基于时变滤波经验模态分解的非接触式心率变异性估计方法

民航从业人员的身体健康状况是影响航空安全的重要因素,其中呼吸和心跳是极其重要的健康状况表征。为解决接触式或穿戴式测量系统对人员工作时的局限与影响,可采用线性调频连续波(Frequency-modulated continuous wave,FMCW)雷达达到非接触式测量的目的。由于生命体征信号具有时变、非平稳的特点,针对经验模态分解(Empirical mode decomposition,EMD)在信号分解中存在模态混叠现象的问题,使用时变滤波经验模态分解(Time varying filtering based on EMD,TVF-EMD)自适应信号的局部截止频率,可有效提高信号分离性能,解决模态混叠问题。利用TVF-EMD分解出的本征模态函数(Intrinsic mode functions,IMF)分量重构心跳对应的时域信号,估计心跳信号的频率和心跳节拍间隔(Inter-beat interval,IBI),进一步对心率变异性(Heart rate variability,HRV)相关指标进行估计。仿真实验与实测数据处理结果表明,TVF-EMD可从毫米波雷达测量信号中有效分离出呼吸与心跳信号。同时,从模态混叠程度及信号分离性能两方面对TVF-EMD与EMD方法分解效果进行了仿真分析,结果表明TVF-EMD能够有效解决模态混叠问题。因此,TVF-EMD方法能够准确有效地从毫米波雷达测量信号中提取生命体征信息,为IBI估计和HRV分析提供准确的时域信息,具有广阔的应用前景。

基于时变滤波经验模态分解和SSA-LSSVM的变压器内部机械故障诊断方法

为了准确有效地识别变压器内部的潜伏性机械故障,提出了一种基于时变滤波经验模态分解(TVFEMD)和麻雀搜索算法优化最小二乘支持向量机(SSA-LSSVM)的变压器内部机械故障诊断方法。首先,对铁心处于不同松动状态的变压器进行振动信号采集;其次,利用时变滤波改进的经验模态分解(EMD)对所得振动信号进行分解,以获取多个本征模态函数(IMF)即模态分量;然后,采用相关系数法计算IMF分量与原始振动信号的相关性,并计算相关性最大的IMF分量的样本熵,以此构建特征向量集;最后,以诊断准确率最高为目标函数,利用SSA对LSSVM的正则化参数和核函数参数进行优化,搭建SSA-LSSVM诊断模型,并利用诊断模型对特征向量集进行诊断识别,实现变压器铁心内部潜伏性机械故障的诊断。试验结果表明,所提方法能够有效识别变压器内部潜伏性机械故障,识别准确率达到了98%以上,比对比算法的识别准确率高出5%以上,达到了高识别准确率的诊断效果。

基于参数优化时变滤波经验模态分解的转子故障诊断

针对应用时变滤波经验模态分解(TVFEMD)诊断转子故障时需人为指定带宽阈值和B样条阶数两个参数,存在较大主观性和盲目性的不足,提出一种基于参数优化TVFEMD和希尔伯特变换(HT)诊断转子故障的方法。采用粒子群算法搜索最佳参数组合;并使用最优参数组合进行TVFEMD,得到一系列的本征模态函数(IMF);最后,对IMF进行HT,得到信号的希尔伯特时频图和边际谱,从而诊断出转子的故障类型;分别应用该方法诊断恒定转速的转子不平衡、变转速的油膜涡动两种典型转子故障。结果表明:基于参数优化时变经验模态分解和希尔伯特变换的方法不仅能够实现参数的自动选择,获得良好的分解效果,且能准确识别转子的不平衡、油膜涡动等典型故障;与原始经验模态分解和现有方法相比,具有明显的优越性。

时变滤波经验模态分解与对称差分解析能量算子在轴承故障诊断中的应用

经验模态分解算法作为一种经典的模态分解技术,在许多科研领域得到了广泛应用。然而分离问题和间歇性问题仍未解决,这可能导致模态混叠现象。因此,采用一种基于时变滤波的改进的经验模态分解方法。该种改进的模态分解算法可以确保了一个故障信号被精确地分解为多个含有独特故障特征的分信号。然后,采用对称差分解析能量算子对含有故障特征的分信号进行故障特征提取。实验结果表明,该方法是一种有效的轴承故障诊断工具。

基于时变滤波经验模态分解的轴承故障诊断

针对经验模态分解(empirical mode decomposition,EMD)由于模态混叠现象难以有效提取轴承故障特征的问题,提出了一种基于时变滤波经验模态分解(time varying filtering based empiricalmode decomposition,TVF-EMD)的轴承故障诊断方法。首先利用TVF-EMD方法对轴承故障信号进行自适应分解,得到一组内禀模态函数(intrinsic mode functions,IMFs),然后根据峭度最大准则选取包含主要故障特征信息的IMF分量,最后对选取的敏感分量进行进一步的包络解调分析,提取出故障特征信息,从而进行故障诊断。轴承故障诊断实例证实了所提方法能准确提取轴承故障的特征信息,实现轴承故障的有效诊断;通过与总体经验模态分解(ensemble empirical modedecomposition,EEMD)方法的对比研究,表明了所提方法的优越性。

2D经验模态分解与非下采样方向滤波器组的红外与可见光图像融合算法

针对当前红外(IR)与可见光(VI)图像融合中细节保留能力不足及目标配准精度不高的问题,设计了一种多尺度2D经验模态分解耦合非下采样方向滤波器组(NSDFB)的红外与可见光图像融合算法。分别计算红外与可见光图像的熵值,并比较二者阈值的大小,计算阈值较大图像的残差。通过2D经验模态分解(2D-EMD)和NSDFB机制,构建了多尺度方向分解模型,将熵值较大图像的残差和熵值较小的图像变换为高频方向系数与低频系数,以获得源图像的细节和特征信息。对于低频系数,引入加权平均作为低频系数的融合准则;根据区域能量对比度与清晰度来定义融合规则,完成高频系数的融合。利用2D-EMD多尺度分解逆变换将获取的低频与高频系数生成新图像。实验表明:与当前常用红外与可见光图像融合对比,所提算法具有更高的融合质量,所输出的图像具有更好的对比度与丰富的细节信息。

基于强跟踪滤波器的水中高频振荡放电参数分析

为探明水中放电高频振荡阶段参数及其变化特性,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和强跟踪滤波器的时变参数辨识方法。通过该方法分解水中放电实验平台采集的电压、电流信号得到不同频率特征的信号分量,对最适应原始波形的信号分量开展Hilbert变换并求得相应的瞬时幅值、频率,进而得到所需的电阻和电感。实验数据离散度分析结果表明,放电进程中参数变化具有随机性,故利用强跟踪滤波器进一步对实验数据进行辨识处理,可有效地降低随机放电造成的离散性,并获得具备普适性的电阻值和电感值。偏离度分析结果表明,辨识电阻与测量数据除在气泡崩塌阶段随机性过大外,前期偏离度集中在23.26%以下,降低了偏离度处于80%~110%内数据点的干扰,电感偏离度集中在2.35%以下。该方法能够有效地应用于水中高频振荡放电过程的时变参数处理研究中。

结合多元经验模态分解和加权最小二乘滤波器的遥感图像融合

为了提高多光谱图像的空间分辨能力的同时更大程度地保持光谱信息,提出了结合多元经验模态分解和加权最小二乘滤波器的遥感图像融合方法.多元经验模态分解解决了传统的基于单变量经验模态分解的遥感图像融合方法中多光谱图像的亮度分量和全色图像分解出的子图像频率不匹配导致融合图像空间细节信息缺失问题,加权最小二乘滤波器可以精确地估计出源图像的低频信息继而得到高频信息,减小了传统的经验模态分解方法估计的高频信息中混有低频成分而导致的光谱失真问题.将两者的优点结合,采用不同的融合规则得到的融合图像在空间细节和光谱信息的保持度较好.选取多组不同卫星数据进行仿真实验,并与结合多元经验模态分解和àtrous小波变换的方法以及基于加权最小二乘滤波器的遥感图像融合方法等方法进行比较,实验结果表明本文方法在光谱质量和空间分辨率方面都取得了很好的性能.

经验模态分解滤波法用于时变重力场去噪研究

GRACE重力卫星的时变重力场数据在陆地水储量变化监测和分析中广泛应用,其应用效果与时变重力场滤波方法的特性息息相关,因此时变重力场滤波方法研究成为一个热点.引入经验模态分解滤波法,对时变重力场数据进行滤波处理,并与成熟的P3M6、Duan滤波法比较分析该方法的有效性.结果表明:经验模态分解滤波法结果的信噪比为3.14,而P3M6、Duan滤波法的结果信噪比分别为2.90和3.01,相比而言,经验模态分解滤波法有较好的保留真实信号能力.进一步将三种滤波方法用于研究亚马逊流域、密西西比河流域和长江流域的水储量变化,并与GLDAS反演的水储量变化结果比较,结果表明经验模态分解滤波法反演结果与GLDAS结果相关性最高,相关系数大于0.86,充分验证该方法的可靠性和有效性.

基于粒子群优化时变滤波经验模态分解的轴承故障诊断

时变滤波经验模态分解(TVFEMD)的性能在很大程度上取决于其参数(即带宽阈值和B样条阶数)的选取。在应用TVFEMD诊断轴承故障时,参数需要预先人为设定,因此难以获得令人满意的分解结果。针对此情况,本文提出了一种基于粒子群优化时变滤波经验模态分解的轴承故障诊断方法。首先利用粒子群算法来搜索最佳参数组合;然后使用得到的最佳参数组合对轴承故障信号进行TVFEMD分解,得到一组本征模态函数(IMF);最后选取包络谱故障特征能量比最大的IMF分量进行包络解调分析,提取故障特征,进行故障诊断。轴承故障诊断实例结果表明该方法不仅优化了TVFEMD两个参数,获得了良好分解效果,而且能够准确的提取轴承故障特征信息,实现轴承故障的有效诊断。

基于经验模式分解的有源滤波器谐波检测

本文把经验模式分解(EMD)应用于有源滤波器的谐波检测。对谐波电流进行EMD分解,得到一系列固有模态函数(IMF),由于EMD分解的完备性,不同的IMF代表了不同的频率分量,即得到基波和各次谐波IMF分量,从而完成谐波的检测。在分解中,采用三次样条插值求包络曲线,并通过对信号两端添加极值点的方式来减轻边界效应的影响。仿真结果表明,基于EMD的谐波检测方法,不仅能有效地将电力系统谐波自适应地分离出来,而且对于有源滤波器的谐波检测具有较高的实时性。

基于数据驱动自适应变分非线性chirp模态分解的瞬时频率识别

为降低初始频率和信号噪声对变分非线性chirp模态分解(variational nonlinear chirp mode decomposition,VNCMD)的影响,提出了一种基于数据驱动自适应变分非线性chirp模态分解(data-driven adaptive variational nonlinear chirp mode decomposition,DDAVNCMD)的方法。通过模态能量占比确定响应信号的模态个数,同时采用导数归一化算法初步估算模态分量的初始频率,并添加迭代时变滤波器来降低噪声的影响,在此基础上再对响应信号进行VNCMD。通过单分量和多分量解析信号及拉索结构试验对所提方法进行验证。研究结果表明,基于DDAVNCMD的瞬时频率识别方法具有较好的准确性和抗噪性。

利用时变经验模态分解的主干道短时交通量预测

为描述短时交通量数据中隐藏的非线性与非平稳特性,提高短时交通量的预测精度,进而更好地构建智能交通平台,提出了一种基于时变滤波经验模态分解(TVF-EMD)与最小二乘支持向量机(LSSVM)的混合预测模型,即TVF-EMD-LSSVM模型。其中:TVF-EMD方法主要用来降低数据中暗含的非平稳性对预测结果影响;LSSVM模型是为了描摹数据中包含的非线性信息演化趋势。研究结果表明:相比经验模态分解(EMD)方法而言,TVF-EMD方法的分解结果更加适合交通流预测;该分解技术与LSSVM模型的结合可提供更好的预测结果,相比LSSVM模型而言,其平均绝对误差、平均相对百分比误差、均方根误差和均方根相对误差分别降低了9.186、18.947%、13.591、0.316%,且均等系数提高了0.0821。

快速自适应经验模态分解方法及轴承故障诊断

提出一种快速自适应经验模态分解(fast and adaptive empirical mode decomposition,简称FAEMD),其算法结构和本征模态函数的特点与经验模态分解(empirical mode decomposition,简称EMD)类似。采用顺序统计滤波器代替三次样条来拟合曲线,简易的终止准则使耗机时间大幅减小。该方法可以快速、有效、准确地分解信号,能够避免终止准则和端点效应问题,改善模态混叠和耗时问题。在滚动轴承故障诊断的应用中,效果表现良好。

损伤检测的经验模态分解法

用经验模态分解法对几种典型信号的特征进行分析.首先分解出内在模态函数分量,再对模态函数进行希尔伯特变换,得到时频图,由模态分量中突变点的位置来识别损伤发生的时间,而由时频图识别频率的变化.对一单自由度系统在刚度突变和累积疲劳引起的缓慢变化两种情况进行了分析,根据时频图中频率的变化识别出刚度发生突变的时刻及刚度变化的过程和损伤程度.结果表明经验模态分解法是进行损伤检测和时变参数识别比较理想的方法之一.

经验模态分解法在地下水资料处理中的应用

利用经验模态分解法(EMD)对地震地下流体观测资料中典型干扰信号的处理及趋势性变化的提取,结果表明,经验模态分解方法能有效地对信号进行分解,是一种无需预设带宽的自适应高通滤波方法,适用于地下流体观测资料的分析处理。

基于改进EMD分解的时变结构密集模态的瞬时参数识别

提出基于改进经验模态分解(EMD分解)识别含有密集模态的时变结构的瞬时参数的方法。通过波组信号前处理和正交化经验模态分解方法(OEMD)解决传统的EMD无法分解2个近频模态的固有模态函数(IMF)和IMF分量之间不正交这两个问题,将该方法应用于时变结构密集模态的瞬时参数的识别中,给出基于此方法识别时变结构密集模态参数的步骤,并通过一个含有密集模态的3自由度时变结构算例验证了该方法的正确性、有效性以及识别密集模态的优势。

改进的经验模态分解法分离超声多普勒血流与管壁信号

超声多普勒血流信号常包含管壁信号的干扰,准确分离二者对提高血流检测的精度具有重要作用。本文提出两种改进的经验模态分解(EMD)方法,先将含管壁信号的超声多普勒信号分解成多层本征模态函数(IMF),然后根据血流信号与管壁信号的不同特性,对既含管壁信号又含血流信号的IMF分量进行分离处理,最后将各层IMF分量中的管壁成分叠加得到管壁信号的估计,而血流信号可通过原信号减去估计的管壁信号而得到。将本方法用于计算机仿真信号和人体实测的超声多普勒信号,并与高通滤波器法、空间选择性降噪法和原EMD法进行比较,结果表明:本文提出的两种方法能在较大的管壁搏动速度范围内准确地分离血流信号和管壁信号,其平均相对误差比高通滤波器的结果降低了约52%和57%。可见,本文提出的两种方法有望用于血流信号与管壁信号的准确分离。

时变周期信号特征提取及精度分析

信号周期是描述信号的重要特征,在信号探测和信号识别中发挥着重要作用。信号的周期、振幅和相位随时间变化,会对周期信号的提取产生影响。离散小波变换、集合经验模态分解和奇异谱分析是常用的周期信号提取方法,本文使用提取信号的最大误差和均方根误差作为精度分析的依据,分析对比3种方法在时变周期信号周期特征提取中的性能。结果表明:离散小波变换、集合经验模态分解和奇异谱分析均能实现时变周期信号的有效分离,奇异谱分析与离散小波变换和集合经验模态分解相比,精度更高。

基于经验模态分解与巴特沃斯滤波的Φ-OTDR去噪算法

针对Φ-OTDR光纤传感器采集到的原始信号中含有大量噪声、数据信噪比低的问题,提出一种基于经验模态分解和区间迭代不变阈值的光纤传感信号噪声去除方法。该方法从信号的时间尺度特征出发进行信号分解,无需预先设定基函数,同时采用标准的巴特沃斯滤波器对本征模态分量进行滤波处理。设计仿真实验进行测试,结果表明,该方法对人工敲击信号和机械振动信号的信噪比提升分别为3.01 dB和5.12 dB,能有效抑制原始信号数据的噪声,从而提高Φ-OTDR系统的灵敏度。