大型旋转机械非平稳振动信号的EEMD降噪方法

针对现有各种降噪方法处理非平稳机械振动信号存在的缺点,提出一种基于辅助白噪声经验模式分解技术来自适应实现旋转机械非平稳振动信号降噪。该方法是一种集成的经验模式分解（Ensemble Empirical mode decomposition,EEMD）降噪算法,利用正态分布白噪声在经验模式分解中具有的二进尺度分解特性,可以有效抑制常规经验模式分解降噪算法处理非平稳振动信号时产生的模式混叠现象。通过仿真计算和转子启动过程试验振动信号对新降噪方法、经验模式分解降噪方法及小波降噪方法的性能进行了比较测试,结果表明,在非平稳机械振动信号降噪方面,新降噪方法具有更高的信噪比,不仅能够消除高斯噪声,而且能够有效降低脉冲干扰,提取出反映信号实际物理意义的振动固有模式。     

基于噪声水平自适应估计的往复压缩机振动信号局部投影降噪方法

局部投影降噪算法在其应用过程中,邻域的选择对降噪效果有较大影响。提出了改进算法以解决传统算法中邻域难以选取的问题。该方法利用小波包分解技术,依据频带能量的差异将原始信号分解为噪声频带和系统信号频带,将噪声频带能量占原始信号能量的比值估计为噪声水平。在一定程度内逐步增加分解层数,直至该噪声水平收敛。根据收敛时的噪声水平估计相空间中相点的邻域半径,此外利用该噪声水平可实现对原始信号的盲信噪比估计。对含噪的Lorenz和Rossler序列进行数值仿真,结果表明该方法的降噪效果优于一些传统方法和基于定量递归分析的局部投影降噪算法。对实测往复压缩机振动信号的降噪研究,进一步表明了该方法的有效性。     

基于EEMD的舰船辐射噪声特征提取方法研究

为了解决复杂海洋环境中水声信号的特征提取问题,提出了一种利用集合经验模态分解(EEMD)研究舰船辐射噪声特征提取的方法。对经验模态分解后的不同类别三类舰船辐射噪声信号各阶固有模态函数(IMF)中心频率可分性进行分析,并讨论了最强IMF中心频率特征参数。通过比较一定数量不同类别的舰船辐射噪声的最强IMF中心频率及高低频能量差特征参数发现,同类舰船的特征参数基本处于同一水平,不同类型的舰船存在一定差异。实验结果表明,采用EEMD的舰船辐射噪声信号的最强IMF中心频率作为特征参数相比高低频能量差特征参数对舰船具有较好的可分性。     

基于自相关降噪的混叠转子振动信号分离

航空发动机在运行过程中,传感器测得的振动信号是各振源的混叠信号,且含有很强的噪声。常规的信号处理方法难以分离混叠信号,对机器的健康监测和故障诊断造成了很大的困难。介绍了盲源分离基本原理和方法,指出盲源分离算法在强噪声环境下失效。针对强噪声环境下的混叠振动信号,提出首先通过时延自相关降噪方法对振动信号进行降噪,然后通过盲源分离算法对降噪后的信号分离。仿真结果验证了提出方法的有效性。最后,利用该方法对实测混叠转子振动信号成功实现了降噪和盲分离,为噪声环境下的混叠信号分离提供了一种新的方法。     

基于EEMD和改进的形态滤波方法的轴承故障诊断研究

轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取, 进行局部故障诊断。但在复杂工况下,故障脉冲易被周围噪声淹没,在分析EEMD和形态学滤波方法的基础上,将EEMD方法与形态学滤波方法相结合,提出结构元素(SE)选择方法,并用于本征模态信号中冲击响应特征的提取。通过将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。     

基于二次EEMD的Wigner-Ville分布旋转机械故障信号分析及试验研究

摘 要： Wigner-Ville分布（WVD）凭借优良的数学性质被广泛应用于信号处理等领域,但因其不满足可加性而引起的交叉项却影响信号分析的准确性。针对此问题提出利用二次聚合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)消除Wigner-Ville分布交叉项的方法。该方法首先用EEMD将原信号分解成为若干本征模函数（Intrinsic Mode Function,IMF）,再利用EEMD对获得的IMF进行二次处理,得到一组新的IMF,然后对新得到的若干模态成分分别进行WVD计算,最后将各项结果求和得到信号的WVD分布。该方法在改善模态混叠的同时有效地消除Wigner-Ville分布交叉项,并保留Wigner-Ville分布的各种优良特性。将该方法应用于转子碰摩故障诊断,效果很好。     

基于ASEGMF的旋转机械振动信号降噪方法研究

针对实测振动信号易受噪声污染而淹没有用信息的问题,提出一种基于自适应结构元素广义形态滤波(ASEGMF)方法对旋转机械振动信号进行降噪处理。首先,根据待分析信号的性质,选择正弦形结构元素,并定义了结构元素的长度尺度和高度尺度。其次,根据信号局部峰值特征,定义了峰值间隔和峰值高度,结合自适应方法得到了正弦结构元素的长度尺度和高度尺度。最后,采用一小一大自适应结构元素级联而成的广义形态滤波器对振动信号进行降噪处理。该方法克服了以往形态滤波器结构元素尺寸选择的随机性,完全根据信号局部峰值特征自适应地确定结构元素,消除了人为因素的影响。仿真和实例分析结果表明,自适应结构元素广义形态滤波具有更强的降噪性能,非常适合旋转机械故障的在线监测和诊断。     

基于CEEMD与TQWT组合方法的爆破振动信号精细化特征提取

针对传统小波在爆破振动信号特征提取和分析方面的局限性,提出了基于CEEMD和TQWT组合的信号精细化特征提取方法。预先设定可调品质因子小波TQWT高、低品质因子参数对CEEMD分解优势分量重组信号进行分解,并引入相对权重因子θ,优化了分解过程,实现了爆破振动信号特征的精细化提取。分析结果表明:组合方法对爆破振动信号的分析不依赖于先验小波基的选择,分解过程实现了信号的二次滤波。通过连续小波多尺度三维谱和时频小波脊线对比,说明组合算法分解得到的最佳分析信号可真实反映振动信号的细节信息,时频分辨率更高。该组合方法抑制了杂波分量对信号特征的干扰,可精确地提取复杂环境下的爆破振动信号特征信息。     

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CEEMDAN-IAWT方法的滚动轴承振动信号降噪EI北大核心CSCD

针对滚动轴承振动信号中混入噪声的问题,设计一种自适应白噪声完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)结合改进自适应小波阈值(improved adaptive wavelet threshold,IAWT)的联合降噪法。使用CEEMDAN对信号进行模态分解得到本征模态函数(intrinsic mode functions,IMFs);将得到的IMFs与原信号进行相关性分析识别有效分量;针对小波阈值(wavelet threshold,WT)降噪算法不能自适应选取小波基和分解层数以及阈值函数存在缺陷的问题,设计了IAWT算法,利用IAWT算法过滤IMFs中的噪声;将处理后的IMFs进行信号重构。利用设计的联合降噪算法对仿真信号和试验台信号处理可知,相比于WT,使用IAWT处理后的信号信噪比提高了约0.5 dB,与原信号的相关系数提高了约0.03,均方根误差降低了约0.01;将设计的方法与CEEMDAN-WT等方法对比可知,经处理后的信号信噪比至少提高了1.37 dB,且信号特征保存完好。     

完全互补小波噪声辅助集总经验模态分解

经验模态分解(EMD)是一种自适应非线性非平稳数据处理方法。噪声辅助的EMD方法能克服EMD方法在处理间歇信号时出现的"模态混叠"现象。在这些噪声辅助方法中,互补集总经验模态分解(CEEMD)和完全噪声辅助噪声集总经验模态分解(CEEMDAN)恢复了EMD分解的完整性。在现有分析方法上提出了完全互补小波噪声辅助集总经验模态分解(CCWEEMDAN)算法。该算法能用更小的集总数、更少的迭代次数和极小的计算消耗获得更好的光谱分离效果和数目较少的筛选模态。     

一种改进的EMD降噪方法

提出一种改进的基于经验模态分解（EMD）的降噪方法,将基于EMD阈值降噪方法和Savitzky-Golay滤波降噪方法相结合,改进的方法分别将经过EMD分解后得到的噪声信号的高频模态函数用阈值降噪的方法,低频模态函数用Savitzky-Golay滤波降噪的方法,这样既能保持信号的高频部分,又能较好地保持信号低频部分的光滑特性。仿真实验表明,改进EMD方法的降噪性能要优于单独使用EMD阈值方法或Savitzky-Golay滤波方法。     

齿轮焊缝超声检测信号降噪方法研究

汽车变速箱齿轮焊缝的超声检测过程中,超声回波信号存在信噪比较低导致误检率较高的问题.该文根据齿轮焊缝超声检测信号中噪声的特点,提出利用经验模态分解进行滤波的方法.针对经验模态分解过程中出现的虚假频率现象,提出镜像扩展的解决算法,把镜内信号映射成一个周期性的信号,抑制端点效应,避免虚假频率现象.仿真结果表明该方法可有效提...     

基于经验模态分解的超声波管外测压信号去噪

在超声波管外测压中,回波信号往往受到噪声的干扰,所以在提取信号特征时,需对回波信号进行去噪。提出了一种基于经验模态分解（EMD）的超声波信号去噪方法,首先利用EMD求出信号的本征模态函数（IMF）,然后通过对比分析,利用反映信号主要特征的模态分量对信号进行重构以实现去噪。实验结果表明,该方法能够有效地去除噪声,提高超声回波信号的信噪比。     

基于最小平方距离相关的EMD改进算法及应用

包络线的拟合是经验模式分解中的关键一步,但由于信号端点处极值的不确定性导致在信号上下包络线拟合过程中存在着严重的端点效应问题;在分析现有解决端点效应问题方法的基础上提出了基于最小平方距离相关的数据端点处包络线拟合方法。该方法在信号内部寻找与端点处信号变化趋势相关度最高的一段波形,并用此段波形的包络线来重新刻画端点处的包络线。仿真和实际信号的分析证明,基于最小平方距离相关的数据端点处包络拟合方法能够有效的抑制端点效应,算法简单并且易于实现     

基于经验模态分解的爆破延期识别优化方法

针对爆破延期识别中采用经验模态分解(empirical mode decomposition, EMD)方法存在模态混叠现象,导致延期识别精度低的问题。提出了一种完全正交经验模态分解(principal empirical mode decomposition, PEMD)方法,首先对原始信号进行EMD初步分解,得到多个具有模态混叠现象的本征模函数(intrinsic mode function, IMF)分量,其次对IMF分量进行主成分分析(principal component analysis, PCA),将混叠的IMF分量完全正交化,之后选择幅值较大且波形衰减明显的主分量,使用Hilbert变换提取包络线,最后对包络线峰值点进行识别。通过相似物理模拟试验证明,PEMD与传统方法EMD相比,有效地抑制振动信号EMD分解时出现模态混叠现象,延期识别误差降低至0,并通过控制高程和延期时间对PEMD方法的稳定性进行了检验;同时以德兴露天边坡延期爆破试验为例,PEMD能够更好地对爆破振动波峰值点进行精确识别,识别率稳定在90%以上,对后续爆破工程中爆破参数设计优化和盲炮的识别具有重要意义...     

基于改进EMD方法的多分量信号分析

经验模式分解(EMD)是一种局部的,完全基于数据的自适应信号分解方法,非常适合于分析非平稳、多分量信号.针对经典EMD方法存在模式混淆,容易产生虚假频率分量的不足,该文提出了一种改进的EMD方法.该方法采用高阶极值点信息,通过逆向EMD筛选结果拟合最优包络均值.同时提出了一种基于正交性的筛选停止准则,保证分解结果的合理性.仿真信号和实测语音信号的实验结果证明了该方法的正确性和有效性,采用该方法能有效减小模式混淆,得到较为准确的分解结果.     

滚动轴承故障的EMD诊断方法研究

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）的滚动轴承故障诊断方法。这种方法中，局部损伤滚动轴承产生的高频调幅信号成分被EMD分解作为本征模函数分离出来，然后用Hilbert变换得到其包络信号，计算包络谱，就能够提取滚动轴承故障特征频率。该方法被用于分析实验台上采集的具有内圈损伤及外圈损伤的滚动轴承振动信号。分析结果表明，与传统的包络解调方法相比，新方法能够更有效地提取轴承故障特征，诊断轴承故障，因而具有重要的实用价值。     

经验模态分解理论及其应用

阐述了经验模态分解(EMD)的概念、基本理论及其作为一种数据驱动的时频分析方法,能够根据信号特点自适应地将信号分解成一组具有物理意义的固有模态函数的线性组合,十分适合于非线性、非平稳信号分析的机理,然后综述了一维EMD算法在解决包络拟合、边界效应、模态混叠等关键问题上的研究进展,重点对新兴的多维经验模态分解的发展情况进行了详细论述;介绍了EMD在信号去噪,地球物理、生物医学信号处理,电力工程、机械工程故障诊断方面的主要应用,结合EMD研究中的难点问题,指出了下一步研究的五个重要方向。     

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。