基于经验模态分解的改进乘性噪声去除方法

乘性噪声往往由不理想的(时变的或非线性的)信道引起,它与信号是相乘的关系,因此难以消除。在乘性噪声消除应用背景下,引入同态变换去除噪声与信号的相倚性,将乘性噪声转化为加性噪声,并应用经验模态分解技术进一步研究受均匀分布白噪声污染的谐波信号及其同态变型的能量分布特性,据此建立起适用于乘性噪声去除的本征模函数幅值滤波新阈值准则。从而,形成基于经验模态分解的改进乘性噪声去除方法。结果表明,采用柔性阈值的改进算法对乘性噪声的去除效果最佳。而且,基于二阶多项式回归分析所构建的本征模函数幅值滤波阈值准则已经可以获得较高的源信号重建精度,过高的多项式阶次会导致本征模函数幅值滤波阈值与其实际噪声能量水平的失配,从而显著地降低算法的去噪性能。     

一种改进的小波包阈值去噪法在压缩机振动信号分析中的应用

结合变频涡旋压缩机振动小,噪声低的特点,利用一种改进阈值的小波包函数进行去噪处理,克服了硬阈值去噪不连续的缺点,同时还克服了软阈值函数去噪中的估计小波系数与分解小波系数之间存在着恒定偏差的缺陷。通过Matlab仿真分析比较了这3种去噪效果。     

Adaptive noise cancellation based on EMD in water-supply pipeline leak detection

In water-supply pipeline leak detection and location, both the leak signals and blurred noises are closely related to the pipeline states and surroundings and most of the conventional noise-cancellation methods have to depend on the empirical parameters of either signals or noises. EMD (Empirical Mode Decomposition) is an adaptive signal decomposition method and is exclusive of base functions. A signal is decomposed into several IMFs (Intrinsic Mode Functions) in EMD, then the noise in a signal can be cancelled through removing uncorrelated IMFs. The existing EMD noise cancellation methods need to know the characteristics of either the wanted signal or the noise for rebuilding the noise-removed signal. However the characteristics of leak signals and noises are not fixed in various pipeline conditions, so the existing EMD noise cancellation methods can’t be directly applied in water-supply pipeline leak detection. This paper proposes an adaptive noise cancellation method based on EMD, in which the IMFs that don’t or less contain the components related to the leak can be removed through the cross-correlation between the IMFs and another signal collected at the either side of a suspect leak. In simulation analysis, the adaptive noise cancellation method can increase the SNRs (Signal to Noise Ratios) of leak signals as high as 16 dB. In processing practical pipeline vibro-acoustic signals, with the proposed method the peak of adaptive time delay estimate of leak signals, which determines the location of a leakage, becomes more distinguished, and thus the error of leakage location is improved.     

CEEMD和小波半软阈值相结合的滚动轴承降噪

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。     

EMD方法在烟机摩擦故障诊断中的应用

提出了一种将经验模式分解（Empirical Mode Decomposition，简称EMD）方法与传统信号处理技术相结合的故障诊断方法。首先将原始信号分解为若干基本模式分量（Intrinsic Mode Functions，简称IMFs），通过希尔波特变换得到每个IMF相应的瞬时频率，再对此瞬时频率曲线做傅里叶变换得到其频谱图，该频谱图即表示了对应IMF的调频频率。利用对应IMF组合成基于EMD的滤波轴心轨迹，这种轴心轨迹可以准确反映轴心的实际运行状况。将该方法应用于某炼油厂烟机摩擦故障诊断中，发现摩擦故障信号具有有色噪声分量存在、工频IMF的调频现象和基于EMD轴心轨迹的反转现象等特征。结果表明提出的方法在旋转设备摩擦故障诊断中非常有效。     

奇异值小波降噪法在柱塞泵振动信号处理中的应用

针对小波阈值和奇异值分解降噪法的不足,研究一种新的小波阈值函数。提出一种基于改进阈值的奇异值小波降噪方法,该方法利用奇异值分解技术,将噪声非均匀分布的信号正交分解为噪声分布相对均匀的分量,并对每个分量进行小波阈值降噪,重构降噪后的分量,得到降噪信号。仿真实例证明,该方法与小波软、硬阈值及改进阈值法相比,不仅提高信噪比,而且能够更好地消除高斯噪声。利用该方法对柱塞泵不同状态振动信号进行降噪,结果表明,该方法能有效抑制噪声,为柱塞泵振动信号预处理提供一种更为有效的方法。     

基于EMD和ANFIS的自适应噪声消除研究

对于混入色噪声的混合信号,如果可以通过测量得到产生色噪声的白噪声,对白噪声进行非线性训练即可逼近色噪声,达到非线性滤波的目的.自适应模糊推理系统(adaptive neuro-fuzzy unference system,ANFIS)可以实现上述非线性逼近.文中在上述算法的基础上,提出一种EMD(empirical mode decomposition)-ANFIS的自适应色噪声消除方法,首先对混合信号进行EMD分解,得到各个内禀模态函数分量(intrinsic mode function, IMF),然后对分解得到的内禀模态分量进行ANFIS模糊消噪,最后对消噪后的各个分量信号进行叠加.由于所得内禀模态函数为近似平稳信号,且图形越来越趋于平缓,减小了ANFIS方法的逼近难度.在混合信号信噪比为2.840 7 dB时,经过EMD-ANFIS消噪后的估计误差比只经过ANFIS消噪后的估计误差减少11.74 dB,证明EMD-ANFIS方法的有效性.     

基于经验模态分解/高阶统计法实现微机械陀螺降噪

针对微机电系统(MEMS)陀螺存在的非线性、非平稳噪声,提出了应用经验模态分解/高阶统计(EMD-HOS)的降噪方法对MEMS陀螺进行降噪。首先,采集MEMS陀螺输出信号,根据EMD算法将信号分解成本征模态函数(IMF)。采用Bootstrap技术分别估计各IMF的峰度值,进行高斯特性检验,滤除高斯IMF。接着,使用方差聚合法分别计算IMF的Hurst指数,根据Hurst指数计算阈值,对各IMF进行软阈值处理。将阈值处理后的剩余IMF进行重构,达到降噪的目的。最后,通过交叠式Allan方差分析对滤波前后数据进行处理,绘制Allan方差与相关时间关系曲线,利用非线性最小二乘拟合方法,计算陀螺噪声各项指标。实验表明,EMD-HOS和软阈值处理能够有效地对MEMS陀螺降噪,其信噪比提高了5.6 d B,各项陀螺随机噪声关键指标提高近一个量级。     

基于蚁群算法优化选取阈值的EMD消噪方法

为了改进经验模式分解(EMD)算法的消噪性能,在传统EMD消噪分解的基础上,参照小波阈值的消噪方法,提出了一种基于自适应阈值的EMD消噪方法。首先,建立去噪阈值和均方误差之间的对应函数,在所选阈值保证均方误差最小的前提下,利用具有较好全局搜索性的蚁群算法,根据建立的函数搜索阈值,克服了传统方法中硬阈值和软阈值固定选取的缺陷,实现了最优阈值的选取。仿真信号分析和实际轴承故障信号分析表明,该方法与传统的EMD消噪方法、软硬阈值分析方法相比,消噪效果更加明显。     

一种自适应小波消噪方法

为了消除噪声对被测信号的干扰,有效提取信号中的有用成分,根据信号和噪声小波变换系数的不同特性,在分析了传统阈值方法局限性的基础上,提出了一种自适应小波消噪方法.该方法首先对被测信号进行小波分解,并改进了阈值量化公式,使其具有能量分布自适应的降噪能力;然后,利用类别方差作为判别依据,选取使得类别方差最大和类内方差最小的阈值作为最佳的阈值.并根据每层分解后的小波系数进行自适应的阈值确定;最后,对信号进行重构,通过分解、阈值处理和重构等过程实现小波消噪.仿真信号和轴承故障诊断的实例结果表明该方法可在强噪声背景下消除噪声干扰,有效提取出滚动轴承的早期故障频率.     

基于支持矢量回归机的Hilbert-Huang变换端点效应问题的处理方法

Hilbert-Huang变换的端点效应表现在两个方面,对信号进行经验模态分解(Empirical mode decomposition, EMD)和对各个内禀模态函数(Intrinsic mode function,IMF)进行Hilbert变换时都会产生端点效应。为了克服 Hilbert-Huang变换中的端点效应,采用支持矢量回归机对信号延拓后再进行经验模态分解,该方法可以有效地克服EMD方法的端点效应问题,得到具有物理意义的内禀模态函数;然后再次采用支持矢量回归机对IMF分量进行延拓后进行Hilbert变换,可有效地抑制Hilbert变换中的端点效应,获得准确的瞬时频率和瞬时幅值,从而得到具有物理意义的Hilbert谱。对仿真和实际信号的分析结果表明,基于支持矢量回归机的数据序列延拓方法能有效地解决Hilbert-Huang变换中存在的端点效应问题,而且其效果优于基于神经网络的数据序列延拓方法。     

基于小波-中值降噪的经验模式分解及应用

为提高经验模式分解(EMD)质量,降低模式混叠,使分解得到的固有模式函数(IMF)序列能较好地反映设备的振动模式,针对EMD在信号处理方面存在的不足,利用小波消噪对高斯噪声的滤除作用,以及中值滤波对脉冲干扰较好的抑制作用,引入小波-中值组合滤波设计,对待分解数据进行预处理以滤除随机噪声并抑制脉冲干扰.将该方法应用到航空发动机振动信号处理中,能够有效减少各IMF的“筛选”次数和EMD分解层数,降低端点效应在EMD分解过程中的累积作用,抑制模式混叠现象.分解结果表明,使用组合滤波设计能更好地反映出发动机的振动模式和工作状态,并能获取表征高压转子和低压转子振动特征的数据分量.     

A new modified sliding window empirical mode decomposition technique for signal carrier and harmonic separation in non-stationary signals: Application to wind turbines

Modern control applications justify the need for improved techniques capable of coping with the non-stationary nature of measured signals while being able to monitor systems in real-time. Empirical Mode Decomposition (EMD) is known for its efficiency in time domain analysis of multi-component signals through Intrinsic Mode Functions (IMFs) extraction. Recent years witnessed the introduction of Sliding Window EMD (SWEMD) capable of analyzing signals in real time applications. However, complex signals require several sifting iterations while a rather increased number of IMFs might result in impracticality for on-line applications. This paper introduces a new modified faster SWEMD capable of extracting harmonics from non-stationary signals in real-time operation. The method uses the traditional EMD properties in the first pass for a small number of sifting processes. In addition, a new section is added to the algorithm based on inflection point tracking of the residue derivative from the first pass is added, in order to track low frequency waves and render the analysis faster. The method is validated for non-stationary signals with and without added colored noise and applied on measured turbine side angular velocity for harmonic extraction in wind turbines as an application. The proposed method may well be used for fault detection and disturbance rejection in mechanical systems.     

EMD与二阶循环平稳分析在电动机轴承故障诊断中的应用

研究了故障轴承振动机理、二阶循环平稳分析的解调性能、对噪声的免疫性能及其局限性。首次提出利用EMD分解项的快速Fourier变换(FFT)进行信号重构的消噪方法,并用仿真证实了其自适应消噪性能。试验分析过程中,在已有的循环平稳分析基础上,用改进的方法,即自相关单切片(SCA)和谱相关集合切片(SCD)的综合分析法,来分析EMD消噪后的试验信号。结果表明:EMD消噪可有效应用于非平稳的轴承故障信号处理;改进后的循环分析法的运算量小,抗干扰能力强;两者结合能实现轴承早期故障的快速有效诊断。     

基于轴承仿真信号的小波阈值及阈值函数的优化

针对传统小波阈值法在轴承信号去噪效果不佳的难题,对阈值和阈值函数采用层层递进的方法进行降噪研究。阈值函数方面,在软阈值函数基础上提出了指数阈值函数,在指数阈值函数的基础上结合硬阈值函数,提出了带有收缩性指数的阈值函数。阈值方面,给出了估噪阈值,在估噪阈值的基础上,结合噪声的小波系数,随着分解层的增大而减小并引入调节量,给出了分层估噪阈值,表征去噪效果优劣指标为SNR&RMSE。通过选取估噪阈值、分层估噪阈值、软阈值函数、指数阈值函数和收缩指数阈值函数进行去噪试验,结果表明,收缩指数阈值函数和分层估噪阈值去噪效果较好。从阈值函数选取上看,收缩指数阈值函数去噪效果最好(32.3118&0.0141),其次是指数阈值函数(30.4301&0.0175),最后是软阈值函数(23.5500&0.0385);从阈值选取上看,分层估噪阈值去噪效果最好(33.9360&0.0117),其次是估噪阈值(32.3118&0.0141)。该方法去噪效果好,可从噪声中提取有用信息,可用于对大型轴承运转的有效诊断。     

基于第2代小波和Hilbert-Huang变换的轴承故障诊断

将第2代小波算法和Hilbert-Huang变换相结合并应用于滚动轴承的故障诊断中。该方法首先构造并运用自适应冗余第2代小波对轴承振动信号进行消噪,并通过仿真分析验证了该算法的优越性;其次,对消噪信号进行HHT分析,通过EMD将信号分解为包含不同特征尺度的模态函数,针对低频成分进行Hilbert边际谱分析,从而提取故障特征。仿真及试验结果表明了该方法的有效性和实用性。     

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。     

基于小波变换圆度误差的检测方法

针对圆度误差在非接触检测过程中噪声对原始信号产生干扰的问题,提出采用小波变换进行采样信号的降噪处理,小波变换具有多分辨率分析的特点,在信号分析处理中能有效区分信号中的噪声,具有良好的去噪能力;讨论了快速小波变换算法及小波阈值降噪法的基本原理和处理实测信号的具体步骤;分析了基于小波变换的最小二乘圆法评定圆度误差的算法,并推导了最小二乘圆的理论模型;运用Matlab小波工具箱并通过试验说明了小波分析处理圆度误差的方法和效果。     

基于改进EMD的微机械陀螺随机误差建模方法

为了降低微机械(MEMS)陀螺仪的随机误差,提出一种将改进的经验模态分解法(EMD)与传统建模滤波方法相结合的新方法对随机误差进行处理。首先采用传统EMD算法将信号分解为有限个本征模态函数(IMF),并根据皮尔逊相关系数准则和噪声统计特性提出一种筛选机制,将IMF分为噪声IMFs、混叠IMFs和信号IMFs 3类;其次,对混叠IMFs进行时间序列建模,建模完成后进行卡尔曼滤波拟合;最后,将建模滤波后的混叠IMFs与信号IMFs进行重构,得到最终去噪信号。实验分析结果表明,本文方法在抑制随机误差的效果上有明显的优势,极大地改善了信号的质量,提高了惯导的解算精度。     

Bi-spectrum based-EMD applied to the non-stationary vibration signals for bearing faults diagnosis

Empirical mode decomposition (EMD) has been widely applied to analyze vibration signals behavior for bearing failures detection. Vibration signals are almost always non-stationary since bearings are inherently dynamic (e.g., speed and load condition change over time). By using EMD, the complicated non-stationary vibration signal is decomposed into a number of stationary intrinsic mode functions (IMFs) based on the local characteristic time scale of the signal. Bi-spectrum, a third-order statistic, helps to identify phase coupling effects, the bi-spectrum is theoretically zero for Gaussian noise and it is flat for non-Gaussian white noise, consequently the bi-spectrum analysis is insensitive to random noise, which are useful for detecting faults in induction machines. Utilizing the advantages of EMD and bi-spectrum, this article proposes a joint method for detecting such faults, called bi-spectrum based EMD (BSEMD). First, original vibration signals collected from accelerometers are decomposed by EMD and a set of IMFs is produced. Then, the IMF signals are analyzed via bi-spectrum to detect outer race bearing defects. The procedure is illustrated with the experimental bearing vibration data. The experimental results show that BSEMD techniques can effectively diagnosis bearing failures.