一种用CEEMDAN和排列熵去除脉搏信号噪声的方法

为去除脉搏信号中的噪声,提出了一种将自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和排列熵(permutation entropy,PE)相结合的方法。首先由HK-2000C脉搏信号传感器采集信号,对采集的脉搏信号用CEEMDAN得到一系列的本征模态分量(intrinsic mode function,IMF);然后计算各个本征模态分量的排列熵值,根据排列熵值选定阈值,确定并处理代表噪声的本征模态分量;最后对处理后的模态分量进行重构,从而消除脉搏信号中的噪声。实验结果表明,与经验模态分解(empirical mode decomposition,EMD)去噪方法和集合经验模态分解(ensemble empirical mode decomposition,EEMD)去噪方法相比,所提方法对脉搏信号去噪的效果更好。     

基于CEEMD的地震信号自适应高分辨率处理

针对地表接收的地震信号分辨率较低的问题,考虑地震信号的非平稳性,本文提出了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)的地震信号自适应高分辨率处理方法。根据地震剖面的平均振幅谱确定阈值集合G;对单道地震信号进行互补集合经验模态分解,得到本征模态函数(intrinsic mode function,IMF)分量;利用相关系数-阈值法确定阈值H,选出有效频段内的IMF分量进行叠加,并用阈值集合G对叠加的结果进行振幅谱补偿处理,得到高分辨率的单道地震信号;逐道处理得到高分辨率地震剖面。模型数据和实际地震资料测试结果表明,所提方法能有效地提高地震信号的分辨率,为地震勘探开发提供更为精确的地震资料。     

VMD和CICA在齿轮箱故障诊断中的应用

针对齿轮箱故障信号微弱且易受周围噪声影响的问题,提出了一种基于变分模态分解(variational mode decomposition, VMD)的约束独立分量分析(constrained independent component analysis, CICA)算法。利用单通道加速度传感器采集齿轮箱的混合故障信号,通过VMD算法将混合信号分解为多个不同的本征模态函数(intrinsic mode function, IMF),然后依据峭度和互相关系数选取有效的IMF分量进行重构信号,对于重构信号利用CICA进行降噪处理,根据CICA降噪后得到齿轮和轴承的故障特征,对齿轮和轴承混合故障进行仿真及实验研究,结果表明,VMD-CICA算法可以很好地提取齿轮和轴承的故障特征频率,同时与经验模态分解-约束独立分量分析(EMD-CICA)和集成经验模态分解-约束独立分量分析(EEMD-CICA)算法相比得到的故障特征频率更明显。     

基于EMD_SVD的矿山微震与爆破信号特征提取及分类方法

针对矿山微震与爆破信号难以识别的问题,提出了基于经验模态分解(EMD)和奇异值分解(SVD)的矿山信号特征提取及分类方法。首先对微震与爆破信号进行EMD分解,再借助相关系数和方差贡献率筛选得到主要本征模态分量为IMF1~IMF6,进而利用SVD计算主要本征模态分量构成矩阵的奇异值σ_i(i=1,2,...,6),最后应用支持向量机(SVM)对用沙坝矿微震与爆破信号进行分类。结果表明:微震与爆破信号的奇异值σ_1,σ_2和σ_3差异较大,且σ_1(28)7.5作为识别分界值时准确率达到了88.25%;SVM法识别效果优于BP神经网络法、Bayes法和单一奇异值分界值法,且SVM法准确率达到了93.0%。由此,该方法可为矿山微震与爆破信号特征提取和分类提供一种新方法。     

改进Hilbert-Huang变换的滚动轴承故障诊断

以自适应噪声完备集合经验模态分解(CEEMDAN)为基础,提出了一种改进的Hilbert-Huang变换(HHT)时频分析法。对滚动轴承振动信号进行CEEMDAN获得一组本征模态函数(IMF)。通过自动提取敏感IMF算法,筛选特征敏感IMF分量,计算特征敏感IMF分量的Hilbert包络谱和HHT二维时频谱,提取故障特征频率信息。研究结果表明:CEEMDAN算法有效降低了模态混叠,比经验模态分解(EMD)算法和集合经验模态分解(EEMD)算法具有优越性。将改进的HHT与自动提取敏感IMF算法相结合,可以有效分解信号的特征信息,筛选出含有故障特征信息的敏感IMF,剔除背景噪声和无故障IMF的干扰,有效提取轴承振动的故障特征频率,诊断出轴承故障的发生部位。     

基于筛选参量的EEMD方法及其在轴承故障实时诊断中的应用

集成经验模式分解(ensemble empirical mode decomposition,EEMD)能够很好地用于非平稳信号的处理和信号特征频率的提取,但是其运算时耗大,很难用于实时处理。在工程应用中,轴承故障可通过固定特征频率来进行有效识别,利用这一特点,一种基于筛选参量的EEMD算法被提出,它改善了通过检验剩余分量为一单调函数或常量的分解停止条件,不仅能快速地获取期望频率成分信号,而且能较好地提高运算速度。通过对比EEMD与筛选参量的EEMD在分解正弦信号以及提取轴承故障频率时的效果和时间,验证了基于筛选参量的EEMD在改善EEMD高时耗上的有效性。     

基于EEMD阈值去噪的电能质量多扰动分类

针对含噪声的电能质量多扰动分类识别问题,提出一种基于EEMD阈值去噪的分类识别方法。首先依据源噪声信号在电能基波上不同频率和不同幅值叠加的特性,采用EEMD去噪法对信号源分解得到固有模态函数(IMF),消除高斯白噪声后,将得到的IMF分量转化为IMF能量值;最后,运用人工蜂群算法(ABC)优化在线极限学习机(OSELM)实现多扰动分类识别。MATLAB实例证明了提出方法的能够准确的对于扰动信号进行分类识别。     

基于本征模态函数重构的近断层地震动识别与响应谱验证

为了充分考虑近断层地震动对中长周期结构的不利影响,提出了一种近断层速度脉冲型地震记录的量化识别方法。该方法基于经验模态分解(EMD)数据自驱动特征,充分考虑了本征模态函数(IMF)对原始记录脉冲尺度和形状的自适应匹配能力,以及单阶IMF固有的平滑特征,借助Tanimoto相似度的去中心化表达,给出了一种基于IMF信号自适应重构的地震记录去噪算法,用于识别主脉冲的幅值和周期。为了对主脉冲包含的能量进行度量,给出了基于指数函数的脉冲能量指示器,并验证了其有效性。通过与既有方法在周期、波形、反应谱等各方面的对比表明,本征模态函数与原始地震记录信号间的相似度可以作为筛选本征模态的重要依据。动力响应反应谱分析表明,抽取的脉冲对主脉冲中长周期的动力特性保留更为完整。总体上,由于经验模态分解方法的数据自驱动效应,所提方法对波形显著非对称的脉冲和多脉冲记录识别更为有效。     

基于小波去噪—经验模态分解和支持向量机的塔机起升机构轴承故障诊断

针对塔机起升机构轴承故障振动信号特点,提出了一种基于小波降噪—经验模态分解(Empirical Mode Decomposition,EMD)和支持向量机(Support Vector Machine,SVM)的塔机起升机构轴承故障诊断方法。首先,对采集到的振动信号进行小波降噪,接着通过EMD方法将降噪后的振动信号分解为若干个本征模态函数(Intrinsic Mode Function,IMF),构造IMF能量矩,最终将提取的能量矩作为输入来建立支持向量机,实现智能化诊断。实验结果表明该方法能有效地应用于塔机起升机构轴承故障诊断中。     

基于EEMD-JADE的桥梁挠度监测中温度效应的分离

针对桥梁挠度各成分的分离问题,提出一种基于EEMD-JADE的单通道盲源分离算法。首先,利用传统的集合经验模态分解法(Ensemble Empirical Mode Decomposition,EEMD)将单通道的桥梁挠度信号分解为一系列线性平稳的本征模函数(Intrinsic Mode Function,IMF);然后,采用基于能量熵增量的判别法识别并剔除虚假的IMF分量,将能量熵增量较大的IMF分量组成盲源分离模型的输入信号;最后,采用矩阵联合近似对角化(Joint Approximate Diagonalization of Eigen-matrices,JADE)算法对输入信号进行盲源分离。JADE算法在源信号频率差异较小且频率有所混叠的状况下也能较好地分离出源信号,但要求观测信号数必须大于等于源信号数目;EEMD具有良好的自适应性,能够将单通道的混合信号进行多尺度分解,形成多通道信号,但分解结果存在端点效应与模态混叠。JADE算法能够解决EEMD分解结果存在的端点效应与模态混叠问题,且EEMD也解决了JADE分离算法的先决条件。两种算法优势互补,能够较好地分离出各挠度组分。通过有限元软件Midas/civil建立了背景桥梁模型,经仿真分析得到了各单项因素作用下的桥梁结构响应,并将其叠加在一起作为待分离的混合挠度信号。仿真信号分离的结果与源信号的相关系数均在0.98以上,说明分离效果较好。最后,采集实测挠度信号进行分离,处于对称位置测点分离出的各挠度组分的相关系数均在0.9以上,证明了该算法的适用性。