基于EEMD能量熵的激光超声微缺陷信号特征提取

激光超声技术具有非接触、频带宽和高时间空间分辨率等优势,被广泛应用于材料的微缺陷检测.基于总体经验模态分解(EEMD)解决模态混叠问题算法的特点,将其应用于激光超声信号的消噪处理;针对EEMD降噪时IMF分量选取的问题,设计提出了自适应选取IMF分量重构信号的算法,获取基于EEMD的激光超声微缺陷信号的自适应降噪方法,取得了较好的去噪效果;提出了基于EEMD能量熵的激光超声微缺陷信号特征提取分析方法,并计算各阶能量,成功地探测缺陷的大小.     

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SAR海洋内波参数反演

经验模态分解(EMD)方法对非平稳信号进行分解,容易出现模式混叠和边界效应,从而不能得到有物理意义的特征信息.集成经验模态分解(EEMD)能够有效地克服模式混叠和边界效应问题,可准确地提取信号的本质特征信息.在分析SAR图像反演海洋内波参数机理的基础上,本文提出了一种基于EEMD的海洋内波参数反演方法.实验结果表明:与小波分解和EMD方法相比,该方法能更有效地克服模式混叠现象,所提取的分量更接近内波波动的物理本质,所反演的内波参数与经验数据吻合.     

基于经验模态分解与小波分析的超声信号降噪方法

经验模态分解(EMD)是目前信号去噪中应用较多的一种方法,但处理与噪声时频特征相近的信号时,该算法存在内蕴模态函数(IMF)混叠现象.本文从信号降噪的角度出发,提出基于经验模态分解与小波分析的超声信号降噪方法,首先利用EMD将信号分解为多个IMF分量,通过计算各分量与信号间的互相关系数判断存在模态混叠现象的过渡IMF,从多个IMF分量辨识出噪声与信号的分界,对过渡IMF进行小波去噪,去除过渡分量中的噪声;然后将去噪后的过渡分量IMF与其后续分量进行信号重构,得到去噪后的信号.为了验证所提方法的有效性,本文分别以含噪bumps信号和实际超声信号为例,将该方法与其它4种去噪方法进行了对比.实验结果表明:EMD结合小波法优于单独小波法,而本文方法进一步提高了EMD方法的去噪能力,为EMD去噪方法的改进提供了新思路.     

基于改进CEEMD的超声检测信号自适应降噪

针对超声时域检测污垢数据的非平稳性和模态混叠难以实现污垢特征分离的问题,对于采用功率谱密度判定噪声区间的CEEMD分解,进而直接舍弃高频分量容易造成有效信息损失的不足,以及传统小波降噪易造成重构信号的变形等缺陷,提出基于CEEMD自相关函数的自适应软阈值降噪,引入模态自相关特性曲线判定含有噪声成分较多的IMF分量,并结合小波自适应软阈值方法拾取噪声分量中的高频有用信号。仿真分析和实验研究表明:基于CEEMD和自相关的自适应降噪方法优于传统小波阈值和单纯的CEEMD,且能很好的解决模态混叠问题,提取出污垢特征信号,对超声检测信号的处理具有重要意义。     

基于CEEMDAN的塌落触地振动信号最优降噪光滑模型算法

为了更精确的提取原始爆破振动信号特征信息,针对EMD分解产生的模态混叠及EEMD分解完备性较差且计算复杂问题,采用CEEMDAN分解的固有模态分量构建不同的带通滤波器,建立基于CEEMDAN的爆破振动信号最优光滑降噪算法,并且根据降噪均方误差指标、曲线曲折度指标建立最优光滑降噪算法的判断准则。通过构建仿真信号并以含噪信号与降噪误差比为指标分别对EMD、EEMD及CEEMDAN的最优光滑降噪算法效果进行对比分析。结果表明:CEEMDAN分解得到的算法A4信噪比最小,验证了本文算法的科学性和有效性。将其应用于实测的水塔塌落触地振动信号进行降噪处理和时频分析,效果较好。     

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...     

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。     

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。     

利用聚合经验模态分解抑制振动信号中的模态混叠

传统EMD易于造成分解模态的混叠,混叠后的IMF分量失去原有物理意义。聚合经验模态分解(ensemble empirical mode decomposition,EEMD),是一种将噪声辅助分析应用于经验模态分解中的新方法,可以较好的抑制EMD分解中产生的模态混叠现象,将其应用于振动信号的模态提取中,取得较好的工程效果。     

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CEEMD分解和Data-SSI算法的斜拉桥模态参数识别

针对集合经验模态分解算法存在的不足之处,提出了一种基于聚类分析的集合经验模态分解算法(CEEMD),以实现对响应信号的降噪与重构。首先对输入信号进行特征分析以确定加入白噪声的幅值标准差以及EEMD集成次数;其次进行EEMD分解;并对所得本征模态函数(IMF)利用欧式距离进行聚类分析,以检验所得本征模态函数之间是否存在模态混叠现象;然后采用模糊综合评价法计算每个IMF与实测信号之间的模糊相似系数,以便选出有效的IMF分量;再利用主成分分析和帕累托图法对保留下来的有效IMFs进行信号的重构,进而达到对实测信号的有效分解和降噪效果。为了验证该算法能运用于实际桥梁中,对某大型斜拉桥进行实例分析,首先对传感器所测响应信号进行重构,然后将其作为数据驱动随机子空间算法的输入,进行模态参数识别,同时为了进一步验证该算法所得结果比现有算法更为精确,对各算法结果进行了对比分析,结论是该算法能对响应信号进行更好的降噪与重构,且所得结果更接近真实值,能运用于实际桥梁的模态参数识别。     

EWT和ICA联合降噪在轴承故障诊断中的应用

在强背景噪声下提取非平稳振动信号的微弱故障特征时,系统信号和干扰噪声在频带互相混叠难以分离,传统消噪方法存在较大局限。为此提出一种基于经验小波变换(EWT)和独立分量分析(ICA)联合降噪的方法。利用EWT算法将振动信号进行分解,避免了经验模态分解(EMD)和总体经验模态分解(EEMD)存在的模态混叠和端点效应;依据峭度及相关系数准则选取相应分量,引入虚拟噪声通道;利用ICA对重组信号进行解混去噪,分离出源信号后进行Hilbert包络解调,提取故障特征频率,实现故障诊断。通过对实际轴承信号的分析,验证了该方法不仅对时变、非平稳的强噪声干扰具有较好的消除效果,还能更清晰、准确地提取故障特征信息。     

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。     

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。     

基于频率截止的EEMD方法研究

为解决总体平均经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)中虚假IMF分量过多问题,提出了一种基于频率截止的EEMD方法。该方法采用一种新的IMF筛分终止条件--以信号自身的最小频率为EMD分解IMF分量的截止频率;然后将基于频率截止的IMF筛分终止条件引入EEMD分解。通过仿真和实测信号分析,并与EMD、EEMD分解结果比较得到,运用频率截止的EEMD方法不仅有效减少了虚假IMF分量的产生,使得分解的目的性更加明确,而且保证了EEMD分解出的IMF分量的完备性,更好地抑制了模态混叠现象。     

爆破振动信号分析中模态混叠和虚假分量消除的改进方法

针对CEEMD (Complementary Ensemble Empirical Model Decomposition)方法在处理爆破振动信号中模态混叠和虚假分量问题方面的局限性,提出一种改进的解相关CEEMD方法。第一,对信号端点进行特殊处理后,采用CEEMD对信号进行分解;第二,求取各IMF分量信号与原信号的相关系数及其频谱图,共同判定虚假分量;第三,将虚假分量与主分量相加后,通过解相关计算消除模态混叠。仿真信号的CEEMD分解结果以及相关系数与能量插值计算表明,改进的解相关CEEMD方法分解精度比EMD(Empirical Model Decomposition)和CEEMD高,有效抑制了信号模态混叠现象,能够避免直接处理虚假分量而带来的能量损失。应用于爆破振动信号分解,基本保证了各IMF分量非主频率信号的能量比例较低。改进方法有效消除了爆破振动信号的模态混叠和虚假分量现象。     

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。     

桥梁动力测试信号的自适应分解与重构

针对桥梁结构动力测试信号噪声水平高、难以分离结构有效信号的特点,在总体平均经验模态分解方法和主成分分析的基础上,建立了自适应分解与重构方法。对经验模态分解结果的模态混叠现象进行深入分析,利用白噪声概率密度函数的均匀性对模态混叠模式一进行了改进,基于相关性分析改进了模态混叠模式二,改进后的分解方法在计算效率和分解精度上均有较大提升;随后对所有分解获得的固有模态函数进行多尺度主成分分析,实现降噪和选择并重构测试信号。分别用模拟信号和实际桥梁测试信号对所提方法的有效性进行了验证。结果表明:改进后的信号自适应分解和重构方法能在降噪的同时,有效地提取桥梁结构信息,可用于实际桥梁结构的动力测试分析中。