基于经验模态分解和改进小波软阈值降噪法的电站信号降噪研究

在对电站各类信号进行故障诊断时,由于其所处的复杂工作环境,采集设备得到的信号中经常包含背景中强噪声干扰,导致在后续信号关键特征的识别和处理时会出现较大困难。为降低噪声的影响,本文将经验模态分解与改进小波软阈值降噪法相结合进行电站信号的处理并进行了方法有效性验证。该方法的主要流程如下:首先,将信号进行经验模态分解,分离出若干个本征模态分量和残差。其次,对其与原始信号进行互相关分析,识别有用信号主导的分量和噪声主导的分量,并将噪声信号主导的分量进行改进小波软阈值降噪法处理后,将其与有用信号分量和残差进行重构。最后,将经验模态分解和改进小波软阈值降噪法降噪处理后的信号与传统只采用小波阈值降噪法处理后的信号进行评价,结果表明本文方法的信噪比更高、均方根误差更小、相关系数更高、平滑度更好,可有效消除背景噪声的影响。

基于小波阈值-经验模态分解法的裂纹声发射信号降噪研究

声发射作为一种无损检测技术已被应用到多个领域的产品质量检测中。对小波阈值法和经验模态分解法进行分析和比较,并结合两种方法对声发射信号降噪的优点,形成小波阈值-经验模态分解法。对应用这一新降噪方法前后的信号进行对比,确认降噪效果显著,信号保真度良好。

基于经验模态分解/高阶统计法实现微机械陀螺降噪

针对微机电系统(MEMS)陀螺存在的非线性、非平稳噪声,提出了应用经验模态分解/高阶统计(EMD-HOS)的降噪方法对MEMS陀螺进行降噪。首先,采集MEMS陀螺输出信号,根据EMD算法将信号分解成本征模态函数(IMF)。采用Bootstrap技术分别估计各IMF的峰度值,进行高斯特性检验,滤除高斯IMF。接着,使用方差聚合法分别计算IMF的Hurst指数,根据Hurst指数计算阈值,对各IMF进行软阈值处理。将阈值处理后的剩余IMF进行重构,达到降噪的目的。最后,通过交叠式Allan方差分析对滤波前后数据进行处理,绘制Allan方差与相关时间关系曲线,利用非线性最小二乘拟合方法,计算陀螺噪声各项指标。实验表明,EMD-HOS和软阈值处理能够有效地对MEMS陀螺降噪,其信噪比提高了5.6 d B,各项陀螺随机噪声关键指标提高近一个量级。

基于改进完备集成经验模态分解的钢丝绳缺陷漏磁检测方法

钢丝绳小缺陷信号往往被淹没在股波噪声中,存在钢丝绳小缺陷检测困难、易漏检等问题。针对该问题,提出了一种基于改进完备集成经验模态分解(ICEEMD)的钢丝绳缺陷漏磁检测方法。为了避免钢丝绳表面润滑剂或尘埃对检测信号造成影响,采用电磁检测法。将ICEEMD、小波阈值滤波(WTF)、维纳滤波(WF)相结合,得到ICEEMD-WTF-WF多级降噪方法:通过ICEEMD分解钢丝绳漏磁信号,得到本征模态函数(IMF)分量;计算IMF分量的能量比、排列熵、互相关系数,取出IMF趋势分量和IMF股波噪声分量,并对股波噪声分量进行WTF,筛选有用的IMF分量重构信号;对重构后的信号进行WF,去除随机噪声。提取降噪后的缺陷特征值,输入BP神经网络并进行训练,识别钢丝绳缺陷漏磁信号。实验结果表明:ICEEMD-WTF-WF多级降噪方法对钢丝绳漏磁信号具有良好的降噪效果,信噪比、峭度指标优于WTF、移动平均滤波和WF;基于ICEEMD-WTF-WF的BP神经网络模型检测耗时短,对小缺陷的平均准判率达到98.13%,能较好地满足钢丝绳缺陷检测要求。

基于二次二维经验模态分解去噪的湍流退化图像复原算法

为实现大气湍流环境下的高质量成像,将自适应光学波前探测技术与数字图像处理技术相结合,并提出了一种基于二次二维经验模态分解去噪的湍流退化图像复原算法。通过在光学系统中使用哈特曼-夏克波前传感器探测波前信息,进而计算光学系统点扩散函数;然后使用改进的二次二维经验模态分解算法进行图像去噪,最后利用R-L算法实现对湍流退化图像的复原。通过搭建光学实验系统,对实际拍摄的湍流退化图像进行了复原实验。结果表明,该算法能够有效减弱噪声放大现象,得到更加稳定的高质量大气湍流退化图像复原结果。

基于经验模态分解和小波降噪的漏水信号滤波方法

在研究供水管道监测漏水信号的降噪问题时,提出一种基于经验模态分解(EMD)与小波阈值降噪相结合的降噪方法。该方法首先将采集到的信号进行EMD分解,得到有限个本征模函数(IMF),通过计算各IMF分量的能量值,找到含噪较多的高频信号分量与含噪较少的低频信号分量之间的界限,对含噪声较多的高频IMF分量进行小波软阈值降噪处理,再将降噪后的高频IMF分量与剩余的低频IMF分量进行重构,实现对漏水信号的降噪。经计算验证比较,处理铁管上采集的信号时,仅用EMD法降噪后输出信噪比为14.49 dB,仅用小波软阈值法降噪后输出信噪比为16.11 dB,而提出的EMD与小波软阈值结合方法输出信噪比为19.53 dB;处理PVC管采集的信号时,仅用EMD法降噪输出信噪比为3.19 dB,仅用小波软阈值降噪法输出信噪比为4.18 dB,用改进方法得到信噪比为6.19 dB,表明用改进方法监测管道漏水具有更好的降噪效果。

基于经验模态分解的电测井信号去噪研究

电测井方法所得到的信号含有一定的随机噪声,对原始信号进行处理之前需对其进行去噪。基于经验模态分解(EMD)得到的本征模态函数(IMF)具有自适应性、完备性、可重构性以及正交性和良好的时频聚集性等特点。因此,利用IMF分量去噪对于处理信号与噪声频率混叠的情况具有很好的效果,是一种多分辨率的去噪方法。本文采用一种首先经过经验模态分解,其次通过对部分IMF分量进行软阈值去噪的方法,研究结果表明,该方法能有效去除电测井信号的噪声干扰,且效果优于传统的小波软阈值去噪结果。

利用白噪声分解特征的EEMD阈值降噪方法

经验模态分解算法基于待分解数据本身,避免了小波分解时选取合适小波基函数的困难,具有自适应性。然而传统的经验模态分解降噪是一种强制降噪算法,容易将高频部分的有用信号与噪声一起滤除,从而造成信号失真。针对该问题,在分析白噪声EMD分解特性的基础上,提出了一种EEMD阈值降噪法。利用4组具有不同频谱特征的仿真数据,证明了该算法优于传统的EMD强制降噪法;在消除随机噪声的同时,能够有效保留信号中的高频细节分量,从而缓解了信号的失真。

基于ICEEMDAN和小波阈值的Φ-OTDR信号去噪算法

针对分布式光纤声波传感系统信号信噪比较低的问题,提出了一种改进的自适应噪声完全集成经验模态分解方法。改进方法利用样本熵和小波阈值去噪算法,从高噪声分量中提取有效成分。通过改进的自适应噪声完全集成经验模态分解(ICEEMDAN,Intrinsic Computing Expressive Empirical Mode Decomposition With Adaptive Noise)对实际采集的信号进行分解,计算样本熵,将其中的含噪分量进行小波阈值去噪,最后与未处理的信号分量进行重构。实验结果表明,对实采的信号进行降噪处理后,信噪比提高了5.34 dB,均方误差降低了0.0148,波形互相关系数提高了5.7%。与其他常用的去噪方法相比,该方法不仅在信噪比方面表现更优秀,而且在均方误差和波形互相关系数方面也具有更好的性能,能够更好地保留有用信号。

CEEMD和小波半软阈值相结合的滚动轴承降噪

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。

基于CEEMDAN-改进小波阈值的水工结构振动信号联合降噪方法

针对水工结构在泄流激励作用下动力响应信号被噪声淹没的实际问题,提出一种基于自适应噪声的完整集成经验模态分解(CEEMDAN)和改进小波阈值函数联合降噪的方法。对水工结构振动信号先进行CEEMDAN分解,将信号分解成一系列固有模态(IMF)分量,运用自相关函数和互相关系数剔除无效IMF分量,实现振动信号的初次降噪;再利用改进小波阈值函数对含有主要振动信息的IMF分量进行降噪处理,实现含噪信号的二次降噪;最后,将包含主要结构振动信息的IMF分量和残量进行信号重构,得到降噪后的振动信号。通过数值仿真分析,发现CEEMDAN-改进小波阈值联合降噪后信号(10%噪声水平)的信噪比从20.21提升到23.54,均方根误差从0.19降低到0.09,验证了联合降噪具有更高的信噪比和更低的均方根误差,更为接近纯净信号。结合国内某水电站导墙实测数据,运用该方法进行降噪分析,结果表明该方法具有较好的降噪性能和应用前景,可为水工结构流激振动安全诊断提供有效依据。

基于EEMD阈值处理的脑电信号降噪方法

为提升对非线性非平稳信号的消噪性能,在EEMD阈值消噪法的基础上结合平移不变(translation invariant,TI)算法,提出一种TI总体经验模态分解自适应阈值处理的EEG去噪方法。EEMD阈值消噪有效避免小波阈值法在小波基选择上存在的缺陷,平移不变算法思想的引入进一步抑制模态混叠现象的发生。以信噪比、均方根误差、皮尔逊相关系数和最大峰值误差作为定量分析标准,将所提方法与其它算法进行比较,仿真和真实信号的实验结果均表明,EEMD阈值法与平移不变算法的有效结合使消噪性能更优。

联合CEEMD和改进阈值去噪的初至波识别算法

提出了一种新的阈值函数并联合互补集合经验模态分解算法,用改进能量算法对初至波进行提取。将信号分解为几个本征模态函数和一个残余信号,计算每个本征模态函数分量的自相关函数及频域的主频,并依据自相关函数特点和主频分布情况判断噪声信号主导的本征模态函数,对这些分量用新阈值函数去噪,将信号重构使用能量比值法提取初至点。仿真信号计算结果及实际实验结果表明,该方法能有效提取出低信噪比信号的初至波,高精度拾取初至时间。

基于小波软阈值去噪和EMD的车辆声信号频谱分析

为了更准确细致地分析普通燃油车和纯电动汽车两类车辆在低速行驶时由动力装置产生的声信号特征,研究无噪声条件下的车辆声信号的频谱尤为重要。文中使用小波软阈值去噪方法对两类声信号进行去噪处理,通过经验模态分解,获得对应的固有模态分量,并对每一个固有模态分量进行快速傅里叶变换,以获得相应的频谱。研究结果表明,与去噪后的声信号的频谱成分相比,小波软阈值去噪后的声信号频谱成分清晰可见。通过频谱分析,确定了两种车型的声信号所包含的频率分量。该文对分析车辆声信号的频谱成分,提供了一种可行的方法。

基于CEEMD阈值和相关系数原理的MEMS陀螺信号去噪方法

针对经验模态分解(EMD)方法易产生模态混叠问题,而集成经验模态分解(EEMD)方法又存在重构误差较大的缺陷,提出了一种基于完备集成经验模态分解(CEEMD)阈值滤波和相关系数原理的MEMS陀螺信号去噪方法。首先通过CEEMD方法对陀螺信号进行有效完备的分解,并利用相关系数原理合理确定分解后噪声分量与有效分量的界限。在此基础上,通过借鉴小波阈值处理方式和EMD阈值设置方法,对信号进行阈值滤波去噪。对仿真信号和实际MEMS陀螺信号的研究结果表明,CEEMD阈值去噪方法的去噪效果要优于CEEMD、EEMD、EMD强制去噪方法和小波分析方法。这充分体现了其在MEMS陀螺信号去噪应用中的可行性和有效性。

基于改进互补集成经验模态分解的脉搏波去噪

针对脉搏波信号采集过程中存在噪声的问题,提出了基于改进互补集成经验模态分解的脉搏波去噪算法。利用光纤布拉格光栅传感器获取脉搏波信号,首先在互补集成经验模态分解算法中加入高斯白噪声,然后利用粒子群算法优化高斯白噪声幅值,以此来消除互补集成经验模态算法分解产生的模态混叠现象,并联合小波阈值函数对其处理后的脉搏波信号进行重构。实验结果表明,所提算法能够有效降低脉搏波信号中的噪声干扰,在信噪比、均方误差两个指标上均优于对比算法,为提取脉搏波的时域特征奠定了基础。

基于EEMD与改进小波阈值的磁记忆信号降噪研究

利用金属磁记忆法对煤矿系统中的钢绳芯输送带进行早期故障诊断时,发现信号中包含的噪声对诊断结果影响较大。针对此问题,提出了基于总体平均经验模态分解和改进小波半软阈值的降噪算法。首先利用总体平均经验模态分解得到若干个本征模函数,经过相关性分析后提取本征模函数的有效分量,用人工蜂群优化算法改进阈值函数,再分别对有效分量进行改进的小波半软阈值函数降噪处理,最后将信号重构。经过降噪处理后的磁记忆信号能较好地保留信号中的有用信息。仿真实验结果表明,该算法可实现噪声环境下的钢绳芯输送带应力集中区特征的有效提取,从而实现早期故障诊断。

锋电位检测信号的EEMD去噪方法研究

神经元锋电位(spike)是研究大脑信息编码的基础,因其宽带、小幅值等特点而极易受噪声干扰。针对spike信号的间歇性及非平稳性,采用经验模态分解(EMD,Empirical Mode Decomposition)的改进算法--整体平均经验模态分解(EEMD,Ensemble Empirical Mode Decomposition)对spike检测信号进行分解并结合小波阈值法进行去噪。EEMD能将信号中间歇性成分有效分离出来,解决了EMD产生的模态混叠问题。基于仿真和实测数据将其与EMD去噪方法及多元小波去噪法进行比较,结果表明:EEMD去噪方法不仅有效提高了spike检测信号的信噪比,而且降低了spike波形的畸变。在3种去噪方法中,EEMD去噪方法效果最为显著,对仿真信号的信噪比平均提高了4.177 2d B。为随后spike信号的分类和信息编码奠定了良好基础。

基于小波半软阈值和EMD的旋转机械故障诊断

将小波半软阈值法和经验模态分解(EMD)结合,提出了基于小波半软阈值的经验模态分解降噪方法。该方法首先利用小波半软阈值法减少随机噪声干扰,减小经验模态分解的分解层数及边缘效应的影响,然后进行适当的经验模态分解相关度消噪后处理,在有效降噪的同时较好地保存了原信号的有用信息。仿真和实验结果表明,该方法可实现噪声环境下旋转机械故障特征的有效提取,从而实现故障诊断。

基于EEMD和小波阈值法的爆破振动信号预处理研究

针对爆破振动信号去噪和趋势项消除问题,借助相关性分析,引入了一种基于集合经验模态分解(EEMD)和小波阈值法的预处理滤波方法。首先运用EEMD方法进行信号分解,利用互相关系数进行含噪IMF分量和趋势项分量的预选,然后分别借助自相关函数特性和频带特点进行判断,最后完成含噪分量的小波阈值去噪和趋势项分量的去除,重构波形。实例验证结果表明,该方法能有效消除噪声、趋势项干扰,保留波形真实信息,进而提高频谱分析精度。