A novel noise reduction technique for underwater acoustic signals based on complete ensemble empirical mode decomposition with adaptive noise,minimum mean square variance criterion and least mean square adaptive filter

Underwater acoustic signal processing is one of the research hotspots in underwater acoustics.Noise reduction of underwater acoustic signals is the key to underwater acoustic signal processing.Owing to the complexity of marine environment and the particularity of underwater acoustic channel,noise reduction of underwater acoustic signals has always been a difficult challenge in the field of underwater acoustic signal processing.In order to solve the dilemma,we proposed a novel noise reduction technique for underwater acoustic signals based on complete ensemble empirical mode decomposition with adaptive noise(CEEMDAN),minimum mean square variance criterion(MMSVC) and least mean square adaptive filter(LMSAF).This noise reduction technique,named CEEMDAN-MMSVC-LMSAF,has three main advantages:(i) as an improved algorithm of empirical mode decomposition(EMD) and ensemble EMD(EEMD),CEEMDAN can better suppress mode mixing,and can avoid selecting the number of decomposition in variational mode decomposition(VMD);(ii) MMSVC can identify noisy intrinsic mode function(IMF),and can avoid selecting thresholds of different permutation entropies;(iii) for noise reduction of noisy IMFs,LMSAF overcomes the selection of deco mposition number and basis function for wavelet noise reduction.Firstly,CEEMDAN decomposes the original signal into IMFs,which can be divided into noisy IMFs and real IMFs.Then,MMSVC and LMSAF are used to detect identify noisy IMFs and remove noise components from noisy IMFs.Finally,both denoised noisy IMFs and real IMFs are reconstructed and the final denoised signal is obtained.Compared with other noise reduction techniques,the validity of CEEMDAN-MMSVC-LMSAF can be proved by the analysis of simulation signals and real underwater acoustic signals,which has the better noise reduction effect and has practical application value.CEEMDAN-MMSVC-LMSAF also provides a reliable basis for the detection,feature extraction,classification and recognition of underwater acoustic signals.

Review of local mean decomposition and its application in fault diagnosis of rotating machinery

Rotating machinery is widely used in the industry.They are vulnerable to many kinds of damages especially for those working under tough and time-varying operation conditions.Early detection of these damages is important,otherwise,they may lead to large economic loss even a catastrophe.Many signal processing methods have been developed for fault diagnosis of the rotating machinery.Local mean decomposition(LMD)is an adaptive mode decomposition method that can decompose a complicated signal into a series of mono-components,namely product functions(PFs).In recent years,many researchers have adopted LMD in fault detection and diagnosis of rotating machines.We give a comprehensive review of LMD in fault detection and diagnosis of rotating machines.First,the LMD is described.The advantages,disadvantages and some improved LMD methods are presented.Then,a comprehensive review on applications of LMD in fault diagnosis of the rotating machinery is given.The review is divided into four parts:fault diagnosis of gears,fault diagnosis of rotors,fault diagnosis of bearings,and other LMD applications.In each of these four parts,a review is given to applications applying the LMD,improved LMD,and LMD-based combination methods,respectively.We give a summary of this review and some future potential topics at the end.

Adaptive Bearing Fault Diagnosis based on Wavelet Packet Decomposition and LMD Permutation Entropy

Bearing fault signal is nonlinear and non-stationary, therefore proposed a fault feature extraction method based on wavelet packet decomposition （WPD） and local mean decomposition （LMD） permutation entropy, which is based on the support vector machine （SVM） as the feature vector pattern recognition device Firstly, the wavelet packet analysis method is used to denoise the original vibration signal, and the frequency band division and signal reconstruction are carried out according to the characteristic frequency. Then the decomposition of the reconstructed signal is decomposed into a number of product functions （PE） by the local mean decomposition （LMD） , and the permutation entropy of the PF component which contains the main fault information is calculated to realize the feature quantization of the PF component. Finally, the entropy feature vector input multi-classification SVM, which is used to determine the type of fault and fault degree of bearing The experimental results show that the recognition rate of rolling bearing fault diagnosis is 95%. Comparing with other methods, the present this method can effectively extract the features of bearing fault and has a higher recognition accuracy

Two Modifications of Weight Calculation of the Non-Local Means Denoising Method

The non-local means (NLM) denoising method replaces each pixel by the weighted average of pixels with the sur-rounding neighborhoods. In this paper we employ a cosine weighting function instead of the original exponential func-tion to improve the efficiency of the NLM denoising method. The cosine function outperforms in the high level noise more than low level noise. To increase the performance more in the low level noise we calculate the neighborhood si-milarity weights in a lower-dimensional subspace using singular value decomposition (SVD). Experimental compari-sons between the proposed modifications against the original NLM algorithm demonstrate its superior denoising per-formance in terms of peak signal to noise ratio (PSNR) and histogram, using various test images corrupted by additive white Gaussian noise (AWGN).

基于局部均值分解与局部离群因子动力电池故障诊断

动力电池故障诊断是保证电动汽车正常运行的关键。提出一种基于局部均值分解和局部离群因子的动力电池故障诊断方法,用于电池组故障识别与定位。通过局部均值分解对电压信号预处理,并根据相关系数高低重构电压信号。进一步提取重构信号的峭度因子作为故障特征输入到局部离群因子算法中,根据局部离群因子算法自适应阈值输出故障电池。采用实车数据验证了所提方法能有效、准确地检测出故障,具有较好的可靠性与鲁棒性。

基于MLMD的电能质量扰动检测方法

针对局部均值分解(Local Mean Decomposition,LMD)算法应用于电能质量扰动检测时存在“端点效应”与滑动平均收敛速度慢,严重影响测量精度的问题,提出一种改进局部均值分解方法(Modified LMD,MLMD)。通过分段三次Hermite插值取代滑动平均法,有效改善LMD收敛慢、受平滑长度影响的弊端。为避免延拓长度不够而导致的“延拓失败”情形,在镜像延拓法的基础上结合“奇延拓”方法提出改进镜像延拓法。针对“直接法”求频率存在“毛刺现象”的弊端,文中改用希尔伯特变换(Hilbert Transform,HT)求取瞬时频率。最后,将MLMD分别应用于单一扰动信号与复合谐波信号的检测,相较传统的经验模态分解方法(Empirical Mode Decomposition,EMD),MLMD方法可有效抑制“端点效应”,同时能更准确的定位扰动信号的起止时刻,并且对高次谐波信号有更好的提取能力。

基于改进二进制粒子群算法优化DBN的轴承故障诊断

针对滚动轴承故障振动信号非平稳性的特点,对二进制粒子群优化算法(binary particles swarm optimization,BPSO)和深度信念网络(deep belief network,DBN)进行研究,提出一种基于局部均值分解(local mean decomposition,LMD)和IBPSO-DBN的轴承故障诊断方法。提出用加权惯性权重改进BPSO迭代过程中的固定权重,再用改进BPSO优化DBN的隐含层神经元个数和学习率。该方法先对信号进行LMD,提取出各PF分量的散布熵和时域指标,并构建特征矩阵,然后把特征矩阵输入改进BPSO-DBN模型中训练,实现滚动轴承故障诊断和分类。采用试验轴承数据做验证并与其他诊断方法对比,结果表明,基于LMD和BPSO-DBN的滚动轴承故障诊断方法具有较好的故障识别率。

基于局部优化奇异值分解和K-means聚类的协同过滤算法

为了克服传统协同过滤(CF)推荐方法数据稀疏和可扩展性差的不足,该文提出1种基于局部优化降维和聚类的协同过滤算法。采用局部优化的奇异值分解(SVD)降维技术和K-均值(K-means)聚类技术对用户-项目评分矩阵中的相似用户进行聚类并降低维度。利用近似差分矩阵表示评分矩阵的局部结构,实现局部优化。局部优化的SVD降维技术可以利用更少的迭代次数缓解CF中数据稀疏和算法可扩展性差的问题。K-means聚类技术可以缩小邻居集查找范围,提高推荐速度。将该文算法与基于Pearson相关系数的协同过滤算法、基于SVD的协同过滤算法、基于K-means聚类的协同过滤算法相比较。在MovieLens数据集上的实验结果表明,该算法的平均绝对误差(MAE)较其他算法降低了大约12%,准确性(Precision)提高了7%。

全矢融合的二元PELCD样本熵列车故障诊断

长期高速运行的服役状态会造成高速列车转向架关键部件性能蜕化甚至发生故障等情况,所导致的安全事件将造成严重的经济损失甚至人员伤亡。考虑到高速列车振动信号的特性,将部分集成的局部特征尺度分解方法拓展至二元信号处理领域,同时结合全矢谱理论对同阶分量信号进行信息融合,得到更加完备的数据特征,并对融合后的数据进行样本熵特征提取,得到列车的故障特征;采用灰狼优化算法对支持向量机进行参数寻优,通过实验对比单一故障工况、复合故障工况以及部件性能退化下的故障识别率,验证所提方法的有效性、优越性。

基于CEEMDAN-VMD-PSO-LSTM模型的桥梁挠度预测

针对桥梁运行阶段的健康状态监测,构建了CEEMDAN-VMD-PSO-LSTM模型对桥梁挠度进行预测。该模型主要分为二次模态分解平稳化、粒子群优化(PSO)算法和长短期记忆(LSTM)网络预测三大模块,共有5个步骤:①利用自适应噪声完备集合经验模态分解(CEEMDAN)算法对桥梁原始挠度序列进行初次模态分解,分解为若干本征模态分解函数(IMF);②使用样本熵(SampEn/SE)计算各IMF分量的复杂度,并通过K-means聚类为高频、中频和低频3个IMF分量;③通过变分模态分解(VMD)算法对高频IMF分量进行二次模态分解;④分别对各个IMF分量通过PSO算法得出LSTM最优超参数组合;⑤将各最优超参数分别代入LSTM模型进行训练,并将各预测结果融合为最终的预测结果。结果表明:该预测方法具有最高的预测精度,为智慧桥梁的安全监测监控提供了新的技术方法。

基于正余弦分解的两分段自适应非局部均值滤波方法

为解决包裹相位图中存留的散斑噪声问题,文中提出了一种基于正余弦分解的两分段自适应非局部均值滤波方法。该方法通过两次改进衰减参数的大小和相似性度量的方式实现了算法的自适应化。利用该方法对包裹相位图的正余弦分量去噪,去噪后利用反正切运算获取干净的包裹相位,对该相位进行解包裹运算。实验和仿真结果表明,所提方法既有效去除了包裹相位图中的噪声,也保留了相位图中的边缘信息。相比于分别使用SCA(Sine Cosine Algorithm)方法和BM3D(Block-Matching and 3D filtering)方法,通过所提方法去噪后的图像等效视数(Equivalent Number of Looks,ENL)最大,散斑抑制指数(Speckle Suppression Index,SSI)最小,且均方误差提升了约两倍,说明所提方法有效去除了包裹相位中的噪声,提高了相位解包裹的精度。

基于SSA-LMD-GM的大坝变形组合预测模型

为提高大坝变形预测精度,针对大坝原始监测信号中的噪声,以及其非平稳性、非线性等特点,引入奇异谱分析(SSA)和局部均值分解(LMD)方法,提出SSA-LMD-GM模型。采用奇异谱分析(SSA)对原始监测信号进行去噪处理,为充分提取大坝形变信息特征,利用局部均值分解(LMD)对去噪后的监测信号进行分解。针对乘积函数(PF)分量的特征采用合适的模型预测分析,剩下余项则采用GM(1,1)模型。利用实际工程案例进行检验,结果表明,相较于其他模型,SSA-LMD-GM模型预测精度和拟合精度更加优秀,能较好地预测大坝变形趋势,具有一定的应用价值。

基于时频域特征和朴素贝叶斯的滚动轴承故障诊断方法研究

【目的】为了解决滚动轴承故障特征提取困难、诊断性能偏低的问题,提出了一种基于时频域特征和朴素贝叶斯的故障诊断方法。【方法】首先,通过局部均值分解方法对原始振动信号进行处理,获得多个乘积函数分量。其次,基于原始振动信号和各个乘积函数分量,提取时频域特征,并采用主成分分析实现特征降维,获得低维敏感特征。最后,依据低维敏感特征集,结合朴素贝叶斯模型,实现对江南大学—机械工程学院滚动轴承数据集的分析。【结果】实验结果表明,该方法相较于传统朴素贝叶斯准确率高39.49%,相较于主成分分析准确率高5.94%,由此得出该方法对滚动轴承故障的诊断表现较好。【结论】对于传统的单一的故障诊断模型,基于时频域特征和朴素贝叶斯的故障诊断模型具有更高的准确率,解决了滚动轴承故障特征提取困难、诊断性能偏低的问题。

基于EOE_LMD和阶次跟踪分析的变转速轴承故障诊断

振动信号分析是轴承故障诊断中的重要技术手段之一。变转速工况下的滚动轴承振动信号是典型的非平稳信号,并且在转频变化较小的工况中还存在噪声干扰的问题,使传统的时频分析技术难以应用。为解决该问题,提出了一种基于经验最优包络(empirical optimal envelope,EOE)的局部均值分解(local mean decomposition,LMD)和采用分段线性插值的计算阶次跟踪(computing order tracking,COT)算法相结合的故障诊断方法。首先,确定低通滤波器的截止频率和滤波阶数,对滚动轴承振动信号进行滤波,并对滤波后的包络信号进行COT,以获得角域平稳信号。然后,利用EOE_LMD对重采样后的平稳信号进行处理,得到若干乘积函数(product function,PF)分量。最后,通过计算各分量的信息熵和相关系数,选取合适的分量进行阶次分析,以判断变转速滚动轴承的故障类型。结果表明,该方法可以消除转速波动对故障特征提取的影响,在不同转速变化条件下对滚动轴承具有良好的故障诊断能力。

基于LMD与AO-PNN的中介轴承故障诊断方法

针对航空发动机中介轴承受噪声干扰大、传递路径复杂导致采用传统方法难以进行故障诊断的问题,提出了一种基于局部均值分解(LMD)与相关系数-能量比-峭度准则、结合天鹰座优化算法(AO)优化概率神经网络(PNN)的中介轴承故障诊断方法。使用LMD对传感器采集的振动信号进行分解;利用相关系数-能量比-峭度准则判决筛选分解得到的PF分量,重构筛选后的信号;计算重构信号的多尺度排列熵(MPE),以构建特征向量;通过AO优化的PNN的平滑因子,将优化后的神经网络用于中介轴承的故障诊断。基于中介轴承故障试验数据对诊断结果进行了分析,结果表明:提出的方法可以有效诊断高背景噪声、复杂路径干扰下的航空发动机中介轴承的典型故障,与粒子群优化的概率神经网络方法(PSO-PNN)和传统的PNN方法相比,其诊断准确率分别提高了3.875%和8.125%,具有较好的全局收敛性和计算鲁棒性。

基于集合经验模态分解和排列熵的核电厂信号降噪研究

本文提出了一种基于集合经验模态分解和排列熵的电站信号降噪方法。该方法流程如下,首先,采用集合经验模态分解对电站典型实测信号进行了分解,获得对应的本征模态分量。其次,采用排列熵对本征模态分量进行混沌度的定量评价,从而实现实测信号中的有用信号和噪声信号的区分。对于后者,采用改进的小波软阈值降噪法进行降噪。最后,根据排列熵筛分后的有用信号和改进的小波软阈值降噪后的噪声信号进行重构,得到降噪后的信号。另外,本文也采用了主流的经验模态分解和局部均值分解对该信号进行了处理,并将分析结果进行对比。对比结果表明,基于本文所提方法得到的降噪后信号排列熵较小,表明降噪效果要优于以上两种方法。

基于LMD-SECNN的风机变桨系统故障检测

风机变桨系统控制较为复杂,且易发生机械故障。针对振动信号比较复杂,直接利用神经网络进行学习会影响特征的提取,提出了一种以将局部均值方法及注意力机制相结合的故障诊断模型,即LMD-SECNN模型。首先利用局部均值分解法对数据进行预处理,减少噪声干扰,并最大限度保存原始信号里的故障特征;其次经过LMD处理后产生多个PF分量;最后以神经网络模型Inception v1架构为基础进行改进,增加通道注意力SEnet模块。实验结果表明:LMD-SECNN模型的准确率达到99.42%,远高于对比模型的准确率,验证了所提方法的有效性和优越性。

基于局部均值分解和归一化最小均方的宽频振荡检测方法

为精确采集和分析电力系统宽频振荡信号,提出基于改进局部均值分解与归一化最小均方算法相结合的宽频振荡检测新方法。首先利用归一化最小均方算法对宽频振荡信号进行降噪处理,进而采用改进局部均值分解算法提取该降噪信号的乘积函数;然后对上述乘积函数分量进行希尔伯特变换,求解信号瞬时频率的高频突变点,实现对振荡起止时刻的准确定位。仿真实验表明,本文所提方法能准确求解宽频振荡信号,且在强噪声下仍具有很高的精度。

基于改进的LMD混合储能容量优化配置

为解决混合储能系统的光伏输出功率波动性较大的问题,提出一种改进的局部均值分解(improved local mean decomposition, ILMD)的功率分配方案。对光伏发电出力进行平滑处理,可得到满足国家要求的光伏并网功率,利用ILMD对混合储能功率进行分解,确定其高频功率和低频功率并分别分配给超级电容和蓄电池,建立具有目标函数的功率优化模型,最大限度地降低整个系统全生命周期的投资成本,使用改进鲸鱼优化算法求解获得符合优化模型要求的容量配置。通过算例分析,对比不同的储能容量配置策略,验证所提策略的可行性。

GNSS变形监测数据降噪方法研究

为了提高GNSS变形监测数据降噪的效果,尽可能提取数据中的有用信息,本文结合局部均值分解方法与经验模态分解方法,提出一种新的LMD-EMD降噪方法。该组合降噪方法实现GNSS监测数据降噪的技术流程为:首先,使用LMD方法对原始GNSS监测数据进行分解,得到不同频段的乘积函数分量以及残余项,计算各分量Hust指数确定高频分量、低频分量分界点;其次,使用EMD方法对高频分量进一步分解,得到不同频段本征模态函数与残余项,通过计算各IMF分量的多尺度排列熵均值确定高频分量、低频分量分界点;最后,重构两次分解所得低频分量得到最终降噪信号。使用仿真模拟信号与实测GNSS监测数据对本文提出方法的有效性进行验证,结果表明相比于单一的LMD方法与EMD方法,本文提出组合降噪方法降噪结果的精度更高,能够精确地表达原始信号的变形趋势。