基于ATVFD和EEMD的滚动轴承故障特征频率提取方法研究

经验模式分解和集合经验模式分解方法存在模态混叠和端点效应问题,难以有效提取故障特征频率。为此,提出一种基于自适应时变滤波分解和集合经验模式分解相结合的新方法,该方法结合了自适应时变滤波分解方法分解精度高、抑制边界效应,以及集合经验模式分解避免模态混叠的优点,通过时频分析法边际谱有效地提取出故障特征频率。

基于集总时变滤波分解的核磁测井信号去噪研究

对于岩性复杂地质条件,核磁共振(Nuclear Magnetic Resonance,NMR)相比其他测井方法能够提供更加丰富、有效的地质信息。本文针对核磁共振测井自旋回波信号带有大量噪声、影响反演计算和地层解释问题,提出一种集总自适应时变滤波分解的自旋回波信号去噪新方法,该方法将自适应时变滤波分解(Adaptive Time Varying Filter Decomposition,ATVFD)融合嵌入集总经验模分解(Ensemble Empirical Mode Decomposition,EEMD)算法中,避免了经验模态分解(Empirical Mode Decomposition,EMD)存在的边界效应和模态混叠问题,同时继承其自适应、后验的去噪优势。实验分析表明,该方法可有效地滤除回波信号噪声,得到的回波信号反演计算出的T2谱和孔隙度与岩心在实验室条件下测量一致,去噪效果明显。