提升EEMD降噪方法及制冷机轴承故障诊断应用研究

针对制冷机轴承振动信号被复杂干扰淹没,难以提取有效特征问题,提出一种提升总体经验模态分解(EEMD)的轴承振动信号降噪方法。首先,利用小波包精细分解特性,基于白噪声检验原理提取第一个IMF分量中有用信号;然后,利用噪声和信号主导的本征模态分量(IMFs)与原始信号互相关系数差异巨大的特性,对分解后的IMFs进行区分,分别使用小波包浮动阈值方法和SG滤波算法提取高、低频分量的有用信号,克服了传统EEMD降噪时信号失真、IMFs选择的难题。为了验证方法的有效性,进行了数字仿真与制冷机轴承振动信号应用验证分析,结果表明,所提方法基于一种精细的决策处理方法,可以将淹没在复杂干扰中的有用特征提取出来,为制冷机轴承状态监测提供有效的预处理手段。     

基于小波自适应阈值滤波的VMD降噪方法

本文提出了一种基于小波自适应阈值滤波的可变分模式分解（VMD）降噪方法。该方法降噪过程为：先将含噪声信号进行VMD分解,进而将VMD分解分量中含大部分噪声的高频模态分量进行小波自适应阈值滤波降噪,滤波降噪后的分量与其他模态分量重构降噪信号。三个实例表明：所提方法能有效减低信号噪声,适应性广。 关键字：可变分模式分解（VMD）;小波变换; 自适应阈值     

基于改进经验模态分解和谱峭度法的变压器振动故障特征提取

针对变压器振动故障信号易被强背景噪声掩盖的特点,提出基于改进经验模态分解(empirical mode decomposition,EMD)与谱峭度法的变压器振动故障特征提取方法。首先利用EMD方法分解原振动故障信号得到一系列本征模态函数(intrinsic mode function,IMF)分量后,采用能量矩占比和方差贡献率相结合的方法对采样信号进行EMD降噪处理,消除EMD中的虚假分量;然后利用重构算法提取真实IMF分量,运用谱峭度法提取振动故障特征频率;最后以模拟工程实际信号为例,采用MATLAB仿真验证了该变压器振动故障特征提取方法的有效性。     

矿用永磁直驱电机异响声信号降噪方法研究

针对矿用永磁直驱电机异响声信号噪声干扰大,有用信号被噪声淹没难以提取的问题,提出一种融合改进VMD与小波软阈值的降噪方法。首先,利用粒子群算法优化变分模态分解算法得到分解层数k和惩罚因子α的最优参数组合,基于最优参数组合分解获得矿用永磁直驱电机异响声信号k个本征模态分量(IMF)。其次,利用加权裕度指标筛选出有效信号分量和需进一步分解的含噪分量,基于小波软阈值对含噪分量进一步降噪。最后,将有效信号分量与小波软阈值降噪后的分量重构得到最终降噪信号。应用此方法分别对仿真信号和矿用永磁直驱电机异响声信号降噪,并与其他方法对比。试验结果表明,该方法能将仿真信号信噪比提升至27.524 7 dB,均方根误差降低至0.085 5,实测信号信噪比提升至34.715 3 dB,均方根误差降低至0.006 7,降噪效果较好,为后续的故障特征提取与故障诊断工作提供数据基础。     

基于CEEMD和FastICA的滚动轴承故障诊断研究

由于滚动轴承振动信号易受噪声干扰的影响、故障特征提取较为困难。为此,提出了一种基于互补集合经验模态分解(CEEMD)和快速独立分量分析(Fast ICA)的轴承故障特征提取方法。该方法首先利用CEEMD算法将原故障振动信号进行分解运算,得到一系列模态分量(IMF);然后依据峭度准则选取一些模态分量来完成观测信号的重构,剩余其他的模态分量完成虚拟噪声通道信号的重构;再利用Fast ICA方法对重构信号进行降噪;引入Teager能量算子(TKEO)对降噪后的信号进行解调处理;最后对解调后的信号进行快速傅里叶变换(FFT)运算,分析变换后信号的频谱特征,提取出原信号的故障特征频率。将该方法应用到滚动轴承故障实际数据中,实验结果表明,该方法可以有效提取出滚动轴承故障的基频和倍频特征信息。     

基于CEEMDAN与改进小波阈值的电缆局部放电信号降噪方法

对检测到的电缆局部放电信号降噪是实现电缆绝缘诊断与评估的前提,为此提出一种基于自适应噪声的完备集合经验模态分解(CEEMDAN)与改进小波阈值的电缆局部放电信号降噪方法。首先,采用CEEMDAN算法将染噪局部放电信号进行分解,得到数个模态分量;然后,计算模态分量的峭度值,筛选出有效特征分量并重构;最后,将重构信号通过改进小波阈值法再次降噪去除冗余噪声,得到降噪后的局部放电信号。将该方法、传统小波阈值法及集合经验模态分解与改进小波阈值法分别用于不同噪声强度下局部放电仿真信号的降噪处理,结果表明该方法具有更高的信噪比与波形相似系数,能有效抑制周期性窄带干扰与白噪声。     

结合奇异值分解与最小描述长度准则的变压器极化电流数据去噪方法

现场测量变压器极化电流受噪声干扰造成测量精度偏低,为消除噪声干扰,本文提出一种奇异值分解(SVD)结合最小描述长度准则(MDL)的信号去噪算法.利用测量数据构建Hankel矩阵并进行奇异值分解,将信号分解为有用分量与无用分量的线性叠加,再利用MDL确定信号与噪声的界限,提取有用分量重构信号.对变压器极化电流的仿真和实测数据表明,利用MDL能有效区分有用分量与噪声,去噪数据趋势完整,噪声得到有效去除.与小波硬、软阈值去噪结果对比,信噪比最大可提高12.61dB,方均根误差最大可减小47％.     

基于VMD的电力电缆局部放电信号自适应阈值降噪方法

局部放电(Partial Discharge, PD)用于高压电缆在线监测时,采集到的信号包含多种噪声,白噪声是最常见、影响最广泛的一种。为了抑制白噪声的影响,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)的局部放电信号降噪方法。采用变分模态分解对含噪局部放电信号进行分解,得到频率从低到高的模态分量后,计算各个变分模态分量的峭度值,选取脉冲特征分量进行重构,利用小波自适应阈值对重构信号再次降噪。与小波变换阈值法对比在不同噪声环境下的降噪结果,结果从均方误差、波形相似系数定量优于小波标准软阈值降噪法和小波全局硬阈值降噪法。仿真和现场实验结果表明,该方法可以有效去除噪声信号,能够较为完整地保留原始信号波形。     

基于EMD连续几何分布的水电机组振动信号降噪

考虑到水电机组在电力系统中更多的承担调峰、调频、备用等任务,开展复杂工况下的机组振动信号降噪算法研究对早期故障辨识和电网稳定运行意义重大。因此,本文提出了一种基于经验模态分解连续几何分布相似性的水电机组振动信号降噪算法。首先,对经验模态分解筛分得到的不同固有模态分量进行重构,并利用非参数核密度估计理论对不同分量重构信号的概率密度函数进行拟合。其次,引入豪斯多夫距离建立概率密度函数几何分布之间的相似性评价指标,并根据豪斯多夫距离的变化趋势实现水电机组振动故障信号分量与噪声分量之间的最优界定。最后通过仿真实验和工程实例对算法的可行性进行了验证。结果表明所提出算法对于低信噪比下的水电机组振动信号有着良好的降噪效果。     

基于经验小波变换的变压器振动信号特征提取

为有效提取变压器振动信号特征,提出了一种基于经验小波变换(EWT)的信号特征提取方法。首先利用EWT方法将不同工况的变压器振动信号分别分解为若干经验小波函数(EWF)分量;然后计算各分量Hilbert谱,通过时频表示直观反映不同工况变压器振动信号的频率特征信息;最后计算不同工况振动信号各EWF分量与原信号的相关系数,并提取相关度高的分量,根据其能量构建信号的特征矢量,实现对不同工况变压器振动信号特征提取的量化处理。仿真试验表明,该方法能有效提取变压器振动信号特征,且根据提取的特征矢量能够正确识别变压器绕组所属的不同工况。     

EEMD在超宽带雷达生命信号提取中的应用

超宽带生命探测雷达回波信号具有非线性、非平稳特性,由于心跳信号能量较弱,且受到呼吸谐波的干扰,传统的数字滤波方法无法有效地提取心跳信号。鉴于此采用一种从时域上提取生命信号的新方法。应用聚类经验模式分解(EEMD)将生命信号分解成有限个固有模态函数(IMF),再依据模式判别准则从时域上重构呼吸和心跳信号。实验结果表明,相比于经验模式分解(EMD),EEMD能有效提取呼吸信号和心跳信号。     

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。     

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。     

基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法

为实现滚动轴承故障的精确诊断,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)与峭度准则的包络解调方法。该方法首先利用EEMD将振动信号分解,然后利用峭度最大准则选取EEMD分解后的本征模函数(intrinsic mode function,IMF),将该本征模函数进行包络解调从而获得滚动轴承的故障特征信息。该方法可以有效抑制经验模态分解(empirical mode decomposition,EMD)中的模态混叠问题,同时还避免了共振解调方法中中心频率及滤波频带的选取,具有良好的自适应性。利用该包络解调方法对实际滚动轴承发生内圈、外圈故障进行了分析,证明了该方法可以有效地提取滚动轴承故障特征信息,能够实现滚动轴承故障的精确诊断。     

基于CEEMDAN与Teager能量算子的谐波检测方法

针对现有的电力系统谐波信号检测方法精度不高的问题,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)和Teager能量算子的谐波检测新方法。首先利用CEEMDAN对谐波信号进行分解,获得不同局部特征时间尺度的固有模态函数(IMF)分量。其次,通过改进的EEMD去噪方法和相关性判据方法分别去除噪声分量和虚假分量得到真实的谐波分量。最后利用Teager能量算子计算出谐波分量的瞬时幅值和瞬时频率,可以准确地获得谐波信号的能量谱信息。该方法充分利用了CEEMDAN的局部自适应性与Teager能量算子的快速响应特点,通过EMD、EEMD和CEEMDAN分别与Teager能量算子相结合的方法进行谐波检测。对比检测结果不仅表明了该方法具有较高的检测精度,而且验证了所提方法的可行性和有效性。     

一种改进阈值函数与EMD结合的轴承故障诊断方法

在电机的振动信号中,若电机轴承发生故障,则故障通过一种周期性的循环冲击形式表现出来,而且通常伴随有噪声干扰在这里面,所以提取这个轴承的故障特征会变得困难。正文提出一种新的过滤噪声方法,该方法基于新的自适应阈值的改进阈值函数,可以滤掉小波分解细尺度上的噪声,并且细节系数此时也可以很大限度地保留下来,最终,噪声也在宽尺度上被高效地过滤掉。若将滤除噪声后的信号做EMD处理,并且在选取IMF时,根据互相关系数结合峭度准则可以排除IMF分量在选择时候的无目的性。通过对仿真结果的分析,轴承故障能通过这种方法快速准确地检测出来,最终证明了这个方法的有效性。     

基于MEEMD与MP的电网低频振荡模态识别

针对目前电力系统低频振荡模态辨识的精确性和抗干扰性问题,提出了一种基于改进集合经验模态分解方法与矩阵束的电网低频振荡模态特征辨识新方法。首先利用改进集合经验模态分解方法将采集到的量测信号分解,从而获得若干个IMF分量序列及其残余量,再将剩余项去除后把其余本征模态函数进行重构,最后把重构信号通过矩阵束的分析来获知各个振荡模式信息。数值信号和EPRI-36节点系统的仿真验证了所提方法的有效性。     

基于CMF-EEMD的风电齿轮箱多故障特征提取

针对EMD(empirical mode decomposition)模态混叠现象和由于所添加白噪声幅值单一而影响EEMD(ensemble empirical mode decomposition)分解精度等问题,提出了一种新的信号处理方法CMF-EEMD。CMF(combined mode function)将EMD分解得到敏感的IMFs按高低频进行组合,形成两个包含高低频的本征模态函数Ch和CL,然后通过添加不同的白噪声幅值对Ch和CL分别进行EEMD分解,最后对敏感的IMFs进行循环自相关函数解调分析。将提出方法应用于仿真信号和风力齿轮箱试验台的振动信号,成功提取了多故障特征频率,验证了此方法的有效性。并通过与添加单一白噪声幅值进行对比分析,凸显此方法具有更高的分解精度。     

基于EEMD和特征降维的非侵入式负荷分解方法研究

针对现有非侵入式居民用电负荷监测缺乏对独立负荷完整、全面的分解方法,导致用电信息的完整性得不到保证的不足,提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)和Pearson-PCA改进的盲源分离算法。首先,利用EEMD对总功率信号分解,以消除经验模态在分解过程中易出现模态混叠的现象,并得到一系列本征模函数(IMF)。然后,结合Pearson相关系数和PCA,提出Pearson-PCA改进算法对IMF进行降维,剔除相关性较弱的IMF分量,以及估计源信号数目。其次,运用快速独立分量分析(Fast Independent Component Analysis, FastICA)对降维后的IMF进行分解,计算得出源功率信号。最后,将提出的改进算法应用于非侵入式居民用电负荷分解问题,采用能量分解数据集(Reference Energy Disaggregation Data, REDD)进行实验仿真。实验结果表明：在不同用电场景下,提出的改进算法均具有较好的分解效果。