偏微分方程在轴心轨迹提纯中的应用

转子轴心轨迹包含了丰富的故障征兆信息,但因噪声的干扰,实测的轴心轨迹往往非常混乱。针对传统轴心轨迹提纯方法存在的问题,提出了偏微分方程(partial diffetential equation)轴心轨迹提纯新方法。分析了PDE滤波的基本原理、PDE滤波器的参数设计及其数值化过程,指出了PDE滤波与传统滤波器的相关性,实现了基于PDE的轴心轨迹提纯。实验表明,PDE方法可有效滤除信号中的噪声,且适应性强;去噪之后信号畸变少,保证了滤波前后信号固有结构不变。     

基于二次EEMD的转子故障信号时频分析方法研究

HHT时频分析被广泛应用于机械故障诊断中,但其模态混叠成为应用时的瓶颈。针对此问题提出了利用二次集合经验模态分解分解(ensemble empirical mode decomposition,EEMD)来消除模态混叠的时频分析方法。该方法首先用EEMD将原信号分解成若干个本征模函数(intrinsic mode function,IMF),然后选取相关系数较大的分量重构原信号,再利用EEMD对其进行二次处理,便可获得去除模态混叠的时频分布。通过对仿真与实验转子信号分析,该方法可以有效抑制经验模式分解(empirical mode decomposition,EMD)的模态混叠现象,相比一次EEMD,二次EEMD去除模态混叠更明显,能有效应用于旋转机械故障诊断中。     

局域波法在转子轴心轨迹特征提取中的应用

为排除转子系统故障诊断中各种噪声干扰,提出基于局域波分解尺度滤波来提纯轴心轨迹的方法,并给出尺度滤波的滤波器表达式.局域波法将任何复杂信号分解成为有限数目的具有一定物理意义的基本模式分量(IMFs),每一个分量描述时变信号中不同频率和尺度范围的固有振动模式.通过对加噪信号的有效去噪,检验了尺度滤波的可行性.诊断实例说明,该方法可合理、有效地提取转子系统的故障特征.     

谐波小波在旋转机械故障诊断中的应用

为了对具有非平稳信号的旋转机械的轴心轨迹形状进行识别,提出一种基于谐波小波滤波提纯的方法.谐波小波具有明确的函数表达式,算法实现简单,具有良好的"盒形"频谱特性,能将信号不交叠且不遗漏地分解到相互独立的空间,便于信号特征的提取.采用谐波小波进行滤波提纯,可以将故障信息从原始轴心轨迹信号中分离出来,从而获得轴心轨迹的形状,为旋转机械的故障诊断提供了依据.大量仿真试验表明,该滤波提纯方法简单,具有较强的实用价值.     

基于EEMD与形态滤波的滚动轴承故障诊断方法研究

为从滚动轴承故障信号中提取出包含故障信息的特征频率,提出集合经验模式分解法(EEMD)与形态滤波相结合的解调方法。该方法首先利用EEMD自适应地将信号分解成多个IMF分量,然后计算各IMF分量与原信号的相关系数,选择合适的IMFs进行信号重构,再对重构后的信号进行形态滤波,滤除脉冲干扰,提取出故障特征信息。将该方法应用于滚动轴承故障诊断实例中,并将分析结果与直接对原信号进行包络谱分析解调的结果进行对比。结果表明,该方法提取故障信息的效果较包络谱分析解调的效果要好。     

结合EEMD与K-SVD字典训练的语音增强算法

该文提出一种总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)方法与K奇异值分解(K-singular value decomposition,K-SVD)字典算法相结合的语音增强算法。将带噪语音通过EEMD分解得到各本征模式分量(intrinsic mode function,IMF),对各IMF分量进行互相关和自相关分析,去除噪声IMF分量,并将过渡IMF分量再次进行EEMD分解,去除其中的噪声IMF分量。将过渡IMF分量和剩余的IMF分量叠加,得到预降噪的带噪语音。利用纯净语音,通过K-SVD字典训练算法得到过完备字典。对预降噪的带噪语音通过过完备字典进行稀疏表示,稀疏系数重构出纯净语音。实验结果表明:在低信噪比和高信噪比情况下,该算法的去噪效果明显优于传统的谱减法、小波阈值去噪法和K-SVD字典训练。     

EMD去噪法在FMCW雷达信号处理中的应用

针对调频连续波(frequency modulated continuous wave,FMCW)雷达信号在传播过程中会受到各种噪声影响的情况,提出了一种新型的基于自相关函数能量特性的经验模态分解(empirical mode decomposition,EMD)降噪算法。该算法首先对差频信号进行EMD分解,得到包含原信号不同尺度信息的本征模态函数(intrinsic mode function,IMF)分量;其次对每一IMF分量进行无偏自相关运算,并计算其能量;第三,根据IMF分量的自相关函数能量变化曲线,确定出有用信号贡献率最大的IMF分量;最后进行EMD重构。实验结果表明:该方法在各种信噪比条件下,能够准确判断出有用信号主导的IMF分量,对差频信号具有良好的去噪效果,同时该方法具有自适应性,不受主观因素的影响,适合应用在FMCW雷达系统中。     

基于EEMD和伪信号技术的涡街信号处理方法

针对深海水平流涡街信号的微弱性、低频性,易被噪声淹没难以提取的特点,文章提出一种基于整体经验模态分解(ensemble empirical mode decomposition,EEMD)和伪信号技术的消噪方法。通过分析经过EEMD分解及希尔伯特变换(Hilbert transform,HT)后信号的时频特性,确定组成信号的主要两阶固有模态参数(intrinsic mode functions,IMF),结合双伪信号技术进一步处理后识别信号频率。模拟实验与仿真结果对比表明,该方法能有效提高信号的抗干扰能力,精确估计涡街信号频率。     

基于EEMD和FastICA的单通道背景声舱音盲源分离

针对单通道信号盲源分离(blind source separation, BSS)模型的极端欠定问题,提出利用总体经验模态分解(ensemble empirical mode decomposition,EEMD)将单通道混合信号分解成多个瞬时频率本征模态函数(intrinsic mode function,IMF)分量的形式,构建新的观测矩阵,再通过快速独立分量分析(fast independent component analysis,FastICA)实现信号的盲源分离。仿真实验和实验室研究表明:该方法能够抑制宽频和瞬态干扰,有效地将淹没于噪声中的目标信号提取出来。实测数据分析表明该方法可以在飞机发动机噪声干扰下有效地提取背景声舱音信号,证明该方法在舱音信号处理中的有效性。     

基于EEMD-MD的手指心电信号消噪算法

针对心电数据的噪声干扰问题,提出了一种新的联合集合经验模式分解(EEMD)和马氏距离(MD)的信号去噪方法。首先,采用EEMD将含噪信号分解为若干个固有模态函数(IMF)。其次根据核密度估计方法对原始含噪信号和各IMF分量的概率密度函数(pdf)进行估计。然后利用各IMF分量的pdf同原始信号的pdf之间的MD距离来选取相关模态函数,从而区分噪声层与信号层,解决了人为选择相关IMF分量导致去噪效果不明显的问题。最后,将该算法用于模拟信号和手指心电信号的消噪实验。结果表明,该方法能够较好地去除手指心电信号中的噪声,信号的输出信噪比显著提高,且失真度小,较好地保留了真实信号中的有用信息。