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。     

壳段厚度激光检测信号的变分模态分解去噪

针对双激光位移传感器测量大型壳段厚度过程中噪声对检测精度的影响,提出利用变分模态分解来实现对厚度信号的自适应去噪,利用相邻固有模态函数之间的离散Hellinger距离来获取最佳的模态数。该方法将变分模态分解算法引入到激光信号的自适应滤波过程中,分析并改进了变分模态分解算法的过分解、欠分解以及能量泄露的问题。然后,对改进的变分模态分解与希伯特振动分解和自适应噪声总体集合经验模态分解进行性能对比,提出了固有模态函数的相对瞬时能量概率的概念。最后,结合离散Hellinger概率分布距离理论判断固有模态之间的信噪分界点,实现了对信号的重构及滤波处理。仿真和实验结果表明,该方法对壳段厚度信号处理的信噪比为39.27dB,比自适应噪声总体集合经验模态分解方法提高了10dB,具有良好的自适应性,无需先验条件便能快速有效地识别并分离激光信号中的噪声成分。     

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EMD的螺杆转子激光测量信号去噪算法研究

为去除螺杆转子激光测量信号中的噪声,提出一种EMD-β与改进小波阈值函数结合的去噪算法。首先利用经验模态分解(EMD)对螺杆转子的激光距离信号进行分解,用EMD-β寻找高频的固有模态函数(IMF),然后对高频的IMF进行改进小波阈值去噪,最后将去噪后的IMF和剩余的IMF进行信号重构得到去噪后的信号。经过仿真验证,此方法在激光距离信号的噪声去除中具有一定的使用价值。     

基于模糊间隔阈值EMD的微机械陀螺消噪

为了减小低成本微机电系统(MEMS)陀螺仪输出中的噪声,提出了一种经验模态分解(EMD)的模糊间隔阈值消噪方法。首先通过EMD将信号分解为多个本征模函数(IMF),并且IMF特性将这些IMF分为三类,即噪声主导IMF,混合噪声与信息的IMF,信息主导的IMF;对于混合噪声与信息的IMF,根据不同阈值的特性确定模糊阈值区域,并设置隶属度函数,根据IMF系数对应的隶属度值对IMF进行消噪处理;最后再将经过消噪处理的IMF与分解得到的信息主导的IMF进行重构,得到消噪信号。实验首先对一段模拟的"bump"信号进行消噪分析,然后在MEMS陀螺仪上进行验证,最后对此方法的消噪性能进行了Allan方差分析。实验结果表明,该方法能有效去除MEMS陀螺仪输出的噪声分量。静止状态下信号的信噪比提高了5.47dB,单轴匀速率旋转状态下信号的信噪比提高了2.64dB;陀螺信号的各项误差系数均有所降低。实现了陀螺仪输出中噪声与信号的分离,改善了信号质量,可以有效提取和识别出有用信息。     

基于ICEEMDAN-ACF的自适应MEMS陀螺信号去噪方法北大核心CSCD

针对基于EMD的MEMS陀螺信号去噪方法中存在模态混叠、Hurst指数筛选法和相关系数筛选法无法准确筛选含噪本征模态函数(IMF)的问题,提出一种基于改进自适应噪声完备集合经验模态分解-自相关函数(ICEEMDAN-ACF)的自适应MEMS陀螺信号去噪方法。首先使用ACF自适应阈值判断信号信噪比,对于包含低能量高频成分的低信噪比信号使用小波软阈值预降噪,之后使用ICEEMDAN算法将陀螺信号分解为多个IMF和一个余项,使用ACF自适应阈值筛选噪声主导IMF,剔除噪声主导IMF后重构陀螺信号。实验表明:文中改进算法在低、中、高信噪比条件下的去噪效果均优于小波软阈值法、EMD-Hurst指数法、EMD-相关系数法和EMD-ACF法。     

基于独立分量分析的EMD模态混叠消除方法研究

针对经验模态分解(empirical mode decomposition,EMD)算法中存在的模态混叠现象,提出一种应用独立分量分析进行模态混叠消除的新方法.首先应用形态学滤波方法将信号中的噪声予以消除,减少由于噪声因素造成的模态混叠现象.然后将信号进行EMD分解,获得不同的IMF分量,将存在模态混叠成分的IMF分量进行相空间重构,利用基于峭度最大化的独立分量分解算法实现混叠成分的分离,仿真分析和工程应用的结果表明,所提方法能有效地消除EMD分解过程中的模态混叠现象.     

基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。     

轴系轮廓重构信号的CEEMDAN—小波阈值去噪方法

针对轴系回转过程中动不平衡引起的位移误差信号含噪问题,提出自适应噪声完备集合经验模态分解(CEEMDAN)—小波阈值去噪的轴系轮廓重构模型。采用CEEMDAN对位移信号进行分解得到各阶本证模态函数(IMF),采用相关性分析提取含噪的IMF分量,并对其进行小波阈值去噪,与经验模态分析EMD—小波阈值去噪方法进行比较,最后将提纯后的信号进行重构。模拟仿真表明,去噪后的信号不仅保持了原有信号的特征,并且有效去除了噪声。将去噪后的信号输入到重构轮廓模型进行试验,结果表明,去噪后分离的单个截面回转误差准确度提高了0.05μm,圆度误差准确度提高了0.0703μm。     

基于CEEMD的滚动轴承振动信号自适应降噪方法

针对滚动轴承故障特征信号容易被噪声掩盖难以提取的问题,提出了基于互补集合经验模态分解(CEEMD)的滚动轴承振动信号自适应降噪方法。为了准确判定噪声分量和有用信号分量的分界点,在对振动信号进行CEEMD分解后,设计了依据信噪分量自相关函数的单边波峰宽度特性自适应地判定分界点的方法。为了保证重构信号的完整性,利用改进的小波阈值降噪方法提取低频IMF分量中的高频有效信息。实验分析表明,结合改进阈值函数的CEEMD自适应降噪方法能够有效地去除故障振动信号中夹杂的噪声,并且很好地保留了滚动轴承振动信号的突变细节,达到了不错的降噪效果。     

一种用于超声信号降噪的非凸变量重叠 群稀疏变分方法

粗大晶粒产生的大量散射噪声而导致的超声检测信号信噪比低问题是粗晶结构超声检测面临的一大难题。针对现有稀疏降噪方法在波形失真和幅值衰减方面的不足,本文提出了一种基于非凸变量重叠群稀疏变分的超声信号降噪方法。基于含散射噪声的典型超声信号,分析了非凸变量重叠群稀疏变分方法的主要参数(如非凸变量函数类型、正则化参数和乘法因子等)对其降噪效果的影响,并确定了适合超声信号降噪处理的参数选择依据。在此基础上,将非凸变量重叠群稀疏变分方法应用于典型钢锭超声检测信号的降噪处理。结果表明,该方法能够很好剔除钢锭超声检测信号中的散射噪声,提高了钢锭超声全聚焦成像的信噪比6 dB以上,研究工作为粗晶材料超声检测作了有益探索。     

超声探测弱信号提取方法

为了在超声检测中排除噪声干扰，从强噪声背景中提取弱回波信号，利用小波变换技术从超声探测信号中提取弱缺陷回波信号，建立了超声缺陷回波的数学模型，并进行了仿真实验，其特有的“变焦距”特性使得小波分析在时域和频域中具有良好的分析能力。结果表明，利用小波变换方法能够很好地抑制噪声，提高信噪比，提取强噪声背景中的弱回波信号，且该方法原理简单，易于实现，在工程上有较高的应用价值。     

Noise suppression and flaw detection of ultrasonic signals via empirical mode decomposition

In ultrasonic nondestructive testing, the precise detection of flaw echoes buried in backscattering noise caused by highly scattering materials is a problem of great importance. In this paper, a new signal decomposition method for analyzing nonstationary or nonlinear data, empirical mode decomposition, is proposed to deal with ultrasonic signals. A new denoising technique that combines empirical mode decomposition and filtering simultaneously in the time domain and frequency domain is designed to suppress noise and enhance flaw signals. Synthetic and experimental signals are denoised with this EMD-based filtering technique. Simulated results are presented and analyzed, showing that the proposed technique has an excellent performance even when the signal-to-noise ratio is very low (−23 dB). The improvement in flaw detection was experimentally verified on a pipeline sample with artificial flaws. The text was submitted by the authors in English.     

Adaptive noise cancellation based on EMD in water-supply pipeline leak detection

In water-supply pipeline leak detection and location, both the leak signals and blurred noises are closely related to the pipeline states and surroundings and most of the conventional noise-cancellation methods have to depend on the empirical parameters of either signals or noises. EMD (Empirical Mode Decomposition) is an adaptive signal decomposition method and is exclusive of base functions. A signal is decomposed into several IMFs (Intrinsic Mode Functions) in EMD, then the noise in a signal can be cancelled through removing uncorrelated IMFs. The existing EMD noise cancellation methods need to know the characteristics of either the wanted signal or the noise for rebuilding the noise-removed signal. However the characteristics of leak signals and noises are not fixed in various pipeline conditions, so the existing EMD noise cancellation methods can’t be directly applied in water-supply pipeline leak detection. This paper proposes an adaptive noise cancellation method based on EMD, in which the IMFs that don’t or less contain the components related to the leak can be removed through the cross-correlation between the IMFs and another signal collected at the either side of a suspect leak. In simulation analysis, the adaptive noise cancellation method can increase the SNRs (Signal to Noise Ratios) of leak signals as high as 16 dB. In processing practical pipeline vibro-acoustic signals, with the proposed method the peak of adaptive time delay estimate of leak signals, which determines the location of a leakage, becomes more distinguished, and thus the error of leakage location is improved.     

超声检测信号时频邻域自适应消噪技术

分析超声检测回波信号中噪声的组成和特性.考虑缺陷信号和噪声分量的分布差异,提出一种基于小波包变换时频邻域统计特征的自适应消噪方法.该方法根据噪声水平和邻域数据的方差,自动调节邻域数据对中心点值的平滑处理强度,从而达到自适应消噪目的.由于不存在参考信号和参数选择的问题,该方法稳健性好.仿真和实测信号的试验结果表明:该方法能有效提高信号的信噪比以及不同类型缺陷信号之间的可区分性,并抑制波形失真和信号的能量衰减.     

自适应改进双树复小波变换的齿轮箱故障诊断

针对双树复小波变换存在频率混叠以及参数需自定义的缺陷,提出自适应改进双树复小波变换的齿轮箱故障诊断方法。首先,利用双树复小波变换将信号进行分解和单支重构,采用粒子群算法将分解后分量峭度值作为适应度函数,选择双树复小波的最优分解层数;其次,对重构出的低频信号进行频谱分析提取故障特征,将单支重构后的各高频分量进行变分模态分解,通过峭度值获得各高频分量经变分模态分解后的主频率分量信号;最后,分析各主频率分量信号的频谱,识别齿轮箱的故障特征。结果表明,该方法与双树复小波变换和变分模态分解相比,不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且还提高了从强噪声环境中提取瞬态冲击特征的能力。     

基于循环提取有效信息的主轴承故障特征增强方法

针对航空发动机主轴承发生故障时特征信息提取不充分的问题,提出一种基于循环提取有效信息的主轴承故障特征增 强方法。 该方法首先对原始振动信号进行小波包分解,计算得到各个节点分量的相关系数值和峭度值,将其进行归一化融合为 一个综合参数 Pi;其次根据特征信息循环提取准则定义一个置信区间,该区间将所有节点分量划分为高信噪比信号、低信噪比 信号和高噪信号 3 个部分;然后不断筛选出高信噪比信号直至达到终止条件;最后重构所有高信噪比信号,并进行包络解调提 取出轴承微弱故障特征。 经仿真信号验证,去噪信号的信噪比相对于去噪前提升了 11. 31 dB。 基于航空发动机中介轴承模拟 试验台所测数据开展了特征信息循环提取方法有效性的综合验证,并对某型航空发动机主轴承振动信号进行了分析。 实践表 明:该方法适用于强背景噪声干扰工况下滚动轴承的特征提取,能准确诊断航空发动机主轴承故障。     

优化奇异谱分解方法在轴承故障诊断中的应用

奇异谱分解在处理强噪声信号时获得的模态分量可能包含期待频段之外的信息,会造成严重的模态混叠现象并影响分析效果,深入研究发现造成上述现象的原因是迭代过程中轨迹矩阵的嵌入维数设定不合理.在大量数据分析的基础上提出了一种优化的奇异谱分解方法(OSSD),以迭代过程中划分的频段及重构分量时特征向量的选择为依据确定新的参数并设定...