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。     

基于改进变分模态分解的液体密度测量中超声回波去噪方法（英文）

超声波液体密度测量回波中包含大量噪声,难以准确获取有效回波波形,导致密度测量精度不高。为此,提出了一种基于改进后变分模态分解（Variational mode decomposition,VMD）的回波信号去噪方法。由于传统VMD方法中分解层数难以确定,因此构造了中心频率相似因子作为判断准则来自适应选定VMD分解层数。首先,通过首次分解后的中心频率计算出相似因子,并根据相似因子选定VMD分解层数;其次,利用VMD算法将回波信号分解成若干个具有单一成分的模态分量,利用超声发射信号特点提取出有效回波成分;最后,通过分离所得的有效回波信号,提取回波波形及时间,由此计算出液体密度。实验结果表明,利用改进的VMD算法分解回波信号可以将有效回波信号的信噪比提高至20.64 dB,并准确获得时间、幅值等回波信号基本信息。与集合经验模态分解（Ensemble empirical mode decomposition, EEMD）相比,该方法可以有效地抑制模态混叠,并最大限度地保留信号的细节特征,提高液体密度测量的精度,密度测量精度可达满量程的0.21%。     

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14dB以上,相对原始方法提升了3dB,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...     

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。     

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。     

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。     

基于变分模态分解参数估计的滚动轴承故障信息提取方法

变分模态分解在信号分解精度和噪声鲁棒性方面具有明显优势,但需预先确定模态数K,而目前K只能靠先验知识进行预估,如果预估的K与实际信号存在差异,会导致分解误差较大。针对以上问题,利用EMD不需预先设定模态数的自适应分解特点,通过对EMD分解结果的分析,进行VMD分解模态数的估计,并通过仿真信号分析及滚动轴承故障信息提取,验证了所提出方法的可行性与有效性。     

一种非接触式显像管Z点检查机的设计与实现

本文介绍了一种采用小型激光测距传感器完成显像管Z点非接触自动测量系统的基本组成、定位装置设计原理,分析了设备的系统误差,并采用UML描述了显像管检查的控制流程.     

基于VMD的故障特征信号提取方法

变模式分解(variational mode decomposition,简称VMD)能够将多分量信号一次性分解成多个单分量调幅调频信号(variational intrinsic mode function,简称VIMF),但对噪声比较敏感。利用VMD对噪声的敏感特性,提出了一种基于VMD的降噪方法。利用排列熵定量确定VMD分解后各分量的含噪程度,对高噪分量直接剔除,对低噪分量进行Savitzky-Golay平滑处理,然后重构信号。运用该方法降噪后,对重构信号进行变模式分解,能够有效提取故障特征信号。仿真和实例分析表明,基于VMD的降噪方法的降噪效果优于小波变换降噪方法,VMD能有效提取故障特征信号。     

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。     

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。     

基于VMD-HHT边际谱的水工结构损伤诊断

为了准确识别水工结构的损伤,提出一种变分模态分解(variational mode decomposition,简称VMD)和Hilbert-Huang变换(Hilbert-Huang transform,简称HHT)边际谱相结合的水工结构损伤诊断方法。首先,采用联合的小波阈值和经验模态分解(empirical mode decomposition,简称EMD)降噪方法对原始信号进行降噪,减小环境噪声对结构损伤特征信息的干扰;其次,运用方差贡献率数据融合算法对降噪后各测点信号进行动态融合,提取结构完整的振动特性信息;然后,采用VMD方法将动态融合信号分解为一系列固态模量(intrinsic mode function,简称IMF),对各IMF分量进行Hilbert变换,求出融合信号的边际谱;最后,在VMD边际谱的基础上提取一种新的损伤特征向量-损伤灵敏指数,将其与马氏距离相结合对水工结构的损伤类型进行分类,并将该方法应用于悬臂梁模型试验。结果表明:该方法能够有效提取水工结构的损伤特性,准确识别水工结构的损伤和运行状态,为水工结构的安全运行提供了基础。     

基于逐次变分模态分解的液压轴向柱塞泵故障特征提取方法

当液压轴向柱塞泵关键摩擦副出现故障时,其振动信号会出现调制现象,振动信号中的故障调制特征与特定的故障类型形成对应关系,通过信号分解可以从振动信号中提取出故障特征,进而用于故障诊断。以液压轴向柱塞泵为研究对象,利用变分模态分解和逐次变分模态分解分别对不同的仿真信号在含噪的情况下进行分解重构,综合对比了两种算法在分解性能方面的差异;最后将两种算法用于实测振动信号的故障特征提取中。结果表明:两种算法均适用于液压轴向柱塞泵的故障特征提取;逐次变分模态分解能更精确地重构出与柱塞泵故障高度相关的有效分量;变分模态分解提取到的有效分量幅值衰减更小,对微弱故障特征更加敏感。     

分布式机电系统边缘节点信号预处理方法及应用设计

为提高分布式机电系统边缘节点对本地数据过滤和分析的效率及准确性,提出了一种基于最优变分模式分解(Optimal variational mode decomposition,OVMD)的信号预处理方法.首先,利用一阶差分方法有效消除了原始信号中的奇异点,随之利用最优变分模态分解方法对信号进行模态分解,然后进行相关分析,确定各模式与原始信号的相关程度,从而从噪声信号中准确分离出真实的工作信号.在理论与仿真分析基础上,设计开发了分布式机电系统边缘节点预处理系统,并采用信噪比及均方根误差指标评价信号预处理效果.实验结果表明,该机电信号预处理方法及设计的边缘节点预处理系统能够提取不同特征的信号,提高重构信号信噪比,具有较高的保真性和可靠性,为后续系统健康监测、故障诊断等工作提供了数据保障.