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。

经验模态分解法在大气时间序列预测中的应用

介绍了一种可以提高非平稳时间序列预测精度的新方法,该方法应有Hilbert-Huang变换的核心内容—经验模态分解法(Empirical mode decomposition,EMD)对非平稳时间序列进行分解,以降低被预测信号中的非平稳性,利用神经网络对分解后的各分量进行预测,再将预测结果叠加.利用该方法对石家庄市年逐月降水量进行预测,预测结果显示,其预测精度比直接用神经网络预测的预测精度有较明显的提高.

基于序关系分析法和自适应噪声完备集合经验模态分解法的直升机飞行培训安全风险评估指标权重分析

为有效管控直升机飞行培训的安全风险,依据“人-机-环-管”(man-machine-environment-management,MMEM)理论构建直升机飞行培训安全风险评估指标体系,并提出基于序关系分析法(order relation analysis method,G1)和自适应噪声完备集合经验模态分解法(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的权重确定方法。利用G1确定指标的主观权重,利用CEEMDAN确定指标的客观权重,然后利用最小相对信息熵原理最终确定直升机飞行培训安全风险评估指标的组合权重。以典型直升机飞行培训机构为例进行分析。结果表明不良天气对系统安全的影响最大,同时验证了该方法的简便实用,可以有效帮助机构有针对性地实施安全风险控制和管理。

基于经验模态分解的井眼防碰特征信号识别

在采用钻头振动波方法进行丛式井防碰监测时,为了准确识别井下钻头振动信号,将Hil-bert-Huang变换中的经验模态分解(EMD)应用于钻头信号的特征提取。采用EMD方法可将复杂环境下的钻头振动加速度信号分解成固有模态分量,通过分析各分量的归一化峭度及能量分布,得到包含钻头冲击振动特征的4个IMF分量;对相应的特征IMF分量进行功率谱分析,得到钻头钻进时特征信号的频域范围。当钻头趋近邻井套管时,信号特征分量将发生显著变化,通过海上丛式井防碰的现场试验数据分析验证了该方法的有效性。

机械转子动静碰摩故障的EMD分解Hilbert包络谱分析

为避免碰摩故障对旋转机械的影响,针对转子系统局部碰摩的特征,提出一种基于EMD分解Hilbert包络谱分析方法。该法利用EMD方法分解含有碰摩故障的振动信号,提取出的IMF分量有明显的调幅特征,再对其中突出的IMF分量进行Hilbert包络谱分析提取出故障特征频率。与倒谱分析相比,得到的碰摩故障信息更加精确;与小波分析相比,能更容易提取出真实的故障特征。

基于EMD-LSTM的重介分选精煤灰分时间序列预测方法研究

针对重介分选的智能化发展需求,根据重介精煤灰分数据噪声特征及灰分过程控制对灰分预测精度、预测时长的要求,提出了基于EMD-LSTM的重介精煤灰分时间序列预测方法。首先,通过经验模态分解(EMD)算法将重介精煤灰分时序数列中的不同尺度分量逐级分解出来,生成一系列具有相同特征尺度的本征模函数,从而去除一定噪声影响;其次,进一步借助于长短期记忆(LSTM)神经网络可解决数据的长期依赖问题,从而在长时间视野预测方面表现更为突出。该方法应用于实际数据集的短期预测,实验结果表明,对LSTM神经网络进行参数寻优后,基于EMDLSTM的重介分选精煤灰分指标时间序列预测方法中,去除IMF1分量的模型所得的预测结果具有最小的标准差σ(0.1481)和平均绝对误差λ(0.1184),去除噪声后的EMD-LSTM模型可使预测准确性显著提高,能够有效解决精煤灰分预测的问题。

基于EMD-VMD-LSTM的地震信号分类研究

针对地震信号分类问题,提出了一种基于经验模态分解—变分模态分解—长短期记忆(EMD-VMD-LSTM)的地震信号分类研究的模型。首先利用EMD和VMD分别提取地震信号的前5个本征模态分量;然后对提取出来的每个本征模态分量求出其熵值,作为分类特征;最后把分类特征输入到LSTM网络中,构成EMD-VMD-LSTM分类模型,对地震信号进行分类实验。实验结果表明:该分类模型对比单一分解方法模型,对地震信号进行分类研究更为有效。

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。

联合CEEMD及AFSA优化小波阈值的心音信号去噪研究

心音是诊断身体健康的重要生理信号,为有效降低心音信号的噪声,提出一种联合互补总体经验模态分解(CEEMD)及AFSA优化小波阈值去噪相结合的方法。即先将不同频率范围的心音信号通过CEEMD进行分解,然后选取高频部分的IMF分量使用人工鱼群(Artificial Fish-Swarm Algorithm,AFSA)优化小波阈值算法进行去噪,最后将去噪后的信号与分解的低频IMF信号进行重构得到去噪后的心音信号。将联合CEEMD及AFSA优化小波阈值去噪算法与传统的CEEMD算法、小波阈值去噪算法进行仿真对比。实验结果表明,联合去噪算法在去除心音信号噪声方面效果最好。

联合EMD及小波阈值去噪在电成像测井数据中的应用

钻井过程中钻头震动井壁会形成较浅的孔洞与划痕,在电成像静态图中表现为麻点噪声或颜色相对较深的条、块状干扰,影响裂缝的识别和参数的提取。为了降低背景噪声的影响,将联合经验模态分解法(EMD)及小波阈值去噪方法应用到电成像测井的电导率曲线中。结果表明:背景噪声主要存在于电导率曲线的高频部分,把电导率数据EMD分解后,对得到的高频固有模态函数(IMF)分量进行小波阈值去噪可有效减少背景噪声,输出的FMI(地层微电阻率扫描成像)静态图中麻点噪声和条、块状干扰明显减少;由去噪电成像静态图计算得到的缝洞面孔率与岩心孔隙度有更好的线性关系,与常规资料孔隙度和人工拾取的裂缝面孔率具有一致性,说明基于EMD的小波阈值去噪方法在电成像测井数据中的应用是有效的。

基于去噪和分形的加密货币投资组合模型优化研究

为提高投资效益,本文针对传统投资组合模型的缺陷,结合经验模态分解(EMD)去噪法和多重分形消除趋势交叉相关分析法(MF-DCCA),提出经验模态分解去噪下的多重分形投资组合模型(简称EMD-Mean-MF-DCCA).将新模型应用于极具投机性的加密货币投资组合,结合滚动窗口技术进行样本外检验和分析,实证结果显示:无论加密货币价格处于上升还是下降趋势,EMD-Mean-MF-DCCA相对于其他传统投资组合模型及未去噪的分形投资组合模型,均在盈利能力和夏普比率方面具有明显优化效果,且当加密货币价格大幅下跌时,基于新模型的组合投资策略也具有较好的抵抗风险能力.

改进的HHT非平稳信号分析方法及其应用

Hilbert-Huang变换是由Norden E.Huang等人提出的一种适合分析非平稳时间信号的一种新的方法。这一方法尚处在发展阶段,在建立严密的理论和方法的完善方面还有很多未知。本文首先对这一方法作了介绍;然后针对算法中出现的一些问题给出改进;最后用改进的算法和原算法进行对比,说明利用改进法,能够更准确地获得固有模态信号且能更好保留原始信号中的瞬时频率成分。

一种改进WVSSA算法的GNSS时间序列降噪方法

针对变分模态分解(VMD)中不适合的模态分解数和惩罚因子易出现过度分解与分解不足等现象的问题,提出一种改进VMD和利用复合指标改进奇异谱分析(SSA)的鲸鱼变分模态奇异谱分析(WVSSA)方法:采用WOA算法确定VMD分解的最佳参数组合进行VMD分解和重构;并用基于复合评价指标改进的SSA方法进行二次降噪;最后利用10个基准站与仿真信号分解降噪以验证方法的有效性。周期信号与噪声信号降噪分析结果表明,WVSSA方法与经验模态分解(EMD)、集合经验模态分解(EEMD)相比,均方根误差降低0.6222、0.6053mm,信噪比增加1.0349、1.0298dB,相关性增加0.0645、0.0625;全球卫星导航系统(GNSS)时序降噪分析结果表明,WVSSA方法均方根误差比EMD、EEMD平均降低0.9156、0.8271 mm,信噪比平均增加2.7606、2.4727 dB,相关性平均增加0.1754、0.1531。WVSSA方法在时间序列识别和去除噪声上更为有效。

基于HHT的液压管路裂纹故障诊断方法研究

将HHT方法应用于液压管路裂纹的故障诊断,提出基于HHT的液压管路裂纹故障诊断方法,并以正常液压管路和有裂纹液压管路为例进行实验验证。首先进行EMD(经验模态分解法)振动信号分解。将EMD和HHT方法引入航空发动机液压管路裂纹的振动信号分析,某发动机液压管路的裂纹振动信号的分析结果表明,该方法能够克服傅里叶谱无法同时获得时域和频域信息的缺陷。同时边际谱能够比较真实客观地反映有裂纹液压管路的频率和幅值分布情况。此外由边际频谱图中可知,无裂纹液压管路、有裂纹液压管路振动信号的频率能量分别集中于25 Hz,有裂纹的整体系统刚度大于无裂纹的。据此,有裂纹的管路,其振动加大的现象得以由HHT方法明显呈现。

Hilbert-Huang变换在煤矸界面探测中的应用

为了解决煤矿综采工作面煤矸界面识别问题,将Hilbert-Huang变换应用于煤矸振动信号的特征提取。采用EMD方法可以将复杂环境下的煤矸振动加速度信号分解成固有模态分量,通过分析包含煤矸振动特征的前4个IMF分量,得到局部Hilbert边际谱和局部能量谱,进而发现当顶煤放落时,其振动信号的幅值和能量主要集中在100Hz至600Hz的频率范围内;而当煤矸混放时,其幅值和能量则主要集中在1000Hz左右,此时100Hz至600Hz频率范围内的幅值和能量相对有所减弱。根据上述特征定义特征函数,应用到煤矸界面识别的仿真实验中,取得了很好的识别效果。

强降雨条件下土石坝安全评价

针对强降雨条件下土石坝安全评价的问题,通过改进传统的指标体系,建立了基于FAHP-CEEMDAN和云模型的土石坝安全评价模型。研究选取了8个准则和18个指标构建评价指标体系。在此基础上,采用基于三角模糊数的模糊层次分析法(FAHP)确定指标初始权重,利用改进集合经验模态分解法(CEEMDAN)计算指标最终权重;根据安全等级划分和评价数据建立标准云模型和评价云模型,再结合指标最终权重确立综合云模型,并进行隶属度计算,判定评价等级。将该模型应用于强降雨条件下河南省民胜水库土石坝的安全评价,得到最大隶属度计算结果为0.719,判定该土石坝安全等级为“基本正常”,与实际情况相符。评价结果验证了该评价模型的可行性和有效性。

基于VMD和ICA的发动机故障特征增强研究

针对发动机噪声信号信噪比低、故障特征提取困难等问题,提出一种基于变分模态分解(VMD)结合独立分量分析(ICA)的降噪方法。首先通过VMD分解得到分量中心频率确定合适的分解层数,以峭度准则重构噪声信号和故障信号,然后通过FastICA将重构信号再次分解,得到降噪后的故障信号,最后与经验模态分解(EMD)降噪对比,结合实例和仿真表明,该方法能够有效抑制模态混叠,增强发动机噪声信号故障特征。

一种基于EMD和小波阈值的桥梁振动信号混合去噪方法

在对桥梁进行健康监测的过程中,桥梁振动信号易受外部环境干扰而产生噪声,影响桥梁真实振动数据的获取与分析。为了减少噪声带来的影响,提出一种基于经验模态分解法(EMD)与小波阈值的混合去噪方法。该方法先通过EMD分解信号获得高频固有模态函数(IMF)分量,然后选取IMF分量使用小波阈值去噪,最后重构IMF分量获得去噪后的信号。结果表明,基于EMD和小波阈值混合去噪能有效地滤除干扰噪声信号,且去噪效果优于单一的EMD分解去噪法和小波阈值去噪法。这一结果为桥梁振动信号的去噪处理提供了有意义的参考。