VMD-Wavelet 联合去噪算法研究与应用

为解决天然气管道运行过程中采集到的泄漏声波信号含有大量噪声的问题, 通过研究小波、 经验模态分解、 变模态分解等常见去噪算法, 分析了泄漏声波信号的特点, 将改进小波阈值去噪和变模态分解去噪相结合, 提出了变模态分解-小波变换(VMD-Wavelet: Variable Mode Decomposition-Wavelet) 联合去噪算法。 利用该算法对典型信号进行去噪运算仿真, 结果表明, 该联合去噪算法性能优于常见算法。 最后, 将 VMD-Wavelet 联合去噪算法应用于实际采集的油气管道泄漏声波信号去噪处理, 研究发现, 该去噪算法对强背景噪声下的泄漏声波信号能取得很高的信噪比改善和很小的均方误差。     

改进的PSO-VMD算法及其在管道泄漏检测中的应用

针对变分模态分解(VMD:Variational Mode Decomposition)算法分解后有效模态分量选择困难以及去噪效果不理想等问题,将粒子群(PSO:Particle Swarm Optimization)与VMD算法结合,提出一种基于混沌和Sigmoid函数改进PSO的优化算法.利用改进的PSO算法优化VMD的分解模态数κ和惩罚因子α,进行模态分解,然后计算各模态分量概率密度函数与信号概率密度函数之间的欧氏距离(ED:Euclidean Distance),选取有效模态分量重构信号.实验结果表明,该算法与VMD-CORR(Variational Mode Decomposition-Correlation Coeffificient)算法和EMD-ED(Empirical Mode Decomposition-Euclidean Distance)算法相比,仿真信号和实际管道泄漏信号都得到了较好的去噪效果,并验证了其在管道泄漏检测中的有效性.     

基于互信息的变模态分解算法及应用

为解决传统变模态分解( VMD: Variable Mode Decomposition) 结合算法中,K 值选择没有标准,从而导致信号提取存在一定程度误差的问题,提出一种基于互信息的变模态分解有效本征模态函数( IMFs: Intrinsic Mode Function) 的判断方法。该算法通过原始信号与VMD 所获得的IMFs 的和之间的差值,实现预置标度K 值的模糊优选提取信号的主要特征。仿真信号实验表明,所提方法具有最大的输出信噪比和最小均方误差( MSE: Mean Square Error) ,实现了K 的模糊优选,并通过实验验证了该方法对管道泄漏信号滤波的有效性。     

云相似度测量的变分模态分解去噪方法

为区分VMD( Variational Mode Decomposition) 分解后高低频段模态分量,提高VMD 算法的去噪效果, 提出一种基于云相似度测量的VMD 去噪方法。首先,对信号进行VMD 分解,通过计算各个模态分量与信号之 间的云相似度值,区分有效分量与噪声分量,然后对噪声分量进行小波滤波,最后将滤波后的分量与有效分量 进行重构。通过仿真和实际实验,将提出的去噪法与基于相关系数的VMD 去噪法和基于互信息的VMD 去噪 法对噪声信号进行处理,该方法去噪后所得信号信噪比相对较高,为28． 214 1 dB,均方误差相对较低,为 6． 12 × 104 ,验证了该方法去噪效果的优越性和对油气管道泄漏信号去噪的可行性。     

VMD-SCT-GMF滤波算法

针对天然气管道发生泄漏时信号受到强烈的噪声干扰难以准确提取有用信号的问题,提出一种变分模态分解(VMD:Variational Mode Decomposition)结合变点理论(SCT:Statistical Change-point Theory)和广义形态滤波(GMF:Generalized Morphological Filtering)的有效信号去噪方法(VMD-SCT-GMF).该方法首先利用 VMD 对信号进行分解得到若干个模态分量,然后计算各模态分量的自相关函数绝对值均值并结合变点理论区分出噪声模态和有效模态,重构有效模态分量作为去噪后信号,最后通过广义形态滤波器进一步滤波得到去噪后的信号.实验结果表明,所提出的方法与基于VMD结合豪斯多夫距离去噪方法、VMD结合互相关系数和小波的去噪方法、基于互信息的VMD去噪方法相比,去噪效果更佳.     

VMD参数优化及其在轴承故障特征提取中的应用

针对群优化算法对变分模态分解所需模态数和二次惩罚项参数寻优效率较低的问题,提出了快速局部均值经验模态分解的信号预处理方法.对预处理后的模态分量根据相似系数准则进行模态数预估,同时利用多评价指标选择二次惩罚参数.针对VMD对故障信号中存在的固有振动高频带分解效果较差的问题,利用自相关能量函数实现降噪和减小高频带的影响.通过仿真实验和实测轴承故障数据分析,并与群优化算法选择参数以及中心频率相近选取模态数的VMD分解效果相比,该方法能有效提取故障信号的特征频率.      

基于经验模态分解的水下目标回波提取

为在噪声中有效提取水下目标回波,提出一种基于经验模态分解的目标回波提取方法,分别对目标回波与噪声进行经验模态分解,得到二者各阶的固有模态信号分量;计算二者各阶的固有模态分量的能量,求取对应各阶的能量差,并与门限相比较,选取大于门限的固有模态分量重构目标回波信号.分析了经验模态分解阶数和选择门限等因素对重构信号精度的影响.仿真结果表明,该方法可精确提取目标回波.采用该方法提取信号的均方误差均低于自适应滤波方法,尤其在低信噪比时.     

SG-VMD-SVD的信号去噪方法研究

油气管道信号泄漏检测易受噪声影响,因此去噪成了关键问题.为了提高对油气管道信号的去噪效果,提出了一种基于Savitzky-Golay平滑滤波、变分模态分解(VMD: Variational Mode Decomposition)和频域奇异值分解(SVD:Singular Value Decomposition)去噪相结合的油气管道信号的联合去噪方法.首先,针对泄漏信号在时域利用SG平滑滤波降噪,去除尖脉冲、高频成分等噪声,提高输入信号的信噪比;将滤波后的信号利用VMD分解,通过计算各个本征模态分量(IMF: Intrinsic Mode Function)与信号之间的曼哈顿距离,从而区分信号分量与噪声分量,对噪声分量进行频域奇异值(SVD)去噪,最后将滤波后的分量与信号分量进行重构,得到最终降噪后的信号.通过仿真和实际实验表明,该方法与单一VMD法、VMD-小波变换、SG-VMD-时域SVD去噪方法相比,去噪后所得信号信噪比相对较高,并验证了该方法去噪效果的优越性和对油气管道泄漏信号去噪的可行性.     

基于GA优化的VMD-SVM识别角度头故障特征

提出一种基于遗传算法优化的变分模态分解（variational mode decomposition,VMD）-支持向量机（support vector machine,SVM）方法来识别机床角度头故障特征。首先采用遗传算法对VMD算法的输入参数进行优化,将优化后的VMD算法用于振动信号的分解,得到各本征模态函数（IMF）后,求得对应的能量熵;然后通过SVM算法筛选出有效故障数据,再利用峭度和相关系数相结合的方法将其中的IMF筛选出来并重构信号;最后,对该信号作频谱分析,分析相关特征信息,识别并诊断出故障。根据仿真和实验结果,所提方法对于故障角度头的有效信号筛选正确率高,对于噪声抑制效果良好,特征提取快速有效,可用于机床故障诊断领域。     

基于GA优化的VMD-SVM识别角度头故障特征

提出一种基于遗传算法优化的变分模态分解（variational mode decomposition,VMD）-支持向量机（support vector machine,SVM）方法来识别机床角度头故障特征。首先采用遗传算法对VMD算法的输入参数进行优化,将优化后的VMD算法用于振动信号的分解,得到各本征模态函数（IMF）后,求得对应的能量熵;然后通过SVM算法筛选出有效故障数据,再利用峭度和相关系数相结合的方法将其中的IMF筛选出来并重构信号;最后,对该信号作频谱分析,分析相关特征信息,识别并诊断出故障。根据仿真和实验结果,所提方法对于故障角度头的有效信号筛选正确率高,对于噪声抑制效果良好,特征提取快速有效,可用于机床故障诊断领域。     

PSO-VMD-SVD的改进去噪方法研究

针对VMD(Variational Mode Decomposition)在处理信号时,模态个数K和惩罚参数α的选择会影响信号分解的效果,提出一种改进PSO(Particle Swarm Optimization)优化VMD(PSO-VMD)的算法,通过改进阈值相关系数法选择有效模态分量,根据信号分析对高频噪声进行奇异值去噪重构.对仿真信号和管道泄露信号进行实验,通过选择多个K并结合相关系数法选择模态进行重构,比较不同K对应的重构信号与原信号的信噪比(SNR: Signal to Noise Ratio)、相关系数(CC:Coefficient)、平方绝对误差(SAE: Square Absolute Error)、均方误差(MSE: Mean Square Error)证明改进PSO优化VMD的可靠性.将该方法与改进的PSO-VMD结合豪斯特夫距离和奇异值(HD-SVD: Hustoff Distance-Singular Value Decompositio)、互信息和奇异值(MI-SVD: Mutual Information-Singular Value Decompositio)、相关系数和小波变换(CC-WT: Correlation Coefficient-Wavelet Transform)等方法对比,效果更佳.     

基于鲸鱼优化算法的变分模态分解和改进的自适应加权融合算法的管道泄漏检测与定位方法

针对管道泄漏检测与定位方法存在负压波传播衰减、噪声干扰大、数据融合率低等3种问题,提出了基于鲸鱼参数优化(Whale Optimization Algorithm, WOA)的变分模态分解(Variational modal decomposition, VMD)和改进的自适应加权融合算法(Improved Adaptive Weighted Fusion, IAWF)的管道泄漏检测与定位方法。该方法提出了三传感器泄漏检测与定位模型,并利用抗干扰能力强的WOA-VMD算法对原始信号进行消噪处理；然后采用小波分析求消噪信号的奇异点,进一步求出压力变送器检测到负压波信号的时间差；在此基础上,利用改进的自适应加权融合算法对多传感器数据进行融合,最终求得泄漏点的实际位置。实验结果表明:该方法可以有效地滤除噪声分量,能获得更精确的融合结果,定位精度高,相对定位误差可以控制在1%以内,为管道泄漏检测与定位提供了一种新方法。     

无线电监测中调制信号特征提取算法

针对传统调制信号特征提取算法在噪声环境下存在识别准确度低、分类效果差等问题,基于已有的调制 信号处理方法,提出一种新的无线电监测中调制信号特征提取算法。首先构建无线电监测中各类调制信号的 数学模型,以此为基础通过仿真得到信号瞬时幅值、瞬时相位及瞬时频率的特征。分析当前信号调制方式识别 各类算法的优缺点,采用小波变换完成调制信号的降噪处理与突变边界特征提取算法的设计,利用零中心归一 化瞬时幅度的谱密度最大特征提取算法以及核判别分析算法对各类调制信号进行逐层提取,实现了各类调制 信号的完整分类与提取,提升了噪声环境影响下的特征信号提取精度、且分类效果较好,为无线电监测中调制 信号特征提取提供了有利科学依据。