基于正负区间统计分析的信号趋势项自适应消除方法

趋势项的存在会严重影响信号异常检测方法的准确性,因此需要在信号预处理过程中进行消除。高通滤波法是一种简单且有效的趋势项去除方法,应用最为广泛,但其参数选择基于经验,无法实现实时最优,因此方法的鲁棒性和泛化性差。以高通滤波法为基础,首先提出了信号正负区间统计分布曲线的概念,并基于这一概念引出了趋势项判断准则。在此基础上,设计了高通滤波器截止频率的实时优化选择方法以实现信号趋势的自适应消除,并对所提方法的影响要素进行分析。结合实际应用问题改进了算法,提高了迭代收敛速度,减少了计算量。最终利用石油管道泄漏监测问题中的压力信号数据证明了所提方法可以获得实时最优的滤波效果,实现趋势项的消除,且预设参数简单,算法计算量小。

单位根KPSS检验趋势项检验量的改进

为完善KPSS检验流程,借鉴单位根右侧检验理论,将递归估计方法引入KPSS趋势项检验中,构造两种递归估计上确界趋势项检验量和一种非递归估计趋势项检验量。理论研究表明,所有趋势项检验量在大样本下都收敛于维纳过程的泛函,但与已有检验量的分布不同,需要重新模拟以获取临界值。蒙特卡洛模拟显示,和非递归估计趋势项检验量相比,递归估计上确界趋势项检验量具有满意的检验水平,但临界值更大。在三种突变结构模型中,所有检验量在全局结构突变模型中检验功效最高,且符合理论研究结果。在三种检验量中,狭义递归估计趋势项检验量检验功效总体占优,说明递归估计上确界趋势项检验量具有优越性。

深孔台阶爆破近区振动信号趋势项去除方法

基于深孔台阶爆破近区大量实测振动信号,总结了趋势项产生的原因主要为大振幅脉冲输入下的非线性失真及低频干扰叠加,在此基础上以测试仪器有效监测范围作为识别趋势项组成部分的判别准则。利用集合经验模态分解(ensemble empirical mode decomposition,EEMD)、小波分解等信号分析手段,提出了以固有模态函数(intrinsic mode function,IMF)的频带分布为指标、人工判别的趋势项去除方法,以及基于自相关分析识别噪声特征的小波阈值去噪方法。实例证明该方法切实有效,可实现爆破信号的批量化预处理。

模式自适应连续小波去除趋势项方法在爆破振动信号分析中的应用

为了更精确提取爆破振动信号峰值速度、能量等重要特征,必须对爆破振动加速度信号时域积分中的趋势项予以去除。通过对实测爆破振动加速度信号进行梯形数值积分,提出以时域积分后的爆破振动速度信号来构造模式自适应小波基的方法,并用此方法去除时域积分后爆破振动速度信号中的趋势项,然后对去除趋势项后的爆破振动速度信号进行能量特征分析。结果表明:模式自适应连续小波法成功去除了时域积分后爆破振动速度信号中的趋势项;与建立在传统Fourier变换基础上的频谱分析相比,小波变换的能量分析具有更精细的频率分辨率,更适合于对频率分辨率要求更高的爆破振动信号进行分析;各频率区间范围划分越宽,爆破振动加速度信号与速度信号各频率区间内能量分布的相关程度越高,反之,相关程度越低。

振动信号趋势项提取方法研究

针对某车载武器振动位移测试中存在的严重趋势项干扰问题,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)的信号处理方法.为有效提取趋势项,提出了一种新的趋势项判定方法.该方法根据振动信号相对时间轴对称的特点,通过比较各IMF分量与原始信号的均值判定该阶IMF分量是否为趋势项.模拟振动信号仿真证明了方法的有效性.最后对实测信号进行了EMD处理并最终重构了振动位移信号,与小波变换方法及一种定性的EMD趋势项判定方法进行了比较,结果表明提出的基于EMD的信号趋势项提取和判定方法有更大的优越性,有助于客观评价该武器性能.

消除信号趋势项时小波基优选方法研究

在消除信号趋势项时引入小波基函数对信号进行分解和重构.小波基函数的选择会影响消除信号趋势项后的结果.提出了消趋误差指数的概念及其计算公式,并使用该公式计算了34种常用小波基的消趋误差指数,优选出sym10等6种消趋误差指数较小的小波基.使用sym10小波基及另外两种非优选小波基对实测的汽车车身振动加速度信号进行消除趋势项处理.结果表明,使用sym10小波基提取的信号趋势项比其它非优选小波基更为准确,验证了提出的消趋误差指数计算公式的有效性.

经验模分解在信号趋势项提取中的应用

研究了经验模分解方法(EmpiricalModeDecomposition,简称EMD)在信号趋势项提取中的应用,提出了基于EMD方法在不同频率限制要求下信号趋势项的定义和提取方法。通过应用于数值模拟信号及实测记录,验证了此定义的可靠性。分析结果表明,EMD方法依据信号自身的特性来定义趋势项,无需预先假定其类型,是一种提取信号趋势项的良好方法。

趋势项误差的低频极限特征理论模型与处理方法研究

针对冲击信号中趋势项误差造成的冲击谱低频失真问题,建立了趋势项误差的低频极限特征理论模型,解释了趋势项产生冲击谱低频失真的原因。据此设计一种基于指数衰减的趋势项误差消除方法;对含趋势项误差的实船水下爆炸冲击信号进行了处理。结果表明,此方法对冲击谱低频修正效果明显,在0.1~10 Hz滚降率提高近38 d B/oct,且对不包含趋势项误差的中高频段的冲击谱影响较小,可以用于舰艇水下爆炸冲击加速度信号趋势项误差的修正。

基于非平稳时间序列的不同趋势项提取方法对比研究

基于时间序列分析模型,运用高阶差分、灰色模型、频谱分析和奇异谱分析方法对非平稳时间序列提取趋势项,然后对平稳残差序列进行时序建模。通过对大坝位移监测序列建模分析进行预测,发现奇异谱分析和频谱分析时序分析模型相对于传统的高阶差分和灰色模型时序分析模型的预测精度有所提高。

基于改进的集合经验模态分解的爆破振动信号趋势项消除方法

针对实测爆破振动信号中存在的趋势项干扰问题,基于改进的集合经验模态分解,提出一种趋势项消除方法,并进行了模拟信号的仿真计算和爆破振动信号的实例分析.信号仿真计算结果显示:对于持续振动信号,该方法的趋势项提取结果与已有的基于经验模态分解或集合经验模态分解的趋势项消除方法较为接近;但当测试信号呈间歇振动时,该方法对趋势项的提取更为充分,体现了其对分段爆破振动信号中趋势项消除的优越性和适用性.同时,爆破振动速度信号的实例分析验证了该方法在实际应用过程中的可靠性.

时序建模中周期信号和趋势项的处理问题研究

利用格林函数的概念，探讨了自回归滑动平均模型（ＡＲＭＡ）对周期信号和多项式趋势信号的描述问题。笔者通过理论推导和建模实作，指出ＡＲＭＡ模型或ＡＲ模型可以正确表述周期性信号和趋势性信号，因此在时间序列建模时，不必要也不应该将上述成分剔除。这一观点有别于对该问题的传统认识，并进一步探讨了造成这一错识的原因。

ADF模式中漂移项和趋势项检验量分布与Bootstrap检验研究

在推导ADF检验模式下趋势项和漂移项伪t检验量极限分布基础上,提出修正的系数检验量。研究表明,它们与DF检验模式下检验量具有相同的极限分布;构造漂移项和趋势项检验的Bootstrap实现方法并证明了有效性。将蒙特卡洛模拟技术与临界值检验方法进行对比,结果表明Bootstrap方法能够明显降低检验的水平扭曲,在检验功效方面也有一定优势。模拟也显示临界值检验的局限性和Bootstrap方法的稳健性。

基于多尺度极值的一维信号趋势项快速提取方法研究

现有1维信号趋势项提取算法效率低、并且缺乏适应性和灵活性。该文提出基于多尺度极值的1维信号趋势项快速提取方法,充分利用时间序列信号极值点信息,建立信号极值点的二叉树结构,避免了传统经验模式分解(EMD)方法逐层筛选求取内蕴模式函数(IMF)分量的耗时过程,在获得与现有方法趋势项提取精度相当的情况下,极大地提高了计算速度,并且可以直接提取不同层次的趋势。仿真和实际数据实验结果表明:与传统EMD趋势分解方法和趋势滤波方法相比较,计算速度可提高1到2个数量级。

基于局部均值分解的信号非线性趋势项剔除方法及应用

本文提出了一种基于样条插值的局部均值分解(LMD)法剔除趋势项的途径,并研究了其在发动机瞬时转速信号处理中的应用。通过与常用的最小二乘法(LSM)和小波分解法(WM)进行比较,表明了基于样条插值的局部均值分解法在去除信号中趋势项的问题上,具有剔除与真实信号频谱重叠的趋势项的优势。这对提高发动机瞬时转速信号预处理精度具有重要意义。

基于HHT的振动信号趋势项提取方法

针对振动信号中的趋势项成分的提取,提出一种基于希尔伯特-黄变换(HHT)的新方法。先用经验模态分解(EMD)方法将信号分解为一系列固有模态函数(IMF),然后对各IMF分量进行Hilbert变换得到希尔伯特边际谱;通过计算各IMF希尔伯特边际谱,可以获得各IMF的主频成分,对属于趋势项的IMF分量进行判别,最终确定趋势项。仿真结果表明,该方法能准确的提取振动信号中的趋势项成分。

平稳过程趋势项变点的CUSUM检验

对平稳过程趋势项中的变点检测问题,基于最小二乘估计残差构造CUSUM型统计量.同时,在原假设下得到了其渐近分布,在备择假设下证明了该检验的容许性.蒙特卡罗数值模拟表明,文中所给检验在检验趋势项系数变点时具有较好的势,且犯第一类错误的概率较小.

EMD在非平稳随机信号消除趋势项中的研究与应用

通过研究EMD法的实现过程,在平稳随机信号中加入趋势项,仿真成均值具有趋向性的非平稳随机信号,并用最小二乘法、小波法和EMD法分别进行消除趋势项处理,通过比较消趋后信号和原始信号的均值、方差和相关系数等参考量,提出具有自适应性的EMD法在剔除非平稳随机信号趋势项中的可行性和实用性。

基于局部均值分解的机械振动信号趋势项消除方法

为了消除机械振动信号中趋势项,提出一种基于局部均值分解(LMD)的趋势项提取新方法.考虑到机械振动信号中夹杂的趋势项特点,其残余量并不会对趋势项产生过大的影响,所以可将LMD的最后一个频率分量作为待提取的趋势项.为了验证该方法的可靠性,通过数值模拟的方法将线性、多项式和指数趋势项加载到待消除的仿真信号和实测滚动轴承振动信号中,并将笔者所提的LMD方法与常规的最小二乘拟合法、小波分析和EMD方法分别用于趋势项的提取.数值模拟试验和实测数据分析表明,该方法能够较准确地提取机械振动信号的趋势项,与其他方法相比具有一定的优势.

趋势项对时域参数识别的影响及消除

在冲击激振和环境激振中采集的数据，常含有无用的趋势项，本文通过实例分析了这种趋势项对短样本时域参数识别的影响，提出了衰减过程中趋势项的处理方法及注意事项。

基于最小二乘法原理的趋势项处理研究

在复合材料成型过程中,经常会出现各种缺陷,如裂纹、掺杂、气泡等,这些缺陷对复合材料的性能影响很大。经常利用X射线对复合材料进行内部缺陷检测,而构件中趋势项的存在,降低图像的对比度,影响材料内部缺陷检测的效果,因而非常有必要将其去除。本文分析了趋势项产生的原因以及对检测的影响,研究了最小二乘拟合趋势项的方法,提出了基于误差统计分析的方法来选择拟合阶数。实验证明了该方法的有效性以及可行性。