基于相关系数的EEMD转子信号降噪方法

针对转子振动信号周期性强的特点,应用集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)对转子振动信号降噪过程中固有模式函数(intrinsic mode functions,简称IMF)分量的选取问题,提出了基于相关系数的EEMD降噪方法。首先,对原始信号进行EEMD分解得到IMF分量,并计算各IMF分量自相关函数与原信号自相关函数的相关系数;然后,根据相关系数选择相应的IMF分量重构信号最终达到对原信号降噪的目的;最后,对比了EEMD过程中不同加噪次数对降噪效率和效果的影响,给出了加噪次数的设置方法。仿真信号和转子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CEEMD的滚动轴承振动信号自适应降噪方法

针对滚动轴承故障特征信号容易被噪声掩盖难以提取的问题,提出了基于互补集合经验模态分解(CEEMD)的滚动轴承振动信号自适应降噪方法。为了准确判定噪声分量和有用信号分量的分界点,在对振动信号进行CEEMD分解后,设计了依据信噪分量自相关函数的单边波峰宽度特性自适应地判定分界点的方法。为了保证重构信号的完整性,利用改进的小波阈值降噪方法提取低频IMF分量中的高频有效信息。实验分析表明,结合改进阈值函数的CEEMD自适应降噪方法能够有效地去除故障振动信号中夹杂的噪声,并且很好地保留了滚动轴承振动信号的突变细节,达到了不错的降噪效果。     

基于变分模态分解的风机齿轮箱振动信号降噪方法研究

针对风机齿轮箱振动信号噪声对系统故障诊断产生干扰的问题,研究了对信号进行降噪处理的方法,提出了一种基于变分模态分析的方法.对数据进行了预处理,通过维纳滤波去除了采集信号中的噪声成分,利用了变分模态分解迭代寻找模型最优解,确定了各分量频率中心和带宽,实现了不同频率成分有效分离;采用了完全非递归分解模型,有效避免了经验模态...     

EEMD结合小波阈值的光电容积脉搏波信号降噪

为了研究脉搏波信号降噪的问题,文章提出了一种集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与小波阈值相结合的降噪方法,对采集到的光电容积脉搏波信号来做降噪处理,同时和EMD结合小波阈值降噪算法进行比较。算法首先把信号做EEMD的分解,将原始信号分解为n个模态分量(Intrinsic Mode Function,IMF),然后对这些分量做相干性的计算,对其中的噪声分量来做小波阈值降噪,最后将信号重构。原始信号在STM32平台上采用MAX30100传感器测得。实验结果表明:本文的方法能够很好地剔除光电容积脉搏波中包含高频噪声与基线漂移的各种噪声,降噪后信噪比为34.09,均方根误差为1.99。提高了PPG信号的质量,为光电容积脉搏波信号的准确测量提供了新的思路。     

EEMD结合小波包的振动筛轴承信号降噪效果分析

为解决振动机械故障诊断中如何更有效地在复杂信号中提取有用的故障信号的问题,提出了一种优良降噪算法。先将原始信号用小波包降噪,对降噪后的信号进行EEMD分解,然后将分解得到的固有模态分量(IMF)构建不同的带通滤波器,利用算法逼近度指标和相关系数建立优良降噪算法的判断准则,以此来选择最优的滤波器组合。对振动筛轴承信号进行仿真,用新算法处理仿真信号,结果显示,故障信号被保留下来,其他信号均被滤除。同时用该降噪算法分析了实测振动筛轴承信号,所得的结果合理有效。     

基于CEEMDAN-PE的心冲击信号降噪方法研究

心冲击信号(BCG)是反应心脏力学特征的生理信号,能实现无电极束缚条件下的连续采集测量,然而BCG信号微弱且极易受到干扰,测量时经常会淹没在噪声中。为了有效识别BCG信号,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)联合排列熵(PE)的BCG降噪方法。首先,将采集到的BCG信号通过CEEMDAN分解得到一系列按频率由高到低的固有模态函数(IMF)。其次,通过PE计算各个IMF分量的值并确定有效信号的阈值范围,从而滤除信号中的高频噪声和基线漂移。最后实验结果显示,降噪后信号的幅频特性得到明显改善且信噪比较传统方法有明显提高,证明了本文降噪方法效果显著,能够有效还原BCG信号特征。     

谱图小波阈值降噪及其在滚刀主轴振动信号分析中的应用

通过分析谱图小波变换在平面图像、三维实体分析中的应用,提出一种用于一维数字信号分析的谱图小波阈值降噪方法。该方法将一维数字信号定义到路图上,利用谱图小波变换将其分解成尺度系数和谱图小波系数,对谱图小波系数进行阈值过滤处理,再进行谱图小波逆变换得到降噪信号。首先,利用四种典型仿真信号进行降噪试验,并分析不同分解层数对降噪性能的影响;接着,将其与经典小波阈值降噪方法进行仿真对比;最后,采用该方法进行滚刀主轴振动信号降噪,并与经典小波阈值降噪方法对比。仿真及试验结果表明,该方法实现了一维数字信号的快速非迭代降噪,且降噪信号平滑度高、畸变小,优于经典小波阈值降噪方法。     

结合EMD和LSF的振动信号降噪方法的研究

针对原始振动加速度信号中存在的低频趋势项信号在通过数学积分变换时存在严重失真的问题,提出了采用最小二乘法（least squares fit,简称LSF）和经验模态分解（empirical mode decomposition,简称EMD）相结合的方法,实现过滤原始信号中干扰信号的目的。该方法通过对经验模态分解得到的固有模态函数（intrinsic mode function,简称IMF）去除趋势项后进行重构以达到信号降噪的目的。采用该方法分别对模拟信号和某型号干式真空泵的振动实测数据进行了降噪处理,再进行信号积分变换,通过对比证明了该方法能够弥补单一方法在处理信号低频趋势项时的不足,提高了振动信号分析的可靠性。     

基于IES的切削颤振孕育期信号降噪方法

切削颤振孕育期介于稳定切削与颤振爆发之间,该阶段切削力信号中颤振特征具有典型微弱信息特性。采用基于总体经验模态分解（ensemble empirical mode decomposition, 简称EEMD）与奇异值分解（singular value decomposition, 简称SVD）相结合的方法对颤振孕育期信号进行降噪时,大多存在噪声剔除不充分或微弱目标特征信息失真等问题。首先,通过引入功率谱密度（power spectral density, 简称PSD）与常相干函数（common coherency function, 简称CCF）对EEMD降噪机制进行改进,使微弱目标特征所在本征模态函数（intrinsic mode function, 简称IMF）分量得到有效提取;其次,借助池化原理（pooling principle, 简称PP）降低IMF分量复杂度,并联合SVD对其实施分块降噪,以实现对微弱目标特征中所含噪声进行有效消减;最后,耦合上述改进并重构信号,可面向微弱目标特征信号形成基于改进EEMD?SVD（improved EEMD?SVD,简称IES）的降噪方法。分别利用IES与EEMD?SVD对Rossler混沌信号进行降噪处理,并通过比较信噪比、均方误差及平滑度等降噪评价指标,对所提方法在降噪有效性及信息保真度方面的优势进行量化验证。在此基础上,再次借助所提IES方法对变轴向切深铣削实验中颤振孕育期铣削力信号进行降噪分析。结果表明,该方法能显著抑制颤振孕育期信号噪声,并能有效避免微弱颤振特征信号失真问题。     

EEMD和TFPF联合降噪法在齿轮故障诊断中的应用

为了消除噪声对齿轮传动系统故障特征提取的影响,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)和时频峰值滤波(time-frequency peak filtering,简称TFPF)相结合的降噪方法。针对TFPF算法在窗长的选择方面受到限制的问题,采用了EEMD方法对其进行改进,使得信号在噪声压制和有效信号保真两方面得到权衡;含噪声的信号经过EEMD分解后,得到一系列频率成分从高到低的本征模态函数(intrinsic mode functions,简称IMFs),计算出各IMFs间的相关系数,判断需要滤波的IMFs。对不同的IMFs选择不同的窗长进行TFPF滤波,把过滤后的IMFs和剩余的IMFs重构得到最终的降噪信号。用模拟仿真信号和齿轮齿根故障信号对该方法进行验证,可见EEMD+TFPF能有效地去除噪声,成功提取齿根裂纹故障特征。     

改进的EEMD算法及其在多相流检测中的应用

针对低信噪比下EEMD法在分解过程中产生模态混叠导致滤波效果变差的问题,提出了一种改进的EEMD滤波方法.该方法首先设计最优带通滤波器,滤除信号中的脉冲干扰,再将滤波后的信号进行EEMD分解,然后采用SG滤波器对筛选的IMF再进行滤波,最后对滤波后IMF进行重构.最后将改进的EEMD法和EEMD法分别用于多相流测量信号滤波及含水率测量,结果表明,改进的EEMD法与EEMD法相比,信噪比提高了约2～3 dB,滤波效果更好;含水率平均测量精度提高了约3％,测量误差更小.     

基于EMD和BCS的振动信号数据修复方法

为改善振动信号修复效果,引入贝叶斯压缩感知(BCS)理论,并提出一种基于经验模态分解(EMD)的贝叶斯压缩感知修复方法,以解决连续缺失信号修复问题。针对随机缺失信号,根据压缩感知修复原理,利用贝叶斯压缩感知算法进行修复;针对连续缺失信号,先对其进行经验模态分解,对分解得到的所有基本模式分量利用多任务贝叶斯压缩感知算法进行修复,最终将所有修复的基本模式分量累加得到整体信号。利用西储大学公开轴承数据进行修复实验,发现所提方法在时频域指标、误差、信噪比、峰值信噪比等方面均优于正交匹配追踪和正则化正交匹配追踪算法。从修复效果角度验证,发现该方法成功还原了外圈故障信号基本模式分量中的故障特征频率,达到了修复的目的。     

基于动态小波阈值的齿轮箱振动信号降噪方法

在齿轮箱的故障诊断、在线监控等领域,通常将振动信号作为最主要的分析来源。齿轮箱在起重机的实际运行过程存在多种机构相互交联影响的情况,且信号多数时候只能通过间接的形式采集获取,造成信号中存在大量杂乱无章的干扰噪声,影响了对信号的识别和特征的提取,容易造成对故障的错报和漏报等问题。文中深入分析硬阈值函数、软阈值函数、半软阈值函数和Garrote函数,提出动态调整小波阈值的算法。动态阈值算法可以在有效抑制噪声和保留信号中有用成分之间取得更好的平衡。通过模拟信号和实测故障振动信号进行对比测试,结果表明这种动态小波阈值降噪的方法相对于半软阈值函数和Garrote阈值函数的降噪算法具有更高的信噪比和较低的均方根误差。     

基于快速谱峭度图的EEMD内禀模态分量选取方法

针对在总体平均经验模式分解(ensemble empirical mode decomposition,简称EEMD)的多个内禀模态分量(intrinsic mode function,简称IMF)中,如何选取出反应故障特征的敏感IMF的问题,提出一种基于快速谱峭度图的敏感IMF选取方法。由EEMD分解获得的一组无模式混淆的IMF,计算原信号及各个IMF的快速谱峭度图,选择每个快速谱峭度图中谱峭度最大值所处的频带作为参考频带,比较各个IMF的参考频带与原信号谱峭度最大值所处频带之间的从属关系,筛选出反应故障特征的敏感IMF,为后续故障诊断提供特征信息。将该方法应用于模拟仿真信号及滚动轴承滚动体故障信号,验证了方法的有效性。     

基于EEMD奇异熵的高速道岔裂纹伤损检测

针对高速道岔裂纹伤损特征提取及状态监测问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异熵和最小二乘支持向量机(least square support vector machine,简称LSSVM)的高速道岔裂纹伤损检测方法。首先,通过EEMD方法将非平稳的道岔振动信号自适应地分解为有限个基本模态分量(intrinsic mode function,简称IMF),每个IMF包含了原信号不同的特征尺度;然后,利用相关性分析筛选出与原始信号相关性最大的若干个IMF,计算所筛选IMF分量的奇异熵构成特征向量;最后,将多测点数据融合后的奇异熵特征向量输入LSSVM进行训练与测试,从而判断道岔的工作状态和伤损类型。模拟道岔裂纹伤损实验平台的振动信号分析及实验结果表明,在信噪比高于20dB时,该方法受噪声影响小,算法稳定性好,能有效地用于道岔裂纹伤损检测。     

A new method for multicomponent signal decomposition based on self-adaptive filtering

Since the empirical mode decomposition (EMD) lacks strict orthogonality, a new method for multicomponent signal decomposition, orthogonal empirical mode decomposition (OEMD), is proposed by this paper. The essential principle of this method is to obtain the intrinsic mode functions (IMFs) and the residue by self-adaptive band-pass filtering. Firstly, the feasibility of OEMD is theoretically analyzed, then its strict orthogonality and completeness is proved, and the orthogonal basis used in OEMD is generated. Secondly, the method of analytical band-pass filtering which preserves perfect band-pass feature in the frequency domain is presented, then two fast algorithms to implement OEMD are proposed, i.e. IMF sequential searching (ISS) algorithm and IMF binary searching (IBS) algorithm. The speed of IBS is faster than that of ISS, whereas IBS algorithm may obtain much more false IMFs than ISS when signals are of complex spectral constitutions. Finally, OEMD is applied to both synthetic signals and mechanical vibration signals, the results show that compared with EMD, OEMD better solves mode aliasing, avoids the occurrence of false mode, is free of end extension, and can be effectively applied to mechanical fault diagnosis.     

基于EEMD和HT的轴流泵压力脉动特征信息提取

压力脉动是影响轴流泵运行稳定性的重要因素,为提取其压力脉动信号中的特征信息,提出了采用基于聚合经验模式分解(EEMD)和Hilbert变换(HT)的时频分析方法对轴流泵压力脉动信号进行分析。首先分别应用EEMD和传统经验模式分解(EMD)对含噪声信号进行了分析,证明了EEMD分解能抑制传统EMD中出现的模式混叠现象,从而有效提取了信号中的各频率分量;然后采用基于EEMD和Hilbert变换的时频分析方法,对某轴流泵的压力脉动信号进行了分析。研究结果表明,该方法能够准确地提取轴流泵压力脉动信号中的频率成分及其时变情况。     

基于改进EEMD与混沌振子的配电网故障选线

提出改进的集合经验模态分解(MEEMD)和混沌振子相结合的电网故障微弱信号检测方法。首先,建立神经网络预测模型,通过神经网络对配网各线路零序电流进行短时预测,滤除故障信号中的背景信号;其次,为了检测配网发生单相接地故障后微弱的5次谐波信号,提出结合多尺度排列熵和完备集合经验模态分解(CEEMD)改进的改进的集合经验模态分解算法;处理已经滤除背景信号的故障信号,提取其第一固有模态函数作为混沌振子的输入。混沌振子对和内驱动力信号同频的外策动力信号有较高的敏感性,通过混沌振子输出的相图完成电网故障选线。