基于初值优化的自适应最稀疏时频分析方法

自适应最稀疏时频分析(adaptive and sparsest time-frequency analysis,ASTFA)是一种新的时频分析方法,该方法需要事先确定较为准确的初始值,缺乏自适应性.针对ASTFA存在的问题,提出了基于初值优化的ASTFA方法.该方法使用残余量的能量作为优化目标函数,使用不同的初始值对信号进行分解,当残余量的能量最小时,则认为该初始值为最优初始值.因此,该方法能够自适应地寻找最优的初始值,增加了ASTFA方法的自适应性.采用仿真信号将该方法与原ASTFA方法进行对比,结果表明该方法能自适应地得到更准确的分解结果.对仿真信号和滚动轴承故障数据进行分析,结果表明ASTFA在抑制端点效应和模态混淆、抗噪声性能、提高分量的准确性等方面要优于经验模态分解(empirical mode decomposition,EMD),并能有效应用于滚动轴承故障诊断.     

关于经验模态分解与整体经验模态分解的分离效果差别的探讨

经验模态分解(Empirical Mode Decomposition ,简称EMD)是一种自适应信号分解方法,主要应用于非线性非平稳的信号。整体平均经验模态分解(Ensemble Empirical Mode Decomposition ,简称EEMD)解决了EMD中出现的模态混合问题。在此主要讨论EMD和EEMD处理含噪信号时的效果差异,就几种特殊的信号,对EMD和EEMD在实际应用中出现的问题进行探讨。     

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...     

基于改进IVMD的工程结构状态特征分析研究

针对当前工程结构状态特征分析时频方法存在的缺点,基于时频分析新算法——变分模态分解算法构建结构状态特征分析新方法.对变分模态分解进行改进,建立分解层数自适应确定的变分模态分解算法(Improved Variational Mode Decomposition,IVMD),并通过仿真信号验证IVMD对复杂信号的分析能力....     

基于EEMD的发动机失火故障检测

针对发动机失火故障信息难以提取的问题, 提出了一种基于集合经验模态分解(EEMD: Ensemble Empirical Mode Decomposition)的发动机失火故障检测方法。该方法能自适应地将曲轴转速信号分解为若干个本征模态函数(IMF: Intrinsic Mode Function), 确定包含故障信息的IMF, 通过该IMF 幅值的异常波动, 可以较准确地判断发动机发生失火故障的时间。并通过AMESim 建立了发动机仿真模型, 从中采集了3 种情况的曲轴转速信号, 分别利用EEMD 分解并最终检测失火故障。实验结果表明, 该方法能有效提取故障信息, 实现失火故障的离线检测, 并可以作为在线检测的基础。     

基于奇异值分解的高精度重力仪信号处理方法

在分析基于矩阵奇异值分解理论的滤波算法基础上,将其应用到高精度海洋重力仪系统信号处理中.在信号处理过程中,首先采用延迟法理论重构系统的相空间,得到吸引子轨迹矩阵,然后对轨迹矩阵进行奇异值分解,用部分奇异值重构有用信号的最佳逼近矩阵,并与自适应卡尔曼滤波进行了对比分析,以实际信号与处理后信号的信噪比作为衡量2种信号处理方法好坏的依据.理论分析和仿真实验表明,奇异值分解滤波方法和自适应卡尔曼滤波都能在一定程度上消除干扰噪声对重力异常信号的影响,但在相同背景条件下,奇异值分解滤波的性能优于自适应卡尔曼滤波.     

基于ITD和敏感SVD的故障诊断方法研究

如何在含有噪声的振动信号中提取故障特征,是轴承故障诊断的关键问题,为此本文提出一种基于本征时间尺度分解(Intrinsic Time-scale Decomposition,ITD)和敏感奇异值分解(Sensitive Singular Value Decomposition,SSVD)的故障诊断方法.首先对时域振动信号进行ITD预处理,并根据峭度准则选取包含故障信息的敏感旋转(Proper Rotation,PR)分量用于振动信号重构,以凸显振动信号局部特征;然后对此时频信号进行敏感SVD分析,通过敏感因子及定位因子选择敏感SVD分量重构信号,以滤除噪声干扰,提取微弱故障信息;最后利用Teager-Kaiser能量算子(Teager-Kaiser Energy Operator,TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,用于识别故障类型.将此方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

基于内禀尺度分量的自适应时频分析方法

在定义一种瞬时频率具有物理意义的单分量信号一内禀尺度分量(简称ISC)的基础上,提出一种新的信号自适应时频分析方法-局部特征尺度分解方法(简称LCD).LCD方法可以自适应地将任意一个复杂信号分解为若干个瞬时频率具有物理意义的ISC分量之和.对LCD方法的基本理论进行研究,分别采用LCD方法和经验模态分解(简称EMD)方法对仿真信号进行分析,对比结果表明:LCD方法的有效性及在端点效应、计算时间等方面都优于EMD方法,并且把LCD方法应用于齿轮的实验振动信号分析,LCD方法可以有效地应用于齿轮故障诊断.     

希尔伯特-黄变换端点效应的自适应端点相位正弦延拓方法

针对希尔伯特-黄变换（Hilbert Huang Transform,HHT）的端点效应问题,提出一种自适应端点相位正弦延拓经验模态分解（Empirical Mode Decomposition,EMD）方法.该方法根据端点附近数据变化趋势,通过在信号两端自适应加上相位、幅值和频率适当的正弦延拓函数,使得原端点的包络线顺着端点附近波形延展,以改进EMD分解精度.为满足EMD内禀模态分量（Intrinsic Mode Function,IMF）与原信号的相关性精度和EMD较低迭代次数的要求,引入能表征EMD性能的目标函数.该函数可通过迭代次数、IMF个数和有效IMF的相关系数大小等来衡量.由于该方法的边界延拓参数是根据延拓周期比例系数、延拓信号长度系数和采样频率自动确定的,故其分解过程完全是一个自适应过程,不需要人为设置,具有较好的实用性.仿真和液压系统实例分析表明,该方法不仅能较好地解决HHT的端点效应,而且相对现有的延拓方法而言,筛选次数更少,能显著提高信号EMD分解精度,且减小Hilbert谱的端点效应,更加精确地提取了液压系统齿轮泵振动信号的故障特征,取得了较好的应用效果.     

基于多模态低秩处理的沙漠地震随机噪声压制

沙漠地带的随机噪声使沙漠地震记录中的有效信号很大程度上被淹没。针对此问题,提出将自适应噪声 辅助的集合经验模态分解方法(CEEMDAN: Complete Ensemble Empirical Mode Decomposition with Adaptive Noise)与鲁棒标准正交子空间方法 (ＲOSL: Ｒobust Orthonormal Subspace Learning) 有效融合。首先利用 CEEMDAN 算法对沙漠地震数据进行分解,将分解得到的所有模态拼成一幅新记录,并对其进行低秩分解,再 将得到的稀疏部分中每道的所有模态重新叠加获得去噪结果。二者相结合,不仅解决了单一的低秩处理对沙 漠地震数据效果不明显的问题,同时也规避了要对 CEEMDAN 算法分解得到的模态进行取舍的难题。模拟实 验和实际数据处理表明,该算法压制低频随机噪声具有明显的优势,同时对有效信号的保幅均能保证在 85% 以上,对实际数据中面波的压制也相对比较彻底。     

基于VMD-SSA和多频段Hilbert能量的高压直流输电线路单端量保护方法

高压直流(high voltage direct current, HVDC)输电线路对故障暂态电压信号大多数频段都具有衰减作用,而HVDC的物理边界对高频分量会产生较强的衰减作用,对低频分量会产生一定的放大作用。根据上述特征,提出了一种基于变分模态分解(variational mode decomposition, VMD)-麻雀搜索算法(sparrow search algorithm, SSA)和多频段希尔伯特(Hilbert)能量幅值的高压直流输电线路单端量保护方法。利用SSA对VMD参数进行优化后,对故障暂态电压信号进行分解,然后对分解后的各个内涵模态分量(intrinsic mode functions, IMF)进行Hilbert变换求取其200～1 200 Hz低频段和8～12 kHz高频段的Hilbert能量,利用低频段和高频段Hilbert能量之比构造故障区段识别保护判据,通过正极和负极其高低频段Hilbert能量和之比来判断故障极。仿真实验证明,所提出的方法能够有效避免利用经验模态分解(empirical mode decomposition, EMD)故障信号时...     

基于Hilbert Huang变换的多自由度参数辨识

Hilbert Huang变换（简称HHT）是近年来发展起来的一种新的时间序列信号分析方 法，特别对非平稳信号和非线性信号的分析有较好的适定性.该文结合HHT和状态变量分析 方法对多自由度系统的模态频率和阻尼比进行了辨识.首先，用经验模态分解对测得的激励 响应信号进行分解，然后对分解结果进行Hilbert变换，求出瞬时幅度和相位，再通过线性 最小二乘拟合求出模态频率和阻尼比.最后的仿真结果显示本文方法是可行的.     

基于希尔伯特-黄变换周期平稳类微弱故障信号检测

在希尔伯特黄变换可以将振动信号分解为有限的模式函数的基础上,针对周期平稳类微弱故障信号难以检测到的问题,对信号进行经验模式分解,然后对本征模式函数进行希尔伯特变换;接着通过希尔伯特谱对多频信号中的弱信号和仿真齿轮裂纹弱故障信号分析,得出多频信号中弱信号成分和其时间分布以及调相频率;最后分析滚动轴承损伤弱故障,从希尔伯特谱中可以分析时频和振动量的分布情况,进而提取故障特征,分析出故障;表明希尔伯特谱对周期平稳类微弱故障信号具有一定的分析能力.     

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。     

非线性大系统多目标优化的交互式满意分解方法

本文提出了交互式二级算法,在此基础上又提出了交互式三级算法,统称为交互式满意方法。利用加权切贝雪夫方法,将多目标优化问题化简为单目标优化问题。采用大系统分解协调理论完成了对决策空间的分解,降低了系统的维数。通过引入代值目标完成了对目标空阿的分解,兼顾了系统的整体利益和局部利益。运用希望水平方法实现了人机交互过程。该方法具有一定的智能水平,所需的计算机内存容量较小,收敛速度较快。用数值例子表明了其实用性和有效性。     

基于总体平均经验模态分解和一步式字典学习联合去噪的语音端点检测算法

针对复杂环境下语音端点检测准确率低下且检测耗时过长的问题,研究一种基于EEMD和OS-DL联合去噪的语音端点检测算法。首先利用EEMD（总体平均经验模态分解）算法对输入语音进行分解得到IMF（本征模式分量）,然后使用OS-DL（一步式字典）算法分别对纯净语音信号与噪声信号进行训练,得到纯净语音信号和噪声信号的幅度谱字典,进而对幅度谱进行稀疏表示,利用得到的系数矩阵重新构建出语音信号频谱,将重构出的语音信号频谱经过傅里叶逆变换得到降噪后的语音信号,最后对降噪后的语音信号利用均匀子带频带方差法进行端点检测。实验结果表明：该算法在复杂环境信噪比低于-10dB情况下检测准确率仍可达到85%以上,且平均检测时间缩短至传统端点检测算法的1/3。     

基于经验模态分解的低信噪比探地雷达数据处理

阐述经验模态分解原理及复信号分析理论,着重讨论EMD分解应满足的条件及具体分解过程.应用EMD方法对单道GPR数据及GPR正演加噪剖面分别进行分解,得到从高至低不同频率范围的本征模态函数GPR图.然后,以湖南长沙黑麋峰抽水蓄能电站进厂交通隧洞实测GPR剖面为例,首先对该剖面进行EMD分解去除部分噪声,再利用Hilbert变换求取GPR剖面复信号,并提取瞬时振幅、瞬时相位、瞬时频率3个参数,绘制出相互独立的瞬时参数剖面图.研究结果表明:EMD分解对于低信噪比GPR数据具有较强的适应性,把EMD分解应用于含噪的雷达信号,并结合GPR复信号分析技术得到的“三瞬”信息,避免了使用单一时距剖面分析所造成的解释偏差,可以较好地实现对低信噪比GPR数据的噪声去除,突出雷达剖面中异常体特征,达到提高GPR信号分析效果及解释精度的目的.     

基于经验模式分解的包络解调技术及其应用

提出了一种新的调制信号解调分析技术,来抑制传统的包络解调方法中经常出现的无意义的频率成分.首先,对复杂的振动信号进行经验模式分解,得到若干个基本模式分量,再对包含调制信号的基本模式分量进行包络分析以提取故障信息.该方法利用经验模式分解来实现故障信息的有效分离,从而提高了诊断信号的信噪比.利用该方法对某齿轮箱轴承座振动信号进行经验模式分解,进而解调出高速轴转频这一调制频率,准确地诊断出该故障是由齿轮轴不对中所引起的,通过针对性的维修后,消除了故障,从而验证了该方法的有效性.     

无线网络拓扑瞬态时变干扰下的信号分解模型仿真

无线网络拓扑结构容易受到瞬态时变干扰。为了保证信号的完整性,采用自适应滤波器对瞬态时变干扰进行滤除,并建立信号分解模型对信号进行分解。不同调频信号在不同信噪比下进行仿真实验表明,针对同一子带,该方法增加幅度低,得到的实验结果优;针对分解结果,该方法的分解次数较集成经验模态分解方法更少,且频率过度更加自然;在该分解方法的Hilbert谱图中,频率分量清晰明确,证明了该模型在无线网络拓扑瞬态时变干扰下可以对信号进行合理准确的分解。