基于噪声辅助多元经验模态分解和多尺度形态学的滚动轴承故障诊断方法

为了从强噪背景中提取滚动轴承微弱故障特征,提出一种基于噪声辅助多元经验模态分解(Noise Assisted Multivariate Empirical Mode Decomposition,NAMEMD)和数学形态学的滚动轴承故障诊断方法。NAMEMD是新提出的一种基于噪声辅助数据分析方法,其克服了集成经验模态分解的模态混淆和运算量大等问题。将NAMEMD与多尺度形态学相结合应用于滚动轴承故障诊断。该方法首先利用NAMEMD将多分量调频调幅故障信号自适应分解为一系列IMF分量;其次,选取能量高的IMF分量求和重构;最后利用多尺度形态学差值滤波器提取信号的故障特征频率。为了验证理论的正确性,进行了仿真试验和轴承故障试验,并与EEMD和包络解调进行了比较,结果表明该方法在进一步降低模态混叠效应的同时,明显提高了运算速度,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的故障特征频率。

利用窄带噪声辅助多元经验模态分解算法检测换流变压器用有载分接开关机械状态

为有效检测换流变压器用有载分接开关的机械状态,提出一种窄带噪声辅助多元经验模态分解的方法对有载分接开关切换过程中采集到的多通道振动信号进行分析。具体应用时,在原始多通道振动信号中增加若干通道窄带噪声信号,并在统一高维超球面坐标系下进行分解计算,从而在有效抑制经验模态分解过程中模态混叠现象的同时,极大提高了多维振动信号分解的准确性并降低了运算复杂性。进而根据区间最大功率特征计算固有模态函数的功率矩阵,对有载分接开关的机械特征进行描述。对有载分接开关样机正常与典型机械故障时振动信号的计算结果表明,其不同工况下的功率特征有较大区别,所定义的矩阵相似度指标可较好地衡量有载分接开关典型故障时的振动差异程度。此外,触头松动时与正常工况的相似度指标低于绝缘板松动故障,说明触头松动故障对有载分接开关切换过程的影响更为明显。

基于噪声辅助多元经验模态分解的海洋三分量磁测数据去噪方法

动态环境下的海洋磁测数据难免会包含复杂多样的噪声干扰,为了便捷有效地恢复真实有效的磁异常信号,提升后续数据处理、反演和解释的可靠性(目的),本文采用了一种完全多元的方法进行多分量数据的同步相关去噪,在考虑各通道间耦合性的同时避免了传统方法分别对每个分量去噪带来的繁琐计算.首先利用噪声辅助多元经验模态分解(Noise Assisted Multivariate Empirical Mode Decomposition,NAMEMD)将一维多分量含噪信号同步分解成一系列多元固有模态函数(Multivariate Intrinsic Mode Functions,MIMF),其次根据多元多尺度样本熵(Multivariate Multiscale Sample Entropy,MMSE)特性判断噪声主导与信号主导MIMF的分界阶数,然后利用马氏距离确定特定阶数MIMF的阈值区间,再对多元信号的同阶分量进行同步阈值处理,最后与高阶分量一同重构得到去噪结果(方法).与单分量去噪方法相比,该方法在模拟含有随机噪声、海浪噪声、粗差干扰的磁测数据去噪仿真试验中取得了更为优异的表现,并且在实测海洋三分量数据中的应用效果也较好,内符合精度从±2.49 nT、±8.72 nT、±4.51 nT分别提升到±0.71 nT、±2.25 nT、±1.04 nT(结果).总之,本文提出的基于NAMEMD-MMSE-马氏距离的去噪方法可有效去除三分量磁测数据中包含的噪声,值得在其他多分量数据去噪处理中进行推广与应用(结论).

基于通道信息不平衡度的多元经验模态分解方法

在轴承多通道振动信号中,由于多通道故障信息不平衡会导致轴承故障诊断精度降低。针对这一问题,提出了一种考虑多通道故障信息不平衡的,基于多元经验模态分解(MEMD)的轴承故障特征提取与诊断方法。首先,分析了传统MEMD随机选择映射方向的缺陷,设计了依据通道间故障信息不平衡度自适应调整映射方向的策略,使分量信号中包含更多故障信息,并基于多元模态分解结果构造了特征空间;然后,基于冗余属性投影法对多通道提取的故障特征进行了融合,得到了多通道融合的本质故障特征;最后,采用反向传播(BP)神经网络进行了故障模式识别,设计了三层神经网络结构,且使用误差反向传播法进行了参数训练,并制定了基于BP神经网络的轴承故障诊断流程。研究结果表明:改进MEMD提取特征的类边界比传统方法更加明确,说明改进方法能够提取更具代表性的故障特征;从诊断精度看,与传统多元模态分解方法、完备集成辛几何分解方法相比,改进MEMD方法的诊断准确率最高,达到了99.5%。实验结果验证了改进方法在多通道故障诊断中是可行的,且从诊断精度上看,其具有一定的先进性。

完全互补小波噪声辅助集总经验模态分解

经验模态分解(EMD)是一种自适应非线性非平稳数据处理方法。噪声辅助的EMD方法能克服EMD方法在处理间歇信号时出现的"模态混叠"现象。在这些噪声辅助方法中,互补集总经验模态分解(CEEMD)和完全噪声辅助噪声集总经验模态分解(CEEMDAN)恢复了EMD分解的完整性。在现有分析方法上提出了完全互补小波噪声辅助集总经验模态分解(CCWEEMDAN)算法。该算法能用更小的集总数、更少的迭代次数和极小的计算消耗获得更好的光谱分离效果和数目较少的筛选模态。

结合自适应噪声完备集合经验模态分解的深度学习模型在电离层闪烁预报中的研究

电离层闪烁可能导致通信系统误码率增加和GNSS定位精度下降。由于电离层闪烁的偶发性,闪烁预报非常困难。为了提高对电离层闪烁的预测精度,提出了一种综合多种方法的混合预测模型,利用电离层闪烁标签值(S4label)进行辅助,结合“分解-集成”思想的深度学习模型进行预测。首先采用CEEMDAN算法将原始数据分解为多个子信号,并基于样本熵指标,使用K-Means算法将这些子信号重构为高频、低频和趋势3种信号。后利用VMD法对高频信号进行二次分解,借助自注意力LSTM模型实现对高低频信号的逐步预测。实验结果表明,与传统的LSTM模型相比,混合模型预测精度明显提高。在地磁平静期,该模型的预测效果得到显著改善,R^(2)、RMSE、MAE、MAPE代表的精度分别提升了32.2%、58.7%、51.2%、44.7%。因此,该模型能更准确地预测电离层闪烁现象的发生,对电离层闪烁的预测研究具有很好的参考价值。

一种添加部分自适应噪声的集成经验模态分解方法

为了解决集成经验模态分解(EEMD)及其改进形式中普遍存在的噪声量和计算量需求大的问题,统计分析了白噪声内涵模态函数(IMF)的极值点和能量变化规律,总结出白噪声IMF极值点数随长度和阶数变化的经验公式。发现白噪声的高阶IMF不能有效调整信号的极值点分布,提出添加部分自适应噪声的集成经验模态分解(EEMDPAN)。相比于自适应噪声完全集成经验模态分解(CEEMDAN),EEMDPAN有2点改进:不使用全部独立的自适应噪声,而使用成对相加为0的互补自适应噪声;不添加全部阶的自适应噪声,而是在中间的某一阶停止,而后使用经典EMD方法。对2个人工信号进行分解,实验证明,EEMDPAN很好地继承了EEMD抑制模态混叠的能力,相比于CEEMDAN,计算量降低至1/3,并且分解结果的低阶成分信号附加噪声更小,高阶成分信号可信度更高。

深海环境下利用噪声抵消器和经验模态分解的拖船干扰抑制方法

针对深海环境下拖船自噪声在靠近端射和非端射方向产生的多途角扩展干扰影响拖曳声纳探测性能的问题,提出一种利用归一化最小均方误差(Normalized Least Mean Square,NLMS)噪声抵消器和经验模态分解(Empirical Mode Decomposition,EMD)的拖船干扰抑制方法。通过借鉴逆波束形成(Inverse Beamforming,IBF)的思想,对靠近端射方向的干扰波束进行相位补偿,重构出时域干扰信号,并将其作为自适应噪声抵消器的输入信号,基阵接收信号作为期望信号,利用NLMS方法调整滤波器的权值,进行初步干扰抑制。在此基础上通过EMD对噪声抵消器的输出结果进行分解得到多个本征模态(Intrinsic Mode Function,IMF)和残余分量,再利用匹配滤波方法筛选出用于重构拖船噪声的IMF,并在阵元域抵消完成干扰抑制,其中匹配模版为靠近端射方向频域干扰波束逆傅里叶变换得到的时域干扰信号。仿真数据和海试数据分析结果表明,与其他方法相比,所提方法能够大幅度抑制拖船自噪声产生的多途角扩展干扰,提升拖曳声纳在干扰盲区内对弱目标信号的检测能力。

基于多元经验模态分解的风电并网系统次同步振荡检测

随着风电的大规模并网,电力系统次同步振荡(SSO)事件频发,严重威胁电网的安全稳定运行。实现风电并网系统SSO的准确检测,对保障系统稳定运行具有重要意义。现有的基于量测数据的SSO检测方法多为单通道方法,难以兼顾系统全局SSO特性。为此,文章提出了一种基于多元经验模态分解(MEMD)的风电并网系统SSO检测方法。首先,对风电并网点量测数据进行多元经验模态分解,进而借助Teager-Kaiser能量算子(TKEO)筛选出含SSO模式的IMF分量;然后,采用希尔伯特黄变换(HHT)辨识次同步振荡频率及阻尼比;最后,结合改进的4机2区域测试系统的仿真数据对所提SSO检测方法进行测试,结果验证了所提方法的有效性。

基于完全自适应噪声集合经验模态分解的短时交通流组合预测

为了提高短时交通流预测的准确性,鉴于短时交通流非平稳、难预测的特征,提出了基于完全自适应噪声集合经验模态分解(CEEMDAN)短时交通流组合预测方法。利用CEEMDAN将原始短时交通流信号进行分解得多个复杂度、频率不同的时间序列分量,利用排列熵算法(PE算法)计算各分量的复杂度;然后根据复杂度和随机性的不同分为高频和低频,分别使用ATT-TCN-BIGRU模型和ARIMA模型对高频分量和低频分量进行预测,最后叠加高频和低频的每个分量预测结果作为最终短时交通流预测值。仿真分析结果表明:与ARIMA模型、TCN模型、BIGRU模型、ATT-TCN-BIGRU模型相比,此模型的平均绝对误差及平均绝对百分比误差为最小,预测精度更高。

基于完全自适应噪声集合经验模态分解和互相关分析的核电厂信号降噪研究

针对在强噪声背景中提取核电厂信号有效成分的问题,本文提出一种将完全自适应噪声集合经验模态分解与互相关分析法相结合的降噪方法并进行验证。该方法的主要步骤如下。首先,通过完全自适应噪声集合经验模态分解法对电站信号进行有效分解,得到全部的本征模态分量。然后,根据互相关系数将上述分量进行筛选,得到有用信号主导的分量,将其叠加、重构成降噪后信号。最后,使用降噪指标对降噪效果进行评价。结果表明:与基于经验模态分解、集合经验模态分解的降噪方法相比,本文所提方法得到的降噪后信号信噪比更高、均方根误差更小、相关系数更大、平滑度更好,具有更优的降噪效果。

基于经验模态分解的船舶辐射噪声特征提取研究

船舶辐射噪声中的线谱分量具有较高的强度和稳定度,通过测定并跟踪线谱,可以精确地估计目标的运动参数。为此,研究基于经验模态分解的船舶辐射噪声特征提取方法。首先,构建船舶辐射噪声数学模型,用于获取船舶辐射噪声信号;然后,运用经验模态分解方法提取船舶辐射噪声的7个经验模态分量和1个余项,并计算船舶辐射噪声经验模态分量的样本熵;最后,选择样本熵最大的船舶辐射噪声检验模态分量作为船舶辐射噪声的特征。实验结果表明,该方法可以准确获得船舶运行设备的辐射噪声,且具备较强的舰船辐射噪声分帧能力。该方法还可以有效地将舰船辐射噪声分解成不同经验模态分量,大大降低了船舶辐射噪声余项接近零。

基于运行振动噪声集成经验模态分解的变压器缺陷辨识方法

变压器缺陷辨识是变压器故障诊断的一种手段,辨识结果可以为变压器检修提供参考依据,但目前在实际中缺陷辨识方面存在缺陷和不足,不仅交并比比较低,而且mAP值也比较低,无法达到预期的辨识效果,为此提出基于运行振动噪声集成经验模态分解的变压器缺陷辨识方法。采用无线传感器感知变压器运行信号,并对其清洗处理,通过对原始信号运行振动噪声集成经验模态分解,提取变压器缺陷特征,利用削度表征变压器缺席冲击强度,辨识变压器缺陷,实现基于运行振动噪声集成经验模态分解的变压器缺陷辨识。经实验证明,设计方法交并比在0.95以上,mAP值在0.97以上,可以实现对变压器缺陷的精准辨识。

基于多元经验模态分解的多道地震相干噪声压制方法研究

地震勘探采集到的地震信号中往往包含大量的相干噪声,这些相干噪声常常使得资料质量变得很差,从而严重的妨碍了科研工作者进行正确的地震解释,因此对相干噪声进行压制就显得十分必要。而传统的相干噪声压制方法在消除相干噪声同时往往会对有效信号造成一定程度的损害,或者根本无法有效压制干扰波。为了解决以上问题,从多道联合时频率分析角度出发,结合利用EMD数据驱动分解特性,提出了基于多元经验模态分解的多道地震相干噪声去除方法,能够在有效去除相干噪声同时,保证有效信号不受伤害。本文通过模型和实际资料的处理充分证明了基于多元经验模态分解的降噪方法的有效性和稳健性。

基于经验模态分解和独立成分分析的柴油机噪声源识别技术

为有效地控制整机噪声能量和提高整机噪声品质,采用经验模态分解(EMD)和独立成分分析(ICA)技术,通过将EMD分解后的本征模函数作为ICA方法中的多个虚拟通道,解决了对单一采样信号进行盲源识别的欠定问题.将该思路应用于柴油机辐射噪声的主要噪声声源的识别研究,同时利用相干分析与时频分析技术实现柴油机噪声声源的准确识别.结果表明,EMD-ICA联合的噪声声源分离识别技术,可用来识别柴油机燃烧噪声、机械噪声声源,有效地克服了EMD技术在噪声声源识别中的模态混叠问题,降低了ICA技术对单一采样信号进行准确识别的难度.

基于多元经验模态分解的旋转机械早期故障诊断方法

针对旋转机械早期微弱故障诊断问题,提出了基于多元经验模态分解的旋转机械早期故障诊断新方法。首先将多个加速度传感器合理布置在轴承座的关键位置,同步采集多通道振动信息;再利用多元经验模态分解同时对多通道振动信号进行自适应分解,得到一系列多元IMF分量;最后,依据峭度准则和相关系数从中选取包含故障主要信息的IMF分量进行信号重构,提取故障特征。多元经验模态分解方法克服了EMD等方法在进行多通道数据融合时缺乏理论依据的局限性。仿真信号和旋转机械故障信号的实验结果表明,该方法明显优于EEMD方法,对齿轮和滚动轴承故障的检测精度更高,可以在强背景噪声情况下更好地提取出故障冲击特征。

应用经验模态分解的拖船噪声信号重构及抵消方法

针对拖船干扰的时空特点,提出了将EMD(Empirical Mode Decomposition)应用于拖船噪声信号重构及抵消的方法。为了解决以往需要人工干预挑选EMD输出的多路IMF分量的缺点,提出了将多路IMF(Intrinsic Mode Function)分量与基元域信号按照线谱与连续谱分别做功率谱相关并以谱相关系数最大为准则的挑选算法。基于逆波束形成的理论,利用挑选后的IMF分量重构基元域信号,并与原始基元域信号谱减后再进行方位估计。拖曳声呐模拟器数据与实际海试数据验证结果表明,本文算法能够提高弱目标空间增益,尤其是对于靠近干扰盲区的弱目标空间增益提高明显,并且对拖船多途角扩展干扰也具有较好的抵消能力。

利用经验模态分解方法抑制SAR斑点噪声

提出了一种利用经验模态分解 (EMD)方法抑制SAR斑点噪声的方法。利用经验模态分解方法 ,可以将SAR图像分解为一系列的以空间周期尺度不同为特征的模态 ,定义空间特征周期尺度不大于 4的为噪声。通过从图像中减掉噪声成分使SAR斑点噪声得以抑制。用这种方法处理SAR图像在斑点抑制和纹理信息保持两方面取得了令人满意的结果。

自适应噪声均值优选集成经验模态分解及其在滚动轴承故障诊断中的应用

为了提高自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)的分解能力和分解精度,解决CEEMDAN方法中噪声残留等问题,提出了一种改进的CEEMDAN方法——自适应噪声均值优选集成经验模态分解(mean-optimized ensemble empirical mode decomposition with adaptive noise, MEEMDAN)。MEEMDAN在迭代筛分过程中引入不同的权重,以正交性指标最小为依据,从不同权重下的分解结果中选取最优模态函数(IMF),确保了每一阶的IMF分量都是整体最优。通过仿真分析验证了MEEMDAN方法在分解能力和分解精度方面优于CEEMDAN方法。同时,将MEEMDAN和最大相关峭度反褶积相结合,并应用于滚动轴承仿真数据和实测数据分析,结果表明,与现有方法相比,所提方法能够更为准确地提取出故障特征频率,且在分解能力和抑制干扰频率方面更具有优越性。

基于经验模态分解的多通道有源噪声控制

为了提高有源噪声控制系统的降噪效果,提出了基于经验模态分解的多通道有源噪声控制系统。该系统首先采用经验模态分解(Empirical Mode Decomposition,简称EMD)方法对多个噪声源信号分别进行自适应分解,并对分解后的每个信号各个IMF(Intrinsic Mode Function,简称IMF)分量的响度分别进行计算,然后根据各个分量的响度大小进行残差滤波器的设计。与基于A计权曲线设计的残差滤波器相比,该方法所设计滤波器能更好地抑制响度较小的信号频率成分。对车内噪声进行测试并对双通道有源控制系统的降噪效果进行了仿真,结果表明,所提出的控制系统比传统滤波-X LMS方法和采用基于A计权残差滤波器系统的主观降噪效果有所改善。