基于改进小波域阈值法的平移不变振动信号去噪

针对含噪振动信号的去噪问题,采用了目前最有效的小波算法。在传统小波域阈值法的基础上,克服了软、硬阈值的缺陷,采用了新的闽值函数,并通过平移不变小波变换对去噪效果进行了强化。通过与几种方法去噪效果的仿真对比,其结果表明,新的去噪方案可以获得最大的信噪比（SNR）,其去噪效果明显优于传统的软、硬阈值函数,并在实际振动信号的处理中得到了很好的应用。     

基于平移不变小波的声发射信号去噪研究

小波阈值去噪算法在信号的奇异点处会产生Pesudo-Gibbs现象。平移不变小波去噪方法是对闽值法的改进，该方法可以有效地抑制Pesudo-Gibbs现象，而且能够减少原始信号和估计信号的均方根误差，提高信噪比。将该方法用于声发射信号的去噪处理，并与闽值法进行了比较。仿真结果表明该研究方法可以有效地去除噪声，提取声发射信号的特征信息，具有较强的工程实用性。     

基于部分平移不变的小波去噪方法研究

针对目前消除gibbs现象的方法-平移不变法的平移量大,提出了部分平移不变法.既通过Haar小波可以消除奇异点处于中间位置时的gibbs.仿真实验表明,上述方法在减少平移量的情况下也可以很好地消除gibbs现象.     

小波阈值降噪与经验模态分解在信号瞬时特征提取中的应用

为了在信号瞬时特征提取过程中有效降低噪声干扰影响,提出一种基于小波阈值降噪和经验模态分解(EMD)的信号瞬时特征提取方法。根据信号特征选择适合的小波阈值函数进行降噪处理,然后对降噪信号进行EMD分解,以互相关系数作为判别依据,保留含有信号瞬时特征的本征模函数(IMF),并进行Hilbert时频谱图和边际谱图分析,最终完成信号瞬时特征的提取。     

小波变换中经验模态分解的基波检测及其在机械系统中的应用

针对Mallat算法中存在的频率混叠现象,提出一种应用小波变换和经验模态分解(Empirical mode decomposition,EMD)检测基波的新方法.应用离散二进小波变换将谐波信号分解成不同频带的子带信号,并确定了最佳分解级数.对包含基频成分的子带信号进行单子带重构,再利用经验模态分解就能提取出基波,最后在时域上采用最小二乘法估计基频和幅值.多种方法的仿真比较和工程应用的效果表明,所提方法能有效地提取出基波,频率和幅值的测量具有很高的精度.     

基于经验模态分解与RBF神经网络的混合预测

为提高时间序列预测模型精度,根据各本征模态函数(intrinsic mode function,简称IMF)序列的变化特点,针对EMD-RBF神经网络隐含神经元数目及其中心数据选取问题,利用经验模态分解(empirical mode decomposition,简称EMD)的信号自适应处理能力和径向基函数(radical basis function,简称RBF)神经网络的非线性逼近能力,提出了一种基于EMD与RBF神经网络的混合预测方法。该方法将具有类似时频特性的本征模态函数分别建立RBF神经网络预测模型,采用基于统计分析的k-均值聚类方法自适应确定RBF模型参数,最后将各IMF-RBF神经网络预测结果进行重构得到最终预测结果。仿真结果表明,该方法充分考虑到各IMF本身的特性,增强了时序的可预测性,预测性能比传统反向传播(back propagation,简称BP)神经网络和小波BP神经网络更优越。将该方法应用在某装备温控系统性能监测中,其温度参数最大预测误差远小于传感器误差,说明将该方法在该装备故障预测中是可行的。     

经验模态分解中的模态混叠问题-

针对经验模态分解(empirical model decomposition,简称EMD)存在的模态混叠问题,总结了引起模态混叠异常事件的类型,讨论了模态混叠的产生原因,提出了采用加入高频谐波后再进行EMD分解消除模态混叠的方法.根据信号分析频率范围和特征选择高频简谐波的频率和幅值,并使高频谐波作为第1阶IMF分解出来,可以有效消除模态混叠现象,异常事件通常可以包含在第1阶IMF中,必要时可以将加入的高频信号直接减掉,不影响对EMD结果的判断.与总体平均经验模态分解法(ensemble empirical model decomposition,简称EEMD)对比的仿真计算表明,两种方法都可以有效消除模态混叠现象,但高频谐波加入法具有运算速度快、误差小、分解结果物理意义明确和不需后处理的优点,对含复杂异常事件的实际故障信号分析验证了该方法在工程应用中的有效性和可行性.     

基于小波包的经验模态分解法的研究及应用

针对多频信号经验模态分解中的模态混成现象，提出了一种经验模态分解与小波包分解相结合的新方法。经验模态分解方法基于信号的局部特征时间尺度，把复杂的信号函数分解为有限的固有模态函数之和。利用最小Shannon熵准则，对出现混成模态的固有模态函数进行小波包分解，并根据小波包分解后各频带信号的频率分布特征，选择能量比重较大的频带信号进行重构，将重构信号作为新的固有模态函数分量。仿真信号和齿轮箱故障实测数据表明，新方法能将不同的频率成分提取出来，从而提高了经验模态分解的分解能力。     

基于标准互相关函数的经验模态分解端点效应处理方法

在经验模态分解(Empirical mode decomposition,EMD)过程中由于信号端点处极值点的不确定,导致信号上下包络线拟合过程中存在端点效应,使得EMD的分解结果严重失真.在分析现有处理方法的基础上,提出一种基于标准互相关函数的包络线拟合法.该方法以标准互相关函数为判定依据,每次分解时在信号上下包络线内部分别寻找一段与端点处包络线波形最相似、幅值差异最小的波形,用此段波形代替产生端点效应的包络线进行迭代,实现端点处包络线与原信号包络线边界处的光滑过度,减小端点处包络线的拟合误差.通过仿真和油膜涡动试验表明该算法可以有效解决端点效应问题,具有较高的分解精度,同时对模态混叠现象也有一定的抑制作用,与其他几种常见算法相比具有算法简单、易于实现的特点.     

集成经验模态分解中加入白噪声的自适应准则

现有集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)算法中加入白噪声的大小与集成的次数都需要人为按照经验设定,缺乏可靠性.针对此问题,提出了自适应集成经验模态分解(adaptive ensemble empirical mode decomposition,简称AEEMD)算法,并给出了一种在EEMD方法中有效加入白噪声的可依据准则.首先,计算出输入信号的幅值标准差;然后,采用高通滤波方法对输入信号进行分解,通过计算高通滤波分解后的高频分量幅值标准差和输入信号幅值标准差来确定加入白噪声的幅值标准差,在此基础之上,EEMD集成次数根据期望的信号分解相对误差和加入白噪声的幅值标准差惟一确定;最后,为了进一步提高相邻模态函数的正交性,对AEEMD分解结果进行二次处理.仿真试验验证了AEEMD方法的抗混分解能力,将AEEMD方法应用于转子油膜涡动的故障监测诊断中,提取出转子油膜涡动的故障特征,并与基本EMD算法进行了对比,结果表明,AEEMD更加精确地提取了油膜涡动信号的故障特征.     

基于小波除噪和经验模式分解的信号分析方法

经验模式分解是一种自适应分解算法。通过对常见信号的经验模式分解结果进行分析,发现信号中包含的噪声对分解结果影响较大。在此基础上,提出一种小波除噪与经验模式分解相结合的信号分析方法。该方法充分利用小波变换的降噪功能和经验模式分解的自适应分解能力,能真实地反映信号特征,为基于信号分析的故障诊断提供了一种可行的途径。     

基于小波分解的信号去噪方法

本文对热电偶动态校准中红外探测器输出信号的去噪方法进行了研究。首先分析了经典滤波器方法的不足,介绍了小波分析方法在动态测试信号降噪中的应用。接着讨论了小波分析的理论基础以及小波基的选择、分解级数和阈值的确定。最后在Matlab平台下对红外探测器信号进行了去噪实验。实验结果表明,该方法有效去除了固定频率噪声和高频噪声,去噪后信号与原始信号中有用信号成分是同步的,这对于热电偶的建模分析具有重要意义。     

采用二次经验模态筛选的谐波辨识方法

谐波辨识研究在智能电网发展中占有重要的地位,采用传统Hilbert-Huang变换(Hilbert-Huang transform,HHT)对该类非稳态信号进行处理时,会产生模态混叠、端点效应等影响信号分析精度的问题。针对此情况,提出一种模态筛选算法,采用屏蔽信号(masking signal)与原扰动信号叠加实现对模态混叠的抑制,通过端点非镜面对称延拓消减Hilbert变换(Hilbert transform,HT)后的端点"飞翼",并提出二次经验模态筛选算法来提高固有模态函数(intrinsic mode functions,IMFs)中所含频率的唯一性,从而改善对非稳态信号的分析精度。稳态和非稳态信号谐波辨识实验验证了该算法在谐波辨识中具有很高的抗干扰性和准确性。     

一种基于几何含义的B样条小波分解重构简易算法

由于B样条基函数及其对应的小波不具有平移正交性,因而不能用现有的Mallat快速算法进行小波变换.文中在分析B样条小波分解重构思想的基础上,着重研究了B样条基函数在不同尺度下伸缩平移系之间的内在联系,用清晰的几何含义描述了重构矩阵的求解过程.该算法概念清晰,计算简单,结果稳定.最后用该算法给出了一条复杂曲线分解重构的实例.     

基于小波包分解与主流形识别的非线性降噪

为解决工程实际中强噪声、非线性且频率成分复杂的振动信号降噪问题,提出了基于小波包分解和主流形识别的非线性降噪方法。采用小波包分解将原始振动信号正交无遗漏地分解到各频带范围内,根据各子频带中信噪空间分布,分别采用相应参数对小波包分解系数进行相空间重构;采用局部切空间排列(local tangent space alignment,LTSA)主流形识别方法在高维相空间中实现信号与噪音的分离,并重构出降噪后的一维小波包分解系数,最后进行小波包分解重构得到降噪后的振动信号。通过仿真实验和实例应用对本文所提方法的有效性进行了验证,试验结果表明本文方法具有良好的非线性降噪能力。     

关于小波分解原子时算法的有效性

小波分解原子时算法已经在导航定位领域获得了应用,人们也试图将该算法推广到其他工程领域,已取得了初步的进展。但该方法究竟是一种偶然的现象还是有其数学基础,是迫切需要解决的一个问题。从小波分析理论出发,从数学上解释了小波分解原子时算法优于经典加权算法的数学原理。数学分析结果表明:小波分解原子时算法的计算精度优于经典加权算法,为该算法的推广应用奠定了数学基础。最后,通过实例验证了小波分解原子时算法的有效性。     

基于参数自适应特征模态分解的滚动轴承故障诊断方法

针对强背景噪声下轴承故障信息难以有效提取的问题,提出一种基于参数自适应特征模态分解的滚动轴承故障诊断方法。首先,为了克服原始特征模态分解(FMD)需要依赖人为经验设定关键参数而不具有自适应性的缺点,提出基于平方包络谱特征能量比(FER-SES)的网格搜索方法自动地确定FMD的模态个数n和滤波器长度L;随后,采用参数优化的FMD将原轴承振动信号划分为n个模态分量,并选取具有最大FER-SES的模态分量为敏感模态分量;最后,通过计算敏感模态分量的平方包络谱来提取故障特征频率,从而判别轴承故障类型。通过仿真信号和工程案例分析验证了提出方法的有效性。与变分模态分解(VMD)和谱峭度方法(SK)相比,提出方法具有更好的故障特征提取性能。     

基于多元经验模态分解的旋转机械早期故障诊断方法*

针对旋转机械早期微弱故障诊断问题,提出了基于多元经验模态分解的旋转机械早期故障诊断新方法。首先将多个加速度传感器合理布置在轴承座的关键位置,同步采集多通道振动信息;再利用多元经验模态分解同时对多通道振动信号进行自适应分解,得到一系列多元IMF分量;最后,依据峭度准则和相关系数从中选取包含故障主要信息的IMF分量进行信号重构,提取故障特征。多元经验模态分解方法克服了EMD等方法在进行多通道数据融合时缺乏理论依据的局限性。仿真信号和旋转机械故障信号的实验结果表明,该方法明显优于EEMD方法,对齿轮和滚动轴承故障的检测精度更高,可以在强背景噪声情况下更好地提取出故障冲击特征。     

一种基于经验模式分解的气液两相流流型识别方法

提出了一种基于经验模式分解的气液两相流流型识别方法.该方法首先对压差波动信号进行经验模式分解,将其分解为多个平稳的固有模式函数之和,再选取若干个包含主要流型信息的IMF分量,并从中提取时域特征指标-峭度系数作为LVQ神经网络的输入参数,从而实现流型的智能识别.对水平管内空气-水两相流流型的识别结果表明:以EMD为预处理器提取峭度系数的LVQ网络识别方法具有更高的识别率,可以准确、有效地识别流型.     

基于奇异值分解和小波分析的飞行数据野值综合处理方法

通过分析无人机数据记录仪记录参数的特点及野值产生的原因,提出了一种在噪声条件下采用奇异值分解和小波分析相结合的综合检测野值方法,即先用信号的奇异值阀值降噪算法来对飞行数据进行降噪处理;处理完后再用小波分析方法对降噪后的信号进行野值的检测,这样所得到的信号序列能准确提取出无人机记录仪所接收到的信号。仿真实验表明,该方法不仅降噪效果明显,而且能准确地检测并剔除接收信号中存在的野值。