基于FCEEMD的心跳信号和呼吸信号分离研究

为了快速、实时、准确地分离由非接触人体生理信号监测系统所采集到的信号,将快速互补集合经验模态分解(fast complementary ensemble empirical mode decomposition,FCEEMD)引入到人体生理信号处理领域,在原始信号中成对添加符号相反的白噪声信号,并对其进行经验模态分解(EMD),获得有限个固有模态函数(IMFs)进而实现原始信号的分离,使用固定筛分次数停止准则以保证该算法的快速实时性;仿真算例和实际实验都表明,该算法可有效解决模态混叠,快速获得准确的心跳信号和呼吸信号。

基于FCEEMD复合筛选的故障特征提取方法

针对快速集成经验模态分解(FEEMD)和固有模态函数(IMF)选择方法的缺陷,提出一种基于快速互补总体经验模态分解(FCEEMD)复合筛选的故障特征提取方法。首先,引入符号相反的成对的白噪声来中和FEEMD中的残余噪声,抑制IMF之间的模态混叠并得到一系列新的IMF;然后,基于能量及相关系数构建复合筛选模型并根据筛选得到的有效IMF构建重构信号;最后,通过希尔伯特(Hilbert)包络解调提取重构信号中包含的周期性脉冲特征来诊断轴承故障。凯斯西储大学(CWRU)轴承数据集上的实验结果表明,该方法能高效、准确地提取出轴承故障特征,在旋转机械故障诊断中有借鉴意义和应用前景。