改进的正弦辅助多元经验模式分解及其在滚动轴承故障诊断中的应用

正弦辅助多元经验模式分解算法(SA-MEMD)通过在额外的通道中加入正弦辅助信号来减少模式混合,但该算法对噪声敏感,辅助信号的主频率比需要根据经验确定,为此,提出了一种改进的正弦辅助多元经验模式分解算法。首先使用非局部均值降噪对原始信号进行预处理,减少噪声对算法的干扰,其次使用短时傅里叶变换确定信号频谱范围,然后以最小集成EMD能量熵准则选择最优主频率比,最后根据正弦辅助多元经验模式分解算法的步骤进行信号处理。模拟信号和实际信号的对比分析结果证明,改进的方法可以减少传统的多元经验模式分解方法存在的模式混合现象。

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。

互补集合经验模式分解与奇异值能量谱在风电齿轮故障识别中的应用

针对风电机组齿轮系统故障模式的有效识别问题,提出一种互补集合经验模式分解(CEEMD)与奇异值能量谱相结合的故障识别方法。利用CEEMD将齿轮非平稳信号分解为有限个平稳的本征模态函数,并将其组成初始特征向量矩阵,对矩阵进行奇异值分解并求出风电齿轮不同工况下的奇异值能量谱分布,以奇异值能量谱为元素构造特征向量,通过计算不同工况振动信号的灰色关联度来判断齿轮的故障类型。实例表明,该方法能有效应用于风电机组齿轮系统的故障诊断。

中值互补集合经验模态分解

针对经验模态分解(Empirical mode decomposition,EMD)系列方法存在的模态分裂(Mode splitting,MS)问题,提出中值互补集合经验模态分解(Median complementary ensemble EMD,MCEEMD)算法.通过概率模型量化互补集合经验模态分解(Complementary ensemble EMD,CEEMD)的MS问题,证明了使用中值算子替代算术平均算子对抑制MS的有效性.为了兼具抑制MS和残留噪声的性能,MCEEMD算法首次在集合过程中结合了中值和平均算子.具体地,所提方法首先添加N对互补的白噪声至原信号中,并经过EMD分解得到2N组固有模态函数(Intrinsic mode functions,IMFs),然后分别对其中互补相关的IMFs两两取平均得到N组IMFs,最后使用中值算子处理上述N组IMFs得到输出结果.对仿真信号与两个真实案例的分析结果表明,本文提出的MCEEMD方法不仅有效抑制了CEEMD的MS问题,而且避免了单一使用中值算子的两个缺点:分解完备性差和IMFs中存在的毛刺现象.

基于互补的总体经验模式分解算法的齿轮箱故障诊断

针对经验模式分解(EMD)和总体经验模式分解(EEMD)算法在齿轮箱故障诊断中的缺陷,提出了一种基于互补的总体经验模式分解(CEEMD)算法的齿轮箱故障诊断方法。首先介绍了CEEMD方法,然后将CEEMD方法用于实际齿轮箱的故障诊断中。结果表明,与基于EMD/EEMD算法的齿轮箱故障诊断方法相比,基于CEEMD算法的齿轮箱故障诊断方法不但可以有效地克服模态混叠和能量泄露现象,而且大大提高了计算效率,为齿轮箱的故障诊断提供了一种新的方法。

基于辅助信号经验模式分解的海上视频图像去雾技术

海面及天空区域的视频图像局部或全局极值点匮乏,传统的二维经验模式分解(BEMD)失效。本文分析了BEMD的频率特性,给出了高频辅助信号的构造方法,将高频辅助信号加入原视频图像信号,分解得到的内蕴模式分量(IMC)减去IMC的辅助信号,得到原信号的最接近辅助信号的频率分量。以此类推,分解可得到原信号的不同频率分量。这种基于辅助信号的经验模式分解(ASBEMD),解决了局部或全局极值点匮乏的海上视频图像的分解问题,并应用于海上降质图像的增强处理,取得了与目前公认去雾效果较好的HE算法一致的结果。

基于噪声辅助快速多维经验模式分解的运动想象脑电信号分类方法

脑机接口是一项新兴的技术,它可以处理分析采集到的运动想象脑电信号,从而实现对外部辅助设备的控制。针对目前运动想象脑电信号处理方法计算效率低、分类准确率不高等问题,提出了一种新的基于噪声辅助快速多维经验模式分解(NA-FMEMD)的运动想象脑电信号分类方法。该方法首先利用NA-FMEMD得到全部的多维本征模式函数和趋势项;接着,根据平均频率选取特定的信号层,构建出新的多维信号;然后,通过共空间模式提取出脑电信号的特征向量;最后,将特征向量输入支持向量机分类器中进行分类。分别采用仿真数据和BCI Competition IV数据进行测试,并与基于噪声辅助多维经验模式分解(NA-MEMD)的方法进行比较,验证了所提方法的有效性和优势。

基于改进的互补因散经验模式分解法的谐波检测法

提出了基于改进的互补因散经验模式分解(CEEMD)算法的谐波电流检测法。该方法能将电流信号分解成内在模式函数(IMF),并创新地在分解过程中加入正负成对的高斯白噪声,抵消噪声余量,抑制了模式混叠问题,同时在筛分过程中加入平滑处理这个改进措施。使用新方法设计谐波检测电路,并做了与EEMD算法的对比仿真实验,结果表明:两个算法都可以分解出电流信号的谐波和基波分量,但是改进的CEEMD算法抑制了模式混叠问题,分解出来的基波分量与原信号基本吻合,两者的相关系数(CORR)为0.997,相对均方根误差(RRMSE)为0.00411,说明该法能够准确有效地分解谐波电流信号,同时该算法做了平滑处理的改进,可满足有源电力滤波器(APF)的需要。

新型经验模式分解端点效应消除方法

对经验模式分解(Empirical mode decomposition,EMD)的端点效应进行深入分析,指出现有延拓方法的不足,对基于正弦函数延拓的方法进行改进,分析不同的延拓周期、延拓信号长度及信号端点值对EMD分解的影响,并与镜像延拓EMD分解方法进行了分析比较。在此基础上,提出一种基于指数正弦型延拓方法的EMD分解,它从原理上减小了延拓信号端点包络线的发散程度,从而提高了EMD分解精度和速度,并对其进行了仿真分析。研究结果表明,新的延拓方法优于传统的延拓方法,能较好地抑制EMD端点效应。

基于经验模式分解的心肺耦合技术在睡眠分析中的应用

目的探讨基于经验模式分解的心肺耦合技术在睡眠分析中的应用。方法通过分析30例源自临床多导睡眠监测记录的胸导心电信号,利用经验模式分解方法获得瞬时频率和瞬时相位信息,构建心肺耦合图谱。按照睡眠中的循环交替模式(CAP)分期方法,将睡眠过程划分为CAP、non-CAP以及清醒/异相睡眠期,采取过零率(ZCR)衡量心肺耦合最大峰值的波动程度,反映阻塞性睡眠呼吸暂停与低通气综合征(OSAHS)的严重程度。结果 OSAHS患者谱图分布频带集中于低频区域,各时刻最大峰值波动较小。通过对比人工和自动分期结果,可以发现基于经验模式分解的心肺耦合技术可以很精准地区分睡眠过程的不同状态。OSAHS患者和健康受试者在睡眠心肺耦合图谱中的最大峰值波动规律存在显著差异,健康组和轻/中度组的ZCR值具有显著性差异(P<0.001);轻/中度组与重度组的ZCR值存在显著性差异(P<0.001),因此耦合最大峰值和睡眠呼吸暂停低通气指数均可以作为划分OSAHS严重程度的指标,且二者之间具有极强的负相关性(r=-0.77,P=5.8×10-18)。结论采用经验模式分解结合心肺耦合技术的方法,可提供可靠的睡眠微结构以及睡眠呼吸障碍信息,其数据采集简单、容易执行,在可穿戴健康管理以及临床辅助诊断领域有巨大发展潜力。

基于CSAEMD-KECA和角结构距离的齿轮故障识别方法

作为机械传动系统中的重要部件,齿轮经常运行在变转速变载荷工况下,直接采集到的齿轮故障信号(原始信号)往往存在强背景噪声。由于其原始信号中存在噪声信号,干扰了齿轮故障模式识别,且传统故障识别方法准确率较低,针对这一问题,提出了一种基于CSAEMD-KECA和角结构距离的齿轮故障识别方法。首先,使用互补正弦辅助经验模式分解(CSAEMD)方法对齿轮故障信号进行了分解重构,以去除信号中的噪声成分;然后,利用核熵成分分析(KECA)方法对CSAEMD分解重构后的信号进行了特征提取,选取了对样本(CSAEMD分解重构后的信号)瑞丽熵贡献值较大的3个特征向量,并将其作为投影向量,样本数据向投影向量投影形成了特征数据集;最后,搭建了故障模拟实验台,对上述方法的可行性进行了验证,采用角结构距离的聚类方法对特征数据集进行了聚类分析。研究结果表明:利用实验台数据进行的有效实验,能够准确地识别出齿轮的各种故障,其聚类准确率达到98.3%;该结果可验证基于CSAEMD-KECA和角结构距离的方法在齿轮故障识别上的有效性。

改进的HHT变换在光纤振动模式识别中的应用

针对双马赫-曾德尔(M-Z)干涉型光纤振动传感系统输出信号非线性、非平稳特点,提出基于互补总体经验模态分解(CEEMD)的希尔伯特-黄变换(HHT)模式识别算法。该算法采用CEEMD将振动信号分解成多个本征模态函数(IMF),利用各阶IMF的归一化自相关函数筛选出噪声分量进行中值滤波;然后对各阶IMF分量做Hilbert变换,基于Hilbert边际能量谱构造特征向量;最后利用概率神经网络(PNN)实现振动信号的模式识别。对四种典型光纤振动信号的实验验证表明,算法的平均正确识别率最低可达85%。

基于NA-MEMD和互信息的脑电特征提取方法

多变量经验模式分解(MEMD)方法不需要根据先验知识选取基函数,能同时对多通道数据进行自适应分解,适合于分析具有高度相关性和非平稳性的脑电信号。为了判别包含有用信息的内蕴模式函数(IMFs),提出一种基于噪声辅助多变量经验模式分解(NA-MEMD)和互信息的方法,并用于脑电特征提取。首先使用NA-MEMD算法对多通道信号进行分解得到多尺度IMF分量,然后采用互信息法分别计算各尺度上信号与其IMF分量、噪声与其IMF分量、信号IMF分量与噪声IMF分量之间的相关性,接着根据敏感因子筛选包含有用信息的IMF分量,将其叠加得到对应的重构信号,最后采用共同空间模式(CSP)法对重构信号进行特征提取,再用支持向量机(SVM)实现分类。使用仿真数据和实际数据集BCI Competition IV Data Set 1进行测试,与现有的其他方法比较,验证了所提方法的有效性。

微弱信号检测的变尺度Duffing振子方法

针对强噪声背景下微弱信号检测问题,本文把互补集总经验模式分解(CEEMD)方法和变尺度Duffing振子结合,提出了一种新的微弱信号检测方法.利用CEEMD将复杂含噪信号分解为不同的固有模态函数(IMF),通过Duffing系统分岔图及其变化找到相轨迹变化的临界阈值,实现含噪信号的信息检测.结果表明,本文所提方法不仅可以很好地免疫噪声,而且能有效检测出信噪比低至-73dB的多频率周期信号.

基于EEMD的信号处理方法分析和实现

Hilbert-Huang变换是一种具有良好自适应性,能够对非线性非平稳的信号进行分析的时频分析方法。而经验模式分解是HHT的核心部分。针对传统EMD分解带来的模态混叠问题,介绍了引入白噪声辅助分析方法的改进型算法EEMD并且通过Matlab平台进行了信号仿真系统设计和实验,验证了EEMD方法的抗混分解能力。

基于CEEMD能量熵特征提取和VNWOA-LSSVM的风力机轴承故障诊断方法研究

针对极端复杂工况下风力发电机组轴承故障诊断问题,对风力机运行状态监测中常用的故障诊断方法进行了研究,提出了一种基于互补总体经验模式分解能量熵的故障特征提取和改进的鲸鱼算法来优化最小二乘支持向量机的风力机轴承故障诊断方法;通过互补总体经验模式分解,降低了噪声对微弱故障信号的干扰,提取了各分量的能量熵构建故障特征集合,作为诊断模型的输入;利用冯诺依曼拓扑结构的特性,克服了鲸鱼算法中收敛慢、寻优精度低的问题,构建了改进的鲸鱼算法优化最小二乘支持向量机的诊断模型分类器,实现了对不同故障类型特征参数的准确分类;最后利用试验数据集进行了测试。研究结果表明:所提出的方法计算速度快、泛化能力强、分类正确率高,其诊断结果优于基于鲸鱼算法优化的最小二乘支持向量机,远优于传统的最小二乘支持向量机算法。

基于CEEMD特征提取的无绝缘轨道电路补偿电容故障诊断

利用电路网络理论和传输线理论构建ZPW-2000A轨道电路传输模型,仿真并分析了补偿电容故障对轨面电压的影响,提出基于互补的总体经验模式分解(CEEMD)特征提取的补偿电容故障诊断方法;实验结果表明,相比于传统经验模式分解(EMD)和总体经验模式分解(EEMD),基于CEEMD特征提取的补偿电容故障诊断方法可以有效地克服EMD方法引起的模态混叠和能量泄露现象,减少EEMD方法在信号重构过程中的白噪声残留,为补偿电容的故障诊断提供了一种快速准确的方法,为保证信号传输质量提供了参考依据。

基于全矢NA-MEMD的滚动轴承故障诊断方法

针对EMD分解多通道信号得到的IMF分量在数量和频率成分出现的不匹配现象和单通道分析方法存在信息利用不充分的问题,提出了一种基于噪声辅助多维经验模式分解(NA-MEMD)与全矢谱结合的滚动轴承故障诊断方法——全矢NA-MEMD。利用NA-MEMD对同源双通道信号和噪声辅助信号构成的多通道信息自适应分解成一系列IMF分量;根据相关系数从同源双通道中选取包含故障主要信息的IMF分量进行重构;将重构信号进行全矢信息融合来提取故障特征。通过仿真信号和实验信号分析验证该方法的有效性。

新型遥感图像增强技术

基于方向辅助信号和所需带宽，提出一种基于各向异性BEMD的遥感图像融合增强算法。首先，给定的方向辅助信号和其对应负信号加到原始信号中去，构建两个待分解信号；然后，应用传统BEMD把两个待分解信号进行分解，获取的分量相加得到对应的IMFs，辅助信引同时在相加的过程中被移除，同时该过程有效地避免了边界效应和模式混叠，该方法不仅速度快，而且具有方向选择功能和带宽控制效果；最后，遥感图像的融合证明了方法的有效性。

基于CEEMD-MPE与SDAE的局部放电模式识别

针对变压器局部放电故障信息提取困难以及局部放电类型识别准确率低等问题,提出一种基于CEEMD-MPE与SDAE相结合的局部放电模式识别算法。对局部放电原始信号进行CEEMD分解,得到多个固有模态分量(IMF),根据相关系数筛选出系数最大的IMF作为最优分量,计算其不同尺度下的排列熵值;将有效排列熵值作为特征数据集输入到SDAE中进行无监督学习训练;利用Softmax分类器输出放电类型。实验结果表明,该算法识别精准率为98%,召回率为96.67%,F1得分为97.17%,能够快速、准确地识别局部放电类型。