改进的EEMD算法及其应用研究

总体平均经验模态分解（Ensemble EMD,EEMD）虽然能够在一定程度上抑制模态混淆,但计算量较大,添加的白噪声不能被完全中和,不具有完备性。补充的EEMD（Complementary EEMD, CEEMD）成对地添加符号相反的白噪声到目标信号,大大减小了重构误差。论文结合CEEMD和基于排列熵的信号随机性检测,提出了改进的EEMD方法（Modified EEMD,MEEMD）,MEEMD方法在检测出CEEMD分解的异常分量之后,直接进行EMD分解;MEEMD不仅能够抑制EMD分解过程中的模态混淆,而且减小了计算量,缩小了重构误差。通过分析仿真信号和实测信号,结果表明,MEEMD方法有很好的分解效果,对模态混淆有一定的抑制作用。     

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。     

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。     

基于CEEMDAN与SVD的泄流结构振动信号降噪方法EI北大核心CSCD

针对泄流结构振动信号非平稳性和特征信息被强噪声淹没的实际问题,提出一种基于具有自适应噪声的完整集成经验模态分解(CEEMDAN)和奇异值分解(SVD)联合的信号降噪方法。对一维泄流振动信号时程进行CEEMDAN分解,将信号分解为一系列固有模态函数分量(IMF),运用频谱分析方法筛选包含主要振动信息的IMF分量,滤除低频水流噪声,实现信号的初次滤波;利用排列熵理论确定含噪声较多的IMF分量,采用奇异值分解技术提取奇异值信息,运用奇异熵增量定阶理论滤除IMF分量中的高频噪声,实现信号的二次滤波;将包含结构振动信息的IMF分量重构,得到泄流结构的工作特征信息。结合拉西瓦模型振动实测数据,运用该方法进行计算分析,滤除高频和低频噪声,提取结构振动特征信息;结果表明该方法在泄流结构特征信息提取方面具有优越性,可为泄流结构在线监测和安全运行提供依据。     

基于CEEMDAN与SVD的泄流结构振动信号降噪方法

针对泄流结构振动信号非平稳性和特征信息被强噪声淹没的实际问题,提出一种基于具有自适应噪声的完整集成经验模态分解(CEEMDAN)和奇异值分解(SVD)联合的信号降噪方法。对一维泄流振动信号时程进行CEEMDAN分解,将信号分解为一系列固有模态函数分量(IMF),运用频谱分析方法筛选包含主要振动信息的IMF分量,滤除低频水流噪声,实现信号的初次滤波;利用排列熵理论确定含噪声较多的IMF分量,采用奇异值分解技术提取奇异值信息,运用奇异熵增量定阶理论滤除IMF分量中的高频噪声,实现信号的二次滤波;将包含结构振动信息的IMF分量重构,得到泄流结构的工作特征信息。结合拉西瓦模型振动实测数据,运用该方法进行计算分析,滤除高频和低频噪声,提取结构振动特征信息;结果表明该方法在泄流结构特征信息提取方面具有优越性,可为泄流结构在线监测和安全运行提供依据。     

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...     

一种适用于泄流结构振动分析的信号降噪方法

针对低信噪比泄流结构振动信号有效信息难以提取问题,提出将小波阈值与经验模态分解(EMD)联合的信号降噪方法。利用小波阈值滤除大部分高频白噪声,降低EMD端点效应;进行EMD分解获得具有相对真实物理意义的固态模量(IMF);通过频谱分析重构特征信息IMF获得降噪信号。构造仿真信号,将该方法与数字滤波、小波分析及EMD降噪效果进行对比。结果表明,该方法能精确滤除泄流结构的振动噪声保留信号特征信息,滤波降噪较优越。将其用于拉西瓦拱坝水弹性模型,精确分析坝体结构振动优势频率,为坝体结构的安全运行与在线监测提供基础,亦为大型泄流结构在强背景噪声下的结构有效信息提取提供捷径。     

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CEEMD与自适小波阈值组合降噪在OPAX方法的应用

针对如何从降噪的角度去提高扩展工况传递路径分析(OPAX)方法的分析精度,提出运用互补集合经验模态分解(CEEMD)与自适小波阈值相结合的降噪方法。采用样本熵将分解后信号的本征模态分量划分为噪声、含噪和信号分量。剔除噪声分量,将不同含噪分量的样本熵归一化后作为调参参数并应用于新构造的小波阈值函数,通过含噪情况调整阈值函数来提高降噪效果,并将降噪后的含噪分量跟信号分量一同重构得到完整信号,运用仿真计算验证上述方法能最大程度保留原始信号的完整性。应用到OPAX模型中,对其工况数据(时域振动信号)进行降噪,与其他降噪方法一同对比发动机二阶情况下目标点的计算的合成响应与实测响应,发现CEEMD与自适小波阈值组合降噪改进的OPAX方法吻合程度较高,效果较优。     

爆破振动信号3种经验模态分解差异性研究

为了准确评估冻结立井爆破对井壁产生的影响,采用井壁预埋法对大药量爆破下井壁的振动响应进行了监测。利用EMD、EEMD和CEEMD典型经验模态算法对井壁信号进行了分析,并结合时频谱对分解和重构效果进行了综合评价。分析结果表明:受测试环境影响,爆破信号中普遍含有噪声等干扰成分。EMD分解存在明显模态混叠和端点效应,EEMD分解虽对模态混叠现象有所改善,但去噪效果仍不理想,CEEMD分解对模态混叠和噪声消除方面均具有很好的处理效果。CEEMD重构信号时频谱能够深刻揭示爆破能量在时频域上的分布且对干扰成分不敏感,适合用于批量信号的预处理过程。分析结果对于爆破能量识别和振动损伤控制具有积极的现实意义。     

爆破振动信号3种经验模态分解差异性研究

为了准确评估冻结立井爆破对井壁产生的影响,采用井壁预埋法对大药量爆破下井壁的振动响应进行了监测。利用EMD、EEMD和CEEMD典型经验模态算法对井壁信号进行了分析,并结合时频谱对分解和重构效果进行了综合评价。分析结果表明:受测试环境影响,爆破信号中普遍含有噪声等干扰成分。EMD分解存在明显模态混叠和端点效应,EEMD分解虽对模态混叠现象有所改善,但去噪效果仍不理想,CEEMD分解对模态混叠和噪声消除方面均具有很好的处理效果。CEEMD重构信号时频谱能够深刻揭示爆破能量在时频域上的分布且对干扰成分不敏感,适合用于批量信号的预处理过程。分析结果对于爆破能量识别和振动损伤控制具有积极的现实意义。     

改进的EEMD方法及其在滚动轴承故障诊断中的应用

针对集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法只考虑了噪声的幅值对分解结果的影响,而且添加的白噪声不能完全中和的问题,通过分析噪声的最大频率对分解结果的影响,提出一种改进的EEMD方法。将总体平均次数固定为2,然后对信号添加最大频率和幅值不同的噪声进行分解,遍历之后由分解结果的正交性系数判断分解效果,将正交性系数最小的作为最终分解结果,同时结合补充的EEMD(Complementary EEMD,CEEMD)方法降低残余噪声对分解结果的影响。通过仿真信号和实测信号分析,结果表明改进方法在抑制模态混淆和故障诊断方面较原始方法有一定优势。     

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CEEMD和排列熵的故障数据小波阈值降噪方法

针对旋转机械故障数据的非平稳性及总体平均经验模态分解方法(CEEMD)舍弃高频分量降噪方法和小波阈值降噪方法存在的不足,提出了基于CEEMD和排列熵的小波阈值降噪方法。运用CEEMD将信号分解为一系列的固有模态函数(IMF)分量,利用排列熵来确定含有噪声成分较多的IMF分量,采用小波阈值降噪方法对含有较多噪声成分的IMF分量进行降噪处理,保留这些分量中的有效信息。仿真分析和实例分析表明,基于CEEMD和排列熵的小波阈值降噪方法效果优于单纯的CEEMD降噪方法和小波阈值降噪方法。     

基于EEMD和二次相关法的管道泄漏定位检测

针对当前管道泄漏信号噪声大、定位误差大的问题,提出一种提高定位精度的新方法.泄漏信号经过总体平均经验模态分解(EEMD)之后,可以得到不同尺度的固有模态函数(IMF)分量,这些分量与原信号的相关系数可以作为信号重构的主要依据.这种自适应的降噪方法,不仅提高了重构信号的信噪比,还有效去除了模态混叠的干扰.然后,利用二次相关运算对两路降噪后的泄漏信号进行延时估计,再根据泄漏定位模型计算泄漏位置.最后,采用直接相关方法、基于经验模态分解(EMD)的相关方法以及本文提出的EEMD相关数据处理方法,分别对同组实验数据进行处理,对比定位误差.实验结果表明,EEMD相关方法相比前两种方法,有效抑制了模态混叠,提高了定位精度.     

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VMD和SVD联合降噪方法的球磨机振动信号随机噪声压制

针对球磨机筒体振动信号中存在大量噪声信号,难以提取其有效信息的问题,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的联合降噪方法。该方法首先利用VMD算法对球磨机振动信号进行分解,得到K个本征模态分量(IMF),其中K值采用瞬时频率均值法确定;然后通过互相关系数法选取大于等于互相关系数阈值的IMF分量,将选出的分量视为敏感模态分量,再利用奇异值分解算法对敏感模态分量进行去噪处理;最后将经过奇异值去噪的敏感模态分量重构,得到最终降噪信号。仿真分析验证该方法的有效性,将该方法运用到实测球磨机筒体振动信号中,结果表明,该方法能够去除磨机筒体信号中的噪声,提高了信号后续分析处理的可靠性。     

基于HHT-RDT算法的高拱坝泄流结构工作模态识别方法

根据高拱坝泄流结构自身的工作特点,为准确辨识环境激励下的结构模态参数特征,提出了一种基于改进的HHT-RDT算法的高拱坝泄流结构工作模态识别方法。以某高拱坝原型振动响应测试资料为基础,利用改进的小波阈值-EMD算法对原始信号进行降噪预处理,滤除干扰噪声的同时保留有效特征信息;采用HHT-RDT算法识别高拱坝泄流结构的工作模态参数,运用带通滤波对振动响应信号的EMD过程进行控制得到结构的各阶模态分量,利用RDT法提取各阶模态分量的自由衰减信息,识别出高拱坝泄流结构系统的固有频率及阻尼比。工程实例表明,该方法避免了复杂系统定阶过程,有效提高结构振动响应工作模态识别精度,为辨识高拱坝泄流结构的工作模态参数提供捷径。     

EMD与小波阈值联合滤波方法的改进及其在泄流结构振动分析中的应用

泄流结构在水流荷载作用下的实测振动响应中常混有各种噪声,影响结构振动响应分析的精度。通过研究EMD与小波阈值联合的滤波降噪方法,提出了含噪信号EMD分解后各分量中噪声标准差的确定方法,解决了小波阈值计算中噪声标准差计算难的问题。同时,分析了泄流结构水流激励荷载的特点,将NExT+HHT的模态参数识别方法应用到泄流结构中。最后,将文中提出的方法应用到二滩拱坝、映秀湾水电站拦河闸结构实测振动响应的滤波分析中,取得了较好的应用效果。     

基于改进极限学习机的水轮机运转状态识别

针对水轮机远程运行状态监测困难的现状，提出了基于模拟退火算法的粒子群算法(simulated annealing algorithm-particle swarm optimization, SA-PSO)优化极限学习机(extreme learning machine, ELM)的方式，建立水轮机运转状态识别模型SA-PSO-ELM。对水轮机信号进行互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)获得IMF分量，引入皮尔逊相关系数计算各个IMF分量与水轮机信号的相似度，判断信号主导模态和噪声主导模态的分界点，用小波去噪对噪声主导模态降噪，并与其余的IMF分量重构得到去噪信号，同时对去噪后的信号进行分解，计算每个IMF分量的排列熵，构建特征向量。由于SA-PSO精度高不易陷入局部最优的特点和ELM的性能受权值、阈值共同影响的特点，用SA-PSO优化ELM的权值和阈值，构建水轮机运转状态识别模型SA-PSO-ELM。对不同工况下采集的水轮机压力脉动数据，分析了基于PSO-ELM、ELM及SA-PS...