水下钻孔爆破地震波信号的最优降噪光滑模型

在水下钻孔爆破地震波监测中,会因监测环境、测试系统及其他因素而导致实测地震波信号混有噪声.为了获得真实的爆破振动特性,文中对水下钻孔爆破地震波信号进行降噪处理.首先对含噪实测地震波信号进行补充集合经验模态分解,基于分解所得的本征模态函数建立滤波算法;然后建立考虑滤波算法光滑性及其与实测信号之间误差标准差的目标函数,找到目标函数最优解对应的模型就是水下钻孔爆破地震波信号的最优降噪光滑模型;最后基于降噪误差比分析模型的降噪能力.结果表明,文中提出的地震波信号最优降噪光滑模型可用于水下钻孔爆破信号降噪中,该模型可以在保留原始信号真实成分的前提下对原始信号进行降噪处理.     

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。     

基于MCKD与CEEMDAN的声信号故障特征提取方法

在双转子轴承状态监测与故障诊断中,信号传递路径复杂,很难通过加速度传感器直接获得信号,而声音信号有非接触式测量的优势,包含大量特征信息.为了能够准确、有效地通过声音信号实现滚动轴承故障诊断,检测出轴承故障,提出了基于自适应噪声完备集合经验模态分解(CEEMDAN)和最大相关峭度解卷积(MCKD)的滚动轴承故障诊断方法.首先运用最大相关峭度解卷积方法增强轴承故障声音信号中的冲击,然后对处理后的信号进行CEEMDAN处理,计算每个经验模态分量的峭度值,根据峭度值选取最优分量并求Hilbert包络谱,以准确提取故障特征频率.文中采用该方法基于声音信号实现滚动轴承故障诊断,为提取最优分量提供了理想筛选标准,一定程度上降低了故障诊断的复杂程度,具有良好的自适应性.     

CEEMDAN自适应阈值去噪算法在地震方向的应用

提出一种基于自适应完备集合经验模态分解(CEEMDAN,complete ensemble empirical mode decomposition with adaptive noise)的自适应阈值去噪算法。含噪信号经CEEMDAN算法分解成若干个模态分量(IMF,intrinsic mode functions),根据样本熵理论,对IMF分量中高频分量自适应选取,根据噪声和有用信息与原始信号的相关性不同,对高频分量中的噪声系数定位,利用能量熵选取噪声主区间,用高频分量中噪声主区间的噪声系数方差作为阈值,对高频分量进行阈值去噪,进一步去除噪声,保留高频中的有用信息,最后将信噪分离的高频分量和低频分量重构。分别对合成和实际地震信号去噪处理,并与常规去噪算法进行对比。数据仿真和实验结果表明,在原始信号信噪比为0.5dB时,常规与改进算法去噪后信噪比分别为4.55dB和9.97dB,大幅提高信噪比,达到随机噪声压制的目的,实现了高频分量的自适应选取和高频分量中有用信息的再提取。     

基于CEEMDAN和TCN-LSTM模型的短期电力负荷预测

针对短期电力负荷数据随机性强,难以实现准确预测的问题,提出了一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和时间卷积网络-长短期记忆网络(temporal convolutional network-long short-term memory network, TCN-LSTM)混合模型的预测方法。所提算法先使用CEEMDAN方法将负荷数据分解为一系列相对平稳的子序列。同时为了降低后续计算规模,通过引入排列熵的方法将各子序列进行重组。然后,将各个重组序列输入到TCN-LSTM组合模型中,利用TCN模型提取特征并构建序列的特征向量,再基于LSTM模型对其进行训练及预测。最后把全部预测值进行相加得到完整的预测负荷值。通过使用欧洲某地真实负荷数据进行验证。结果表明：所提算法与其他常见的预测算法相比具有更高的预测精度,可为负荷预测等研究工作提供相关参考。     

基于Hilbert-Huang变换的第一心音信号时频分析

根据瓣膜原理,第一心音(S1)是在心脏收缩期由二尖瓣和三尖瓣关闭时引起的振动产生的,含有多个频率分量.对第一心音信号的分析研究,在临床上对心脏疾病的诊断有重要意义.本文用一种全新的时频分析方法:Hilbert-Huang变换(HHT),对30例心音数据进行心音分析实验.实验结果表明:HHT方法可以有效的分析心音信号;S1含有二尖瓣M1及三尖瓣T1两个主要成份;异常S1的M1和T1的频率比正常S1有升高.     

基于CEEMDAN和CS算法优化SVM的混合风速预测

基于自适应噪声完备集合经验模态分解(CEEMDAN)、布谷鸟算法(CS)和支持向量机(SVM)构建了CEEMDAN-CS-SVM混合风速预测模型,实现了黄土高原陇东区风电场月平均风速的准确预测.首先,采用CEEMDAN算法对收集到的风速时间序列进行去噪,以避免直接采用收集到的风速数据进行预测将导致较大误差的缺陷;其次,采用布谷鸟算法对SVM的惩罚系数和核函数半径进行优化,以克服SVM参数选择敏感的缺陷;最后,用构建的CEEMDAN-CS-SVM混合风速预测模型实现了黄土高原陇东区风电场月平均风速的预测.数值结果表明混合风速预测模型CEEMDAN-CS-SVM能够实现研究区域短期风速的准确预测,预测精度比混合模型DWT-SVM、EEMD-SVM、CEEMDAN-SVM、CS-SVM、DWT-CS-SVM、EEMD-CS-SVM及SVM的预测精度高.     

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.     

基于EMD时频分析的声波测井油层的信息提取

阵列声波测井信号是典型的非线性、非平稳信号。文中采用EMD（经验模态分解）的时频分析方法,对油层声波信息提取储集层性质。首先对信号进行EMD分解,得到有限个固有模态函数（IMF）,再次对每个IMF做H ilbert变换,求得信号的H ilbert谱的三维分布以及H ilbert边际谱和瞬时能量谱,仿真结果表明,油层中纵...     

多个经验模态分解对振动信号作用的对比

经振动传感器采集到的信号是非线性、非稳定的,这种信号无论是在时域还是频域上都不易分析。所以通过经验模态分解将原始信号分解成为多个本质模态函数（IntrinsicMode Function,IMF）,之后对其进行特征提取等进一步处理。但是经验模态分解存在模态混叠与端点效应的问题,所以文章采用互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposision,CEEMD）。CEEMD是在进行经验模态分解之前加入多组符号相反的白噪声,这不仅减少了模态混叠,分解出的IMF分量还更精进。这种互补集合经验模态分解有效地处理了所采集的非线性、非稳定性的振动信号。     

基于改进的集合经验模态分解的爆破振动信号趋势项消除方法

针对实测爆破振动信号中存在的趋势项干扰问题,基于改进的集合经验模态分解,提出一种趋势项消除方法,并进行了模拟信号的仿真计算和爆破振动信号的实例分析.信号仿真计算结果显示:对于持续振动信号,该方法的趋势项提取结果与已有的基于经验模态分解或集合经验模态分解的趋势项消除方法较为接近;但当测试信号呈间歇振动时,该方法对趋势项的提取更为充分,体现了其对分段爆破振动信号中趋势项消除的优越性和适用性.同时,爆破振动速度信号的实例分析验证了该方法在实际应用过程中的可靠性.      

基于希尔伯特黄和时频熵方法检测钢轨扣件扣压力研究

钢轨扣件扣压力对车辆运行安全具有重要作用。该文通过室外试验获得了钢轨在不同紧固条件下的竖向振动加速度响应。采用正交经验模态分解方法得到原始振动信号的正交固有模态函数（Intrinsic Mode Funtion,IMF）。然后基于正交IMFs得到Hilbert时频谱和边界谱,并计算和比较了相应的熵。分析结果表明,该方法可用于检测不同钢轨扣件的扣压力。     

自适应最稀疏时频分析方法的分解能力研究

自适应最稀疏时频分析(adaptive and sparsest time-frequency analysis,ASTFA)方法将信号分解转化为最优化问题,在优化的过程中实现信号的自适应分解.为了研究ASTFA的分解能力,在定义分解能力评价指标(Evaluation Index of Decomposition Capacity,EIDC)的基础上,以双谐波分量合成信号模型来研究幅值比、频率比、初始相位差对ASTFA的影响.同时,将ASTFA方法与经验模态分解(Empirical Mode Decomposition,EMD)、局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)进行对比分析.研究结果表明,ASTFA方法的分解能力基本不受幅值比的影响,可分解的极限频率比较大,不受初始相位差的影响,该方法的分解能力具有明显的优越性.     

CEEMDAN-SE-WT降噪方法在航空发动机燃油流量信号中的应用

燃油流量信号是反映发动机状态和计算飞机排放物排放量的重要信号,但飞机飞行过程中传感器采集信号时不可避免地会受到外界环境以及内部因素干扰。提出一种结合样本熵(sample entropy,SE)的完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with Adaptive Noise,CEEMDAN)与小波变换(wavelet transform,WT)的联合降噪方法。首先使用CEEMDAN对燃油流量信号进行分解得到本征模态分量,利用样本熵筛选含噪分量,并用相关系数与方差贡献率进行复核。对于含噪分量使用小波阈值降噪进行处理。最后将未处理的模态分量和完成降噪的模态分量重构得到最终燃油流量信号。通过与其他方法比较,CEEMDAN-SE-WT方法拥有最高信噪比为85.287,降噪后燃油消耗总量与飞机总重变化最为接近,可以认为该方法较大程度保留了燃油流量信号中的有效特征,为后续计算民机排放物排放总量提供了良好的数据支持。     

基于改进EMD方法的轨道不平顺时频分析

经验模态分解法(EMD)的端点效应是影响该方法精度的难点问题,结合端点效应的产生原理和现有研究成果,采用镜像闭合延拓法和灰色神经网络预测法相结合的方法对信号两端的包络进行延拓;通过对仿真信号和实际信号的分析表明,该方法可以有效抑制EMD方法的端点效应.利用改进的EMD方法对提速干线铁路和客运专线铁路实测轨道不平顺信号进行研究,结果表明:京广提速干线铁路样本段轨道不平顺存在着不同程度的短波和中长波不平顺,而武广高速铁路样本段轨道不平顺主要分布于中长波区段.改进EMD方法为保障铁路安全运营提供了一种新的途径.     

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.     

基于CEEMDAN-LZC和SOA-ELM的管道信号识别

针对管道信号特征提取困难,从而影响分类精度的问题,提出了一种将信号处理和智能算法相结合的管道信号检测方法。首先,利用CEEMDAN(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise)对信号分解,对分解获得的固有模态(IMFs:Intrinsic Mode Functions)使用相关系数法获取有效的模态分量并进行信号重构;其次,计算重构信号的Lempel-Ziv复杂度和裕度作为特征参数;最后,将获取的特征参数输入到海鸥优化算法(SOA:Seagull Optimization Algorithm)优化后的极限学习机(ELM:Extreme Learning Machine)进行分类,并用实验室数据进行验证。实验结果表明,与常规极限学习机(ELM)和遗传算法优化后的极限学习机GA-ELM(Extreme Learning Machine Optimized by Genetic Algorithm)相比,SOA-ELM模型能有效的识别管道信号类型,且具有较高的识别率和较快的诊断速度。     

基于EEMD和改进功率谱熵的船舶轴频电场检测

为了提高强海洋背景噪声中对微弱的船舶轴频电场信号的检测性能,提出了一种基于集合经验模态分解(EEMD)和窄带功率谱能量峰值熵比(EPER)特征的检测算法.首先,利用EEMD方法从含噪信号中分解出一组有效固有模态函数(IMF),并对其功率谱进行子区间划分;其次,定义并计算了各子区间的一种改进功率谱熵特征——EPER;最后,通过分析轴频信号和环境噪声物理特征上的差异,结合K-均值聚类方法进行线谱子区间的提取,继而进行滑动检测.选用实测数据,与小波包熵滤波算法、小波阈值去噪算法、特征频段功率谱算法进行对比,处理结果表明所提算法具有更好的自适应性和检测性能.     

基于分解与集成的空气质量指数预测

为了能够准确地预测空气质量指数（AQI）,建立了基于集合经验模态分解（EEMD）-样本熵（SE）的极限学习机（ELM）和门控循环单元（GRU）组合的AQI预测模型。首先利用EEMD算法对AQI数据进行分解,得到一组不同尺度的本征模态函数分量和残余分量;其次计算各分量SE值,根据各分量SE值将各分量重新组合成新的序列,并将新序列按其复杂程度经过GRU模型或ELM模型进行预测;最后将所有结果叠加得到AQI预测值。实验结果表明,与反向传播（Back Propagation,BP）神经网络模型、长短期记忆网络（Long Short-term Memory,LSTM）模型、ELM模型、GRU模型、EEMD-SE-ELM模型、EEMD-SE-GRU模型和EMD（经验模态分解）-SE-ELM-GRU模型相比,基于EEMD-SE-ELM-GRU的组合预测模型其预测误差最小,预测精度最高。