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.

采用改进的集总平均经验模态分解法的内燃机气门拍击激励与燃烧激励分离的研究

提出了一种改进的集总平均经验模态分解(M-EEMD)方法,并阐述了其基本原理。通过仿真试验,证实了M-EEMD不仅能够很好地解决经验模态分解(EMD)中模态混叠问题,而且能够抑制集总平均经验模态分解(EEMD)的噪声残余和模态分裂等问题。作为实例,对一个4缸4冲程内燃机气缸盖罩的振动信号进行M-EEMD分解,并对分解得到的IMF分量进行时频分析。结果表明M-EEMD能够成功地将内燃机气门拍击引起的机械激励成分与燃烧激励成分分离。

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。

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。

基于改进的MEEMD的隧道掘进爆破振动信号去噪优化分析

爆破振动信号受现场条件限制,多为复杂含噪信号,对降噪方法的性能提出更高要求。为了获得真实振动特征,建立了一种基于改进的总体平均经验模态分解(modified ensemble empirical mode decomposition,MEEMD)的联合去噪方法。首先,将原始信号进行MEEMD分解得到本征模态分量(intrinsic mode function,IMF),结合相关系数和样本熵(sample entropy,SE)-Hurst指数进行IMF分类;然后,针对含噪IMF分量中的残留噪声,使用最小均方(least mean square,LMS)自适应滤波进行降噪,达到信号去噪的目的。算法对比结果表明:在仿真试验中,MEEMD-LMS相较互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)、快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)等方法表现出更优的降噪性能;在隧道掘进爆破的实例分析中,MEEMD-LMS相较MEEMD对高频噪声的降噪效果更好,低频段频谱更清晰,具备良好的适用性。

基于变分模态分解算法的单通道无线电混合信号分离

针对复杂电磁环境下单通道无线电混合信号分离困难及分离精度不高的问题,提出2次使用变分模态分解(VMD)算法对单通道无线电混合信号进行分离的方法.首先利用VMD算法对单通道无线电混合信号进行粗分离,并将VMD算法与总体平均经验模态分解(EEMD)算法进行对比,得出前者分离出的信号在时域、频域及信噪比和相似系数等方面均比后者取得的对应结果效果好的结论.然后对VMD算法的参数利用改进的量子粒子群优化算法进行优化,确定所需分量个数和惩罚因子的值.最后对VMD算法分离后的信号使用参数优化后的VMD算法进行细分离.数值模拟和实验信号分析结果均表明,再次分离后所得到的信号精度较利用VMD算法对单通道无线电混合信号进行粗分离时更高,证明了所提算法对单通道无线电混合信号分离的有效性.

基于奇异值分解(SVD)差分谱降噪和本征模函数(IMF)能量谱的改进Hilbert-Huang方法

针对随机噪声和虚假IMF会导致改进HHT中EEMD分解质量下降和Hilbert谱混乱,提出了一种基于SVD差分谱降噪预处理和IMF能量谱剔除虚假分量的改进HHT。该方法首先对原始信号进行SVD降噪,通过基本不等式原理来确定相空间重组的最佳Hankel矩阵结构,利用奇异值差分谱来确定有效奇异值的阶次;然后对消噪的信号进行EEMD分解,通过IMF能量谱来去除虚假分量;最后对主IMF进行Hilbert谱分析。仿真和实验结果表明,SVD能提高信噪比,抑制噪声对EEMD分解精度的干扰;能量谱能有效地消除虚假IMF对Hilbert谱分析的影响;Hilbert谱中各频率成分清晰,解决了随机噪声和虚假分量对传统改进HHT的不良影响。

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。

补充集成极值加权模态分解及其应用

极值加权模态分解(Extreme-point weighted mode decomposition,简称EWMD)是一种新的自适应信号分解方法,通过对相邻三个极值点加权平均后进行曲线拟合,优化均值曲线的构造方式,改善了分解能力,但EWMD仍存在模态混叠现象。基于噪声辅助分解思想,提出了补充集成极值加权模态分解(Complementary ensemble extreme-point weighted mode decomposition,简称CEEWMD)。借助高斯白噪声均匀分布的特征,使信号在尺度上具有连续性,CEEWMD能够有效地抑制模态混叠和实现分解的完备性。通过仿真信号和实测信号分析,将CEEWMD与EWMD和总体平均经验模态分解进行对比,结果验证了其在分解性能和抑制模态混叠等方面的优越性。

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。

常见不同模态信号分解方法探讨

经验模态分解(EMD)是一种自适应的信号时频分析方法,它把信号分解成一系列本征模态函数(IMF)和残差分量。集合经验模态分解方法(EEMD)是通过向原始信号中加入高斯白噪声,来抑制经验模态分解过程中存在的模态混叠现象。补充的EEMD(CEEMD)是通过向目标信号添加成对的符号相反的白噪声,来确保信号分解具有真实的物理意义。改进的集合经验模态分解(MEEMD)结合CEEMD与排列熵(PE)算法在抑制模态混叠方面取得理想的结果,并解决计算量大的问题。变分模态分解(VMD)是在EMD的基础上发展出来的一种新型信号处理方法,它进一步避免模态混叠现象并且有着更高的运算效率。讨论EMD、EEMD、CEEMD、MEEMD、VMD在信号分解处理时的效果差异。

基于不同白噪声幅值的总体平均经验模态分解法分析中医脉象的研究

总体平均经验模态分解(EEMD)能有效地解决经验模态分解(EMD)的模态混叠现象。将EEMD和Hil-bert-黄变换用于中医脉象信号的分析,在目标信号中分别加入幅度为原始信号幅值标准差0.1和0.2的白噪声,研究基于不同白噪声幅值的EEMD算法分解平脉、滑脉、弦脉及弦滑脉脉象信号所得各模态平均频率及平均能量的差异。研究结果显示,白噪声幅值为原始信号幅值标准差的0.2时的分解结果更符合临床实际。

基于变分模态分解时频图的轴承故障诊断

针对经验模态分解(EMD)易产生模态混叠、受噪声影响大的难题,提出了一种基于变分模态分解(VMD)的轴承故障诊断方法。该方法综合利用了维纳滤波和信号变分的优点,通过交替方向乘子算法进行优化计算,提取信号中包含的不同固有模态分量及其中心频率,VMD能有效消除模态混叠现象,提高信噪比。利用VMD方法将振动信号分解成单分量固有模态函数,每个固有模态函数具有不同的时间尺度特征,再计算各固有模态函数的时频谱。研究结果说明:基于变分模态分解时频图的轴承故障诊断方法能有效提取强背景噪声中的微弱信号和轴承故障特征,其性能优于EMD和总体平均经验模态分解(EEMD)。

基于总体平均经验模态分解的混合储能系统协调优化控制

由于光伏发电具有较强的随机性和波动性,利用储能系统能够有效平抑光伏功率的波动。该文提出了基于总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)的混合储能协调优化控制方法。首先,根据光伏并网波动率限制要求调整EEMD的滤波阶次k1,将光伏功率分解为高频分量和低频分量,然后,将分解后的低频分量作为光伏电站的并网功率实现光伏功率的平滑控制。为了提高混合储能系统使用寿命,根据电池和超级电容器的荷电状态(state of charge,SOC)对滤波阶数k_2进行调整,实现电池和超级电容器之间的能量分配。根据电池和超级电容器的充放电优先级规则,实现超级电容器和储能电池之间的功率最优控制。通过仿真实例验证了本文方法的有效性和正确性。

部分集成局部特征尺度分解:一种新的基于噪声辅助数据分析方法

局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)是最近提出的一种类似于经验模态分解(EmpiricalMode Decomposition,EMD)的非平稳信号分析方法.为解决LCD方法的模态混淆问题,论文首先提出了基于噪声辅助分析的集成局部特征尺度分解方法(Ensemble LCD,ELCD).然而,ELCD有类似于总体平均经验模态分解(En-semble EMD,EEMD)和互补总体平均经验模态分解(Complementary,CEEMD)的固有缺陷,在此基础上,同时结合最近提出的随机性检测方法——排列熵(Permutation Entropy,PE),论文提出了部分集成局部特征尺度分解(Partly EnsembleLCD,PELCD)方法.仿真数据分析表明,论文提出的PELCD方法不仅能够有效地抑制LCD分解的模态混淆,而且在抑制伪分量的产生以及分量精确性等方面要优于CEEMD和ELCD方法.

基于MEEMD的内燃机辐射噪声贡献

为了研究内燃机振动成分对噪声的贡献,提出一种改进的集总平均经验模态分解(MEEMD)方法.通过仿真试验,对比MEEMD与传统经验模态分解(EMD)和集总平均经验模态分解(EEMD)的结果.结果表明,MEEMD是一种更为优秀的自适应信号模态分解方法,不仅能够抑制模态混叠问题,而且能够解决模态分裂等问题.采用MEEMD方法对内燃机振动成分对辐射噪声的贡献进行研究,以一个4缸4冲程内燃机为例,对标定工况下的缸盖罩振动信号和缸盖罩近场噪声信号进行MEEMD分解,并对分解得到的本征模态函数(IMF)进行时频分析,研究对辐射噪声贡献大的振动成分的来源.研究结果表明,通过MEEMD方法能够得到对内燃机辐射噪声贡献大的振动成分,并且准确确定其来源.