基于自适应CEEMD-MPE算法的矿山爆破振动信号去噪研究

由于矿山环境的复杂性、监测传感器的误差和磁场的干扰,实测爆破振动信号不可避免地包含大量高频噪声。为有效去除噪声成分,引入相关均方根误差获得了具有自适应能力的CEEMD算法,对矿山爆破振动信号进行精细化分解,得到频率由大到小排列的固有模态函数(IMF),对各IMF进行MPE随机性检测,将MPE值大于0.6的IMF成分去除,以达到去噪目的。将自适应CEEMD-MPE算法应用于矿山爆破振动信号去噪处理,研究结果表明：该算法具有较好的保真度和去噪效果,有效地去除了信号所含高频噪声成分,同时对真实振动信息影响较小。对比分析表明自适应CEEMD-MPE算法优于EMD-MPE和EEMD-MPE算法,验证了该算法的有效性。     

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...     

改进的EMD结合重复降噪在故障诊断中的应用

滚动轴承的故障信号采集中往往含有大量的噪声信号。对采集信号进行小波包降噪后,利用经验模态分解(empirical mode decomposition,EMD)得到若干个固有模态函数(intrinsic mode function,IMF)。计算各个IMF与去噪后信号的相关系数以此确定哪几个IMF是待分析信号的有效集,根据有效集中IMF的突变程度来选择不同消失矩的db系小波进行小波降噪。对IMF进行边际谱分析来判断滚动轴承哪个部位发生故障。该方法有效地去除了混杂在故障信号中的噪声,提高了信噪比,准确地判断出滚动轴承发生故障的部位。     

基于CEEMD和排列熵的故障数据小波阈值降噪方法

针对旋转机械故障数据的非平稳性及总体平均经验模态分解方法(CEEMD)舍弃高频分量降噪方法和小波阈值降噪方法存在的不足,提出了基于CEEMD和排列熵的小波阈值降噪方法。运用CEEMD将信号分解为一系列的固有模态函数(IMF)分量,利用排列熵来确定含有噪声成分较多的IMF分量,采用小波阈值降噪方法对含有较多噪声成分的IMF分量进行降噪处理,保留这些分量中的有效信息。仿真分析和实例分析表明,基于CEEMD和排列熵的小波阈值降噪方法效果优于单纯的CEEMD降噪方法和小波阈值降噪方法。     

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。     

自适应MED结合EMD诊断滚动轴承早期故障

针对最小熵解卷积(MED)降噪效果受滤波器长度影响问题,提出一种利用步长迭代算法和包络谱熵检验准则的自适应MED降噪方法,并结合经验模态分解(EMD)提取滚动轴承微弱故障特征。首先利用自适应MED降噪方法对原信号进行最优降噪处理,然后通过EMD将降噪信号分解为若干个本征模函数(IMF)分量,再选取峭度值最大的IMF进行包络谱分析,根据包络谱中故障特征频率实现故障诊断。仿真信号和实测信号分析结果表明其优于基于EMD的包络解调方法。     

基于参数自寻优变分模态分解的信号降噪方法EI北大核心CSCD

针对滚动轴承故障信号具有非线性、非平稳、噪声强的特点,提出了一种基于参数自寻优变分模态分解(variational modal decomposition,VMD)的信号降噪方法。以模态复合熵作为适应度函数,采用改进粒子群算法进行VMD参数自适应寻优,确定变分模态分解最优模态数K和二次惩罚因子α;基于最优K和α,对原始信号进行VMD分解,得到K个本征模态函数(intrinsic mode function,IMF)分量;利用相关系数筛选法,进行模态分量的有效模态和含噪模态识别,利用小波阈值去噪方法对含噪模态进行去噪处理;将有效模态与去噪后的模态进行重构,实现信号降噪。分别用滚动轴承故障仿真信号和试验信号进行验证,并与EMD降噪方法进行比较,结果表明该方法可有效提高故障信号的信噪比,降噪效果明显,有利于滚动轴承故障特征的提取。     

基于CEEMDAN·MPE-NHT的爆破地震波信号时频分析

针对希尔伯特-黄变换(Hilbert-Huang Transform, HHT)处理混有噪声的爆破地震波信号时，会出现时频分析失真的现象，对影响HHT时频分析精度的因素进行逐一改进，得到改进后的算法来提高含噪爆破地震波信号时频分析精度。首先对经验模态分解(Ensemble Empirical Mode, 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，同时添加多尺度排列熵(Multiscale Permutation Entropy, MPE)代码控制高频噪声，最后对CEEMDAN·MPE得到的IMF进行归一化Hilbert变换(Normalized Hilbert Transform, NHT),通过上述三步即可改善传统HHT含噪爆破地震波信号时频分析精度不足的问题。为验证CEEMDAN·MPE-NHT算法时频分析的准确性，进行HHT和CEEMDAN·MPE-NHT算法的含噪仿真信号时频分析对比研究，并将CEEMDAN...     

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。     

小净距分离式隧道爆破振动信号降噪方法分析

由于隧道施工环境复杂,因此隧道爆破振动实测信号伴有大量噪声,导致信号特征失真。为了准确分析隧道爆破振动信号的特征,该文提出采用经验模态分解和变分模态分解2种方法进行降噪处理。将原始信号分解成多个本征模态函数,再进行重组,通过降噪目标函数指标来分析降噪效果。研究结果表明,2种算法均可有效地对原始信号进行降噪处理,且变分模态分解降噪效果比经验模态分解好。研究成果可为类似工程爆破振动信号降噪处理提供参考。     

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和SVD联合降噪方法的球磨机振动信号随机噪声压制

针对球磨机筒体振动信号中存在大量噪声信号,难以提取其有效信息的问题,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的联合降噪方法。该方法首先利用VMD算法对球磨机振动信号进行分解,得到K个本征模态分量(IMF),其中K值采用瞬时频率均值法确定;然后通过互相关系数法选取大于等于互相关系数阈值的IMF分量,将选出的分量视为敏感模态分量,再利用奇异值分解算法对敏感模态分量进行去噪处理;最后将经过奇异值去噪的敏感模态分量重构,得到最终降噪信号。仿真分析验证该方法的有效性,将该方法运用到实测球磨机筒体振动信号中,结果表明,该方法能够去除磨机筒体信号中的噪声,提高了信号后续分析处理的可靠性。     

基于变分模态分解和最大重叠离散小波包变换的齿轮信号去噪方法

针对齿轮故障信号易受噪声干扰导致故障特征难以提取的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)和最大重叠离散小波包变换(maximal overlap discrete wavelet packet transform,MODWPT)相结合的信号去噪方法。采用VMD方法将齿轮振动信号分解成一系列不同中心频率的固有模态函数(intrinsic mode function,IMF),对VMD分解过程中影响其精度的主要参数选择方法进行了探究,提出相关参数的选取依据。结合能量熵增量-频域互相关系数准则以剔除分解出的高频噪声和虚假干扰成分;采用MODWPT方法对包含高频噪声的IMF分量进行去噪,以进一步提升信号的去噪效果和性能指标;最后将去噪后高频IMF分量同表征信号自身特征的敏感模态分量重构为去噪信号。通过仿真信号和齿轮断齿故障信号的分析,证明了所提方法的有效性和实用性。     

基于IA-VMD的浮环密封声发射信号降噪与特征提取

针对航空发动机浮环密封运行时,声发射信号易受外界噪声干扰,且特征信号难以提取的问题,提出一种基于免疫算法(immune algorithm, IA)和变分模态分解(variational mode decomposition, VMD)的声发射信号处理方法。首先应用免疫算法对变分模态分解中的模态数K和惩罚因子α进行优化,采用样本熵为亲和度函数,得到VMD算法中的最佳参数组合。其次,对原始信号进行分解得到若干模态分量(intrinsic mode function, IMF)并计算出各个分量的相对熵,选取差异小的分量进行重构得到降噪信号。仿真信号分析表明,IA-VMD方法可以获得最佳参数,在抗噪声干扰方面具有明显优势。最后,对浮环密封声发射信号降噪并进行特征提取,结果表明,采用IA-VMD方法能够在降噪的同时最大限度保留有效信息,获得表征浮环密封主密封面碰摩状态的声发射信号,为今后浮环密封故障诊断奠定基础。     

基于OVMD-MPE算法的隧道爆破振动数据降噪分析

受隧道爆破复杂环境和仪器电磁干扰等因素的影响，实测爆破振动信号多含有高频噪声，通过直接分析原始信号不能有效分析爆破振动规律。为获得真实的爆破振动特征，采用基于最优变分模态分解(OVMD)和多尺度排列熵(MPE)相结合的信号光滑降噪模型，通过仿真叠加信号和工程实测信号进行检验。首先将信号进行OVMD分解得到带限固有模态函数(BIMF),然后将大于MPE设定阈值的高频BIMF作为噪声剔除，最后重构剩余BIMF分量，得到降噪信号。结果表明：OVMD-MPE模型能精确识别信号的频率信息，前两阶分量能有效反映叠加信号的有效成分，适用高精度数据序列分析，提取数据序列特征；相较EEMD-MPE和CEEMDAN-MPE模型，OVMD-MPE模型具备更优降噪性能，降噪误差比、均根方误差和光滑度分别提升22.05%、48%和33.34%,去噪后曲线更贴近原始信号，更适用不同震源距离的爆破信号分析；双子山隧道右线施工时产生的爆破扰动集中于200 Hz以下的中低频段，双子山隧道衬砌结构的固有频率与爆破信号频率相仿，需采取减震措施确保隧道工程的施工安全。     

基于CEEMD分解和Data-SSI算法的斜拉桥模态参数识别

针对集合经验模态分解算法存在的不足之处,提出了一种基于聚类分析的集合经验模态分解算法(CEEMD),以实现对响应信号的降噪与重构。首先对输入信号进行特征分析以确定加入白噪声的幅值标准差以及EEMD集成次数;其次进行EEMD分解;并对所得本征模态函数(IMF)利用欧式距离进行聚类分析,以检验所得本征模态函数之间是否存在模态混叠现象;然后采用模糊综合评价法计算每个IMF与实测信号之间的模糊相似系数,以便选出有效的IMF分量;再利用主成分分析和帕累托图法对保留下来的有效IMFs进行信号的重构,进而达到对实测信号的有效分解和降噪效果。为了验证该算法能运用于实际桥梁中,对某大型斜拉桥进行实例分析,首先对传感器所测响应信号进行重构,然后将其作为数据驱动随机子空间算法的输入,进行模态参数识别,同时为了进一步验证该算法所得结果比现有算法更为精确,对各算法结果进行了对比分析,结论是该算法能对响应信号进行更好的降噪与重构,且所得结果更接近真实值,能运用于实际桥梁的模态参数识别。     

基于改进CEEMD的超声检测信号自适应降噪

针对超声时域检测污垢数据的非平稳性和模态混叠难以实现污垢特征分离的问题,对于采用功率谱密度判定噪声区间的CEEMD分解,进而直接舍弃高频分量容易造成有效信息损失的不足,以及传统小波降噪易造成重构信号的变形等缺陷,提出基于CEEMD自相关函数的自适应软阈值降噪,引入模态自相关特性曲线判定含有噪声成分较多的IMF分量,并结合小波自适应软阈值方法拾取噪声分量中的高频有用信号。仿真分析和实验研究表明:基于CEEMD和自相关的自适应降噪方法优于传统小波阈值和单纯的CEEMD,且能很好的解决模态混叠问题,提取出污垢特征信号,对超声检测信号的处理具有重要意义。     

CEEMDAN 小波包联合降噪的优化方法

针对实测隧道爆破振动信号降噪效果不理想的问题,引入多尺度排列熵的概念,用来筛选含噪明显的本征模态分量,并结合SG（savitzky-golay）平滑滤波方法提出了一种完备的自适应噪声经验模态分解（CEEMDAN）和小波包联合降噪的优化方法,通过信噪比(SNR)、均方根差(RMSE)、相关系数、自相关系数对仿真实验和实测信号处理结果进行对比分析。结果表明,CEEMDAN 小波包联合降噪优化方法提高了信号降噪效果,且有效保留了原始信号中的特征信息,可以应用到类似爆破振动信号的降噪处理中。     

基于LMD-MFE-SVD的松动爆破降噪分析

为提高松动爆破振动信号分析精度，在局部均值分解(LMD)的基础上，建立一种基于局部均值分解(LMD)-多尺度模糊熵(MFE)-奇异值滤波(SVD)的混合去噪方法。使用LMD方法对松动爆破振动信号进行分解，获得一系列乘积分量(PF);通过计算MFE和相关系数，对爆破振动信号进行初步降噪；针对主要PF分量的残留噪声，使用SVD滤波进行降噪处理，提取真实信号成分。通过上述处理，最终实现松动爆破信号降噪。结果表明：提出的LMD-MFE-SVD降噪方法具有可行性和应用价值，能够对含噪的PF分量进行有效处理；对于含多信号成分、多噪声的仿真信号，LMD类算法相较EMD类改进算法降噪效率更高，信噪比(SNR)、均根方误差(RMSE)和失真百分比(PRD)指标表现显著提升，而相较LMD算法，提出的LMD-MFE-SVD算法降噪效率进一步提高，依次提升11.73%、22.07%和9.25%,降噪效率显著；根据实测松动爆破振动信号去噪后的波形和频谱对比，提出的LMD-MFE-SVD降噪后的信号波形更为集中，能保留多数信号信息，信号频谱图更为清晰，有效显示信号频率波峰，更利于松动爆破振动信号的特征分析。