基于总体平均经验模态分解的语音增强算法研究

总体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition)虽然能够在一定程度上抑制模态混淆,但添加的白噪声不能被完全中和,对所有本征模态函数IMF(Intrinsic Mode Function)分量进行集成平均等增加了计算工作量。基于EEMD和结合小波阈值去噪思想,提出改进的EEMD方法。首先对原始信号进行EEMD分解,得到一系列IMF分量;其次对筛选后的每个IMF计算噪声强度;然后采用小波启发式阈值估计噪声并计算阈值;最后以软阈值的方式滤除每个IMF中噪声并重构信号还原出增强的语音。通过分析仿真信号和实测信号,结果表明:该算法对带噪语音有很好的滤波效果,与其他同类算法相比提高信噪比2~4 d B。

基于总体平均经验模态分解的主动噪声控制系统研究

为了提高宽窄带混合噪声的消噪效果,本文提出一种基于总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)的主动噪声控制(Active noise control,ANC)系统,利用实时EEMD算法逐段将混合噪声分解成若干个固有模态函数(Intrinsic mode functions,IMF)分量.因为这些IMF分量的频带各不相同,所以实现了混合噪声中宽带分量和窄带分量的有效分离,独立进行ANC处理后成功解决了处理混合噪声时带来的"火花"现象,而且避免了传统混合ANC(Hybrid ANC,HANC)系统中频率失调的影响.EEMD算法也是对混合噪声的平稳化处理过程,因此当混合噪声中出现非平稳变化时,本文提出的系统也能保持较好的系统稳定性.通过不同噪声环境下进行仿真分析,提出的ANC系统比HANC系统具有更好的系统稳定性和更小的稳态误差.

基于总体平均经验模态分解残差的故障诊断方法

为了提高化工过程故障诊断的效率,基于残差对故障状态具有敏感性以及经验模态分解(EMD)无需建模仅依据输入输出数据分析的优势,提出了一种基于总体平均经验模态分解(EEMD)残差进行故障诊断的新方法。基于历史数据的6σ控制图,确定残差的故障诊断控制限。利用在线实时数据采用贝叶斯信息准则在线确定EEMD的移动窗口。基于移动窗口的采样数据,在线获得EEMD残差最大值的变化,结合相应的故障诊断控制限在线诊断故障并确定故障发生时间及原因。该文方法与传统的希尔伯特谱分析方法相比,具有可在线诊断故障的优势,提高了故障诊断的准确率。将该文方法用于田纳西-伊士曼(TE)过程的故障在线诊断,验证了其有效性。

基于总体平均经验模态分解和一步式字典学习联合去噪的语音端点检测算法

针对复杂环境下语音端点检测准确率低且检测耗时过长的问题,提出一种基于总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)和一步式字典学习(one-stage dictionary learning,OS-DL)联合去噪的语音端点检测算法。首先利用EEMD算法对输入语音进行分解得到本征模式分量(intrinsic mode function,IMF),然后使用OS-DL算法分别对纯净语音信号与噪声信号进行训练,得到纯净语音信号和噪声信号的幅度谱字典,进而对幅度谱进行稀疏表示,利用得到的系数矩阵重新构建出语音信号频谱,将重构出的语音信号频谱经过傅里叶逆变换得到降噪后的语音信号,最后对降噪后的语音信号利用均匀子带频带方差法进行端点检测。实验结果表明,该算法在复杂环境信噪比低于-10 dB情况下检测准确率仍可达到85%以上,且平均检测时间缩短至传统端点检测算法的1/3。

基于总体平均经验模态分解的局部场电位相位同步信息编码研究

局部场电位的相位特征是表达外界刺激信息的重要度量,对神经信息的传递与表达具有重要作用。以Long Evans大鼠为实验对象,以12个朝向的全屏光栅作为刺激图像,用多通道微电极阵列信号采集系统获取局部场电位信号。采用总体平均经验模态分解的方法获取局部场电位的不同分量,通过Hilbert提取不同分量的瞬时相位,用相位锁定值来进行相位同步分析。结果发现局部场电位采用总体平均经验模态分解后,主频带范围在40 Hz^100 Hz之间的第三固有模态分量具有最佳的朝向选择性,且编码精度和稳定性均优于经验模态分解和γ频带提取的结果。

基于集总平均经验模态分解法(EEMD)的星箭解锁分离机构冲击响应分析

基于集总平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),提出一种星箭解锁分离机构冲击响应信号分析新方法。通过EEMD,将星箭解锁分离机构解锁过程的冲击信号分解成不同模态分量(Intrinsic Mode Function,IMF)。结果表明前两阶模态分量IMF主要为冲击引起的高频振动,而IMF3之后为冲击激励引起的不同阶固有模态振动和局部振动,并通过模态实验验证了分析的正确性。

一种基于总体平均经验模态分解的线谱提取方法

为有效提取目标辐射噪声线谱,采用了一种基于集成经验模态分解(EEMD)的自适应线谱及连续谱提取方法。对舰船辐射噪声频谱进行集成经验模态分解,然后选取合适的IMF进行线谱的提取,使用余量和剩余的IMF进行连续谱的准确估计。通过对舰船辐射噪声仿真信号分析,该方法能有效地提取舰船辐射噪声的线谱,与小波分析方法进行对比分析后表明,EEMD对信号的分析比小波分析有一定的优越性,而且因EEMD能够突出信号局部特征,对线谱能量有一定的增益。

完备总体平均局部特征尺度分解及其在转子故障诊断中的应用

作为对经验模态分解(EMD)的改进,局部特征尺度分解(LCD)也有类似EMD的模态混淆问题。基于噪声辅助分析的总体平均经验模态分解(EEMD)和完备的EEMD(CEEMD)等是抑制分解模态混淆的有效途径。然而此类方法伪分量较多、得到的分量未必满足IMF分量定义等。针对此,提出了一种完备的总体平均局部特征尺度分解(CELCD),并通过仿真信号将CELCD方法与CEEMD进行了对比,结果表明CELCD能够有效抑制LCD模态混淆,而且在抑制伪分量的产生,提高正交性和分量的精确性等方面具有一定的优越性。最后论文将CELCD方法应用于转子碰摩故障的诊断,结果表明了方法的有效性。

基于WPES与MEEMD的船用主机振动研究

为揭示船用长冲程低速柴油机健康状态下的振动特征,采用小波包能量谱(Wavelet Packet Energy Spectrum, WPES)和改进的总体平均经验模态分解(Modified Ensemble Empirical Mode Decomposition, MEEMD)结合的特征提取方法,对典型推进工况下低速机的表面振动信号进行3层小波包分解和重构。通过对能量占比较大的节点采用MEEMD方法进行分解,获得IMF1分量频谱。研究结果表明,在40%以下的较低发动机负荷时,各单次燃烧循环的振动波动较小,振动幅值基本一致。提升至50%以上发动机负荷时,燃烧引起振动波动明显增强。50%工况下,中高频能量占总能量的41.51%,为主要振动源。

基于ICEEMDAN与POA-SVM的感应电机故障诊断

针对感应电机定子电流故障特征提取困难,支持向量机(SVM)惩罚系数c和核函数参数g的选择对诊断结果影响较大等问题,提出一种改进自适应噪声平均总体经验模态分解(ICEEMDAN)与鹈鹕优化算法(POA)优化支持向量机(POA-SVM)相结合的感应电机故障诊断方法。首先,利用ICEEMDAN经陷波器滤除工频的定子电流获得一系列固有模态函数(IMF);然后,选取各状态信号的前7阶IMF分量并计算能量熵作为故障特征向量;最后,将故障特征向量输入POA-SVM模型得到诊断结果。通过仿真软件Ansoft/Maxwell建立电机模型来获得电流数据,诊断准确率达到了100%,实现了感应电机的故障诊断。为进一步验证诊断方法的优越性,搭建电机故障模拟试验台来采集电流信号,结果表明,该方法在空载、半载和满载3种负载情况下诊断准确率均可达到97.5%以上,与其他故障诊断方法相比,所提方法对感应电机电气故障具有更好的识别能力。

EEMD能量熵在配电变压器绕组状态监测中的应用

利用振动法在线监测配电变压器绕组的状态关键在于如何从振动信号中提取有效的特征。为了更有效地监测与诊断变压器绕组的状态,搭建了某配电变压器多次短路冲击试验及负载试验时的振动信号监测平台,利用总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)对变压器绕组的振动信号进行分析并求解其能量熵值,提出一种基于EEMD能量熵的配电变压器绕组状态监测与故障诊断的方法。实验结果表明,EEMD能够有效地提取配电变压器绕组振动信号的特征,得到振动信号各频带内的能量分布状态,可准确地在线监测与诊断配电变压器绕组故障。

基于EEMD的谐波检测方法

针对谐波检测问题,比较几种常用谐波检测方法,总结出各自的适用条件。结合经验模态分解理论和总体平均经验模态分解(empirical mode decomposition,EEMD)算法,提出基于EEMD的谐波检测方法。给出离线谐波检测的具体过程,并在此基础上,首先构造当前时刻采样值始终处于中心位置的向量,然后计算总体谐波分量的在线检测方法。另外,可以通过修改EEMD算法中的频率计算条件实现对特定次数谐波分量的检测。为验证该方法的检测效果,将EEMD算法与瞬时无功功率方法(ip iq)分别应用于仿真和实测数据。检测结果表明,所提方法不但在检测稳态信号时具有很好的精度,而且在检测波动信号时也具有较好的动态特性。

基于EEMD的立管涡激振动响应最优降噪光滑模型参数识别研究

深水海洋立管因受到海洋环境的影响产生涡激振动现象,长期的涡激振动易导致立管产生疲劳破坏。为了获得真实的涡激振动特性,进行海洋立管涡激振动试验并对测试信号进行总体平均经验模态(EEMD)分解。基于分解得到的本征模态函数建立滤波算法,考虑曲线光滑度和重构信号与实测信号相似度,确立最优降噪光滑模型区间,依据存在度确定有效本征模态函数以及最优降噪光滑模型,优化目标函数。从相关度、频谱分析、能量谱分析3个角度出发进行合成信号仿真识别,并验证了算法的准确性。结果表明:构建的最优降噪光滑模型得到的有效本征模态函数,与原始信号频率成分相关系数最高,达到0.96以上,且频率对应相等;其能量占原始信号总能量的97.98%。涡激振动试验结果表明,建立的最优降噪光滑模型确定的有效本征模态函数包含顺流向、横流向振动信息,且顺流向主频是横流向频率的2倍。

基于总体平均经验模态分解的光纤周界预警系统模式识别方法

针对光纤周界预警系统输出信号的非平稳特性,提出了一种基于总体平均经验模态分解(EEMD)的模式识别方法。预警系统基于Mach-Zehnder干涉原理,利用4条单模光纤构成分布式扰动传感器,实时监测周界入侵事件。该方法引用具有自适应性的EEMD算法将振动信号分解成多个本征模态函数(IMF)。根据不同振动信号能量各异的特点,提出EEMD能量熵的方法排除非入侵的干扰。最后建立双重支持向量机对入侵信号进行识别。实验结果表明:该方法可以有效排除非人为入侵的干扰,准确识别攀爬、敲击和其他虚警信号,平均正确识别率优于92%,提高了系统的报警识别率,降低了误报率。

基于CEEMD-EEMD的局部放电阈值去噪新方法

为了解决局部放电信号去噪过程中自适应性不足,提出了基于完全经验模态分解和总体平均经验模态分解(CEEMD-EEMD)的局部放电阈值去噪新方法。首先将放电信号进行CEEMD分解,其次对分解出来的固有模态函数进行EEMD分解,根据数理统计的知识将分解后的信号进行阈值去噪。利用该算法对局部放电的仿真信号和实测信号进行去噪处理,并与常规的小波去噪算法比较分析。仿真和实验的去噪结果表明,基于CEEMD-EEMD的局部放电阈值去噪方法取得了良好的去噪效果,验证了该方法的有效性,从而为局部放电信号的预处理提供了一种新思路。

基于EEMD样本熵和GK模糊聚类的机械故障识别

针对目前各种机械故障诊断方法的局限性,提出了基于总体平均经验模式分解(EEMD)样本熵和GK模糊聚类的故障特征提取和分类方法,建立了一种机械故障准确识别的有效途径。首先,对机械振动信号进行EEMD分解,得到若干不同时间尺度的固有模态函数(IMF)分量。其次,通过相关性分析和能量相结合的准则对IMF分量进行筛选,并将筛选出的IMF分量的样本熵组成故障特征向量。最后,将构造的特征向量输入到GK模糊聚类分类器中进行聚类识别。实验及工程实例证明了该方法的有效性和优越性。

基于MED-EEMD的滚动轴承微弱故障特征提取

针对滚动轴承在强噪声环境下故障信号微弱、故障特征难以提取等问题,提出了基于最小熵反褶积(minimum entropy deconvolution,MED)和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)两者相结合的方法来提取滚动轴承微弱故障特征。通过对仿真信号和风电齿轮箱的振动信号分析,结果表明:为了弥补在强背景噪声下EEMD对微弱信号特征提取的局限性,该文选取MED作为EEMD的前置滤波器,最后对敏感的本征模态函数进行循环自相关函数解调分析,得出了风电齿轮箱的故障来自于高速轴的微小弯曲和高速轴输出端#10轴承外圈点蚀。同时与EEMD进行对比分析,表明了这种方法对微弱故障特征提取有较好的适用性。该文为多故障共存并处于强背景噪声下的微弱特征提取提供了参考。

APEEMD及其在转子碰摩故障诊断中的应用

总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)是抑制经验模态分解(empirical mode decomposition,简称EMD)模态混叠的有效方法,针对EEMD分解效果依赖于添加噪声的大小、筛分次数和总体平均次数等参数的选择及噪声残留大、分解不完备等问题,提出了自适应部分集成经验模态分解。该方法通过成对地向目标信号加入自适应噪声,并对每个内禀模态函数(intrinsic mode function,简称IMF)自动选择筛选次数,通过排列熵检测筛分出高频IMF,再对剩余信号进行EMD分解。将提出的方法应用于仿真和转子碰摩故障试验数据分析,结果表明提出的方法能够有效地应用于转子碰摩故障诊断,而且在分量的精确性、完备性和模态混叠的抑制等方面优于EEMD方法。

基于EEMD-GRNN网络的滚动轴承故障诊断试验研究

提出了一种基于总体平均经验模态分解和GRNN神经网络的滚动轴承故障诊断方法。首先通过EEMD方法将非平稳、非线性的滚动轴承振动信号分解为若干个平稳的固有模态函数(IMF)之和,提取前8个IMF分量作为频域特征,同其他14个时频域特征指标组成特征集输入到GRNN神经网络中,建立起GRNN网络模型,对滚动轴承三种故障状态进行模式识别。通过分析比较BP和GRNN两种网络模型对故障的诊断结果,验证了GRNN网络的优越性和可行性。

基于EEMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出基于总体平均经验模态分解(EEMD)和支持向量机的齿轮故障诊断方法。通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断齿轮的工作状态和故障类型。实验结果表明:文中提出的方法能有效地应用于齿轮的故障诊断。