基于经验模态分解和小波包能量熵的杉木加载过程中细观损伤监测与识别

【目的】细观损伤是承载木材断裂的主要原因之一。木材的多孔层状结构使其损伤过程变得复杂,针对单一信号处理方法较难充分挖掘木材断裂声发射信号中的细观损伤信息,造成识别信息不充分、不完备的问题。本研究提出通过经验模态分解(EMD)和小波包能量熵结合的信号处理方法,通过声发射无损检测手段,识别杉木加载过程中的细观损伤类型。【方法】以杉木为研究对象,进行单轴压缩、双悬臂梁和顺纹拉伸3种单一损伤试验,并对其进行加载过程中声发射信号的采集、监测与分析。通过小波包阈值法消除损伤试验中采集的声发射信号噪声,经由EMD和相关系数计算,分离出最能体现杉木细观损伤特征的本征模态(IMF)分量,并对IMF分量进行基于傅里叶变换的峰值频率分析和小波包能量熵分析,提取杉木细观损伤的特征。【结果】(1)EMD和小波包能量熵结合的信号处理方法能够判断杉木加载过程中声发射信号对应的细观损伤类型与构成。(2)杉木不同细观损伤类型的声发射信号对应不同的小波包能量熵区间:胞壁屈曲与塌溃(0.69~0.99)、层间开裂(1.57~1.78)、纤维束断裂(1.92~2.27)。(3)宏观断口观察和电镜显微分析验证了该方法的准确性。【结论】经验模态分解–小波包能量熵法避免了声发射信号模态堆叠的影响,并解决了木材细观损伤复杂且难以识别的问题,为杉木木材断裂的早期诊断方法提供了理论支撑。

一种基于经验模态分解和局部极大值点数的配电网高阻接地故障检测方法

配电网高阻接地故障(HIF)因故障特征微弱而难以被常规装置检测到,容易引发过电压、火灾和人身触电等安全问题。本文提出一种将时频分解和阈值判断结合的HIF识别方法。首先,利用经验模态分解(EMD)对零序电流进行处理;然后,选取第二个固有模态分量(IMF)作为特征分量并进行高斯滤波;最后,统计特征分量的局部极大值点的个数来判断是否发生HIF。利用PSCAD/EMTDC软件搭建10kV配电网模型进行算法验证。仿真结果表明,所提方法能够以较高的准确率将HIF和一些常见的干扰事件区分开,并且在发生噪声干扰、采样率变化、系统中性点接地方式改变及系统网络结构改变的情况下,均表现出较好的适应性。

基于经验模态分解(EMD)的小波阈值除噪方法

针对低信噪比信号的去噪问题,提出了一种基于经验模态分解的小波阈值去噪方法,并与小波变换去噪法的效果相比较．试验结果证明,当信号的信噪比较小时,基于经验模态分解的小波阈值去噪效果是相当有效和稳定的,为研究环境脉动下结构的输出信号去噪处理提供了新的手段．

基于低通滤波和经验模态分解的舰船耐波性试验信号分析方法研究

针对舰船耐波性实测信号中趋势项难以消除而影响滤波精度这一问题,采用经验模态分解方法消除趋势项的影响。根据舰船对波浪运动响应的低频特点,在经验模态分解前先进行低通滤波,可使实测运动信号中的谱峰频率处在相对高频位置,减少EMD迭代次数,并使有用信息包含在第一个IMF中,方便对有用模态的识别。还针对实船耐波性试验无法直接获得垂荡位移的实际问题,对垂向运动加速度联合采用低通滤波、数值积分和EMD去趋势项消除积分误差的方法获得垂荡,通过模型耐波性试验以及对实舰横摇角速度采用该方法求得的横摇与实测横摇的比较,验证了该方法在舰船耐波性实测信号分析中的有效性。

基于经验模态分解的属性优化方法

本文提出了一种基于经验模态分解的属性优化新方法,其具体步骤为:首先对某一种地震属性的各个列向量分别进行经验模态分解,得到各个列向量的固有模态分量组;其次分别对每一组固有模态分量的各个分量的权重进行归一化,并将前若干分量分别乘以相应的归一化权重系数后再线性相加得到新的列向量,进而构成优化后的属性矩阵;然后对其他几种参与优化的属性也实行前面两个步骤,分别得到相应的新的地震属性矩阵;最后将得到的新地震属性矩阵进行线性叠加,得到优化后的地震属性矩阵。将经验模态分解方法和主成分分析方法分别应用于相同的实际资料,试验证明前者在保证运行效率的情况下能用更少的主成分(固有模态分量)刻画出更多的原始属性信息,并且提高了原始属性剖面的分辨率。

基于经验模态分解的改进乘性噪声去除方法

乘性噪声往往由不理想的(时变的或非线性的)信道引起,它与信号是相乘的关系,因此难以消除。在乘性噪声消除应用背景下,引入同态变换去除噪声与信号的相倚性,将乘性噪声转化为加性噪声,并应用经验模态分解技术进一步研究受均匀分布白噪声污染的谐波信号及其同态变型的能量分布特性,据此建立起适用于乘性噪声去除的本征模函数幅值滤波新阈值准则。从而,形成基于经验模态分解的改进乘性噪声去除方法。结果表明,采用柔性阈值的改进算法对乘性噪声的去除效果最佳。而且,基于二阶多项式回归分析所构建的本征模函数幅值滤波阈值准则已经可以获得较高的源信号重建精度,过高的多项式阶次会导致本征模函数幅值滤波阈值与其实际噪声能量水平的失配,从而显著地降低算法的去噪性能。

一种基于经验模态分解(EMD)的位场分离方法

经验模态分解(EMD)是一种利用信号极值特征进行时空滤波的方法。经分解得到不同阶次固有模态函数(包含从高到低不同频率段的成分),而残余量为信号的趋势分量,代表信号的平均趋势。本文将经验模态分解用于地球物理场的位场分解中,提出了一种基于EMD的位场分离方法。与常规位场分离方法中的滑动平均法和趋势分析法相比,EMD无须预先设置参数,因而不受人为因素的影响,其结果能够更好地反映位场的固有特征。应用该法对新疆准噶尔盆地准东地区的磁异常资料进行处理,从中识别出与石炭系油气有关的火成岩异常。

经验模态分解(EMD)中边界处理的新方法

在深入研究和分析希尔伯特-黄变换(HHT)方法的基础上,对信号提出了半周期半对称延拓算法,并以此来处理经验模态分解中存在的边界误差问题.通过信号模拟试验,并与EMD方法的结果作比较,检验了该方法的有效性和精度.

基于经验模态分解的年径流自忆性预测模型

针对径流量时间序列非线性、非平稳性的特点,利用经验模态分解法将其分解为多个不同频率下的时间序列组合揭示演变规律,采用双向差分法对分解后的各序列逐个反导其微分方程,并结合自忆性原理构建预测模型,由叠加分解后的各序列预测值获得径流量的预测值。实例结果表明,该方法充分挖掘了数据自身信息,拟合效果较好,预测年径流量准确,具有推广应用价值。

基于经验模态分解的应力松弛曲线波动性分析

应力松弛试验是研究土体时间效应特性的重要手段,但其受土体本身的复杂性、试验周期长和外界因素的影响及测量系统的限制,获得的结果常具有复杂性和波动性。为深入分析应力松弛试验结果与提高分析结论的可靠性,本文应用经验模态分解理论,分析了非饱和石灰改良膨胀土应力松弛试验的实测时间序列,以探求松弛曲线波动性产生的主因。研究得出应力松弛曲线波动性以中长期波动为主,特征时间尺度为1天的特征模态函数分量的波动贡献率达17.4%,结合实测温差和偏应力数据分析得出昼夜温差是引起实例松弛曲线波动的主要因素,试验采样间隔对曲线波动性也存在一定影响。研究结果为应力松弛试验的数据后续处理和试验方法的改进提供了重要依据。

经验模态分解奇异性检测的配电网混合线路测距方法

含架空线和电缆的配电网混合线路发生故障时,故障行波信号传播复杂,波头识别困难。提出一种分形维数与经验模态分解(EMD)奇异性检测结合的配电网混合线路单端行波测距方法。对故障产生的行波信号进行分形滤波后,利用经验模态分解方法提取出高频信号的固有模态函数(IMF),进行奇异性检测实现行波波头的准确标定,最后利用A型行波测距原理实现配电网混合线路的故障测距。PSCAD仿真结果表明,该方法具有较高的准确性和可靠性,能够有效识别出混合线路中故障点反射波和对端母线反射波,实现故障测距。

小波变换与EMD方法在高铁雨棚数据降噪处理中的适用性分析

针对高铁雨棚长期监测数据中的噪声处理问题,分析了典型高铁雨棚监测信号的噪声特性,在此基础上,采用小波变换和经验模态分解EMD(empirical mode decomposition)方法对雨棚实测风压、应力、振动等典型信号进行降噪处理和对比分析。研究结果表明这两种方法在降低监测数据噪声、提高信噪比方面的有效性,并且通过结合主成分分析PCA(principal component analysis)的综合评估进一步证实了EMD在振动类和应力类数据降噪中的优越性。研究为实际工程中降噪技术的选择和应用提供了理论支持。

融合经验模态分解与模糊熵的薄板结构损伤识别

针对薄板结构中损伤兰姆波信号提取及表征困难两大问题,提出了一种融合经验模态分解(empirical mode decomposition, EMD)与模糊熵(fuzzy entropy, FEn)的薄板结构损伤识别新方法。该方法首先基于EMD从复杂的兰姆波信号中提取并分离与结构损伤相关的信号;再利用提取出的损伤信号的归一化模糊熵作为损伤指数对结构损伤大小进行定量表征,从而实现薄板结构的损伤识别。设计的三组碳纤维增强复合材料板(carbon fiber reinforced polymer, CFRP)划痕损伤识别试验验证了该方法的可行性,试验结果表明:归一化后的模糊熵与CFRP板划痕损伤大小呈现较好的线性增加的关系,利用该线性关系可以对CFRP板划痕大小进行识别;与基于奇异谱-模糊熵的结构损伤识别方法相比,该研究所提方法识别效果更佳。

基于EMD能量熵的受电弓滑板振动特性分析与诊断

结合检测数据,对高速运行下受电弓滑板振动特性进行研究,提出了基于经验模态分解(EMD)的滑板异常振动诊断方法。首先,开展国内外弓网振动评价体系研究。其次,通过分析线路试验数据,得出高速运行时DSA380型受电弓滑板垂向加速度能量主要集中在278、550 Hz附近,且振动主频为278 Hz。通过ANSYS计算滑板垂向第3、5阶模态频率为279.65、531.47 Hz,与线路试验结果相近。该结果反映我国弓网振动评价体系主要表征受电弓碳滑板的弹性振动,且DSA380型受电弓滑板高速运行时振动响应主频为滑板3阶模态频率。最后,应用经验模态分解对振动数据进行自适应分解得到若干本征模态函数(IMF)。当滑板异常振动时,能量集中分布于滑板3阶模态频率处,能量熵较正常状态大幅减小,因而可采用能量熵作为评价指数,评判滑板工作状态。

基于经验模态分解和能量熵判别的火成岩岩性识别方法——以春风油田石炭系火成岩储层为例

火成岩储层具有"喷发模式多样化、岩性成因多元化、矿物组合多变化"的特征,岩性精细识别难度大,严重制约了储层参数的计算及后续油气开发。以准噶尔盆地春风油田石炭系储层为例,结合岩心和薄片等分析测试资料将储层发育的岩性分为5类:玄武岩、玄武质安山岩、安山岩、凝灰岩和火山角砾岩。在明确不同岩性测井响应特征的基础上,采用"逐级剥离"的思想,利用交会图法识别出了凝灰岩和火山角砾岩。针对较难识别的火山熔岩,引入经验模态分解算法将常规测井资料转化为多个频带的本征模态函数集,得到了各熔岩不同测井参数经验模态函数的能量熵,应用判别算法实现了火成岩岩性的精细识别。区块应用结果表明:该方法岩性识别整体符合率高达93.7%,有效提高了岩性识别精度。

解相关多频率经验模态分解的故障诊断性能优化方法

针对故障诊断中采用EMD方法存在模态混叠现象,引起故障特征提取精度低的问题。提出了一种解相关多频率经验模态分解(Decorrelation Multiple-Frequency Empirical Mode Decomposition,DMFEMD)方法,首先对初始信号添加多个频率的掩蔽信号,初步分解其中不同频率比的信号分量得到多个IMF分量;其次计算相邻IMF之间的相关系数并对其解耦,进一步分离IMF中存在混叠的部分,得到最优IMF;最终,从原始信号中减去最优IMF,然后重复上述步骤,直到残余分量为常数或单调。由于保证了IMF之间互不相关且互不干扰,因此模态混叠现象显著减弱,有效提高故障特征提取精度。利用排列熵算法对一系列最优IMF构造特征样本集,引入SVM建立故障分类模型,实现设备故障诊断。通过试验证明,DMFEMD与传统的方法相比,能有效分离不同频率比混合信号,提高分解效果。同时以轴承振动信号为例,DMFEMD可以更好的提取轴承的故障特征,结合PE与SVM能够实现不同故障类型的高效精确的诊断。

基于经验模态分解的膝骨性关节炎步态分类

提出了一种新颖的基于经验模态分解(Empirical Mode Decomposition,EMD)和神经网络的膝骨性关节炎步态模式特征提取与分类的方法,可用于区分病理性步态和正常步态。对19例膝骨性关节炎患者和28例作为对照组的正常人进行实验研究,并采用2-折(Two-Fold)和留一(Leave-One-Out)交叉验证法可以分别达到91.3%和93.6%的分类准确度。与其他最新的方法相比较,该分类方法能有效地区分作为对照者的正常人和膝骨性关节炎患者之间的步态模式,具有较好的分类效果和显著的有效性。

基于模态分解在联合收获机轴承故障诊断研究

联合收获机滚动轴承的状态监测和故障诊断是目前保证其稳定运行的重要手段,而敏感故障特征的提取是轴承故障诊断的关键问题。为此,针对REB振动信号的非平稳、非线性特点及现有轴承故障诊断方法过于依赖监督学习算法等问题,提出了基于经验模态分解(EMD)能量熵的特征提取方法进行模型特征选取,并用于训练人工神经网络(ANN)对轴承故障进行分类。研究结果表明:提出的基于模态分解在联合收获机轴承故障诊断及分类中具有较强的可靠性,提出的健康指数(HI)可以系统表示不同的故障类型和严重程度,并可以成功地检测出联合收获机在运行过程中的故障类型,可为开发轴承自动诊断和预测系统提供参考。

消除经验模态分解中混叠现象的改进掩膜信号法

经验模态分解方法能在时频域上正确地描述非平稳非线性信号的局部特征。但由于模态混淆,当信号组合分量的频率太接近时,常不能得到正确的经验模态分解结果。针对这一情况,提出了消除经验模态分解中混叠现象的一种方法——改进的掩膜信号法,并将其应用于风机叶片振动信号的分析中。该方法以能量为基础对掩膜信号的选择进行改进,并通过掩膜信号结合EMD来达到消除模态混叠现象的效果。对风机叶片振动信号进行验证的结果表明,该方法简便易行,可有效分离混叠模态,提取有用信号,并且对白噪声也有削减效果。

独立分量分析–经验模态分解特征提取在水电机组振动信号中的应用

提取出水电机组振动信号中故障特征和微弱征兆信号,可以更好地了解机组的运行状态和故障发展趋势,但由于水电机组多源振动信号的相互混叠,信号呈现出非线性、非平稳性,故障特征信号提取是该领域的一个难题。为此该文提出了一种基于独立分量分析(independent component analysis,ICA)和经验模态分解(empirical mode decomposition,EMD)的特征提取新方法(ICA-EMD)。首先,用ICA将多通道振动信号分离成为统计独立分量;然后,对这些统计独立分量做自相关分析,消除环境噪声的影响;最后,对消噪后的所有统计独立分量统计逐一进行EMD分解,并将各个统计独立分量内蕴的同频本征模态函数进行累加重构,最终提取出能表征机组故障的本征模态函数。仿真信号和实测信号的试验验证表明,与其他方法相比,该方法在提取故障早期信号、微弱信号和突变信号方面更具优越性和有效性,提取结果更能满足实际工程应用需求。