基于零空间追踪和SWT的柴油机信号降噪研究

为减少柴油机振动信号的噪声干扰,提取有用的信息,提出了一种基于零空间追踪算法和同步压缩小波变换相结合的组合降噪方法,利用压缩小波对主频信号精细重构的优点与零空间追踪算法的自适应分解的特点对信号进行降噪处理。该方法相比 EMD 更加适应柴油机振动信号特点,仿真和实例信号表明,该方法取得了较好的降噪效果。     

基于三次厄密插值的边坡变形监测小波降噪处理

边坡工程监测数据往往包含各种误差(噪声),表现出明显的非真实波动和突变,边坡的实际变形特征被噪声淹没而无法识别.小波分析能利用边坡真实变形信号与噪声的时频特性不同,借助小波变换的多分辨率分析,有效地对不同频率成分进行分离,并通过作用阈值,最终达到降噪的目的并提取出边坡真实的变形特征.工程中获得的监测数据有时是非等间隔的,不能直接进行小波降噪,可以利用三次厄密插值使其转变为等间隔数据序列,分析结果表明这种处理方法是可行的.     

小波理论在路面平整度降噪分析中的应用

在路面平整度数据采集中,通常夹杂着一些噪声信号.文中采用4阶Symlest小波滤波器,对采样信号进行多尺度一维小波分解,通过软阈值法进行消噪,再对信号中的低频部分进行单支重构.分析表明,经过5层分解和分层阈值法处理后的信号不仅能最大限度地保留原始信号的趋势部分,而且能有效降噪.     

基于优化VMD的悬索桥挠度温度效应分离方法

为了研究悬索桥实测挠度的温度效应分离,进一步分析悬索桥实测挠度与温度之间的关联性,采用了变分模态分解(variational mode decomposition, VMD)方法对挠度信号进行处理。通过经验模态分解(empirical mode decomposition, EMD)和VMD对仿真信号的对比分析,发现VMD较EMD对噪声有更好的鲁棒性,解决了EMD所存在的模态混叠现象,但仍存在端点效应。提出采用3段交叉信号分解消除VMD分解所存在的端点效应,考虑模态个数、惩罚因子对VMD分解的影响,形成了基于优化VMD的温度效应分离方法。利用优化VMD方法将输入挠度信号分解成一系列具有不同尺度的本征模函数(intrinsic mode function, IMF)。根据各个分解模态的中心频率,结合实际温度变化的周期性判定对应的挠度组分,对由温度引起的挠度分量进行组合,研究了悬索桥不同截面挠度与温度的关联性,相关系数均达到0.9以上。结果表明,该方法能有效地分离信号中不同的频率组分,同时还能提取出挠度信号中的趋势项,通过分析各个模态与实测温度的关联性,证明温度效应主要集中在低频段,悬索桥挠度变化主要受温度影响;在模态个数的选择过程中,发现随着模态个数的增大,低频信息的中心频率逐渐趋于稳定,高频信息被分解得更加精细。验证了该方法可用于桥梁长期健康监测的数据分析及桥梁损伤识别。     

基于自适应奇异值标准谱和EMD的柴油机故障诊断

针对柴油机多发故障,提出了自适应奇异值标准谱和经验模态分解(Empirical Mode Decomposition,EMD)相结合的故障诊断模型。通过计算平均最近邻域发散度和奇异值标准谱的方法自适应地选择奇异值分解的嵌入维数和重构阶数,提高了奇异值分解降噪的精度。对降噪后的信号进行EMD分解,并利用调整余弦相似度标准提取反映信号真实特征的主固有模态函数(Intrinsic Mode Function,IMF),进而提取故障特征参数。将此模型应用于F3L912柴油机进气门漏气、单缸失火和多缸失火等故障的诊断,通过提取峭度和过零率作为故障特征,获得了较高的故障分类准确率。     

基于改进局域波法的柴油机振动信号分析

提出了一种基于奇异值分解降噪的柴油机振动信号局域波分解方法,首先对原始振动信号进行相空间重构和奇异值分解,然后根据分解的奇异值降噪,接着利用经验模式分解法提取降噪后振动信号的基本模式分量,最后作出时频曲线和边界谱曲线。对滤波前和滤波后的柴油机振动信号进行了局域波分析,分析结果表明,奇异值分解能够有效地提高信噪比,突出原始振动信号的特征,使得降噪后的振动信号分解出的基本模式分量和时频曲线以及边界谱曲线具有更明确的物理意义,有利于对柴油机进行精确诊断。     

基于局域均值分解的变速箱噪声检测研究

变速箱产生的噪声主要是与转动频率相关的高频噪声,局域均值分解方法可以自适应地将信号分解成若干个调幅调频信号,即PF分量,这些调幅调频信号可以任意组合,突显某种信号特征进而起到滤波作用,从而实现信号的特征提取。文章针对于某变速箱2挡3000转运行时存在的异响主观判断认为其异响原因可能是变速箱内齿轮啮合存在故障,通过局域均值分解方法对变速箱噪声信号进行特征提取,并通过边际谱分析异响原因,确定噪声源。通过更换变速箱内故障齿轮后噪声消除,验证了该文所提出的研究方法是有效的。     

光纤陀螺用于桥梁线形检测精度提高方法研究

基于光纤陀螺(FOG)的线形检测系统在实际测量过程中会因桥面不平整产生瞬间冲击与振动给光纤陀螺叠加一个随机噪声信号,带来线形测量误差。文中采用小波分析、经验模态分解(EMD)和独立成分分析(ICA)混合信号处理方法对外界振动引起的噪声信号进行提取、滤波,以及线形数据重构,有效提高了系统检测精度。将该方法应用于新建大桥荷载试验数据处理,其测量精度达到1 cm,满足工程测量要求。     

基于改进EEMD算法的桥梁结构模态参数识别

对于桥梁结构而言,可以通过监测其模态参数值的变化情况来评判其健康状况。在对桥梁结构进行模态参数识别时,由于传感器采集的响应信号是在环境激励下监测的,所以信号中会含有部分的噪声,不仅会影响识别结果的精度,还会导致虚假模态的存在,所以实际运用中需要先对响应信号进行一定的预处理。现阶段被广泛运用的预处理方法是总体经验模态分解(EEMD)算法,虽然该算法是在EMD算法基础上改进得到的,但依然存在一定的缺陷。为了弥补这些缺陷,提出了一种新的分解算法,即互补自适应噪声的集合经验模态分解算法(EEMDCAN)。首先确定添加白噪声的幅值标准差和集成平均次数,接着引入了统计学中的聚类分析、相关性分析以及模糊综合评价算法来实现信号的自适应分解与降噪。最后利用所提算法对仿真信号进行分解与重构,并将所得结果与EEMD分解结果进行对比分析,以验证所提算法的可行性;同时为进一步验证所提算法能运用于实际桥梁结构中,以某大型斜拉桥为研究对象,利用改进算法对其加速度信号预处理,结果表明改进算法能够克服EEMD算法存在的模态混叠现象,能更好地对信号进行降噪与重构,且能保留响应信号中更多的有用信息,具有一定的实际运用价值。     

基于EMD和分形高斯噪声的陀螺仪噪声滤波方法研究

为降低MEMS陀螺仪输出信号中低频噪声提高信号精度,提出一种采用基于EMD和分形高斯噪声的滤波方法。陀螺仪输出的横摆角速度信号使用滑动窗口法,对窗口数据进行聚合方差法估计Hurst参数,并通过EMD分解窗口数据获得各层IMF分量及余项,计算窗口阈值并进行阈值处理选择,逐步处理滑动窗口数据,将处理后的IMF分量和余项整合,得出滤波后的信号数据。通过仿真实验验证及实车数据验证,证明滤波方法对信号噪声精度提高的可行性。     

一种基于EMD和小波阈值的桥梁振动信号混合去噪方法

在对桥梁进行健康监测的过程中,桥梁振动信号易受外部环境干扰而产生噪声,影响桥梁真实振动数据的获取与分析.为了减少噪声带来的影响,提出一种基于经验模态分解法(EMD)与小波阈值的混合去噪方法.该方法先通过EMD分解信号获得高频固有模态函数(IMF)分量,然后选取IMF分量使用小波阈值去噪,最后重构IMF分量获得去噪后的信号.结果 表明,基于EMD和小波阈值混合去噪能有效地滤除干扰噪声信号,且去噪效果优于单一的EMD分解去噪法和小波阈值去噪法.这一结果为桥梁振动信号的去噪处理提供了有意义的参考.     

锚杆缺陷模拟试验及其超声波检测信号特征的EMD分析

为准确识别锚杆缺陷位置,了解超声波在锚杆中的传播机理和能量分布特征,对试验模型中的模拟锚杆进行超声波检测,基于EMD方法对检测信号进行能量分布特征分析。通过在沙槽中埋设钢筋来模拟锚杆,分别设置完整光圆钢筋、截断光圆钢筋、完整螺纹钢筋和截断螺纹钢筋4种。测试中超声波成像方法为A型,脉冲形状为全检波形,应用希尔伯特-黄变换的核心方法EMD分解法对原始信号进行时频局部化处理。结果表明,超声波法可以确定不同直径的锚杆长度及缺陷位置,解决了动测法只能对这些参数作定性评价的问题;EMD方法能根据超声波检测信号本身固有的特性进行自适应分解,前几阶IMF分量包含锚杆长度及缺陷位置的主要信息,可以定量表征原始信号的物理特性;超声波检测信号的能量主要集中在前3阶IMF分量内,各IMF分量的能量占该信号总能量的比例变异性较大;发射功率等外界因素的改变,对超声波信号经分解得到的各IMF分量的能量分布影响较小,但发射功率过大会造成能量分布不稳定,不利于识别缺陷位置信息;EMD方法准确高效,不需要预设固定的基函数,可以揭示超声波在被检测对象介质中的传播机理和能量分布特征,为应用超声波法进行锚杆质量缺陷的精准识别奠定了技术基础。     

典型路面激励下的工程专用自卸车车架动态响应研究

采用固有模态分析与具有自适应特征的经验模态分解EMD算法相结合的方法,对采集到的车架关键点振动信号进行重构。应用信号处理方法从重构后的信号中有效提取车架的动态特征,分析结果表明,该自卸车车架在工地路面激励下易产生低频共振,严重影响整车性能和使用寿命,需要对车架结构进行进一步优化。     

基于蚱蜢算法优化变分模态分解的滚动轴承故障诊断

针对变分模态分解(VMD)在处理实际信号无法预先掌握其分解参数(K,α)而限制其使用，以及包含故障信息的特征参数的选取问题，提出了自适应变分模态分解(AVMD)算法。该算法首先以所分解模态的平均包络信息熵和包络峭度两种指标融合作为目标函数，利用蚱蜢算法(GOA)寻优，获取VMD的分解参数(K_op,α_op),接着对原始振动信号进行VMD分解，通过能量百分比的计算，选取能量90%及以上的敏感模态，对其多域联合的特征参数构建特征向量，最后利用支持向量机(SVM)对滚动轴承的四种状态进行识别。通过滚动轴承数据集分析表明，采用AVMD方法提取的故障特征比EMD、EEMD、传统VMD以及PSO-VMD等方法提取的故障诊断特征的故障模式识别准确率更高，在测试数据集上的准确率达到99.166 7%。     

基于LMD局部投影能量特征的车型识别

针对动态噪声环境下行进中的机动车辐射出的声信号具有强非平稳性、多尺度性及低信噪比的问题,提出一种基于局部均值分解(LMD)和局部投影能量计算的车型声特征提取方法。首先,利用LMD方法对采集的声信号进行自适应分解,得到各尺度上的乘积函数(PF)分量,从强背景噪声中分离出包含车型特征频率成分的PF分量;其次,对LMD分解结果进行加权优化,重构特征PF分量,滤除虚假成分及弱相关分量,以增强特征信息;最后,将特征PF分量的能量等距离投影到能量聚集区内,基于能量尺度构造声信号的低维特征向量,并通过人工神经网络的学习对特征向量进行识别。在试验数据集上,采用LMD局部投影能量特征对目标车辆进行车型识别,并对试验数据集添加不同强度的噪声,进行LMD分解及局部投影能量计算,将计算结果与其他特征提取方法计算结果进行对比分析。结果表明:该方法对于车型信息十分敏感,识别率达到93.4%;可以有效抑制动态环境下的背景噪声干扰,获取目标敏感的窄带信号,具有很好的抗噪能力;选择在重构窄带信号的能量聚集区内进行投影计算,可以有效去除冗余特征,同时提高算法的实时性。     

基于EMD-Wavelet模型的实时交通流噪声数据清洗方法

针对实时交通流数据的噪声污染,将具有处理非平稳非线性信号优势的经验模式分解方法(EMD)和小波变换(wavelet)相结合,构建EMD-Wavelet组合清洗模型.该模型首先将实时交通流序列进行经验模式分解,然后将含有噪声的高频分量用小波变换进行软阈值去噪,最后将去噪后的高频分量、未去噪的低频分量和残量进行重构,形成清洗后数据序列.通过实验表明:该方法的去噪效果要好于单独使用小波变换和EMD法,是一种有效可靠的实时交通量噪声数据清洗方法.     

采用改进的集总平均经验模态分解法的内燃机气门拍击激励与燃烧激励分离的研究

提出了一种改进的集总平均经验模态分解(M-EEMD)方法,并阐述了其基本原理。通过仿真试验,证实了M-EEMD不仅能够很好地解决经验模态分解(EMD)中模态混叠问题,而且能够抑制集总平均经验模态分解(EEMD)的噪声残余和模态分裂等问题。作为实例,对一个4缸4冲程内燃机气缸盖罩的振动信号进行M-EEMD分解,并对分解得到的IMF分量进行时频分析。结果表明M-EEMD能够成功地将内燃机气门拍击引起的机械激励成分与燃烧激励成分分离。     

基于VMD-SWT滚动轴承故障诊断方法研究

在强噪声背景下,滚动轴承非平稳非线性的早期微弱故障信号特征提取较为困难,提出结合变分模态分解(Variational Mode Decomposition,VMD)和同步压缩小波变换(Synchrosqueezing Wavelet Transform,SWT)的分析方法,该方法首先利用最大峭度准则优化VMD参数,使用优化后的参数对故障信号进行VMD分解,再利用峭度准则选择含有有效信息最多的本征模函数(Intrinsic Mode Function,IMF),最后使用SWT对最优IMF进行处理分析,从而提取有效特征频率。对强噪声背景下滚动轴承外圈故障信号、内圈故障信号以及滚动体故障信号进行处理分析,结果表明相比Hilbert包络、SWT等方法,该方法能够从强噪声背景下提取出故障信号频率特征,以此判断滚动轴承的运转状况。同时该方法能够有效重构信号。     

基于EEMD和能量算子解调的发动机瞬时转速计算

针对发动机瞬时转速Hilbert频率解调法端点效应误差大、计算精度低的问题,提出了基于总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和能量算子解调的瞬时转速计算方法。该方法利用EEMD从原始多分量信号中提取包含瞬时转频的单分量信号,再利用能量算子解调法从所提单分量信号中解调出瞬时转频,进而求得瞬时转速,消除了Hilbert变换的端点效应,提高了计算精度。通过试验信号仿真和实测信号的应用研究,证明了本方法的有效性和准确性。     

基于改进小波分解的机载位置数据降噪处理

机载经度、纬度、高度数据的精度,对保证飞机定位的精确性和飞行安全性有着重要意义.结合小波分解和经验模态分解(EMD)2种方法的优点,在小波分解的基础上,提出1种基于 EMD 的小波分解降噪方法.利用 EMD 对机载位置数据进行分解,并对高频分量用小波分解方法进行降噪处理,降噪后高频分量再结合低频分量进行重构得到降噪后的数据.以西安到长春某航班巡航阶段的机载高度数据序列为例,进行了仿真验证.结果表明,改进小波分解降噪方法与传统的小波分解降噪方法相比,信噪比提高了0.649,均方根误差减小了0.6969,消噪效果更加明显.改进的小波分解方法在处理机载位置数据方面有着较明显的优点,可获得更精确的飞机三维数据.