改进CEEMD-WPT的裂纹声发射信号降噪方法

针对裂纹声发射信号的降噪问题,该文提出了结合互补集合经验模态分解(CEEMD)与小波包变换(WPT)的CEEMD-WPT降噪方法。首先,此方法将传统CEEMD中使用的单一经验模态分解(EMD)改进为降噪效果更稳定的WPT-EMD;其次,分解后对其本征模态函数进行了相关系数阈值判断,对低相关分量再次进行WPT处理。除此之外,为了解决难以量化真实信号降噪效果的问题,文中设计了新的量化指标“信号主区间系数”,并用仿真实验验证了该参数的可靠性。该文最后对公开数据集和裂纹实验信号进行了降噪实验,结果表明相较于传统CEEMD和小波阈值,CEEMD-WPT有着更好的降噪效果;并且CEEMD-WPT降噪统计方差小于CEEMD一个数量级,具有更强的稳定性。

应用二维经验模分解(2D-EMD)-主成分分析(PCA)组合模型定量圈定与评价胶东金与关键金属找矿靶区

近年来,随着制造业和全球经济发展,全球对矿产资源的需求量大幅上升,迫切需要研究和开发新方法来勘探未发现矿产资源。然而,多阶段的成矿作用使成矿元素在地质单元内的分布呈现出复杂的叠加特征,而且大多数矿产常常伴生多种元素。本研究将二维经验模分解(2D-EMD)与主成分分析(PCA)相结合,基于胶东金多金属矿集区水系沉积物地球化学数据,提取局部和区域多元素组合异常分量,从多阶段成矿过程产生的复杂叠加异常中识别找矿靶区。研究结果表明:(1)通过PCA建立了Au-Ag-Cd和Be-La-Mo-Nb-Th-U-Y两种多元素组合;(2)应用2D-EMD从主成分得分分别识别多元素成矿组合局部和区域异常分量;(3)局部异常分量可用于识别Au-Ag-Cd和Be-La-Mo-Nb-Th-U-Y找矿靶区,区域异常分量可识别高背景带。结合局部异常分量和花岗岩的空间分布,推断Au-Ag-Cd矿化与玲珑花岗岩和郭家岭花岗闪长岩侵入有关,Be-La-Mo-Nb-Th-U-Y矿化与郭家岭花岗闪长岩侵入体和伟德山二长岩侵入体侵入有关,郭家岭花岗闪长岩岩体具有贵金属和关键金属双重成矿特征。

基于差分处理的EMD-LSTM短时空中交通流量预测

随着中国民航的飞速发展,终端区空中交通流量与日俱增,短时空中交通流量预测对于精准实施空中交通流量管理具有重要意义。为提高短时空中交通流量预测的准确性,提出了基于数据差分处理(data differential processing)的经验模态分解(empirical mode decomposition,EMD)和长短期记忆(long short-term memory,LSTM)相结合的短时空中交通流量预测模型。首先,该模型对短时空中交通流量序列进行经验模态分解;其次,为了提高预测精度,运用数据差分对时间序列进行平稳化处理;最后,将平稳处理后的序列分别输入LSTM网络模型进行预测,经过数据重构,得到最终的短时流量预测值。利用郑州新郑国际机场数据进行了实验验证,结果表明,该模型预测精度和拟合程度的典型指标RSME、MAE、R^(2)分别为0.29%,0.08%、96.40%,相较于其他方法,预测精度大幅度提高,可以为短时空中交通流量预测提供有益参考。

EMD局部积分均值增密插值在化工温度仪表故障诊断中的应用与效果研究

本文旨在探讨EMD局部积分均值增密插值在化工温度仪表故障诊断中的应用与效果。方法 上,首先采用EMD方法对化工温度仪表故障数据进行分解,得到IMF分量;随后,对IMF分量进行局部积分均值增密插值处理,得到增密后的数据序列;最后,基于增密后的数据序列提取故障特征并进行故障诊断。结果 显示,方法 能有效提取故障特征,提高故障诊断的准确性和效率。通过实验验证,证明了EMD局部积分均值增密插值在化工温度仪表故障诊断中的可靠性和适用性。结论 认为,方法 为化工行业的仪表维护提供了新的技术手段,具有广阔的应用前景。

基于改进EMD的爆破振动信号降噪方法研究

针对经验模态分解(EMD)算法存在端点效应和降噪效果不佳的问题,依据延拓—分解—聚类—降噪—重构思想,提出了改进EMD的爆破振动信号降噪方法。该方法联合了综合相似指数同时兼顾延拓信号的形状和幅值相似性的特点、K-means算法的聚类特性以及小波包的降噪优势,不仅可以有效抑制端点效应,也具有良好的降噪效果。研究结果表明:在仿真信号端点效应抑制试验中,与多项式拟合和边界局部特征延拓方法相比,改进EMD方法的能量误差和均方误差最小。在实测爆破振动信号降噪中,与EMD和变分模态分解(VMD)方法相比,改进EMD方法的信噪比(20.94 dB)最大,均方根误差(0.0031)最小。改进EMD方法不仅可以较好保存中低频(0~200 Hz)信号能量,对200 Hz以上高频噪声也具有良好滤除效果。

改进EMD结合4th⁃HEO的客滚船柴油机复杂信号振动特征提取方法

针对客滚船柴油机机械系统的复杂机构与运转特性,提出一种多分量非线性振动信号分解及振动特征参数提取策略。为提高动力学参数提取鲁棒性,提出采用延拓经验模态分解(extension‐EMD)方法分解信号以规避端点效应,利用自相关函数提取包含最大特征的敏感分量,利用四阶能量算子(4th‐HEO)幅值解调提取敏感分量的特征频率及其幅值,得到柴油机动力学特征与运行规律的关系;通过仿真信号验证方法的准确性,通过实船测试零负荷和满负荷运行工况下的三向振动信号验证方法的有效性。研究结果表明,垂向信号的表现特征较其他方向信号表现力更佳。对于9缸4冲程柴油机而言,其0.5倍频和4.5倍频的幅值非常突出,且对负载变化影响更加敏感。

基于CEEMDAN-QPSO-BLS模型的径流预测研究

准确的径流预测是水资源优化配置和高效利用的前提,是制定防洪减灾决策的基础,然而受到人类活动、环境、气候等因素的影响,径流序列呈现出非线性、非稳态、多尺度变化的特点,这为径流的精准预测增加了难度。为提高径流预测的精准度和可信度,结合自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法,量子粒子群优化算法(Quantum Particle Swarm Optimization,QPSO)、宽度学习系统(Broad Learning System,BLS)模型,提出了一种基于CEEMDAN-QPSO-BLS组合式的径流预测模型。该组合模型首先使用CEEMDAN方法对原始径流信号进行分解,得到若干相对平稳的本征模态分量。其次利用QPSO算法对BLS模型的特征层节点组数、增强层节点组数和组内节点数进行寻优,得到最优的宽度学习网络拓扑结构,进而使用最优的QPSOBLS对多个稳态分量进行预测,并对预测分量进行重构,从而获得更高的预测精度。以黄河流域小浪底水库的日径流值为实验数据,将EMD-QPSO-BLS、QPSO-BLS作为CEEMDAN-QPSO-BLS的对比模型,并采用纳什效率系数(NSE)、均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为模型预测可信度和精准度的评价指标。实验表明,在预见期4天内,与QPSO-BLS、EMD-QPSO-BLS模型相比,CEEMDAN-QPSO-BLS的预测精准度分别提高了79.87%、19.80%,可信度分别提高了131.2%、10.98%,径流预测精度的提高,可为防洪抗旱保护人民生命财产和可持续发展提供决策支持。

基于EMD-E-LSTM模型的气体浓度预测模型设计

为了完成检测、维修等重要工作,针对变压器油中溶解气体浓度变化趋势预测的问题,文中将经验模态分解(Empirical Mode Decomposition,EMD)方法、编码器(Encoder)模块和长短时记忆(Long Short-Term Memory,LSTM)神经网络相结合,提出一种新颖的EMD-E-LSTM网络预测模型来实现油中溶解气体浓度的预测。对110 kV变压器油中溶解C2H6气体浓度预测算例结果表明,相较于E-LSTM预测方法、EMD-LSTM预测方法,所提EMD-E-LSTM网络预测结果的平均绝对百分比误差分别降低了22.23%和5.50%、均方根误差分别下降了18.18%和44.02%,而最大相对误差介于两者之间。所提方法对于其他溶解气体的预测精度也有不同程度的提高,展现出良好的应用前景。

基于WP-EMD和UMAP的液压泵故障识别方法研究

由于液压泵工作环境的恶劣,直接导致其实际测量的振动信号表现为有用特征信号和干扰噪声的叠加,因此有必要对液压泵的振动信号进行模式分解,进而对液压泵的故障状态进行诊断识别。针对现有方法在液压泵故障分类识别中准确率低的问题,这里提出一种基于小波包和经验模式分解(WP-EMD)以及均匀流形逼近与投影(UMAP)的液压泵故障模式识别方法。首先通过振动传感器测得含有液压泵状态信息的振动信号;然后采用WP-EMD对振动信号进行模式分解,获得能够表征液压泵状态的模式分量;最后利用UMAP对选取分量的多个统计学特征进行降维处理和聚类分析,以实现液压泵不同故障模式的识别。研究表明,这里提出的方法对正常泵、松靴故障、中心弹簧故障分类的正确率可以达到96.67%。

基于改进EMD-Kurtogram法的滚动轴承早期故障诊断研究

实现滚动轴承早期故障准确诊断的关键是得到故障部位有效振动信息,但实际工程中所采集到的轴承振动信号常含有噪声、干扰成分,给有效信息的选择带来了困难。带通滤波是解决该问题的有效方法之一,但不合理的滤波器参数会降低诊断结果的准确性。为此,提出一种基于改进EMD-Kurtogram法的滚动轴承早期故障诊断方法。该方法首先对EMD方法处理后的采样信号进行重构,再根据快速谱峭度图得到带通滤波器所需要的最优参数,最后经过带通滤波及时频域分析得到故障频率。通过实验平台验证及相关算法的对比得出,所提方法得到的故障倍频信息更加充分、清晰,所含噪声干扰更少,证明了该方法的有效性和先进性。

基于ICEEMD的地震信号去噪

ICEEMD是CEEMD的一种最新扩展,其有效解决了CEEMD在信号分解过程中产生的诸多问题,如分解模态中的残留噪声和模态混叠。基于ICEEMD提出一种新的地震信号去噪方法,含噪信号经过ICEEMD分解之后,有效信号集中在更少的模态中,通过重构信号固有的模态可以有效实现地震信号去噪。合成信号例子阐明了ICEEMD去噪方法的效果,并与传统的基于CEEMD的去噪方法进行了对比。实际数据处理结果进一步验证了文中提出方法的优势,即在有效压制随机噪声提高地震资料信噪比的同时,能够最大程度地保护有效信号。

基于EMD-PSO-ARIMA模型的农产品价格预测

针对农产品价格数据的非线性特点,提出基于EMD-PSO-ARIMA模型的农产品价格预测模型。首先利用EMD算法消除价格数据的不平稳性,其次应用PSO算法优化ARIMA模型的滞后参数,并对原始数据分解后的序列进行预测,最后对多个预测值进行累加得到最终结果。以河南省某农贸市场2004年1月至2021年12月鳞茎类作物(以大蒜为例)、根茎类作物(以马铃薯为例)及叶菜类作物(以白菜为例)的价格数据为研究对象进行实证研究。对大蒜、马铃薯、白菜价格进行预测,EMD-PSO-ARIMA模型的RMSE分别为0.0295、0.0168、0.0669,MAE分别为0.0274、0.0189、0.0598,MAPE分别为0.32%、0.64%、2.54%;与ARIAM、PSO-ARIMA、EMD-ARIMA模型相比,EMD-PSO-ARIMA模型的3个评价指标均有不同程度的降低,模型预测精度最高。EMD-PSO-ARIMA模型能够有效对3种农产品的价格做出精准预测,在一定程度上提高了模型预测性能,能够为农业生产者、经营者、政府提供决策支持,维护农业市场的稳定。

基于EMD和小波包变换的天气雷达回波去噪方法

C波段多普勒天气雷达回波数据由雷达回波信号和噪声构成,噪声严重影响雷达基本反射率的准确性。利用EMD方法对雷达回波信号进行分解后,将含有噪声的高频IMF分量去除,可实现去噪,但是容易损失有用信号。针对有降水特征的雷达基本反射率数据,提出基于EMD和小波包变换的多普勒天气雷达回波去噪方法,并与EMD方法去噪结果进行比较。研究结果表明,该方法能更加有效地去除雷达回波信号中的噪声,并降低了信号特征损失。

联合TVF-EMD和SSA降噪的轴承故障特征提取

针对滚动轴承早期故障信号微弱、故障特征难以提取的问题,文章提出了一种基于时变滤波经验模态分解(time-varying filtering based empirical mode decomposition,TVF-EMD)模态分量自适应融合与奇异谱分析(singular spectrum analysis,SSA)降噪的滚动轴承早期故障特征提取方法。首先,为了降低故障信号的非线性和非平稳性,通过TVF-EMD将轴承信号分解为一系列内蕴模态函数(IMF)。其次,为了克服TVF-EMD分解后IMF分量过多的不足,利用IMF的峭度、复杂度和分形维数构造了复合敏感模态判定因子(composite sensitive mode determination factor,CSMDF),通过CSMDF对IMF分量进行降序排列,并依据复合敏感模态判定因子递增原则对IMF分量依次进行融合,直至找到最优融合分量。最后,通过SSA对最优融合分量降噪,对降噪后分量进行Hilbert包络谱分析,实现轴承故障的特征提取。通过仿真故障信号以及两个实测故障信号对所提方法的性能进行了试验分析,试验结果表明,该方法具有良好的敏感特征筛选融合能力和降噪能力,能更准确地提取出轴承早期故障特征,实现噪声环境下轴承故障类型的准确识别。

改进的EEMD算法及其应用研究

总体平均经验模态分解(Ensemble EMD,EEMD)虽然能够在一定程度上抑制模态混淆,但计算量较大,添加的白噪声不能被完全中和,不具有完备性。补充的EEMD(Complementary EEMD,CEEMD)成对地添加符号相反的白噪声到目标信号,大大减小了重构误差。结合CEEMD和基于排列熵的信号随机性检测,提出了改进的EEMD方法(Modified EEMD,MEEMD),MEEMD方法在检测出CEEMD分解的异常分量之后,直接进行EMD分解;MEEMD不仅能够抑制EMD分解过程中的模态混淆,而且减小了计算量,缩小了重构误差。通过分析仿真信号和实测信号,结果表明,MEEMD方法有很好的分解效果,对模态混淆有一定的抑制作用。

CEEMD-FFT在滚动轴承故障诊断中的应用

针对经验模态分解(EMD)在非线性非平稳信号处理中存在模态混叠问题,虽然总体平均经验模态分解(EEMD)能在一定程度上抑制模态混叠问题,但是添加的白噪声不能完全被中和.因此利用补充的总体平均经验模态分解(CEEMD)对降噪监测信号进行分解,减少重构误差,提取最佳的IMF分量,然后对IMF分量进行FFT变换,实现对滚动轴承的故障诊断.通过对实验采集的滚动轴承的振动信号进行分析,证明了该方法的优越性,有一定的使用价值.

EMD算法的改进及在信号去噪中的应用

噪声的干扰在生活中无处不在,本文针对传统EMD算法在信号的非线性和非平稳特性条件下,分解而得的本征模态函数(MF)随时间尺度变化的振荡而造成的模态混叠和噪声干扰等问题进行改进。在此基础上,引入人为添加的高斯白噪声,并根据其均值为0的特点,深入探索基于改进后的EMD算法在信号降噪中的应用。仿真实验对比分析表明,改进后的EMD算法能清晰地判断有用信号和无用信号,有效降低噪声对信号的干扰。

基于CEEMD的GPS信号去噪

GPS信号在发送过程中会受到多种误差源的影响,例如星历误差、卫星钟差、电离层对流层延迟、接收机钟差等。这些误差附加在GPS信号上使其与真实信号产生一定偏差,也使GPS信号最终的应用结果产生一定程度上的偏差,这对于科研与日常使用是非常不利的,所以对GPS信号进行去噪处理是十分必要的。互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)为近几年出现的新的数据处理方法。它由集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)改进而来,不仅保留了经验模态分解(Empirical Mode Decomposition,EMD)在处理非平稳信号方面的优点,又完善了EMD的模态混叠问题,且计算结果表明CEEMD去噪效果优于EMD和EEMD。

基于EMD的地震数据速度谱优化方法

地震波在地层中的传播速度可间接反映地下岩性及地质构造特征,速度的提取与分析影响地震数据处理和解释全过程。目前,速度谱分辨率低,导致拾取的速度不准确,构建的速度模型精度经常不能满足复杂地质构造的地震成像要求。为此,提出基于经验模态分解(EMD)的地震数据速度谱优化方法。该方法是一种频移处理技术,能有效提高地震数据低频端能量的信噪比。首先,基于Hilbert变换获得地震数据的瞬时振幅;其次,对瞬时振幅进行EMD;然后,筛选分解后的本征模量(IMF),选择具有有益表达速度谱信息的本征模态模量;最后,构建新的速度谱数据。经过优化后的地震数据频谱分辨率更高,有效频带向低频端移动。实验测试和实际资料处理结果表明,所提方法能有效扩大速度谱拾取的寻优区间,提高速度分析准确性,提升地震资料成像品质。该方法在成果数据处理和速度谱优化方面具有广泛的应用价值。

强噪声条件下基于EMD-AE优选特征的离心泵多故障诊断方法

工业离心泵故障诊断中常常受到噪声的干扰,针对这一问题,提出一种强噪声条件下基于经验模态分解(empirical mode decomposition,EMD)和自编码器的优选特征方法。首先利用补偿距离评估技术确定出有效的时频特征,然后通过EMD处理,得到包含不同尺度和频率特性的模态分量。通过能量比变异系数确定出有效的分析分量,通过提取出所选分量的有效特征,拼接构造高维的深度特征。最后通过自编码器对深度特征做降维处理,进一步优选特征,得到最终的故障敏感特征,完成特征提取。选用支持向量机作为故障诊断模型,通过工业离心泵多故障数据进行对比试验。结果表明所提方法在信噪比为-5 dB、-7 dB和-10 dB强噪声干扰条件下,准确率较传统时频特征分别提高了6.13%、7.46%、12.00%。该方法有较强的抗噪声的能力,在噪声干扰下能有效提取表征设备状态的敏感特征。