基于总体平均经验模态分解算法的自适应改进

目前较为广泛使用的总体平均经验模态分解算法(EEMD)不能实现桥梁结构响应信号的自适应分解和重构,基于此,针对EEMD算法的不足,提出了能够实现桥梁结构响应信号自适应分解与重构的改进算法:首先引入自适应极值点匹配延拓算法以抑制端点效应;再对分解信号进行聚类分析以避免模态混叠现象;最后利用各本征模态函数(IMF)对应的信息熵、能量密度和平均周期构建筛选有效IMF分量的指标(有效程度系数),以实现有效IMF分量的自动筛选,再利用筛选出的有效分量对桥梁结构响应信号进行重构。模拟信号和简支梁桥仿真算例表明,所提改进算法能够更有效、更准确的实现桥梁结构响应信号的自适应分解与重构。     

基于改进EEMD算法的桥梁结构响应信号模态分解研究

随着桥梁健康监测系统在桥梁结构上的不断运用,桥梁响应信号预处理的重要性也越发凸显。基于此,分析桥梁响应信号的基本特征,以便选取最佳的信号分解算法-集合经验模态分解;接着分解算法的两弊端:模态混叠现象和有效本征模态函数的筛选;提出了在分解过程中嵌入多元统计学中的"解相关算法"和"谱系聚类"以保证分解所得本征模态函数间满足全局正交性,避免模态混叠现象;同时构建了用于筛选有效本征模态函数的新指标以实现其智能化筛选。该研究分别以仿真信号和实际斜拉桥响应信号为研究对象进行信号的模态分解,并对比分析所得结果。结果表明,所提改进算法能有效改善集合经验模态分解算法存在的问题,同时该算法不仅能运用于仿真信号还能运用于实际桥梁振动信号,且分解结果具有可靠性。     

基于EEMD的多尺度模糊熵的齿轮故障诊断

为准确利用振动信号进行故障诊断,提出基于EEMD多尺度模糊熵的齿轮故障诊断方法。利用集合经验模态分解(EEMD)对振动信号进行自适应分解,获得原始信号的不同尺度分量;据模糊熵能有效区分不同信号的复杂度,计算EEMD分解所得本征模态函数(IMF)分量模糊熵,获得原始信号多个尺度的复杂测度作为齿轮不同状态的特征参数;将该特征参数输入最小二乘支持向量机(LS-SVM)分类器判断齿轮故障。齿轮箱齿轮故障实验结果表明,该方法能提高齿轮故障诊断精度。     

基于CEEMD和小波包阈值的组合降噪及泄流结构的模态识别方法

水流荷载激励下,泄流结构模态识别的实测振动信号常受噪声干扰。以往EEMD算法有添加白噪声造成非标准IMF导致的模态分裂问题及IMF有噪声残余不能完整重构信号的完备性问题。而完备总体经验模态分解(CEEMD)法,通过在信号分解的每一层面添加特定高斯白噪声,利用分解后第一阶分量加总平均得到唯一余量计算固有模态函数,克服了EEMD的缺点;同时提出CEEMD与小波包阈值结合的组合降噪方法,运用到向家坝水弹性模型实测振动信号降噪中,验证了该组合方法降噪的有效性;为了提高带噪振动响应模态识别的精度,基于数据相关技术,利用Markov参数构造相关矩阵R,用该相关矩阵重构Hankel矩阵后SVD分解得到系统最小实现,即数据相关特征系统实现法(ERA/DC)。将滤波降噪结合模态识别的整套方法,应用到锦屏一级拱坝的泄流实测振动响应中,得到了较好的应用效果。     

基于EEMD的振动信号自适应降噪方法

摘 要：应用集合经验模式分解（Ensemble empirical mode decomposition ,EEMD）能有效抑制模态混叠的特性,根据白噪声经经验模式分解（Empirical mode decomposition, EMD）后其固有模式函数（intrinsic mode functions ,IMF）分量的能量密度与其平均周期的乘积为一常量这一特点设计了自动选择IMF分量重构信号的算法,提出了基于EEMD的振动信号自适应降噪方法。对仿真信号和滚动轴承振动信号的降噪结果表明了该降噪方法的可行性和有效性。     

基于EEMD的改进小波阈值算法在超声水表中的应用EI北大核心CSCD

针对超声水表在实际工作环境中容易受到噪声干扰从而导致计量精度下降的问题,提出了基于集合经验模态分解(EEMD)的改进小波阈值降噪算法。为了提高降噪效果,对小波阈值降噪算法进行了改进,构造了非线性阈值函数取代传统阈值函数,同时给出了一种分解尺度选择的方法。利用EEMD将流速信号分解为一系列的本征模态函数,通过改进小波阈值降噪算法对本征模态函数进行降噪处理,去除其中的噪声分量,为了验证该算法的适用性,将其与小波阈值降噪算法和时空滤波分析方法进行了比较。试验结果表明,以超声水表流速信号为降噪对象时,基于EEMD的改进小波阈值降噪算法具有较好的降噪效果。     

基于EEMD的立管涡激振动响应最优降噪光滑模型参数识别研究EI北大核心CSCD

深水海洋立管因受到海洋环境的影响产生涡激振动现象,长期的涡激振动易导致立管产生疲劳破坏。为了获得真实的涡激振动特性,进行海洋立管涡激振动试验并对测试信号进行总体平均经验模态(EEMD)分解。基于分解得到的本征模态函数建立滤波算法,考虑曲线光滑度和重构信号与实测信号相似度,确立最优降噪光滑模型区间,依据存在度确定有效本征模态函数以及最优降噪光滑模型,优化目标函数。从相关度、频谱分析、能量谱分析3个角度出发进行合成信号仿真识别,并验证了算法的准确性。结果表明:构建的最优降噪光滑模型得到的有效本征模态函数,与原始信号频率成分相关系数最高,达到0.96以上,且频率对应相等;其能量占原始信号总能量的97.98%。涡激振动试验结果表明,建立的最优降噪光滑模型确定的有效本征模态函数包含顺流向、横流向振动信息,且顺流向主频是横流向频率的2倍。     

基于改进小波阈值降噪的滚动轴承故障诊断方法

针对滚动轴承早期故障信号存在大量噪声使得提取故障特征困难的问题,提出了一种基于新改进小波阈值的降噪方法。该方法是通过采用互补集合经验模态分解（CEEMD）方法将原始故障信号进行分解,得出各阶本征模态函数（IMF）分量;选取关键的IMF分量进行重构信号,将重构信号经过新改进小波阈值算法和快速谱峭度进行滤波降噪;进行Hilbert包络解调,得出滚动轴承的故障特征频率。分别用仿真噪声信号和滚动轴承的实验信号对该方法进行验证,并将新改进小波阈值算法与传统的小波硬阈值和小波软阈值算法进行比较分析,结果表明该方法可以有效提高故障信号的信噪比,降噪效果明显,能有效获得滚动轴承的故障特征频率。     

桥梁GNSS-RTK变形监测数据的CEEMDAN-WT联合降噪法

在桥梁GNSS-RTK变形监测中,监测信号会被多路径噪声误差所影响。针对上述问题,提出了自适应经验模态分解(CEEMDAN)和小波变换(WT)相结合的方法对桥梁GNSS-RTK监测数据进行降噪处理。采用CEEMDAN对振动响应进行分解得到本征模态函数(IMFs),利用相关系数鉴别出有效的IMFs,同时利用WT中的不同小波基对其余噪声与信号共存的IMFs进行阈值降噪,最后对信号进行重组。通过对模拟试验和基于GNSS-RTK的海河斜拉桥实测数据进行处理,结果表明,CEEMDAN相比于EEMD能有效解决模态混叠问题,CEEMDAN与WT相结合的方法对桥梁监测数据具有良好的降噪效果,能成功提取到桥梁真实位移信息。     

基于EEMD降噪和1.5维能量谱的滚动轴承故障诊断研究

将1.5维谱分析和Teager能量算子相结合,提出了1.5维能量谱的分析方法,并针对滚动轴承故障诊断问题,从提高故障信号信噪比的角度出发,提出基于EEMD降噪和1.5维能量谱的故障诊断新方法。该方法首先对故障信号进行聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)运算,得到一组本征模态函数(Intrinsic Mode Function,IMF)分量后运用相关系数-峭度准则对其进行筛选,并利用筛选出的IMF分量重构信号,最后计算重构信号的1.5维能量谱,从而获得轴承故障特征频率信息。利用该方法对滚动轴承内圈故障的模拟数据以及实测数据分别进行分析,诊断结果令人满意。     

基于EEMD与FCM聚类的自动机故障诊断

针对自动机使用中常见的故障检测与识别问题,考虑到自动机振动响应信号非线性、短时、瞬态和冲击特性,提出基于聚合经验模态分解(EEMD)和模糊C均值(FCM)聚类结合的自动机故障诊断方法。首先,使用EEMD分解方法对自动机的振动信号进行分解,结合相关系数提取前5个固有模态函数(IMF)分量的能量百分比作为特征值,再用模糊C均值聚类对特征值进行聚类分析。通过对自动机不同工况分别用EEMD和EMD方法进行故障分类识别对比,结果表明:所有样本的诊断结果与实际情况基本符合,证明EEMD法有更好的分类效果,分类正确率达93.75%。从而验证该方法能有效应用在自动机故障诊断中。     

基于自适应VMD-MPE算法的矿山爆破地震波信号降噪方法研究

实测矿山爆破地震波信号含有大量高频噪声,一定程度上掩盖了真实信号特征,不利于爆破有害效应分析。为了有效降低实测信号的噪声成分,提出了基于自适应VMD-MPE算法的矿山爆破地震波信号降噪方法。将原信号进行变分模态分解(intrinsic mode function, VMD)获得本征模态函数(variational mode decomposition, IMF),利用能量差参数ξ自适应确定模态数K,对IMF分量进行多尺度排列熵(multi-scale permutation entropy, MPE)的随机性检测,准确区分出真实IMF和噪声IMF,去除原信号中的噪声IMF以达到降噪目的。对3组实测矿山爆破地震波信号进行降噪处理,结果表明该模型能够较好地去除高频噪声,保留了信号真实成分;其降噪效果均优于EEMD-MPE、CEEMDAN-MPE算法,验证了自适应VMD-MPE降噪方法的有效性。     

基于CEEMD和GG聚类的电能质量扰动识别

提出一种基于完备总体经验模态分解(complete ensemble empirical mode decomposition,CEEMD)和GG(gath-geva)聚类的电能质量扰动识别方法。CEEMD是一种对EEMD(ensemble empirical mode decomposition)的改进算法,其特点是向原始信号中以正负成对的形式加入白噪声,有利于减少重构信号中残余的辅助噪声;且在分解的每一个阶段都加入特殊噪声,计算一个唯一残差以得到每个IMF,因此分解的结果是完整的,优于EEMD。CEEMD不仅有效解决了EEMD的模态混叠的问题,同时也保留了EEMD处理非平稳信号的优势,再将CEEMD 分解的IMF分量的互近似熵值作为特征向量输入到GG模糊分类器中进行电能扰动的分类识别。为了验证该方法的有效性,进行了仿真和实测实验,结果表明,该方法有较好的频谱分离效果,且仅需要较少的迭代次数,减轻了计算成本。     

一种改进的集合平均经验模态分解去噪方法

针对现有非平稳信号去噪处理中的难点,提出一种改进的基于集合平均经验模态分解（EEMD）去噪方法,该方法根据本征模态函数（IMF）能量从被测信号中估计出噪声,使用估计的噪声代替EEMD方法中添加的噪声,最后将集合平均IMF分量累加得到去噪信号。使用相关性判据剔除了EMD分解产生的伪IMF分量,改进了噪声估计方法。仿真表明,改进的方法能够对调幅调频含噪信号进行有效的去噪处理。     

基于EEMD降噪和FFT的转子故障振动分析

针对转子产生故障时的振动信号受噪声干扰大、故障特征不明显这一难题,提出基于集合经验模式分解(EEMD)降噪和傅里叶变换(FFT)的转子振动信号分析方法。首先利用EEMD方法将原始故障信号分解成若干本征模态分量(IMF),然后计算各分量与原始信号之间的相关系数,筛选出有用分量并进行信号重构。最后对重构信号进行傅里叶变换(FFT)得到振动信号的特征频率。数值模拟和实验结果证明该方法的有效性和实用性。     

基于参数自寻优变分模态分解的信号降噪方法EI北大核心CSCD

针对滚动轴承故障信号具有非线性、非平稳、噪声强的特点,提出了一种基于参数自寻优变分模态分解(variational modal decomposition,VMD)的信号降噪方法。以模态复合熵作为适应度函数,采用改进粒子群算法进行VMD参数自适应寻优,确定变分模态分解最优模态数K和二次惩罚因子α;基于最优K和α,对原始信号进行VMD分解,得到K个本征模态函数(intrinsic mode function,IMF)分量;利用相关系数筛选法,进行模态分量的有效模态和含噪模态识别,利用小波阈值去噪方法对含噪模态进行去噪处理;将有效模态与去噪后的模态进行重构,实现信号降噪。分别用滚动轴承故障仿真信号和试验信号进行验证,并与EMD降噪方法进行比较,结果表明该方法可有效提高故障信号的信噪比,降噪效果明显,有利于滚动轴承故障特征的提取。     

改进EEMD方法及混沌降噪应用研究

在总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)降噪过程中,对本征模态分量(Intrinsic Mode Function,IMF)的有效处理一直是影响降噪效果的关键。为此,提出一种基于改进EEMD的去噪方法。基于“3σ”法则和奇异值分解(Singular Value Decomposition,SVD)提取第一个IMF分量中有用信号细节。利用连续均方误差准则对剩余IMF分量进行高低频区分,分别使用SVD和S-G算法提取高低频分量的有用信号,可以有效避免了高频部分有用信号的流失,同时剔除低频分量中的部分噪声,克服了EEMD去噪时IMFs难以有效处理的不足。为了验证该方法的有效性,进行了数字仿真与双势阱混沌振动试验,结果表明,该方法的降噪效果优于小波加权和EEMD去噪方法。     

基于STA/LTA改进的CEEMD-SVD微震信号降噪算法

针对煤矿井下工作环境复杂,采集到的微震信号包含大量噪声信号,严重影响对微震信号的拾取、定位和反演。采用互补集合经验模态分解(complementary set empirical mode decomposition, CEEMD)联合奇异值分解(singular value decomposition, SVD)与长短时窗法(STA/LTA)相结合的降噪算法。利用CEEMD分解微震信号,得到固有模态分量(inherent modal component, IMF),依据相关系数确定噪声主导的IMF和信号主导的IMF,通过STA/LTA去除CEEMD产生的伪分量。对噪声主导的分量进行SVD分解降噪后与信号主导的分量及剩余分量重构得到降噪后信号。加入模拟噪声信号与实际采集的微震信号进行仿真实验,结果表明本文算法在保证小剩余噪声干扰的情况下,可以节省计算时间。通过与经验模态分解(empirical mode decomposition, EMD)、聚合经验模态分解(ensemble empirical mode decomposition, EEMD)及新型自适应聚合经验模态分解(nove...     

改进EEMD方法及混沌降噪应用研究EI北大核心CSCD

在总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)降噪过程中,对本征模态分量(Intrinsic Mode Function,IMF)的有效处理一直是影响降噪效果的关键。为此,提出一种基于改进EEMD的去噪方法。基于"3σ"法则和奇异值分解(Singular Value Decomposition,SVD)提取第一个IMF分量中有用信号细节。利用连续均方误差准则对剩余IMF分量进行高低频区分,分别使用SVD和S-G算法提取高低频分量的有用信号,可以有效避免了高频部分有用信号的流失,同时剔除低频分量中的部分噪声,克服了EEMD去噪时IMFs难以有效处理的不足。为了验证该方法的有效性,进行了数字仿真与双势阱混沌振动试验,结果表明,该方法的降噪效果优于小波加权和EEMD去噪方法。     

基于EEMD和分层阈值的磁记忆信号降噪方法研究

针对现有缺陷管道的磁记忆信号降噪效果不佳及信号完整性鲜有考虑等问题,提出了基于总体平均经验模态分解（ensemble empirical mode decomposition,EEMD）和分层阈值的磁记忆信号降噪方法。首先,设计了以STM32F407为控制核心的金属磁记忆检测系统,用于采集缺陷管道的磁信号;然后,对磁信号进行EEMD预处理,得到其本征模函数（intrinsic mode function, IMF）分量,并根据频谱分析和相似度计算选择最佳分解层数;最后,利用分层阈值降噪算法重构在最佳分解层数下的IMF分量,得到降噪后的信号。通过仿真分析和实验测试,对EEMD分层阈值降噪方法进行定量评价。结果表明：该方法适用于信噪比较小的含噪信号;与小波阈值降噪方法相比,其降噪后信号的信噪比和平滑度较高,均方根误差较小,缺陷特征信号完整,可更直观地显示缺陷位置。研究结果为金属管道磁信号降噪提供了一种切实可行的方法,为管道缺陷的在线检测奠定了基础。