基于EP-CEEMDAN-PED的隧道扩挖爆破网络延时分析

经验模态分解(empirical mode decomposition, EMD)固有的端点效应和模态混淆导致其在进行爆破网络延时分析时出现不容忽视的误差。为了获得爆破现场实际网络延时,判断批次雷管的安全性,必须对EMD进行改进。通过对爆破地震波监测信号进行端点处理（endpoint processing, EP）,改善EMD在处理信号实际端点时出现的端点突变现象,进而抑制EMD端点效应,提高固有模态函数（intrinsic mode function,IMF）的稳定性和精度。对EMD进行改进,得到自适应补充集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN),抑制低频趋势项模态混淆,并结合排列熵检测(permutation entropy detection, PED)来控制高频模态混淆。得到的EP-CEEMDAN-PED算法能识别微差爆破实际延期时间,且能有效克服EMD固有的端点效应和模态混淆现象,结合干扰减振法,可计算实际隧道扩挖爆破合理减振微差时间为55.14~57.93 ms,对爆破振动控制具有重要的现实意义。     

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...     

基于改进的MEEMD的隧道掘进爆破振动信号去噪优化分析EI北大核心CSCD

爆破振动信号受现场条件限制,多为复杂含噪信号,对降噪方法的性能提出更高要求。为了获得真实振动特征,建立了一种基于改进的总体平均经验模态分解(modified ensemble empirical mode decomposition,MEEMD)的联合去噪方法。首先,将原始信号进行MEEMD分解得到本征模态分量(intrinsic mode function,IMF),结合相关系数和样本熵(sample entropy,SE)-Hurst指数进行IMF分类;然后,针对含噪IMF分量中的残留噪声,使用最小均方(least mean square,LMS)自适应滤波进行降噪,达到信号去噪的目的。算法对比结果表明:在仿真试验中,MEEMD-LMS相较互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)、快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)等方法表现出更优的降噪性能;在隧道掘进爆破的实例分析中,MEEMD-LMS相较MEEMD对高频噪声的降噪效果更好,低频段频谱更清晰,具备良好的适用性。     

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VMD-KLD的桥梁挠度监测数据温度效应分离方法EI北大核心CSCD

传统经验模态分解(empirical mode decomposition, EMD)方法在处理桥梁挠度信号时存在模态混叠、分解误差累积等问题,致使分解结果尚不理想。为此,提出了一种结合变分模态分解(variational mode decomposition, VMD)和K-L散度(Kullback-Leibler divergence, KLD)的桥梁挠度监测数据温度效应分离方法。利用VMD分解桥梁挠度信号,获得若干个本征模态函数(intrinsic mode function, IMF);借助核密度估计求得各IMF分量的概率密度函数分布,进而得到各分量KLD值,剔除虚假IMF分量,选定最佳分量;运用Pearson相关系数对最佳分量进行效果评价;通过数值仿真算例与实桥监测数据,验证了该方法的有效性。结果表明:该方法融合了VMD自适应、抗噪能力强和KLD快速选取最优信号的优势,克服了传统EMD模态混叠等缺陷,减少了虚假分量的干扰,将两者结合使得分解及筛选特征信号分量高效可靠,温度效应分离效果良好;仿真信号经VMD-KLD分析得到日、年温差效应及长期挠度相关系数分别为0.994 6、0.983 7和0.970 4,实测信号得到的日、年温差效应相关系数分别为0.908 1、0.936 4;同EMD-KLD相比,VMD-KLD分离出的各挠度成分相关系数更接近于1,仿真信号分析中日、年温差效应及长期挠度分别提升了4.43%、10.84%和8.81%,实测信号分析中日、年温差效应分别提升了12.35%、5.57%。该方法可为桥梁挠度监测数据温度效应在线分离提供一种新的思路。     

基于SSA-VMD的爆破振动信号趋势项去除方法

针对爆破振动信号存在的趋势项干扰问题，提出一种改进变分模态分解(variational mode decomposition, VMD)的趋势项去除方法。该方法采用麻雀搜索算法(sparrow search algorithm, SSA)优化VMD参数，接着对信号进行VMD分解，得到一组模态分量(intrinsic modal function, IMF)。通过均值比法筛选出趋势项分量，对剩余分量重构得到去除趋势项的信号。经过仿真信号分析，SSA-VMD相较EEMD在均方根误差、相对范数和最大误差上分别降低了约73%、49%和82%,SSA-VMD对趋势项提取更为充分，识别趋势项的精度更高。同时，SSA-VMD对实测爆破振动信号进行分析，结果表明，该方法消除了爆破振动信号零点漂移现象，信号波形回归到基线中心，主频率趋于合理，提高了信号频谱分析的精度。     

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。     

解相关EMD:消除模态混叠的新方法

模态混叠是制约希尔伯特-黄变换(Hilbert-Huang Transform,简称HHT)在工程上推广应用的一个主要难题,采用在经验模态分解(Empirical Mode Decomposition,简称EMD)过程中嵌入解相关操作有效解决了EMD过程中产生的模态混叠问题。模态混叠的本质是各本征模态函数(Intrinsic Mode Function,简称IMF)分量之间信息相互耦合,无法表征有意义的物理过程,因此可认为模态混叠现象是由于IMF之间不完全正交导致。根据零均值随机信号正交性与不相关具有等价关系,在EMD过程中嵌入解相关操作,可有效保证IMF之间的正交性,消除模态混叠。仿真信号处理结果证明了方法的有效性。     

基于屏蔽技术的经验模式分解改进方法

经验模态分解(EMD）具有优越的自适应性,对非平稳、非线性信号的不同时间尺度可进行正确的局部化处理,然而,当信号组合分量的频率相近时会出现模态混叠现象。针对该问题,提出引入信号屏蔽技术对其改进,通过向原始信号添加一定频率的屏蔽信号,将低频成分屏蔽在高频成分所在的本征模态函数(IMF)之外,而屏蔽信号自身通过加减二次分解取平均值消除对IMF分量的影响。仿真及实际应用验证了改进方法可有效克服模态混叠现象,为EMD改进提供一种新的途径。     

基于核主分量分析的经验模式分解及其工程应用

若信号的信噪比较小,经验模式分解不能正确分解出基本模式分量,分量中含有伪分量。根据此种情况,提出一种核主分量分析与经验模式分解相结合的方法。该方法首先建立信号相空间,利用核主分量分析方法提取相空间的核主分量,然后利用投影逆过程将得到的核主分量逆向投影回原相空间,从而重建信号相空间。最后对重建的相空间所对应的信号作经验模式分解。此方法可以有效消除噪声和冗余对经验模式分解的影响,提高经验模式分解的适应能力保证分解的有效性,确保其能够分解出正确的基本模式分量。通过工程实例进一步验证了该方法的可行性。     

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。     

应用希尔伯特黄变换的单矢量传感器多目标分辨研究

将希尔伯特黄变换与矢量信号处理相结合应用到水声领域,与传统方法相比有许多优势。在希尔伯特黄变换中本征模态函数是基于序列数据的局部时间尺度特征而得出。每个本征模态函数可以看作是信号中一个固有振荡模态,其对应于某个目标的固有振荡,希尔伯特黄变换用经验模态分解的方法将信号分解为多个本征模态函数,可以较好地将不同目标的能量分离。该变换得到的瞬时频率、瞬时能量和瞬时方位具有清晰的物理意义,信号的时间-频率-方位-能量的四维分布为多目标信号处理提供了丰富的信息量。与传统处理方法相比不仅有较好的目标分辨效果,而且适用于非线性和非平稳信号的处理。     

基于经验模式分解的滚动轴承故障诊断方法

针对水泵电机轴承故障振动信号噪声大和非平稳性的特点,提出了基于经验模态分解的诊断方法;通过对原始信号进行经验模态分解,得到包含故障特征的固有模态分量,从而可以提取出故障频率.该方法应用于外圈、内圈和滚动体故障诊断,取得了很好效果.     

基于EMD和HHT的航空发动机转子—机匣振动信号分析

将EMD和HHT方法引入航空发动机转子—机匣的振动信号分析,某台发动机的台架实测机匣振动信号的分析结果表明,该方法能够比较清楚地再现转静系统碰摩故障随转速和采样周期的演变过程,能够克服傅立叶谱无法同时获得时域和频域信息的缺陷。同时边际谱与傅立叶谱相比能够比较真实客观地反映系统的频率和幅值分布情况。     

一种基于样本熵的轴承故障诊断方法

运用非线性动力学参数样本熵作为特征,对轴承正常、内圈故障、滚动体故障、外圈故障四种工况的振动信号进行分析识别。针对利用原始振动信号的样本熵只能在一个尺度域进行分析,无法准确区分轴承运行状况的问题,提出一种基于集成经验模式分解与样本熵的轴承故障诊断方法。首先利用集成经验模式分解方法将原始振动信号分解为有限个内蕴模式分量,从中选取包含故障主要信息的前几个内蕴模式分量的样本熵作为特征,然后利用支持向量机进行轴承故障诊断,这样可以在多个尺度对轴承信号进行分析,提高了轴承故障诊断的准确率。通过轴承故障实测信号的诊断实验,证明了该方法的可行性和有效性。     

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。     

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     

LEMD端点延拓方法及其在微震信号降噪中的应用

针对非平稳的微震信号,采用经验模态分解(Empirical Mode Decomposition,EMD)方法对其滤波、消噪。但该方法在应用中存在严重的端点效应,会影响分解结果。为了改善端点效应,针对微震信号低频特点,提出了基于LMS自适应滤波器对微震数据端点处进行波形延拓的方法。LMS自适应滤波器经过信号内部的数据训练后从端点处向左右延拓波形,延拓过程中生成符合内部信号趋势的极小值和极大值,波形的延拓长度由延拓算法自适应决定。在EMD对信号分解过程中得到前一层模态分量后均再次对剩余信号进行延拓,进而进行下一层分解,以此修正插值算法带来的误差。最后根据信号频率特点对得到的模态分量有选择的重构,达到降噪的目的。利用仿真数据和煤矿微震监测数据对LMS自适应延拓法进行了验证,结果表明该方法能够明显减小经验模式分解的端点效应,特别对低频的微震信号有很好效果。     

EMD与SLS法在爆破振动加速度信号时域积分中的应用

实测差异分析表明,速度振幅峰值分布受外界因素影响更具规律性,加速度信号主频分布比速度信号更分散。提出一种加速度信号时域积分算法,先基于经验模态分解法对信号进行趋势项剔除、去均值化和高频降噪,再对存在漂移现象的各固有模态函数分量时域积分速度分量进行最小二乘法处理。研究表明:各固有模态函数分量在处理过程中应分别对待;为达到较好降噪效果,阈值修正系数k应不断调整;分段最小二乘法对漂移现象的消除能力优于单段最小二乘法和经验模态分解法。最后,通过本文定义的全局参量和局部参量验证算法的优越性。