基于CEEMDAN-小波包自适应阈值混凝土声发射信号降噪研究EI北大核心CSCD

为了得到更加纯净的混凝土声发射(acoustic emission, AE)信号来更准确地监测混凝土结构破裂过程,提出了一种完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition, CEEMDAN)与小波包自适应阈值联合方法对循环荷载作用下的混凝土声发射信号进行降噪处理,运用信噪比和快速傅里叶变化(fast Fourier transform, FFT)分析来验证所用方法的可行性。实验结果表明:结合CEEMDAN-小波包自适应阈值对混凝土声发射信号进行降噪的效果较好,能有效地保留混凝土声发射信号特征信息,对混凝土声发射信号降噪提供新的思路,为后续利用声发射信号分析混凝土结构内部微裂纹扩展及演化特征奠定基础。     

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。     

低信噪比下针对平板结构冲击的快速定位算法EI北大核心CSCD

为实现低信噪比(signal-to-noise ratio,SNR)条件下平板结构受到冲击后的快速准确定位,首先结合集合经验模态分解(ensemble empirical mode decomposition,EEMD)和希尔伯特变换,从冲击信号中提取弯曲波模态分量。利用Hilbert包络线第一峰值作为弯曲波到达时间,将不同传感器到达时间差作为特征构建数据库。利用平板结构中传感器信号能量分布准则判断初始的定位区域。最后计算划分网格的特征残差,实现冲击位置的快速定位。经过平板敲击试验验证,在SNR为5 dB和0的情况下,该算法与基于广义互相关(generalized cross correlation,GCC)和信号阈值的定位算法的定位误差分别为0.08 m,0.17 m,0.18 m和0.13 m,0.26 m,0.28 m,说明该算法具有更好的抗噪性能和更高的定位精度。     

基于EEMD的圆弧齿轮泵空化流动及振动特性试验研究EI北大核心CSCD

针对圆弧齿轮泵由空化造成的振动问题,提出一种基于经验模态分解(ensemble empirical mode decomposition,EEMD)的圆弧齿轮泵空化流动及振动特性试验方法。以圆弧齿轮泵空化试验平台为基础,引入EEMD分解及希尔伯特边际谱分析技术,得到了不同转速及不同出口压力下的监测点的频域结果,实现了对圆弧齿轮泵振动特性的研究。试验表明:EEMD分解及希尔伯特边际谱分析技术,可以有效地识别圆弧齿轮泵出口振动特征;在额定出口压力下,随着工作转速的增大,泵出口处振动加速度信号的振动主要引起低频段能级上的增加,其中以1000~1500 Hz尤为剧烈,形成能级最大的谱峰;在额定转速下,随着出口压力的增大,振动加速度信号的边际谱峰值、中心频率位置及频率变化范围呈现出先增大后减小再增大的趋势;进一步可提取圆弧齿轮泵振动加速度信号的边际谱峰值、中心频率以及带宽作为泵空化特征参数进行分析。     

基于EMD和小波熵阈值算法的超声回波信号降噪

超声检测信号中通常包含大量噪声,而其中材料晶界散射的噪声是一种相关噪声。鉴于传统的方法难以将这种噪声和缺陷回波信号区分,提出一种EMD和小波熵阈值联合降噪的算法。该算法首先对目标信号进行EMD分解,提取具有噪声特性的IMF分量进行小波分解,利用含噪系统熵增的特性,在分解各尺度层的细节部分选用小波熵自适应阈值降噪,然后将剩余分量和降噪处理后的信号进行重构。仿真信号结果表明:该降噪方法(EMD-WET)输出信号的信噪比(SNR)为7.9 d B、均方根误差(RMSE)为18.1、相似系数(NCC)为0.92,优于传统的小波软、硬阈值方法。对实测信号进行处理,该方法降低信号中的大部分噪声,更好地还原回波信号的波形。     

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EEMD-SDCCⅠ-HMM的水电机组振动故障识别方法EI北大核心CSCD

针对水电机组故障诊断问题,提出了一种基于集合经验模态分解(EEMD),曲线趋势编码(CC)和隐马尔科夫模型(HMM)的故障识别方法。该方法首先利用EEMD处理机组振动信号,得到一系列本征模态函数(IMF)然后计算各阶IMF的标准差(SDs)形成标准差曲线,并根据IMF标准差曲线的趋势进行编码构成特征向量。最后将特征向量作为学习样本输入HMM,通过训练得到各状态的HMM。当待测样本输入各状态HMM时,可通过对比各模型输出的对数似然概率值来判断样本所属状态。试验结果表明,该方法能有效提取机组故障特征,识别故障类型,与常规故障识别方法相比,具有较高的准确率。     

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...     

改进小波阈值函数和ACEWT方法的滚动轴承故障声发射信号特征提取EI北大核心CSCD

针对滚动轴承早期故障声发射信号受复杂传递路径和噪声的干扰,声发射信号信噪比较低,导致轴承故障特征难以提取的问题,提出了改进小波阈值函数-ACEWT的轴承故障特征提取方法。由于声发射信号呈冲击性与快速衰减的特点,构建一种衰减正弦型与指数型的小波阈值函数对低信噪比的声发射信号进行降噪。研究自相关运算与经验小波变换结合的方法(autocorrelation and empirical wavelet transform,ACEWT),用于滚动轴承故障声发射信号特征提取,解决了在低信噪比下经验小波变换对轴承故障特征提取的不足;引入经验小波能量比-熵指标,选取最优经验小波系数。通过与经验小波变换、改进小波阈值函数-EWT和MCKD-EWT方法进行对比研究,并试验验证。仿真和试验结果表明,所提方法明显优于经验小波变换、改进小波阈值函数-EWT和MCKD-EWT方法,可准确提取轴承故障声发射信号的频率特征。     

FA-PMA-VMD方法及其在齿根裂纹故障诊断中的应用EI北大核心CSCD

针对变分模态分解(VMD)中难以确定分解分量个数k和惩罚参数α的问题。提出一种改进的变分模态分解方法—基于萤火虫算法及主模态分析法的变分模态分解(FA-PMA-VMD)方法。该方法用主模态分析(PMA)对VMD分解的带限内禀模态函数(BIMF)分量进行排序;用萤火虫算法对变分模态分解的最佳影响参数[k,α]组合进行搜索,以新提出的正交低峰值作为萤火虫算法的优化目标,得到的最佳的惩罚参数α和分量个数k组合;根据预先设定的故障特征参数自适应地将信号分解为k个BIMF分量。通过对仿真信号和齿轮齿根裂纹实际故障信号进行分析,分析结果表明FA-PMA-VMD具有良好的分解效果。     

FA-PMA-VMD方法及其在齿根裂纹故障诊断中的应用EI北大核心CSCD

针对变分模态分解(VMD)中难以确定分解分量个数k和惩罚参数α的问题。提出一种改进的变分模态分解方法—基于萤火虫算法及主模态分析法的变分模态分解(FA-PMA-VMD)方法。该方法用主模态分析(PMA)对VMD分解的带限内禀模态函数(BIMF)分量进行排序;用萤火虫算法对变分模态分解的最佳影响参数[k,α]组合进行搜索,以新提出的正交低峰值作为萤火虫算法的优化目标,得到的最佳的惩罚参数α和分量个数k组合;根据预先设定的故障特征参数自适应地将信号分解为k个BIMF分量。通过对仿真信号和齿轮齿根裂纹实际故障信号进行分析,分析结果表明FA-PMA-VMD具有良好的分解效果。     

自适应小波阈值去噪算法在低空飞行声目标的应用EI北大核心CSCD

近年来,低空飞行声目标的探测与识别已得到军事领域的重点关注,而如何滤除信号中的背景噪声并准确保留信号的有效特征信息是该领域的一个难点。在研究小波去噪算法特点的基础上,针对低空飞行声目标信号的噪声特性,构建了一个新的阈值函数,通过自适应调整阈值函数实现在小波分解细尺度和宽尺度上对噪声信号最大限度的滤除,同时,运用香农熵理论来判断最优层数。通过大量的实验仿真验证,并与传统阈值去噪算法比较分析,结果表明该算法对去噪指标SNR有较大尺度的提高,可以更好的去除噪声,并对低空声目标信号去噪有很好的去噪效果。     

基于EEMD的立管涡激振动响应最优降噪光滑模型参数识别研究EI北大核心CSCD

深水海洋立管因受到海洋环境的影响产生涡激振动现象,长期的涡激振动易导致立管产生疲劳破坏。为了获得真实的涡激振动特性,进行海洋立管涡激振动试验并对测试信号进行总体平均经验模态(EEMD)分解。基于分解得到的本征模态函数建立滤波算法,考虑曲线光滑度和重构信号与实测信号相似度,确立最优降噪光滑模型区间,依据存在度确定有效本征模态函数以及最优降噪光滑模型,优化目标函数。从相关度、频谱分析、能量谱分析3个角度出发进行合成信号仿真识别,并验证了算法的准确性。结果表明:构建的最优降噪光滑模型得到的有效本征模态函数,与原始信号频率成分相关系数最高,达到0.96以上,且频率对应相等;其能量占原始信号总能量的97.98%。涡激振动试验结果表明,建立的最优降噪光滑模型确定的有效本征模态函数包含顺流向、横流向振动信息,且顺流向主频是横流向频率的2倍。     

双树复小波和局部投影算法在齿轮故障诊断中的应用EI北大核心CSCD

齿轮故障振动信号往往表现为非线性非平稳特性,并且早期故障振动信号往往包含较强的背景噪声,不利于故障特征的提取。针对该问题,提出了基于双树复小波变换和局部投影算法的齿轮故障诊断方法。首先,对故障信号进行双树复小波变换,得到不同尺度下的小波系数和最后一层的尺度系数,并计算各层小波系数的模与相角。然后,选择模周期性较强的小波系数或尺度系数进行局部投影算法处理,得到周期性增强的系数的模,并选择合适的阈值进行软阈值处理。最后,利用处理后的系数进行双树复小波重构,从而提取出齿轮故障特征信号,进行希尔伯特包络解调分析便能准确地得到故障特征频率。仿真信号和工程应用表明,该方法能够有效地提取齿轮故障特征信息,提供了一种齿轮故障特征提取的新方法。     

基于改进阈值估计和改进阈值函数的局部放电信号降噪方法EI北大核心CSCD

提出了基于改进最优阈值估计和改进阈值函数两方面优化的降噪方法。首先,针对传统阈值法估计偏大和单序列样本熵阈值法估计易陷入局部最优的问题,建立了融合噪声序列样本熵和降噪序列样本熵的综合熵模型,以综合熵曲率拐点下的阈值为优化目标,提出一种二分变步长非线性搜索方法实现最优阈值的快速估计。进一步,针对传统小波阈值函数存在重构振荡和重构偏差的问题,提出了一种融合软、硬阈值特征的改进阈值函数,通过使用平滑过渡数模型对该函数中的品质因子参数进行优化,使函数曲线在临界阈值邻域内连续平滑过渡。在高压设备局部放电超声波脉冲信号降噪应用场景中的仿真及测试试验结果表明,所提出综合熵阈值估计方法能够快速、准确地逼近最优阈值。此外,改进阈值函数兼顾了软、硬阈值函数的优点,能够抑制重构振荡和重构偏差,在保留原始信号有效信息的前提下实现对噪声的有效抑制,表现出了较好的工程应用价值。     

基于EEMD-SOBI的水电机组多源信息分离处理EI北大核心CSCD

水电机组振动观测信号包括相互耦合的水-机-电振源及各类噪声成分,本文提出采用集合经验模态分解-二阶盲辨识(ensemble empirical mode decomposition-second order blind source separation, EEMD-SOBI)的方法对多源观测信号进行识别。对观测信号进行解相关等初步处理后,白化计算各信号二阶统计量,计算观测信号协方差对角矩阵,最终计算振源的最优估计,对振源成分进行识别。仿真计算和模拟计算的结果均表明,仅利用观测信号均可分离出源信息且对噪声不敏感,基本能够识别出源信息,针对某电站实测单信号和多信号分析时,可有效识别出信号源成分,为水电机组的振源识别提供支撑。     

一种改进的EEMD方法及其应用研究EI北大核心CSCD

针对集成经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)中协助噪声幅值大小需要人为经验确定的不足,基于经验模式分解(Empirical Mode Decomposition,EMD)二进滤波器特性,讨论了EMD出现模式混淆的原因,研究了EEMD中协助噪声幅值大小的确定原则,提出基于极值点分布特性的改进EEMD方法,通过遍态历经,以极值点分布特性为评价参数,自适应确定EEMD方法中高斯白噪声优化幅值。通过数据仿真,验证了其有效性。最后,应用于转子早期故障诊断中,结果显示可以自适应确定噪声幅值,避免参数人为选择导致分解结果的盲目性,有效抑制了传统EMD方法的模式混淆现象,可有效识别转子早期碰摩引起的故障特征。     

改进SVD算法的转子系统轴心轨迹快速提纯研究EI北大核心CSCD

为实现转子系统轴心轨迹的快速提纯,提出一种改进的奇异值分解(improved singular value decomposition,ISVD)算法。首先,构建一种奇异值差异比(singular value difference ratio,SVDR)的评判指标来确定矩阵行数,对Hankel矩阵的结构进行优化;其次,利用奇异值与频率的数量关系筛选有效分量,对有效分量进行重构得到特征信号;然后,将降噪提纯后的特征信号合成轴心轨迹,实现轴心轨迹的提纯;最后,利用仿真和实测信号对所提方法进行分析。试验结果表明,与最大维数法相比,在SVDR确定的矩阵结构下,奇异值分解的降噪性能保持不变,但分解的时间缩短了90.18%,提高了计算效率。     

基于VMD和中心频率的舰船辐射噪声特征提取方法研究EI北大核心CSCD

为了有效提取舰船辐射噪声的频率特征,提出一种基于变分模态分解(VMD)和中心频率的舰船辐射噪声特征提取方法。采用VMD方法将三类舰船辐射噪声分解为一组有限带宽固有模态函数(IMF),计算各阶IMF强度,选取能量较大的IMF作为研究对象,以最强IMF中心频率及能量较大的多个IMF中心频率作为特征参数对三类舰船辐射噪声进行特征提取;针对舰船辐射噪声频率特征提取难且不精准确的问题,采用VMD方法可以准确提取IMF中心频率,实现舰船辐射噪声的特征提取。通过数字仿真和实际舰船辐射噪声信号实验分析,并与基于集合经验模态分解(EEMD)的中心频率及高低频能量差方法进行比较,结果表明该方法可以有效提取舰船辐射噪声中心频率,并实现不同类别舰船的分类识别。