EMD-ICA联合的信号处理方法研究

经验模态分解(EMD)方法和独立分量分析(ICA)方法在信号处理中各有优势与缺陷,详细介绍了这两种方法,深入分析了EMD-ICA联合技术在信号降噪和信号提取中的实现过程,并对该方法在电力工程、机械工程及地震工程中的研究应用作了详细介绍。

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ICEEMDAN和IMWPE-LDA-BOA-SVM的齿轮箱损伤识别模型

针对齿轮箱振动信号中的背景噪声过大影响故障特征质量,进而降低故障识别准确率的问题,提出了一种基于改进自适应噪声完备集成经验模态分解(ICEEMDAN)、改进多尺度加权排列熵(IMWPE)、利用线性判别分析(LDA)、蝴蝶优化算法(BOA)优化支持向量机(SVM)的齿轮箱故障诊断方法(ICEEMDAN-IMWPE-LDA-BOA-SVM)。首先,采用ICEEMDAN对齿轮箱振动信号进行了分解,生成了一系列从低频到高频分布的本征模态函数分量;接着,基于相关系数筛选出包含主要故障信息的本征模态函数分量,进行了信号重构,降低了信号的噪声;随后,提出了改进多尺度加权排列熵的非线性动力学指标,并利用其提取了重构信号的故障特征,以构建反映齿轮箱故障特性的故障特征;然后,利用线性判别分析(LDA)对原始故障特征进行了压缩,以构建低维的故障特征向量;最后,采用蝴蝶优化算法(BOA)对支持向量机(SVM)的惩罚系数和核函数参数进行了优化,以构建参数最优的故障分类器,对齿轮箱的故障进行了识别;基于齿轮箱复合故障数据集对ICEEMDAN-IMWPE-BOA-SVM方法进行了实验和对比分析。研究结果表明:该方法能够较为准确地识别齿轮箱的不同故障类型,准确率达到了99.33%,诊断时间只需5.31 s,在多个方面都优于其他对比方法,在齿轮箱的故障诊断中更具有应用潜力。

基于ICEEMDAN的滚动轴承声信号故障诊断方法

针对基于单通道声信号的机械故障诊断信号干扰成分大,故障特征难以提取的问题,提出了一种结合改进自适应噪声完备经验模态分解(ICEEMDAN)和快速独立分量分析(FastICA)的方法。依据峭度与信号相关性准则设定本征内模分量(IMF)选取系数,对ICEEMDAN自适应分解的IMF进行有效筛选,实现信号降噪和粗提取,并以所选IMF作为虚拟通道,应用FastICA成功实现信噪的盲源分离。通过内外圈故障轴承实验数据对算法实行对比验证,结果表明,所提算法大幅降低了噪声及干扰,有效提取了故障特征。

基于ICA和EMD的生理信号提取

提出一种新的获取人体生理参数的方法,用摄像头采集人脸的彩色视频,对人脸区域进行颜色通道分离和独立成分分析(ICA),获取有用信号。使用经验模态分解(EMD)的方法,把信号分解成可以反映出生命信息的固有模态函数(IMF),再根据所设计的提取准则,分别提取出较为准确的心跳和呼吸信号。用Bland-Altman法进行对比实验分析,结果表明,此方法具有一定的准确性和实用性。

下颌表面肌电提取和评价呼吸相关时相型成分

利用表面电极采集的下颌表面肌电信号比较微弱,又受周围其他生理电信号和外界电磁干扰的影响,信噪比很低,传统的信号处理方法已不能很好地解决。本文在现有电极数量、排布方式和肌电信号采集设备基础上,采用独立分量分析与经验模式分解相结合,对下颌表面肌电信号进行处理;并结合呼吸气流信号,提出针对下颌表面肌电信号处理的评价方法。我们同步采集了正常成年人和阻塞性睡眠呼吸暂停/低通气综合征患者在不同睡眠期的下颌表面肌电和呼吸气流信号。处理结果表明,下颌表面肌电信号的信噪比从处理前的-0.85±6.11 dB提高到4.55±6.67 dB;同时,呼吸与下颌表面肌电信号的均方根值之间的互相关也从0.39±0.13增加到0.52±0.19。说明,该方法能大幅提高信号质量,并提取出下颌表面肌电信号随呼吸变化的实相性成分。

疲劳裂纹扩展声发射信号去噪盲分离

采用声发射技术评估疲劳裂纹扩展状态时,评估结论会受到其它类型声发射信号和噪声的干扰。针对上述问题,在分析经验模态分解和独立分量分析特点的基础上,提出集合导数优化经验模态分解与独立分量分析相结合的声发射信号去噪盲分离方法,用于疲劳裂纹扩展声发射信号的处理。分别进行模拟声发射信号和疲劳裂纹扩展试验,采用上述方法对采集声发射信号进行去噪盲分离,结果表明:基于集合导数优化经验模态分解与独立分量分析的声发射信号去噪方法可有效去除噪声信号的干扰,准确分离出疲劳裂纹扩展声发射信号,为进行含裂纹结构的疲劳损伤状态评估和剩余寿命预测奠定基础。

基于FastICA-EEMD的振动信号特征提取

针对水轮发电机组的振动信号之间相互影响且容易受到噪声干扰的问题,提出了一种基于快速独立分量分析(FastICA)和集合经验模态分解(EEMD)的故障特征提取方法。首先,利用快速独立分量分析将原始信号分离成若干个独立分量;然后对每个分量均进行集合经验模态分解,根据归一化能量与归一化相关系数两个参数来选取有效的本征模态分量(IMF);最后将其进行重构以获得对应的故障特征。通过仿真与实例分析,并与其他方法进行对比,结果表明该方法可以有效抑制噪声干扰,更为全面、准确地提取到水轮发电机组的振动特征信号,满足实际工程需求。

基于EEMD与ICA的油井声波信号去噪方法研究

针对声波法测油井动液面过程中,声波信号受油套环空中噪声的影响,出现反射声波信号不易辨识的问题。本文提出将总体经验模态分解和独立分量分析相结合的去噪方法,进而分离出反射声波信号和噪声信号。实验表明,该方法在复杂噪声干扰下,有效地分离出反射声波信号,提高目标信号的信噪比,证明该方法在油井声波信号处理中的有效性。