基于AO算法优化VMD参数联合小波阈值的桥梁信号去噪方法

当桥梁进行状态评估和健康监测时，所获得的桥梁信号易受外部环境的干扰，难以反映桥梁结构的真实响应。针对桥梁信号夹杂环境噪声等问题，提出了基于联合天鹰算法(Aquila Optimizer, AO)、变分模态分解(Variational Mode Decomposition, VMD)和小波阈值的去噪方法。该方法首先利用AO算法优化VMD的参数，然后用VMD对含噪声的信号进行自适应分解，再去除方差贡献率较小的模态，最后对剩余的模态进行小波阈值去噪处理，重构信号得到去噪后的真实信号。对模拟信号和桥梁动应变的实测信号分别进行分析，结果表明：基于AO算法优化VMD参数联合小波阈值的去噪方法能有效滤除噪声信号，且去噪效果优于单一的小波阈值去噪、EMD联合小波阈值去噪以及EEMD联合小波阈值去噪等常用的去噪方法，研究成果可为桥梁信号的去噪处理提供有意义的参考。     

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.     

基于软阈值和遗传自适应阈值的车辆制动信号的联合小波去噪

利用遗传算法改进基于自适应阈值的小波去噪方法,并验证了该去噪方法的有效性。通过小波分析和经典谱估计方法计算了某款车驾驶员耳旁声信号的能量分布,发现其信号能量主要集中于低频部分,据此提出了利用软阈值和基于遗传算法自适应阈值的联合小波去噪方法。去噪前后信号对比结果表明,该方法可快速衰减信号的高频噪声,降低信号的波动。     

基于GCV准则和改进阈值函数的小波去噪方法研究

为了准确确定小波阈值,改善阈值函数的降噪效果,提出一种基于GCV准则确定阈值和改进的阈值函数相结合的小波去噪方法。首先对信号进行小波变换,定义基于小波系数的GCV函数,通过对其进行优化求解最小值来选取小波阈值,然后采用改进的阈值函数对小波系数进行处理,最后对处理后的小波系数进行重构,得到去噪后的信号。通过一已知信号和噪声的数值算例,对比了该方法与常用的确定阈值方法和软阈值函数的去噪效果,验证了该方法具有更好的去噪效果。应用该方法,对一座斜拉桥的健康监测系统采集的实测挠度数据进行分析处理,结果表明,该方法有效降低了噪声影响,降噪后的挠度与数值结果接近。     

基于小波去噪和神经网络的滑坡变形组合预测研究

基于滑坡的变形监测数据,首先探讨了小波去噪过程中各参数对去噪效果的影响规律,选取最优的小波去噪数据作为趋势项序列和误差项序列的分解依据,再利用BP神经网络和RBF神经网络对两序列进行预测,并与传统预测进行对比分析,最后对组合预测的效果进行探讨研究。结果表明:在滑坡变形数据的去噪过程中,以采用sym 4小波函数、固定式阈值、硬阈值选取阈值和7层小波分解时的去噪效果最好,并由后期预测结果可知其分项预测的效果要优于传统单项预测的效果,且线性组合预测对误差精度的提高有限,而非线性组合预测对误差精度的提高较大。通过上述研究,为滑坡的变形组合预测研究提供了一种良好的方法。     

基于小波卡尔曼滤波的高速公路交通数据融合去噪算法研究

为去除交通信息采集过程中的噪声干扰,提出了一种基于小波分析和卡尔曼滤波相融合的交通数据去噪算法。该算法通过小波系数计算小波方差并代替卡尔曼滤波的初始协方差完成迭代,将小波阈值去噪重构后的信号作为卡尔曼滤波器状态最优估计中的测量值输入,实现了交通数据的分解去噪和最优估计。实例分析结果表明:一方面小波-卡尔曼滤波融合去噪算法的去噪指标优于小波分析算法;另一方面采用去噪后的实时交通数据建立时间序列预测模型,由三项预测误差评价指标及拟合预测图对比可知,小波-卡尔曼滤波融合去噪算法较小波分析算法可更好地提高预测精度,从而综合验证该融合算法能有效去除交通数据中的噪声干扰,并提高其数据质量。     

基于博世FSA 740的发动机点火波形检测与分析

点火系统波形分析是开展汽车发动机故障检测的关键技术手段,文章基于博世FSA 740发动机故障检测仪的示波器功能,对汽车发动机电子控制点火系统的初级和次级点火波形进行了检测与分析,阐述了点火波形的检测方法,重点分析了四缸并列次级点火波形和单缸次级点火波形。实验检测结果表明,通过对发动机次级波形闭合部分、点火线、火花线等的分析,观察波形、脉冲、峰值等,可以准确判断发动机工作状态,对发动机进行不解体故障诊断,该分析方法为维修人员可提供高效实用的故障诊断思路和维修依据,提高工作效率。     

次级点火波形分析

现代汽车由于环保和经济的要求,发动机采用了高压缩比和稀薄混合汽燃烧技术,所以对点火系统的可靠性、准确性提出了更高的要求。足够能量的火花和正确的点火时间是保证发动机良好工作的重要条件之一。检测点火系统故障的有效手段,就是使用示波器分析点火波形。点火波形分析分为次级点火波形分析和初级点火波形分析,最常用的是次级点火波形分析。观察次级点火波形,使维修人员能从细微处分析车辆的运行状况,确定点火系统本身,发动机机械部分和燃油系统是否有故障,从而确定修理方向。     

发动机次级点火波形观察与分析

发动机次级点火波形可以反映发动机机械部分、燃油系统和点火系统的工作状况,每一部分出现故障,都会出现不同的故障波形。所以通过实际次级点火波形与正常的点火波形比较,再结合相关数据流分析,可以比较准确地判断发动机的     

基于数据驱动的波形护栏监测数据故障诊断方法研究

为了研究波形护栏撞击事件的监测算法,实现能够从过程数据中消除环境噪声,区分正常震动干扰数据和撞击数据,同时能准确定位故障发生的位置,采用了基于数据驱动的故障诊断方法,该方法将监测数据视为"过程数据",将撞击类数据视为一种"数据故障",将环境干扰数据视为"噪声数据",将大型货车经过时产生的正常幅度的震动数据视为"干扰数据"。采用对比试验的方式来挑选适合护栏监测的数据驱动方法,再经过对该方法中各环节的优化和组合,提出了一种基于多尺度费舍尔判别分析的数据故障诊断模型。分析了基于数据驱动方法和基于传统利用经验阈值的方法的不同,以及基于数据驱动在监测波形护栏撞击事件的优点。分析了上述噪声数据的特点,优化了前期研究中的小波阈值除噪算法。分析了上述其他3类数据的特点,选择数据驱动中PCA,PLS,FDA这3类可能适合波形护栏撞击监测的算法,并分析了各类算法的工作原理。对比试验结果表明:基于数据驱动方法的护栏碰撞监测方法比基于阈值的监测方法准确率更高,误报率更低;经过优化后的小波阈值除噪算法能明显降低环境噪声对数据质量的影响;FDA相比较PCA和PLS更适合护栏撞击的数据故障诊断;与优化的小波阈值除噪算法组合后构成的MSFDA模型相比较,FDA模型抗噪能力更强,准确度更高。