基于经验模态分解和小波包能量熵的杉木加载过程中细观损伤监测与识别

【目的】细观损伤是承载木材断裂的主要原因之一。木材的多孔层状结构使其损伤过程变得复杂,针对单一信号处理方法较难充分挖掘木材断裂声发射信号中的细观损伤信息,造成识别信息不充分、不完备的问题。本研究提出通过经验模态分解(EMD)和小波包能量熵结合的信号处理方法,通过声发射无损检测手段,识别杉木加载过程中的细观损伤类型。【方法】以杉木为研究对象,进行单轴压缩、双悬臂梁和顺纹拉伸3种单一损伤试验,并对其进行加载过程中声发射信号的采集、监测与分析。通过小波包阈值法消除损伤试验中采集的声发射信号噪声,经由EMD和相关系数计算,分离出最能体现杉木细观损伤特征的本征模态(IMF)分量,并对IMF分量进行基于傅里叶变换的峰值频率分析和小波包能量熵分析,提取杉木细观损伤的特征。【结果】(1)EMD和小波包能量熵结合的信号处理方法能够判断杉木加载过程中声发射信号对应的细观损伤类型与构成。(2)杉木不同细观损伤类型的声发射信号对应不同的小波包能量熵区间:胞壁屈曲与塌溃(0.69~0.99)、层间开裂(1.57~1.78)、纤维束断裂(1.92~2.27)。(3)宏观断口观察和电镜显微分析验证了该方法的准确性。【结论】经验模态分解–小波包能量熵法避免了声发射信号模态堆叠的影响,并解决了木材细观损伤复杂且难以识别的问题,为杉木木材断裂的早期诊断方法提供了理论支撑。

一种基于经验模态分解和局部极大值点数的配电网高阻接地故障检测方法

配电网高阻接地故障(HIF)因故障特征微弱而难以被常规装置检测到,容易引发过电压、火灾和人身触电等安全问题。本文提出一种将时频分解和阈值判断结合的HIF识别方法。首先,利用经验模态分解(EMD)对零序电流进行处理;然后,选取第二个固有模态分量(IMF)作为特征分量并进行高斯滤波;最后,统计特征分量的局部极大值点的个数来判断是否发生HIF。利用PSCAD/EMTDC软件搭建10kV配电网模型进行算法验证。仿真结果表明,所提方法能够以较高的准确率将HIF和一些常见的干扰事件区分开,并且在发生噪声干扰、采样率变化、系统中性点接地方式改变及系统网络结构改变的情况下,均表现出较好的适应性。

经验模式分解(EMD)及其应用

经验模式分解(Empirical Mode Decomposition,EMD)是一种数据驱动的自适应非线性时变信号分解方法,可以把数据分解成具有物理意义的少数几个模式函数分量.本文总结归纳了一维EMD、二维EMD方面的主要工作,比较了不同方法存在的优点与不足,指出了EMD研究存在的难题和瓶颈,并给出了EMD研究与应用的发展趋势.

基于经验模态分解(EMD)的小波阈值除噪方法

针对低信噪比信号的去噪问题,提出了一种基于经验模态分解的小波阈值去噪方法,并与小波变换去噪法的效果相比较．试验结果证明,当信号的信噪比较小时,基于经验模态分解的小波阈值去噪效果是相当有效和稳定的,为研究环境脉动下结构的输出信号去噪处理提供了新的手段．

一种基于经验模态分解(EMD)的位场分离方法

经验模态分解(EMD)是一种利用信号极值特征进行时空滤波的方法。经分解得到不同阶次固有模态函数(包含从高到低不同频率段的成分),而残余量为信号的趋势分量,代表信号的平均趋势。本文将经验模态分解用于地球物理场的位场分解中,提出了一种基于EMD的位场分离方法。与常规位场分离方法中的滑动平均法和趋势分析法相比,EMD无须预先设置参数,因而不受人为因素的影响,其结果能够更好地反映位场的固有特征。应用该法对新疆准噶尔盆地准东地区的磁异常资料进行处理,从中识别出与石炭系油气有关的火成岩异常。

经验模态分解(EMD)中边界处理的新方法

在深入研究和分析希尔伯特-黄变换(HHT)方法的基础上,对信号提出了半周期半对称延拓算法,并以此来处理经验模态分解中存在的边界误差问题.通过信号模拟试验,并与EMD方法的结果作比较,检验了该方法的有效性和精度.

融合经验模态分解与模糊熵的薄板结构损伤识别

针对薄板结构中损伤兰姆波信号提取及表征困难两大问题,提出了一种融合经验模态分解(empirical mode decomposition, EMD)与模糊熵(fuzzy entropy, FEn)的薄板结构损伤识别新方法。该方法首先基于EMD从复杂的兰姆波信号中提取并分离与结构损伤相关的信号;再利用提取出的损伤信号的归一化模糊熵作为损伤指数对结构损伤大小进行定量表征,从而实现薄板结构的损伤识别。设计的三组碳纤维增强复合材料板(carbon fiber reinforced polymer, CFRP)划痕损伤识别试验验证了该方法的可行性,试验结果表明:归一化后的模糊熵与CFRP板划痕损伤大小呈现较好的线性增加的关系,利用该线性关系可以对CFRP板划痕大小进行识别;与基于奇异谱-模糊熵的结构损伤识别方法相比,该研究所提方法识别效果更佳。

基于EMD的地震数据速度谱优化方法

地震波在地层中的传播速度可间接反映地下岩性及地质构造特征,速度的提取与分析影响地震数据处理和解释全过程。目前,速度谱分辨率低,导致拾取的速度不准确,构建的速度模型精度经常不能满足复杂地质构造的地震成像要求。为此,提出基于经验模态分解(EMD)的地震数据速度谱优化方法。该方法是一种频移处理技术,能有效提高地震数据低频端能量的信噪比。首先,基于Hilbert变换获得地震数据的瞬时振幅;其次,对瞬时振幅进行EMD;然后,筛选分解后的本征模量(IMF),选择具有有益表达速度谱信息的本征模态模量;最后,构建新的速度谱数据。经过优化后的地震数据频谱分辨率更高,有效频带向低频端移动。实验测试和实际资料处理结果表明,所提方法能有效扩大速度谱拾取的寻优区间,提高速度分析准确性,提升地震资料成像品质。该方法在成果数据处理和速度谱优化方面具有广泛的应用价值。

基于改进EMD方法与11/2谱的DEMON谱提取方法

噪声的包络调制检测(Detection of Envelope Modulation on Noise,DEMON)谱分析技术已被广泛应用于特征提取领域,但经典DEMON谱提取中高频信号频段的选取会影响DEMON谱的提取效果。针对这一问题,文中首先运用经验模态分解(Empirical Mode Decomposition,EMD)方法获得一系列固有模态函数(Intrinsic Mode Function,IMF),依据各阶模态函数与原信号的相关程度,筛选出更具代表性的几阶固有模态函数进行解调,再对解调的结果运用11/2维谱分析方法进行谱分析以抑制高斯噪声,通过这种方法获得的DEMON谱信噪比优于传统方法。实测湖试数据分析结果表明,该改进方法可以有效地进行特征提取,结果优于经典DEMON谱分析方法;该改进方法具有一定的实用性,有利于进行后续目标分类识别。

基于EMD-AVOA-BP的逆变器故障诊断方法

以CRH3C型动车组逆变器中的绝缘栅双极型晶体管(IGBT,Insulated Gate Bipolar Transistor)双管开路故障为研究对象,提出了一种基于非洲秃鹫算法(AVOA,African Vultures Optimization Algorithm)和优化的反向传播(BP,Back Propagation)神经网络的逆变器故障诊断方法。在Simulink中搭建列车逆变器的控制模型,取得故障电流;采用经验模态分解(EMD, Empirical Mode Decomposition)对电流信号进行去噪和故障特征提取,再利用AVOA对BP神经网络进行优化,实现了对列车逆变器IGBT双管开路故障的诊断。与传统方法进行对比可知,该方法具有更高的精准度,在测试集中其精准度达到100%。

小波变换与EMD方法在高铁雨棚数据降噪处理中的适用性分析

针对高铁雨棚长期监测数据中的噪声处理问题,分析了典型高铁雨棚监测信号的噪声特性,在此基础上,采用小波变换和经验模态分解EMD(empirical mode decomposition)方法对雨棚实测风压、应力、振动等典型信号进行降噪处理和对比分析。研究结果表明这两种方法在降低监测数据噪声、提高信噪比方面的有效性,并且通过结合主成分分析PCA(principal component analysis)的综合评估进一步证实了EMD在振动类和应力类数据降噪中的优越性。研究为实际工程中降噪技术的选择和应用提供了理论支持。

基于改进EMD-小波包的爆破振动信号降噪方法研究

针对经验模态分解(empirical mode decomposition, EMD)存在模态混叠和降噪效果不佳的问题,依据分解—正交—聚类—降噪—重构的思想,提出了改进EMD-小波包的爆破振动信号降噪方法。该方法融合了核主成分分析的正交性、K-means算法的聚类特性以及小波包的降噪优势,不仅可以消除EMD的模态混叠,也具有良好的降噪效果。研究结果表明:与自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise analysis, CEEMDAN)和EMD方法相比,在模拟信号降噪试验中,改进EMD-小波包方法的信噪比(7.9 dB)最大,均方根误差(2.96)最小。在实测爆破振动信号降噪中,改进EMD-小波包方法降噪后的信号与原始信号相关系数最大为0.91。改进EMD-小波包和CEEMDAN方法的降噪效果相对理想,且改进EMD-小波包方法对10~60 Hz低频信号能量保存效果较好,对60 Hz以上中高频噪声的滤除效果最好。

基于EMD能量熵的受电弓滑板振动特性分析与诊断

结合检测数据,对高速运行下受电弓滑板振动特性进行研究,提出了基于经验模态分解(EMD)的滑板异常振动诊断方法。首先,开展国内外弓网振动评价体系研究。其次,通过分析线路试验数据,得出高速运行时DSA380型受电弓滑板垂向加速度能量主要集中在278、550 Hz附近,且振动主频为278 Hz。通过ANSYS计算滑板垂向第3、5阶模态频率为279.65、531.47 Hz,与线路试验结果相近。该结果反映我国弓网振动评价体系主要表征受电弓碳滑板的弹性振动,且DSA380型受电弓滑板高速运行时振动响应主频为滑板3阶模态频率。最后,应用经验模态分解对振动数据进行自适应分解得到若干本征模态函数(IMF)。当滑板异常振动时,能量集中分布于滑板3阶模态频率处,能量熵较正常状态大幅减小,因而可采用能量熵作为评价指数,评判滑板工作状态。

基于EMD去噪的煤矿井下地质构造声学探测方法

针对井下声学信号的非平稳特点,提出一种基于经验模态分解(Empirical Mode Decomposition,EMD)去噪的煤矿井下地质构造声学探测方法。该方法利用EMD的自适应分解能力,结合自适应阈值确定和信号重构技术,有效提高了井下声学信号的信噪比。实验结果表明,该方法相比传统小波阈值去噪,能更好地保留地质构造声学响应特征。

经验模式分解(EMD)在形变数据分析中的应用

台站形变仪器观测到的地震动信号(下称形变数据)一般情况下是一条各种因素影响下的非线性非平稳的复杂曲线。选取海拉尔台形变数据,通过经验分析识别出有分析价值的形变数据,运用MATLAB对其进行经验模式分解(EMD),EMD分解得到的各分量从高频逐一向低频呈现,依次进行平稳化处理后,成功分解出不同频率的固有模态函数(IMF),与残余函数R,每一个IMF分量都代表形变数据的固有特征,残余函数R代表形变数据的趋势项,形变数据得以被重构提取,通过提取特定分量,更加直观、高效提取形变数据中所需信息,提高形变数据分析效率。

基于EMD-RNN的堤防沉降预测方法研究

为有效预测堤防沉降,利用经验模态分解(EMD)对沉降数据进行处理,提取不同频率成分的特征序列;再通过循环神经网络(RNN),结合注意力机制,对重构后的长时间序列数据进行建模,针对不同输入时长的数据进行筛选和分析,以确定最佳的输入时长,从而捕捉沉降过程中的时间依赖性和关键特征。以万顷沙联围北界河水闸至中山界外江堤防综合整治工程的沉降数据为例,对所提方法进行验证。结果表明:该案例的最优输入步长为3,在此情况下,模型的均方误差为0.60,平均绝对误差为0.59,优于传统的SVM和BPNN方法,有效提升了堤防沉降预测的准确性与可靠性。该方法可为类似城市基础设施维护和管理提供参考。

小波熵与EMD在GPS信号去噪中的应用

GPS信号在传输过程中会受到多种误差源的影响,如星历误差、卫星钟差、接收机钟差等等,造成接收的GPS信号含有毫无用处的成分。为了提取真实监测信号,对GPS信号进行消噪处理十分重要。首先使用小波熵自适应阈值去噪法,对含噪GPS信号进行去噪处理,然后经过经验模态分解(EMD),按照一定的标准舍去一些本征模态分量(IMF),将剩余的本征模态分量相加,得到去噪信号。试验结果验证了其具有较好的去噪效果。

消除经验模态分解中混叠现象的改进掩膜信号法

经验模态分解方法能在时频域上正确地描述非平稳非线性信号的局部特征。但由于模态混淆,当信号组合分量的频率太接近时,常不能得到正确的经验模态分解结果。针对这一情况,提出了消除经验模态分解中混叠现象的一种方法——改进的掩膜信号法,并将其应用于风机叶片振动信号的分析中。该方法以能量为基础对掩膜信号的选择进行改进,并通过掩膜信号结合EMD来达到消除模态混叠现象的效果。对风机叶片振动信号进行验证的结果表明,该方法简便易行,可有效分离混叠模态,提取有用信号,并且对白噪声也有削减效果。

基于经验模式分解的汉字字体识别方法

提出了一种基于经验模式分解(empiricalmodedecomposition,简称EMD)的汉字字体识别方法.通过对大量汉字字体的研究比较,选取了能反映汉字字体基本特征的8种基本笔画.以这8种汉字笔画为模板,在汉字文档图像块中随机地抽取笔画信息,形成笔画特征序列.通过对笔画特征序列作EMD分解,提取每个笔画特征序列的高频能量,并结合汉字文档图像块的平均灰度,形成字体识别的一个9维特征.

强噪声背景下的经验模式分解研究

研究了强噪声混合条件下微弱信号的经验模式分解(EMD)问题,提出了一种基于随机共振降噪的EMD分解方法。该方法利用随机共振在微弱信号检测方面的独特优势,首先对有噪微弱信号进行随机共振输出,微弱信号得到降噪和加强后,再进行EMD分解。在仿真实验中,对随机共振输出前后的信号分别进行EMD分解,分析结果表明该方法不仅能够提高原始信号的信噪比,有效检测出被噪声淹没的微弱信号从而提高了EMD分解的质量,同时减少了EMD分解的层数,提高了运算效率。