光纤陀螺基于本征模态函数筛选的阈值滤波算法

为降低光纤陀螺随机噪声,提高其测量精度,利用周期图法辨识光纤陀螺的随机噪声特征参数,针对其噪声特征,提出了基于本征模态函数筛选的微分经验模态分解阈值滤波算法。以本征模态函数和原始信号二者的概率密度函数的空间距离为判别依据,对所有本征模态函数进行筛选,根据已估计的噪声参数计算阈值大小,采用时间序列阈值的方法对筛选出的本征模态函数进行处理。仿真和实验结果表明,该滤波算法能够在跟踪光纤陀螺信号变化的同时,使其零偏不稳定性下降90.35%,角随机游走下降93.75%,对随机噪声有较好的抑制能力。

分解信号为正交本征模态函数的方法

利用快速滤波建立了一种对信号进行本征模态函数分解的全新方法。该方法与筛选方法相比较,具有操作简单,运算速度快,尤其适用于长信号的本征模态分解。该方法的另一个重要特点是分解所得各本征模态函数及非模态函数是严格正交的,不会产生模态混淆。

基于二维本征模态函数的SAR图像目标检测

合成孔径雷达(SAR)成像具有其独特的优势,能全天时全天候获取目标区域遥感数据,但是其成像机理复杂,获得的SAR图像解译困难。从SAR成像回波特点出发,结合二维经验模态分解(BEMD)理论,提出了一种基于二维本征模态函数(BIMF)的SAR图像目标检测算法。采用仿真和实际的SAR图像数据进行了验证实验,实验结果表明,利用融合的BIMF特征分量检测目标,其效果优于直接用原始SAR图像进行目标检测,并且对不同信噪比的SAR图像,具有较强适应能力。

利用正交本征模态函数分析日长变化的主要激发源

利用本征模态函数的正交分解方法对日长(LOD,length of day)数据序列进行分解,得到了日长变化的101个正交本征模态函数。通过对其中几个主要模态函数进行分析,发现日月地的相对位置与其中几个模态函数极值发生的时间极其吻合,并据此推断出日长变化的主要激发源。同时还发现日长变化存在准周期约为206 d的波动。

快速滤波本征模态函数分解中的边界处理

针对快速滤波分解信号为本征模态函数(IMF)所产生的边界效应问题,提出了一种抑制这种边界效应的方法。即利用快速滤波先将原信号分解为本征模态函数,然后在信号内部截取适当的两段分别延拓到原信号两端,经快速滤波得到分解结果后,再截去延拓的部分,保留原信号长度的分解结果。通过实例验证了该方法的有效性。

主频占优镶边滤波器分解信号为本征模态函数的方法

针对本征模态函数分解方法FFDSI存在的问题,首先将信号变换到频率域,采用以主频率为始点逐渐向两边扩大频率通过带宽度的方法,寻求一种最宽带通镶边滤波器,使信号经此滤波器滤波后得到的信号为本征模态函数。然后,从原信号减去此模态函数并重复这一过程,便可实现信号的本征模态函数分解。新方法不仅可以有效削弱吉布斯效应,较好地反映信号的瞬时特性,尽可能地降低拆分"拍"信号的机率,而且在分解过程中还同时得到了本征模态函数的解析信号,这为以后计算Hilbert谱提供了很大便利。文中还对风浪信号进行了分解,得到了5个有意义的主要本征模态函数。

基于本征模态函数包络谱的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳的特征,以及传统傅里叶变换不能反映信号细节的缺陷,引入了一种基于本征模态函数包络谱的方法。首先,采用经验模态分解(empirical mode decomposition,EMD)将滚动轴承故障振动信号分解成若干个本征模态函数(intrinsicmode function,IMF)之和;然后,求出包含主要信息成分的IMF分量的Hilbert包络谱;最后,对照滚动轴承故障特征频率,进而判定故障类型。通过对滚动轴承内圈、外圈故障振动信号的分析处理,表明该方法能有效地提取滚动轴承的故障特征。

基于多尺度散布熵的磁声发射信号特征识别方法

在工程中对设备进行应力检测和微损伤检测时,采集磁声发射信号易受噪声干扰,同时其特征的提取也存在困难,为此,将变分模态分解与散布熵相结合,提出了一种基于自适应多尺度散布熵的磁声发射(MAE)信号特征识别方法。首先,设计搭建了检测实验平台,采集了Q345钢静载拉伸实验中0 MPa~400 MPa应力状态下的MAE信号;然后,采用变分模态分解方法,对磁声发射信号进行了自适应分解,生成了一系列从低频到高频分布的本征模态函数(IMF)分量;其次,计算了每个本征模态函数分量的散布熵值,构建了MAE信号的特征向量矩阵;最后,将特征向量矩阵输入到基于支持向量机建立的识别分类模型中,进行了信号的训练和识别。研究结果表明:使用基于自适应多尺度散布熵的磁声发射(MAE)信号特征识别方法,能够自适应地实现MAE信号的多尺度化目的,并且准确地识别出不同应力状态下的信号特征,分类识别准确率高达95.3704%,验证了该方法的有效性;说明基于自适应多尺度散布熵和多分类支持向量机的信号特征识别方法能够快速且有效地识别不同应力状态,在信号特征识别方面具有较好的应用潜力。

基于TVFEMD-IMF能量熵增量的桥梁监测数据降噪方法

针对桥梁监测数据受多重噪声干扰、影响结构真实响应获取的问题,提出了一种基于时变滤波经验模态分解(time-varying filtering empirical mode decomposition,简称TVFEMD)和本征模函数(intrinsic mode function,简称IMF)能量熵增量的桥梁监测数据降噪方法。首先,利用TVFEMD分解桥梁原始监测数据,得到多个子序列;其次,采用IMF能量熵增量确定多个子序列中的有效子序列;然后,划分子序列中的结构响应分量和噪声分量,对结构响应分量重组实现监测数据降噪;最后,利用平均绝对误差(mean absolute error,简称MAE)、均方根误差(root mean squared error,简称RMSE)和信噪比(signal-noise ratio,简称SNR)对不同方法的降噪效果进行评价。仿真算例和工程实例结果表明:TVFEMD相比经验模态分解(empirical mode decomposition,简称EMD),有效解决了模态混叠问题;TVFEMD结合IMF能量熵增量方法,有效抑制了多重噪声影响,对结果精度有较大提升;与EMD-IMF能量熵增量和Kalman滤波降噪法相比,TVFEMD-IMF能量熵增量法所得到降噪信号的MAE和RMSE值分别提升了23%和21%以上,降噪效果更好,信噪比提升38%以上,抗噪性能更佳。

经验模态分解-图神经网络算法预测农产品价格

为了提高图神经网络算法对农产品价格预测精度,采用经验模态分解法按时间片轮转抽取农产品历史价格信号,以便对历史价格信号进行特征提取;将原始价格信号分解成多个本征模态函数及残余项,并根据本征模态函数构建样本特征;根据得到的样本特征构建价格预测图结构,将图结构输出的特征信号通过图神经网络的过渡函数和预测函数,通过不断减小损失值输出农产品价格预测结果。结果表明,经验模态分解可以对原始农产品价格信号的本征模态函数分量进行有效分解和提取,从而使经验模态分解-图神经网络算法的农产品价格预测平均绝对误差减小71.4%;相比于其他类型的预测算法,经验模态分解-图神经网络算法对4类农产品价格预测的平均绝对误差更小,最大值仅为2.465。

GIS不同耦合方式下注入脉冲的加权IMF局放信号等效性

注入脉冲模拟局放是气体绝缘金属封闭组合电器(gas insulated switchgear,GIS)特高频(ultra high frequency,UHF)局放监测装置功能校验的主要方法,由于现场校验脉冲注入的耦合方式不同,模拟局放与实际局放等效性规律尚不明确,无法保证监测装置功能校验的有效性。文中首先建立126 kV GIS典型局放缺陷(尖端、悬浮、绝缘子气泡)和内/外置式脉冲注入UHF局放检测平台,并对UHF信号有效脉冲进行归一化提取;接着提出基于经验模态分解的加权本征模函数(intrinsic mode functions,IMF)信号处理方法,通过计算局放信号欧式距离平均值和最大值表征其等效性;最后与常规信号偏差法进行对比验证。研究表明,相较于常规信号等效性分析方法,加权IMF法可有效解决UHF信号波形局部差异较大的问题;使用内置传感器脉冲注入的模拟局放信号与悬浮局放信号等效性最高,局放信号的欧式距离平均值M_(e)和最大值M_(a)分别为3.82%和10.28%。因此,UHF监测装置功能校验可采用恒定参数注入脉冲代替悬浮缺陷,且模拟局放可优先选择内置UHF传感器注入脉冲。文中研究可为UHF局放监测装置功能校验的脉冲注入方法提供参考。

AOA-CEEMDAN和融合特征在齿轮箱故障诊断中的应用

自适应噪声完备集成经验模态分解(CEEMDAN)的参数由于是人为设置的,从而会导致其信号的分解不彻底。针对这一问题,提出了一种基于算术优化算法(AOA)优化CEEMDAN、融合特征和随机森林(RF)的齿轮箱故障诊断方法。首先,采用AOA算法对CEEMDAN方法的关键参数进行自适应选取,并采用优化后的CEEMDAN方法对齿轮箱振动信号进行了分解,生成若干个本征模态函数(IMF);随后,利用相关系数准则选择了前4阶IMF分量作为故障敏感分量;接着,利用由注意熵和散度熵组成的融合特征提取方法挖掘了故障敏感分量的故障特征,得到了故障敏感特征样本;最后,将表征齿轮箱故障特性的故障特征输入至RF多故障分类器中,建立了故障分类模型,完成了齿轮箱的故障识别;利用QPZZ-Ⅱ型齿轮箱数据集进行了实验,并将其结果与采用其他方法所得结果进行了对比。研究结果表明:相较于原始CEEMDAN,优化后的CEEMDAN能够更加准确地分解非线性齿轮箱振动信号,故障识别准确率提高了4%;相较于单一的故障特征,融合特征能够更加准确地表征齿轮箱的故障状态,故障识别准确率分别提高了3.2%和8%。基于AOA-CEEMDAN和融合特征提取以及RF分类器的故障诊断方法为齿轮箱的故障特征提取和故障诊断提供一种可行的思路和方案。

多激励复杂系统声音信号的特征提取方法研究

为了确定系统的工作状态,通过一种结合变分模态分解(IVMD)与残差网络(ResNet)的新方法来识别不同种类的声音信号,确定系统受到了何种激励,以此判断系统是否正常工作。首先,利用IVMD方法对声音信号进行分解,以中心频率比(CFR)作为评价指标来确定变分模态分解(VMD)的最优K值;然后结合相关系数(CC)和排列熵(AE)的特点,从分解得到的多个本征模态函数(IMF)中选取3个关键本征模态函数(IIMF),并将其转换成声音信号图像;最后利用残差网络在图像处理方面的优势对转换后的图像进行训练。实验结果表明,上述方法对声音信号判断识别的准确率达到了99.57%,显著优于其它典型的算法。

双线性单自由度体系强迫动力反应的Hilbert谱与本征振动模态:输入简谐波频率的影响

系统地研究了双线性单自由度体系在简谐波输入下表现出非线性力学行为时,输入简谐波频率对体系动力响应的H ilbert谱、H ilbert边缘谱及Fourier幅值谱的影响。研究结果表明,如果体系输入简谐波频率为f,那么体系动力响应H ilbert边缘谱的能量分布在f附近一个较宽的频带上,该频带的产生是体系动力响应H ilbert谱中所蕴含的波内调制的必然结果,它源自于体系某个本征振动模态瞬时频率的波动,而这种瞬时频率的波动描述了体系屈服与卸载的非线性力学行为;体系动力响应的Fourier幅值谱自3f起,每隔2f就会出现一个幅值明显高出周围其它分量的Fourier“伪”谐波分量,这也是体系非线性力学行为所造成的结果。

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。

经验模态分解下中国气温变化趋势的区域特征

用经验模态分解(EMD)方法对中国700多个站(1951-2001年)月平均气温进行了分析,提取气温变化趋势项,作空间分型,并计算各站气温变化率,以地理信息系统为数据处理平台,以1km×1km分辨率的DEM数据作为地形的综合反映,得到了中国平均气温空间分型和变化率精细化分布图。结果表明:近50年来中国北方大部分地区气温变化率多在0.4oC/10a以上,西南和长江中下游部分地区气温变化率较小,气温变化率为负值区零星状散落在西南等地区。同时,1881-2001年中国9个区域的气温资料分析表明,近百年来中国气温变化趋势以东北、华北、华东、华南、西北和新疆区是持续上升,西南区呈下降型;华中区呈倒"V"型变化,西藏区趋势不明显。

基于IMF能量谱的水声信号特征提取与分类

经验模态分解(EMD)是用来处理非平稳时变信号的一种信号分析方法,该方法对所分析信号的局部特征信号进行不同时间尺度的分解,从而得到这些局部特征信号的各阶本征模函数(IMF)。提出了一种基于IMF能量谱的水声信号特征提取与选择方法,通过对水声信号进行经验模态分解,提取信号的本征模式分量并转换为能量谱特征向量,从而观测不同信号子频带能量谱的特征变化。分类实验采用支持向量机(SVM)分类器进行。实验结果表明,相对于小波能量谱特征提取法而言,利用IMF能量谱作为特征向量的分类实验具有更佳的分类效果,平均正确率达88%以上。

经典模态分解方法中内禀模态函数判据问题研究

针对经典模态分解方法的内禀模态函数判据问题 ,根据内禀模态函数完备且正交的特点 ,提出了在内禀模态函数“筛选”过程中采用能量差跟踪法来确定内禀模态函数分量。通过仿真和实际信号的分析 ,验证了采用这种方法确定的内禀模态函数分量满足正交性要求 ,表现了信号内含的真实物理信息 。

基于本征模函数的轨道质量评价方法

为了更合理有效地评价轨道质量,将轨道不平顺波长因素纳入轨道质量评价中,提出基于本征模函数(intrinsicmode function,IMF)的轨道质量评价方法——轨道质量能量指标(track quality energy index,TQEI).通过对轨道不平顺数据进行经验模态分解得到对应波长频段的不平顺IMF,利用频谱分析的方法求得各个IMF的能量;将各个IMF的能量与总能量的比值作为特征向量,并进行量纲一化处理,从而得到轨道不平顺IMF的能量系数;利用能量系数求得TQEI.通过理论推导证明了轨道质量数(track qualityindex,TQI)是在不考虑波长因素作用下轨道质量能量指标的特殊形式.最后,以京广提速干线轨道不平顺数据为例,对比分析了实际检测数据TQEI与TQI的关系.结果表明:轨道质量能量指标是对TQI的细化和延续,其既起到了TQI的幅值管理作用,又可以弥补TQI在波长及幅值管理方面的缺陷,可以准确有效地对轨道质量进行评价.

变压器振动信号模态特征提取及分析

针对变压器故障情况下振动信号具有非平稳、非线性的特点,提出了利用集合经验模态分解(ensemble empirical mode decomposition method,EEMD)变压器振动信号进而选择有效本征模式函数(intrinsic mode function,IMF)的方法。该方法通过计算变压器原振动信号与分解后的本征模式函数的归一化相关系数来选取有效分量。再利用筛选出的本征模式函数构造特征矢量,将其作为变压器绕组状态识别的依据。实验结果证明了该方法可准确诊断变压器绕组的故障。