强噪声上升流弱信号的识别问题的研究

希尔伯特—黄变换展示了在处理非稳态信号方面的优越性,但对于深海环境强噪声背景下的上升流弱信号,直接进行EMD提取主要成分时将会出现分解效率低和严重的模态混淆。为了消除噪声对EMD分解质量的影响,提出了先对含噪声弱信号进行小波去噪,然后再进行EMD分解。通过理论分析及计算机仿真,证实了该法克服了噪声对直接运用EMD的干扰,提高了含噪信号EMD分解的效率和准确性。     

基于WTD和CEEMD的轴承故障特征提取方法

针对轴承故障信号常混有噪声干扰且故障特征难以准确提取问题,提出一种基于小波阈值去噪(WTD)和互补集合经验模态分解(CEEMD)的轴承故障特征提取方法。采用WTD对原始信号进行降噪预处理;对去噪信号进行CEEMD分解得到一系列本征模态函数(IMF);然后计算各个IMF和去噪信号的互相关系数,通过设定互相关系数阈值筛选有用IMF;最后将有用IMF重构并利用包络谱对重构信号提取故障特征频率。实测信号表明：所提出的方法能降低噪声干扰并有效提取故障特征信息,证明该方法在噪声环境下具有较高的可行性和较强的实用性。     

基于VMD和Teager能量增强谱的滚动轴承故障诊断方法

针对强噪声干扰下滚动轴承故障特征难以提取的问题,提出一种变分模态分解和Teager能量增强谱的滚动轴承故障诊断方法。该方法首先通过变分模态分解(Variational Mode Decomposition,VMD)将非平稳的轴承故障振动信号分解成一系列平稳的窄带分量;然后根据峭度-相关性最大准则挑选包含故障特征信息最丰富的窄带分量作为主分量;最后对选取的主分量进行Teager能量增强谱,提取滚动轴承的故障特征。通过仿真和实例分析的结果表明:该方法能有效地提取出滚动轴承早期故障特征,且能够抑制强烈的噪声干扰和增强故障冲击特征,优于传统包络谱分析和基于经验模态分解(Empirical Mode Decomposition,EMD)和Teager能量谱的方法的分析结果。     

基于SVD和VMD的轴承微弱故障特征提取及分析

针对轴承微弱故障时冲击信号含有大量噪声且难以提取故障特征频率问题,提出了一种基于奇异值分解(SVD)和变分模态分解(VMD)的轴承故障特征提取方法.该方法先对原始信号进行SVD去噪;再对去噪信号进行VMD分解,得到各个本征模态函数(IMF),根据最大中心频率原则和各个本征模态与去噪信号的相关系数差值确定分解个数,通过加...     

抽油机悬点位移间接测量方法研究

针对利用抽油机悬点加速度信号计算位移精度较差的问题,提出自适应噪声的完备集合经验模态分解(CEEMDAN)自适应降噪和极点对称模态分解(ESMD)去趋势项相结合的求解方法。首先使用CEEMDAN分解加速度信号,然后根据模态分量自相关函数与原始信号自相关函数的相关系数,确定噪声分量和有效分量的分界点;进一步采用小波阈值法提取噪声分量中有用信号,并基于排列熵的性质自适应确定小波分解的层数;重构所有模态分量实现降噪;再对消噪的加速度信号进行积分变换得到位移,最后使用ESMD剔除趋势项。仿真分析和实测数据结果表明,该方法比现有方法精度更高、自适应性更好。     

基于CEEMDAN-FastICA的滚动轴承故障特征提取

针对轴承早期故障信号微弱、故障特征难以提取的问题,提出一种将完备集合经验模态分解(CEEMDAN)与快速独立分量分析(FastICA)相结合的故障特征提取方法。该方法首先利用CEEMDAN将轴承故障信号进行分解,得到一系列模态分量(IMF);然后依据峭度准则选取相应分量进行重构,引入虚拟噪声通道;最后利用FastICA对重构信号进行解混去噪,分离出源信号的最佳估计信号后进行包络谱分析进而提取故障特征频率。该方法通过LabVIEW软件平台进行编程实现。仿真信号和轴承故障实验信号的研究结果均表明该方法可明显降低噪声和调制成分干扰,突出故障特征频率成分。     

超声TOFD检测回波信号的时间识别

超声TOFD检测信号是一种非线性、非平稳的信号,常受噪声干扰甚至因材料的厚度过小导致波形混叠,故较难分析出各混叠回波的精确到达时间。本文应用一种基于经验模态分解（EMD）的方法,对超声TOFD检测回波到达时间进行准确识别。该方法首先把采集到的原始回波信号进行经验模态分解,得到若干个固有模态函数,通过计算出一个能量临界值与固有模态函数的能量相比较,恰当地选择其中几个分量进行重构信号,将其进行Hilbert变换得到该信号的峰值包络,则该包络的峰值所对应的时间表示为各个回波的精确到达时间。最后通过超声TOFD实验信号验证了该方法的可行性和正确性。     

基于经验小波变换的磁控埋弧焊焊缝跟踪信号分析

针对磁控埋弧焊跟踪信号非线性,不平稳及常用滤波方法难以滤除其相近低频干扰信号的缺点,提出一种基于经验小波变换（EWT）的磁控埋弧焊焊缝跟踪信号分析方法.该方法继承了EMD分解与小波变换各自的优点,分解出电弧跟踪信号的固有模态,在频域自适应地构造带通滤波器组从而构造正交小波函数,提取具有紧支撑傅立叶频谱的调幅-调频（AM-FM）成分.将此方法用于埋弧焊磁控电弧传感器焊缝跟踪平台信号分析中,提取出了更精确的焊缝跟踪信号,并通过试验验证了此方法的有效性及精确性.同时分析了相近低频噪声的信息,为进一步的信号处理及跟踪系统的优化提供了理论依据.     

基于多层降噪处理的轴承故障特征提取方法

针对滚动轴承振动信号的故障信息难以准确获取问题,提出一种新的基于多层降噪处理的轴承故障特征提取方法。所提方法首先依据小波包变换原理处理原始轴承信号,消除噪声干扰;变换后的振动信号用经验模态分解方法处理可得若干个IMF分量,计算所得分量与变换所得信号间的互相关系数,并依据相关系数准则筛选有用分量完成振动信号的重构;再通过自相关方法剔除重构信号中的混叠干扰信号,实现振动信号的多层降噪;最后对去噪后的重构信号解调处理,获取信号包络谱图并分析,得到所需故障特征。试验结果表明该方法能够有效地消除原始信号中的干扰和噪声,分离出清晰的故障振动信号并获取有用的故障特征。     

漏磁信号处理中的经验模态分解和能量法阈值

漏磁检测信号通常受多种噪声源污染.为了降低漏磁检测信号中的噪声,提高缺陷的识别效率,采用了经验模态分解方法,对漏磁信号进行去噪处理,来增强漏磁信号的信噪比.试验基于试样上的人工缺陷,漏磁信号被分解成若干固有模态函数(IMF)和一个残余分量,通过能量法选择最小能量的IMF作为阈值.采用该阈值作为IMF分量的选择依据,可以...     

一种基于改进阈值函数的小波域超声信号去噪方法

针对超声无损检测中超声信号受噪声污染、信噪比不高的情况,提出了一种新的基于改进阈值函数的小波域超声信号去噪方法.通过仿真实验,证明了该方法能够取得很好的去噪效果.相对于经典的阈值函数,改进的阈值函数在超声信号去噪中更具有优势.     

基于最小值选中次数的分离谱加权算法的超声信号处理方法研究

在脉冲式超声无损检测中，超声脉冲反射回波信号常受到电子噪声和结构噪声的干扰，信噪比往往较低。针对海底管道超声检测信号处理的问题，介绍一种基于最小值分离谱方法中最小值选中次数的统计加权算法。试验证明，该方法稳定性和信噪比较好，具有一定自适应能力。     

基于改进阈值法的平移不变小波压力脉动去噪研究

针对传统软、硬阈值函数和广义阈值在消噪处理中存在恒定偏差、不连续等缺点,提出一种改进阈值函数和新阈值相结合的新方法.为避免传统的小波变换去噪在信号的不连续点上产生Pseudo-Gibbs现象,将平移不变量方法与上述改进阈值去噪方法相结合.采用该方法对实验测取的压力脉动信号进行消噪处理,结果表明:该方法提高了重建信号的信噪比,降低了均方根误差值,有效地消除了信号噪声.     

小波变换在超声检测信号去噪中的应用

根据超声检测缺陷回波的特点,提出了基于小波变换的超声缺陷回波的去噪方法。结果表明,它能较好地抑制噪声,使用该法处理的信号的信噪比明显提高,并且具有较高的缺陷定位精度和纵向分辨率。     

基于Autogram的齿轮断齿故障特征提取方法

针对复杂生产背景下产生的强噪声淹没齿轮有效故障特征信息的问题,利用Autogram方法对其进行特征提取。该方法利用最大重叠离散小波包变换,对齿轮断齿故障振动信号进行不同层数分解处理,每层得到若干个信号,被称为“node”。为了更加全面地描述故障特征信息,对每个node进行包络谱的3种无偏自相关谱峭度求取,以便选取合适node作为信号源进行下一步分析。最后,对该信号源引入阈值处理,以便加强频谱分析的全面性,实现对齿轮断齿故障特征信息的有效提取。通过对比分析仿真和实测齿轮故障振动信号,验证了该方法的有效性。     

滚动轴承VMD能量熵与PNN故障模式识别研究

针对研究振动信号分析识别轴承状态的方法,在实践应用中受到各种噪声的影响很难达到准确识别预期目标的效果,提出了基于VMD能量熵特征与PNN神经网络结合的分类滚动轴承故障状态的方法。首先,通过运用变分模态分解(VMD)的信号预处理方法,实现振动信号的VMD降噪,同时利用集合经验模态分解(EEMD)对仿真信号进行对比两种方法的分解效果;然后,通过VMD能量熵和时域特征组成特征向量。最后,特征向量导入概率神经网络模型中准确识别滚动轴承故障状态。结果表明,该方法能将非平稳振动信号分解有效降噪且抑制模态混叠现象,同时能有效识别故障状态,对于在线监测机床健康状态领域的发展有重大的意义。     

LabVIEW小波分析软件在虚拟超声仪器降噪中的应用

利用LabVIEW软件的小波分析工具中的降噪函数Denoised.vi,通过对函数参数的合理设置,抑制了虚拟超声仪器中检测信号的噪声,提高了信噪比。试验证明该方法有效。     

基于Hankel矩阵与奇异值分解降噪方法的齿轮故障诊断研究

将Hankel矩阵与奇异值分解相结合对齿轮故障信号进行降噪处理,并应用MATLAB软件实现,来降低信号中的噪声,提高信噪比,从而凸显故障的信息特征。首先将含噪的测量信号构成的Hankel矩阵分解成两个互不相关的空间——真实信号空间与噪声空间,采用3种不同的奇异值选择方法,即奇异值差分谱方法、特征均值方法以及奇异值中值方法,对两个空间的奇异值矩阵处理后,再重构信号,实现降低测量信号噪声的目的。利用计算数据和图像说明不同奇异值选择方法的降噪效果,得出奇异值中值方法对齿轮断齿故障信号降噪效果最佳。     

基于MED-FWEO的滚动轴承故障检测

频率加权能量算子(FWEO)能够通过对信号瞬时能量的追踪消除信号中的噪声分量,突出故障冲击分量,对于轴承信号的处理具有较强的抗干扰性,然而对强噪声干扰下的信号则效果不够理想。针对该问题,提出将最小熵解卷积(MED)用于信号的预处理,以此消除信号采样过程中的传递噪声干扰,增强信噪比;而后以FWEO对处理后信号的瞬时能量进行追踪,从能量的角度进行故障特征的二次增强;最后通过包络谱分析获得诊断结果。仿真数据、实验室数据均表明所提方法能够在受强噪声干扰下的轴承故障信号中大幅消除噪声,准确提取出故障分量。