一种改进的集合平均经验模态分解去噪方法

针对现有非平稳信号去噪处理中的难点,提出一种改进的基于集合平均经验模态分解(EEMD)去噪方法,该方法根据本征模态函数(IMF)能量从被测信号中估计出噪声,使用估计的噪声代替EEMD方法中添加的噪声,最后将集合平均IMF分量累加得到去噪信号。使用相关性判据剔除了EMD分解产生的伪IMF分量,改进了噪声估计方法。仿真表明,改进的方法能够对调幅调频含噪信号进行有效的去噪处理。

形态滤波与EEMD在振动筛轴承故障诊断中的应用

轴承故障诊断的关键在于振动信号的前处理与故障特征参数的提取。形态滤波法可以利用特有的数学属性对故障信号进行有效的降噪处理,并突出故障信号的特征参数;同时利用集合平均经验分解对轴承的特有故障特征进行提取。将该振动信号提取方法应用到振动筛等振动机械的轴承故障特征提取中,通过试验表明,该方法可以有效提取振动机械中故障信号的频谱特征,便于工程应用。

EEMD在配电网电能质量扰动检测中的应用

鉴于引起配电网电能质量问题的扰动信号为非平稳信号,本文将基于集合平均经验模态分解(EEMD)的希尔伯特-黄变换(HHT)应用于配电网电能质量扰动检测。该方法通过对配电网电能质量扰动信号进行自适应分解,获得固有模态函数(IMF),再对IMF进行HHT获得准确的瞬时频率和瞬时幅值,可以准确刻画扰动发生时间、描述扰动信号的频率和幅值特征,同时克服经验模态(EMD)存在的模态混叠问题,为配电网扰动信号的检测提供了一种新的分析手段。通过配电网几种常见扰动信号进行仿真实验,结果验证了该方法的有效性。

基于KL-CEEMD的风机传动系统故障诊断方法研究

互补集合平均经验模态分解(complementary ensemble empirical model decomposition,CEEMD)作为一种时频特征分析方法,可以较好地提取复杂非线性非平稳信号的故障特征,但其存在虚假分量,很大程度限制诊断过程中的准确性。针对该问题,提出一种基于KL散度(Kullback-Leibler divergence,KLD)的CEEMD虚假分量识别方法(KL-CEEMD)。该方法在原有CEEMD方法基础之上,进一步计算各分量IMF与原信号之间的KL散度值,从而量化各分量与原信号之间的相关性。最后通过对各个IMF的KL散度值进行聚类分析,找出虚假分量和真实分量,最终解决CEEMD的虚假分量问题。为验证KL-CEEMD的有效性,研究搭建风力机传动系统振动试验台,基于该方法对实验台实验数据以及仿真数据进行验证性研究,最终证明所提方法可以很好改善CEEMD的虚假分量问题,能够有效提取出故障信号的真实特性。

基于EEMD方法的火花光谱信号处理研究

基于电荷耦合器件(CCD)的火花光谱仪是一种用于元素成分分析的光谱仪,其输出信号是高频的CCD有效信号和低频的背景噪声叠加在一起的复合信号,火花光谱的有效信息主要集中在信号的较高频段,很容易被背景噪声淹没和干扰,因此获取完整有效的光谱信息,需要对信号进行有效处理。经验模态分解(EMD)方法可以自适应分析信号,不需要设置参数,但存在模态混叠的问题,信号中不同频率的成分可能会混淆;集合平均经验模态分解(EEMD)成功地解决了EMD方法中模态混叠的问题,能更加清晰地将信号中的不同频率成分分解出来,因此更加适合光谱信号的研究。使用火花光谱仪对不锈钢标准样品(选取短波段、中波段和长波段代表性元素碳C、锰Mn、镍Ni、铬Cr和铝Al)进行采集,获得了标准样品的火花光谱原始信号。通过EEMD方法进行自适应的分析和处理,每个CCD信号均获得了11阶固有模态函数(IMF),根据信号的幅频特性,IMF1-IMF2表征为特征信号部分,最后一阶IMF11为背景噪声成分。通过重构上述处理信号,结合基于连续小波变换的惩罚最小二乘法进行了二次处理,获得了最终处理后的信号。将处理后的信号导入仪器处理软件中,获得了碳、锰、镍、铬和铝元素的含量梯度曲线,结果显示采用EEMD方法处理的信号和原处理方法效果相当,但省去了额外采集空白噪声段的环节,大大节省了分析的时间,从而提高了仪器的运行效率。

基于EEMD和互谱分析的天然气管道泄漏检测与定位

根据目前天然气管道检测方法存在定位不够精确和易受噪声干扰等问题,提出了一种将次声波和负压波结合的管道泄漏检测方法。该方法仅通过采集管道首站位置的次声波信号和压力信号即可进行泄漏定位,有效地解决了单一信号定位精度不高和容易产生误报警的缺点。采用互谱分析结合集合平均经验模态分解(EEMD)的信号去噪方法,首先将声波和负压波两种泄漏信号进行EEMD分解,获得一系列本征模态函数(IMF),然后利用互谱分析确定泄漏源信号的特征频带,在该频带范围内利用相关性分析划分出泄漏源信号的主导分量,将划分出的IMF分量进行重构,完成信号的去噪。通过与单一信号的管道泄漏检测方法进行对比,定位精度平均提高了1~3 m。

基于改进的多时间尺度特征排列熵的心率变异性分析研究

为了分析不同生理状态下人体心率变异性的差异性,并弥补传统心率变异性分析方法时间尺度特征单一的不足,本文结合了互补式集合平均经验模态分解和改进的排列熵算法对心率变异时间序列进行了具有多时间尺度特征的排列熵分析,并计算得到反映心率变异显著差异性的指标CEEMD-m PE.最后基于MIT-BIH心率失常数据库的实验结果分析表明,本文所使用的心率变异性分析方法相比于其他基于熵的分析方法具有更优异的表现.

基于EEMD分解的盲源分离算法在振动筛轴承故障诊断中的应用

提出一种基于集合平均经验分解的盲源分离算法(EEMD-BSS)的滚动轴承故障诊断方法。这种集合平均经验分解算法相比较于经验模态分解算法(EEMD)更具有优越性,它能更好地克服信号之间的混叠效应。以振动筛轴承的故障为案例,先估计出振动筛轴承故障时振动的源数,再利用基于集合平均经验模态分解(EEMD)的盲源分离(BSS)算法,可以有效地分析出振动筛轴承的故障特征,因而具有重要的实用价值。

噪声辅助EMD方法提取多路径误差模型分析

经验模态分解(EMD)方法处理间断性信号时存在模态混叠问题,使分解结果失去物理意义。本文从理论分析和实测数据的EMD分解结果两个方面,论述了多路径误差中不可避免的存在间断性的分量。针对该问题,介绍了集合平均经验模态分解(EEMD)方法借助噪声来减弱模态混叠的思路与流程,并连续两天实测GPS数据的单历元定位坐标序列,分别用EEMD和EMD方法消除随机噪声,提取多路径重复性改正模型,结果表明,EEMD方法的效果优于EMD方法。