仿真和实测超声回波信号验证了本文方法的去噪性能,并与现有方法进行了对比。 结果表明,本文方法可同时消 除超声回波信号中的高频和低频噪声,在不同信噪比条件下 EMD、VMD 和本文方法去噪结果的 SNR 均值分别为 10. 01、9. 48 和 16. 09 dB,验证了本文方法对于超声回波信号噪声消除的优越性。