基于独立分量分析算法的局部放电信号去噪方法研究

针对局部放电监测信号中多种干扰噪声的消除难题,提出结合经验模态分解的独立分量分析算法,进行变压器局部放电信号的去噪。针对独立分量分析进行信号分离时需要多元信号的要求,首先提出利用经验模态分解算法构造参考信号,然后通过独立分量分析算法进行信号分离。利用该方法进行变压器局部放电信号的去噪,较好地恢复出窄带干扰及白噪声下的局部放电脉冲信号的波形、波形之间相对幅值关系以及脉冲极值所对应的时间点等局放信息,在仿真及实测数据的处理中都取得了较好的效果,验证了该方法的有效性和优越性。     

参数优化VMD在爆破振动信号分析中的应用

针对经验模态分解(Empirical Mode Decomposition, EMD)方法在爆破振动信号应用中模态混叠的问题,提出了一种改进的变分模态分解(Variational Mode Decomposition, VMD)方法.首先,使用任意给定的模态分解个数与惩罚因子变分模态分解将爆破振动信号分解为K个模态;然后计算分量的幅值谱熵的局部最小值;其次采用混合GA-PSO算法对任意模态分解个数与惩罚因子进行全局搜索来不断优化参数并更新幅值谱熵的局部最小值,最终最小幅值谱熵与平均幅值谱趋于一致,得出全局最小的局部最小值的幅值谱熵相应的模态分解个数与惩罚因子.仿真结果表明:模态分解个数与惩罚因子作为全局最优输入交叉优化能够准确地确定模态分解个数与惩罚因子,与经验模态分解相比,改进的变分模态分解方法具有很强的鲁棒性和抗噪声干扰能力以及分解与去噪重构精度.最后利用参数优化后的VMD进行爆破振动信号的实测,通过相关系数法检验,各分量相关系数均在一个数量级上,解决了模态混叠问题并且无虚假分量,证明参数优化的VMD在爆破振动信号应用上具有很好的适应性.     

基于脊路跟踪的变分非线性调频模态分解方法

针对多个辐射源信号混合构成的多分量信号分离问题,提出基于脊路跟踪的变分非线性调频模态分解算法. 该方法使用改进的脊路重组算法对时频分布图中各分量瞬时频率进行提取,将提取出的各分量瞬时频率作为变分非线性调频模态分解的预设频率;利用重构后的多分量信号进行瞬时频率提取,更新预设频率后继续模态分解;重复上述过程,直到迭代前、后频率差值小于预设阈值,输出对应的模态分解结果. 实验结果表明,基于脊路跟踪的变分非线性调频模态分解算法比经典变分非线性调频模态分解算法具有更好的多分量信号分离效果.     

基于模板匹配和镜像延拓的两阶段经验模态分解算法

针对传统经验模态分解算法存在的端点效应问题,提出了一种适用于脉搏信号分析的基于模板匹配和镜像延拓的两阶段经验模态分解算法。依据脉搏信号的类周期特征,首先识别其特征信息,分离出单一心动周期内的脉搏信号;然后使用信号相干平均技术获取脉搏信号模板,依据模板将首尾端点处的脉搏信号扩展至整个心动周期;最后采用镜像延拓方法对扩展后的脉搏信号进行经验模态分解。实验结果表明,扩展后的脉搏信号能够较好地模拟原信号首尾端点处的变化趋势,因此新算法能够有效抑制传统经验模态方法存在的端点效应问题,适用于诸如脉搏信号等具有类周期特征的生理信号分析。     

基于EMD的激光超声信号去噪方法

基于连续均方误差的准则,提出了一种基于经验模态分解(EMD)的激光超声信号去噪方法.该方法将经验模态分解得到的固有模态函数(IMF)分为信号分量起主导作用,模态与噪声分量起主导作用模态,利用反映信号主要结构的模态对信号进行部分重建实现去噪.将该方法应用于测试信号与实际激光超声信号的去噪,实验结果表明该方法能够有效地去除噪声,并且不受主观参数的影响,具有自适应的特点.     

基于EMD虚拟通道的ICA算法在信号消噪中的应用

提出了一种由经验模态分解构造虚拟噪声通道,结合独立分量分析进行信号消噪的方法. 在分析经验模态分解及独立分量分析的优越性基础上,阐述了构造虚拟噪声通道的基本原理,给出了具体构造方法. 用固有模态函数的Hilbert时频谱作为虚拟噪声通道重构分量选择的依据. 仿真计算表明,该方法对白噪声的消除是有效的,消噪效果较为理想. 与传统小波方法比较,具有优势.     

基于最优特征的改进经验模态分解方法

针对经验模态分解(EMD)过程中存在的模态混叠等问题,提出了一种基于最优特征的自适应白噪声平均总体经验模态分解方法。该方法采用基于边界局部均值延拓的方法抑制端点效应问题,同时,在经验模态分解的每个阶段自适应地添加有限次白噪声,保证在平均次数相对少的情况下,通过计算唯一残余分量来获取信号的固有模态函数,从而避免了模态混叠问题的产生。通过分析仿真信号和实测信号,证明了该方法对模态混叠现象有一定的抑制作用,同时可有效避免端点效应问题的产生。     

谱熵和主成分分析用于EMD分解研究

针对传统经验模态分解(EMD)的终止条件的不足,将信息熵和主成分分析(PCA)原理引入希尔伯特-黄变换(HHT)中,提出了一种Hilbert时频谱熵的算法,以此为基础提出了基于时频谱熵的分量终止准则和基于主成分分析的分解终止准则,并对EMD算法进行改进.改进的EMD算法能够得到更准确的分解结果,并且在一定程度上减少了虚假分量和模态混叠的产生.仿真实验表明,采用基于时频谱熵和主成分分析的终止准则对EMD算法的改进是有效的.     

基于变分模态分解的心冲击信号和呼吸信号分离

为了在睡眠时以非侵入方式监测心冲击信号（BCG）和呼吸信号,使用电阻式薄膜压力传感器嵌入床垫中,将变分模态分解（VMD）算法引入到二维生理信号提取过程. 信号经床垫中的柔性压力传感器,通过硬件低通滤波、数字去趋势（DFA）后,利用VMD算法分解出生理信号中心冲击信号与呼吸信号的潜在分量,通过自适应选取有效分量重构BCG信号与呼吸信号. 基于Hilbert变换,对比VMD、经验模态分解（EMD）、互补集合经验模态分解（CEEMD）分量的瞬时频率. VMD在0~3.0 Hz内的混叠情况相对于EMD与CEEMD得到改善. 采用Bland-Altman法,对标准结果和实验重构结果进行一致性评价. 结果表明,利用VMD法所得BCG与呼吸信号分别有93.75%和92.5%的点在95%一致性标准界限内,有较高的一致性.     

基于改进EMD和小波阈值法的风机数据降噪研究

风机轴承振动信号中混杂着噪声,会对后期的故障诊断造成困难。提出了一种改进经验模态分解(EMD)与小波阈值降噪相结合的风机数据降噪方法。首先,采用EMD对原始振动信号进行分解得到信号的固有模态函数,考虑到各个分量中都含有噪声和信号从而出现模态混叠现象,故采用相关系数法筛选出信号分量和噪声分量对EMD进行改进。然后,采用小波阈值法对噪声分量进行降噪,并将信号分量与处理后的噪声分量进行重构,最终完成信号降噪。最后,选取某风机轴承振动数据作为实验数据,有效地去除了原始信号中的噪声,并得出轴承内圈故障的结论,与实际结果一致,验证了所提方法的有效性。     

改进的二维经验模式分解方法

为了解决图像处理中应用到的传统二维经验模式分解算法存在边界效应和过度分解的问题,提出了一种改进的二维经验模式分解算法.该算法首先对原始图像的边界进行延拓处理,在图像信号的边界处增加一部分数据;然后对处理后的图像使用传统的二维经验模式分解方法进行图像筛分,筛分截止后对每个筛分过度的内在模式函数增加一个对应的补偿量.应用改进的二维经验模式分解算法对图像进行了处理,计算了处理后得到的重构图与原图的标准差.实验结果表明,改进的二维经验模式分解算法消除了边界效应,也解决了图像分解过度的问题.重构图与原图像的标准差很小,证明了重构图与原图的图像灰度波动很小即图像吻合得很好,并且由于处理边界问题时附加的图像信息并不多乃至计算量小,使处理简单易行,论证了改进的二维经验模式分解算法在图像处理中的可行性.     

检测低频振荡模式的EMD复合算法研究

提出一种抗模态混叠的EMD复合算法。首先,通过改进频率外差方法,增加混叠模态分量间的频谱距离,有效分离出倍频模态混叠成分;其次,结合小波奇异点检测技术,确定各模态分量的自适应滑动分析窗口,实现间歇性混叠模态分离和振荡模式非平稳参数辨识。为验证算法的有效性,利用测试算例和电网仿真算例进行了测试分析,结果表明,该算法能够有效分离出混叠模式分量,对于模式复杂的低频振荡信号,能够有效分离出对应的低频振荡模式,具有较高的振荡模式信息检测精度。     

基于经验模态分解和支持向量机的传感器故障诊断方法

提出了一种基于经验模式分解（EMD）和支持向量机（SVM）的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数（IMF）,对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型。通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中。     

基于EEMD-JADE的桥梁挠度监测中温度效应的分离

针对桥梁挠度各成分的分离问题,提出一种基于EEMD-JADE的单通道盲源分离算法。首先,利用传统的集合经验模态分解法（Ensemble Empirical Mode Decomposition,EEMD）将单通道的桥梁挠度信号分解为一系列线性平稳的本征模函数（Intrinsic Mode Function,IMF）;然后,采用基于能量熵增量的判别法识别并剔除虚假的IMF分量,将能量熵增量较大的IMF分量组成盲源分离模型的输入信号;最后,采用矩阵联合近似对角化（Joint Approximate Diagonalization of Eigen-matrices,JADE）算法对输入信号进行盲源分离。JADE算法在源信号频率差异较小且频率有所混叠的状况下也能较好地分离出源信号,但要求观测信号数必须大于等于源信号数目;EEMD具有良好的自适应性,能够将单通道的混合信号进行多尺度分解,形成多通道信号,但分解结果存在端点效应与模态混叠。JADE算法能够解决EEMD分解结果存在的端点效应与模态混叠问题,且EEMD也解决了JADE分离算法的先决条件。两种算法优势互补,能够较好地分离出各挠度组分。通过有限元软件Midas/civil建立了背景桥梁模型,经仿真分析得到了各单项因素作用下的桥梁结构响应,并将其叠加在一起作为待分离的混合挠度信号。仿真信号分离的结果与源信号的相关系数均在0.98以上,说明分离效果较好。最后,采集实测挠度信号进行分离,处于对称位置测点分离出的各挠度组分的相关系数均在0.9以上,证明了该算法的适用性。     

基于趋势补偿的防抱死系统轮速信号处理

为了解决基于霍尔传感器混合动力汽车防抱死系统轮速检测信号容易产生温度漂移干扰的问题,提出了一种利用联合中值均值加权和经验模函数分解估计温度漂移干扰信号的算法.通过联合中值均值加权估计出温度漂移趋势成分后,再对估计温度漂移趋势进行自适应固态模函数分解,利用t检验的方法,判断出各阶固态模函数中不属于温度漂移趋势的成分,继而得到温度漂移趋势的精确估计.对比了不同温度漂移干扰下本文算法与形态学滤波算法的噪声修正性能,结果表明,本文算法能够有效剔除温度漂移干扰,平均信噪比提升4 d B以上.     

基于EMD与ICA的滚动轴承复合故障诊断

针对单通道情况下滚动轴承复合故障难以分离问题,提出基于经验模式分解(empirical mode decomposition,EMD)的独立分量分析(independent component analysis,ICA)算法.该方法首先对单通道采集的轴承复合故障信号进行EMD分解,得到多个基本模式分量函数(intrinsic mode function,IMF),然后依据帩度指标及相关系数值,选取有效的IMF分量与原观测信号组成新的观测信号,对其进行ICA处理,进而实现轴承复合故障的分离.实验结果表明,该方法可有效地分离轴承早期的复合故障.     

基于EMD和SVM的传感器故障诊断方法

为了解决自确认压力传感器的故障诊断问题,提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数(IMF),对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型.通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中.     

基于FastICA改进EMD的算法研究

经验模态分解(EMD)算法在非线性、非稳态的信号处理上具有显著的优势,但EMD在实际应用过程中存在着一些缺陷,其中以模态混叠和虚假模态现象最为突出。模态混叠现象可以简单地概述为在1个本征模函数 (IMF)含有多于一阶的结构固有模态分量;虚假模态现象则是指不该有的频率组分对结构模态参数识别精度的严重影响。针对这一问题,对EMD中存在的以上两大缺陷展开研究,提出了利用频带滤波和独立分量分析算法(ICA)中的快速ICA算法(FastICA)相结合改进的EMD 算法。利用希尔伯特变换(HT)识别结构频率,并通过Benchmark 结构验证了所提算法的有效性。     

具有间断事件检测和分离的经验模态分解方法

针对在经验模态分解（EMD）筛选过程中间断信号引起的模态混叠问题,提出了一种新的解决方法．该方法为根据间断过程信号与正常背景信号时间尺度的不同,利用固有模态函数（IMF）的瞬时频率特性实现间断信号的精确定位,依据定位的间断信号段经端点延拓重新做EMD分离出间断信号,从而在后续的EMD中消除该间断信号的影响．将该方法与小波法消除间断信号的结果进行了比较,显示其滤除结果的信号失真较小,并可将间断信号分解为一固有模态函数．