改进CEEMDAN-小波包阈值降噪在旋转机械轴承中的应用

针对旋转机械滚动轴承振动加速度信号在采集过程中存在大量噪声导致振动信号表征不明显的问题,提出了一种在对自适应噪声完备集合经验模态分解(CEEMDAN)进行改进的基础上与小波包阈值降噪联合的一种数据去噪方法。首先,通过计算分解后得到的各分量的均方根和互相关系数对与原始信号相关性较大的分量进行提取;然后,分别计算提取后每个分量对应的阈值进行小波包阈值降噪处理;最后,将处理后的信号与分量中不存在噪声的分量进行叠加,即为降噪后的信号。经过对比实验验证,改进CEEMDAN-小波包阈值降噪方法的信噪比最大提高6.41,均方根误差降低0.12,证明了本方法的有效性。

基于CEEMDAN-小波包自适应阈值混凝土声发射信号降噪研究

为了得到更加纯净的混凝土声发射(acoustic emission, AE)信号来更准确地监测混凝土结构破裂过程,提出了一种完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition, CEEMDAN)与小波包自适应阈值联合方法对循环荷载作用下的混凝土声发射信号进行降噪处理,运用信噪比和快速傅里叶变化(fast Fourier transform, FFT)分析来验证所用方法的可行性。实验结果表明:结合CEEMDAN-小波包自适应阈值对混凝土声发射信号进行降噪的效果较好,能有效地保留混凝土声发射信号特征信息,对混凝土声发射信号降噪提供新的思路,为后续利用声发射信号分析混凝土结构内部微裂纹扩展及演化特征奠定基础。

一种塔吊钢丝绳损伤检测信号降噪方法

针对钢丝绳漏磁检测信号中存在的未知频率噪声干扰问题,提出一种基于多尺度样本熵(Multi-scale Sample Entropy,MSE)的自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)联合小波包阈值降噪(Wavelet Packet Threshold Denoising,WPTD)方法。将钢丝绳损伤信号分解为一系列本征模态函数(Intrinsic Mode Functions,IMF)分量,分别计算各IMF分量的多尺度样本熵,通过阈值对比筛选出含有噪声的IMF分量,进而利用小波包阈值法对这些分量进行降噪,并与保留的IMF分量进行重组,获取降噪后的损伤信号。实验结果表明,该联合降噪方法比其他降噪方法的信噪比提高了9.2%,均方根误差明显提高,滤波后的损伤信号曲线更加平滑,余弦相似度也大于0.85,能够有效降低检测信号中的噪声分量。

基于振动信号降噪的钢板件损伤定位

为了实现汽车船舶等行业中钢板件的结构健康监测,针对冲击、碰撞损伤发生时的振动信号,提出了一种结合小波包阈值降噪(WPT)和集合经验模态分解(EEMD)降噪的方法来提高损伤源的定位精度。首先,设计了动态环境下钢板件的冲击损伤试验系统并进行实验方案设计,采集了损伤时刻数据;其次,通过对损伤信号进行WPT-EEMD降噪有效提高信噪比,并利用阈值检测获得信号到达各传感器的时间;最后,基于延时叠加算法,完成了钢板件中损伤区域的定位成像。实验结果表明,该方法可在动态环境下有效定位出钢板件上冲击损伤发生的位置,为解决动态无损监测问题提供了思路。

基于RLMD与SSA-BP的采煤机工况模式识别

针对采煤机工作环境恶劣、振动噪声大、故障率高等特点,提出了一种基于鲁棒性局部均值分解(RLMD)结合麻雀搜索算法(SSA)优化BP神经网络的采煤机工况模式识别方法。首先,对不同工况下采集到的振动数据进行小波包阈值降噪,之后进行RLMD分解,选取相关系数大于0.1的P_(F)分量对信号进行重构,选取排列熵、样本熵、模糊熵作为每条数据的特征集,最后输入到SSA-BP神经网络中进行工况模式识别,并与PSO-BP、GA-BP的识别结果进行对比,仿真结果表明:该方法的迭代次数最少,同时准确率最高,可达98.33%;最后也对比了数据预处理前后的准确率,证实了所提及的小波包阈值降噪结合RLMD的双重降噪方法的有效性。

基于改进阈值消噪算法的小波包降噪

小波变换是一种把时间和频率结合起来的时频分析方法,D.L.Dohono在小波变换的基础上提出了小波软、硬阈值消噪法,此方法简单有效,得到了广泛的重视和研究。在经典的小波软、硬阈值消噪方法的基础上,提出了一种基于小波包分析的改进方法。Matlab仿真结果表明,此法同时克服了软、硬阈值方法的缺点,而且其消噪效果比小波消噪方法要好。

基于小波包能量谱的地铁隧道健康监测预警

基于小波包变换对环境激励下的加速度响应信号进行分析,根据加速度响应信号的能量谱提出两种健康监测的预警指标,并采取统计小波包能量谱来研究小波包能量分布的收敛性,以确定损伤识别预警的基准阈值。以武汉地铁3号线王宗区间隧道运营阶段为背景,考虑到隧道内复杂环境引起的随机噪声对加速度响应信号损伤识别敏感性具有一定影响,提出一种基于小波包变换的多阈值去噪法,基本原理即对每个小波包分解系数选取合适的阈值准则并进行降噪处理。实际工程表明:10-1Hz以下加速度响应信号的信息均得到保存,在剔除噪声的同时有效保护各频段的有用信息,可用于实际工程信号降噪过程中;随着数据段数n的增加,预警指标能量改变偏差ED与能量变化方差EV趋于稳定,可以有效判断结构损伤的全过程变化,表明通过收敛值得到的预警阈值在实际应用中具有可行性。

基于背景噪声降噪的管道阀门内漏量化检测

由于天然气管道阀门内漏声发射检测环境复杂、噪声干扰严重,极大地降低了阀门内漏流量的检测精度。为此,提出一种基于背景噪声的小波包软阈值降噪处理方法,并通过对降噪处理后的声发射信号采用基于支持向量回归(Support Vector Regression,SVR)方法进行输气管道阀门内漏流量的量化回归预测。结果表明:采用基于背景噪声的小波包软阈值降噪方法能够获取较为纯净的内漏源信号,降噪后获得内漏声发射信号信噪比为6.11。通过对小波包降噪处理后的特征参数进行输气管道阀门内漏流量回归预测,结果优于未进行降噪处理的预测结果,且软阈值降噪预测结果优于硬阈值预测结果,采用软阈值降噪的预测结果平均绝对比例误差为0.164,有效提高了阀门内漏流量量化回归预测的准确度。

时频域非参数密度估计的独立成分分析

这篇文章提出了一种新的时频域非参数密度估计独立成分分析,考虑到含噪的情况将小波包系数阈值降噪作为其预处理过程,该种算法实现非平稳信号过定瞬时混合的盲分离,它同时估计了解混合矩阵以及未知时频域内的密度函数,其最大优点是不需要选择时频点或者是划分时频面,目前对于实际信号时频盲处理方法来说,选择有效的时频点以及进行合理的时频面划分是有很大局限性的.如仿真所示,其在相同的信噪比特别是低信噪比下分离效果要优于某些时频算法.