改进的自适应噪声总体集合经验模态分解在光谱信号去噪中的应用

针对近红外无创血糖检测过程中噪声对血糖浓度模型精度和稳定性的影响,提出用自适应噪声总体集合经验模态分解方法实现近红外光谱信号的去噪;同时,根据原始信号曲率和分解后本征模态函数(IMFs)曲率间的离散弗雷歇距离选择相关模态。首先,将自适应噪声的总体集合经验模态分解方法引入近红外光谱去噪过程,介绍了经验模态分解、集合经验模态分解、互补集合经验模态分解及自适应噪声总体集合经验模态分解的基本原理及具体实现过程。然后,应用基于曲率和离散弗雷歇距离的自适应噪声总体集合经验模态分解改进算法对仿真信号和光谱信号进行去噪,并将其标准差和信噪比作为评价指标。实验结果表明:应用提出的方法得到的血糖浓度近红外光谱数据其标准差为0.179 4,信噪比为19.117 5dB,实现了信号与噪声的分离,改善了重构信号质量,具有良好的自适应性,可以有效识别并提取有用信息。     

基于经验与变分混合分解的超声回波信号噪声消除方法

超声缺陷检测结果易受超声回波信号中复杂噪声的干扰,为了提高超声缺陷检测的准确度,提出一种基于混合分解的 超声回波信号噪声消除方法。 采用经验模态分解算法结合相关系数指标对超声回波信号进行预处理,得到消除低频噪声分量 的超声回波预处理信号。 基于变分模态分解将该预处理信号分解为一系列窄带本征模态函数,引入互信息指标估计变分模态 分解的最优模态数量,并根据窄带本征模态函数与预处理信号的相关系数提取有用的模态分量,实现对超声回波信号去噪结果 的重构。 通过仿真和实测超声回波信号验证了本文方法的去噪性能,并与现有方法进行了对比。 结果表明,本文方法可同时消 除超声回波信号中的高频和低频噪声,在不同信噪比条件下 EMD、VMD 和本文方法去噪结果的 SNR 均值分别为 10. 01、9. 48 和 16. 09 dB,验证了本文方法对于超声回波信号噪声消除的优越性。     

基于改进多元经验模态分解的多通道振动信号融合分析

振动信号是机械故障诊断的主要信号之一,单一信号获取信息量有限,抗干扰能力较差,多通道数据比单通道数据获得了更完善的机械健康状态。本文提出了一种自适应噪声辅助多元经验模态分解方法实现多通道振动信号的同步分析。在多通道信号的基础上添加两个噪声辅助通道,以原始信号多通道加权正交指数最小为目标,通过自适应权重粒子群算法搜索最优K(投影向量个数),α_1,α_2(两个辅助噪声通道的噪声强度)最优参数组合,实现多通道自适应同步分析。改进的方法提高了分解精度,有效抑制模态混叠。仿真实验和工程案例验证了该方法的有效性,与经验模态分解和多元经验模态分解相比,自适应噪声辅助多元经验模态分解方法提高了分解精度,能准确地提取旋转机械故障频率。     

壳段厚度激光检测信号的变分模态分解去噪

针对双激光位移传感器测量大型壳段厚度过程中噪声对检测精度的影响,提出利用变分模态分解来实现对厚度信号的自适应去噪,利用相邻固有模态函数之间的离散Hellinger距离来获取最佳的模态数。该方法将变分模态分解算法引入到激光信号的自适应滤波过程中,分析并改进了变分模态分解算法的过分解、欠分解以及能量泄露的问题。然后,对改进的变分模态分解与希伯特振动分解和自适应噪声总体集合经验模态分解进行性能对比,提出了固有模态函数的相对瞬时能量概率的概念。最后,结合离散Hellinger概率分布距离理论判断固有模态之间的信噪分界点,实现了对信号的重构及滤波处理。仿真和实验结果表明,该方法对壳段厚度信号处理的信噪比为39.27dB,比自适应噪声总体集合经验模态分解方法提高了10dB,具有良好的自适应性,无需先验条件便能快速有效地识别并分离激光信号中的噪声成分。     

基于CCWEEMDAN和包络谱熵的轴承故障诊断研究

完全互补小波噪声辅助集总经验模态分解(CCWEEMDAN)是经验模态分解(EMD)的改进算法,是一种噪声辅助的自适应非线性非平稳数据处理方法。噪声辅助能克服EMD方法处理间歇信号出现的"模态混叠"问题。而相比较互补集总经验模态分解(CEEMD),完全互补小波噪声辅助集总经验模态分解能实现更优的性能。在轴承故障诊断的应用中,这里的方法利用小波分解高频段噪声细节成分,添加到原始轴承故障信号中,提取出本征模态信号。利用包络谱熵判断轴承故障导致的冲击响应特征所在本征模态信号,通过对轴承外圈、内圈局部故障状态下的特征提取进行故障诊断,结果表明该方法能有效提取故障冲击响应特征。     

基于经验模态分解和Teager峭度的语音端点检测

采用经验模态分解和Teager峭度的统计特性对噪声环境下的语音信号端点进行检测。利用经验模态分解获得语音信号的本征模态函数,用Teager能量算子计算每个本征模态函数的瞬时能量,并对本征模态函数进行系数—峭度计算,提取信号期望的统计特征信息实现语音端点的检测。通过自适应EMD分解和Teager能量算子的处理,这种方法可以有效地消除白噪声或有色高斯噪声的影响。通过仿真例子说明这种方法可以取得良好的端点检测效果,仿真研究结果表明用经验模态分解和Teager峭度对噪声环境下的语音端点检测是可行的和有效的,提高了检测的可靠性。     

IVMD融合RobustICA的内燃机噪声源分离

为了准确分离识别内燃机的主要噪声源,提出了一种改进变分模态分解融合鲁棒独立分量分析的方法。首先,针对变分模态分解方法的分解数选择问题进行了算法优化,提出了基于重构信号能量比和中心频率的改进变分模态分解方法,并利用仿真信号进行了验证;其次,进行了内燃机噪声试验,利用改进变分模态分解将单通道信号分解成多个信号分量,根据信号分量与源信号的互信息主要分量识别,克服了主要噪声分量选择客观依据不足的问题;最后,通过鲁棒独立分量分析提取主要噪声分量的独立成分,并结合相干分析和时频分析进行噪声源识别。结果显示,所提出的方法能够有效进行噪声源分离,可成功识别出燃烧噪声、活塞敲击噪声和空压机噪声等内燃机主要噪声源。     

基于经验模分解的陀螺信号去噪

陀螺随机漂移是影响寻北精度的重要因素,小波消噪方法对小波基和分解尺度等因素依赖性较强。提出了一种新的基于功率谱密度准则的经验模态分解(EMD)去噪方法,可有效解决传统EMD去噪自适应滤波器截止阶数难以确定的难题,该方法将经验模态分解得到的固有模态函数(IMF)分为信号分量起主导作用模态与噪声分量起主导作用模态,并对噪声分量起主导作用的模态进行类似小波软阈值去噪的方法进行滤波,然后与信号分量起主导作用的模态共同对信号重建实现去噪。将该方法应用于测试信号与陀螺信号的去噪,结果表明:新方法能有效地判断噪声与信号起主导作用的模态分界点,具有良好的去噪效果,且不受主观参数的影响,具有自适应性。     

基于变分模态分解的风机齿轮箱振动信号降噪方法研究

针对风机齿轮箱振动信号噪声对系统故障诊断产生干扰的问题,研究了对信号进行降噪处理的方法,提出了一种基于变分模态分析的方法。对数据进行了预处理,通过维纳滤波去除了采集信号中的噪声成分,利用了变分模态分解迭代寻找模型最优解,确定了各分量频率中心和带宽,实现了不同频率成分有效分离;采用了完全非递归分解模型,有效避免了经验模态分解中的模态混叠现象,并且利用局部均值分解自适应的特点,对其分解结果进行了频谱分析,将其作为变分模态分解的模态个数K选取的依据,使得K值最优;通过MATLAB平台仿真对所提方法进行了仿真验证。研究结果表明:所提方法在避免模态混叠的同时,达到了很好的降噪效果并且具有很强的鲁棒性,可以大大减弱风机组故障诊断过程中振动信号噪声的干扰。     

利用小波去噪和HHT的模态参数识别

提出了基于小波去噪和HHT的模态参数识别方法,以改善模态参数识别的精度.该方法先利用小波进行信号去噪,克服噪声对EMD分解的影响,以减少EMD分解过程的计算量和分解层数,对去噪后的信号进行EMD分解提取单模态的自由响应,然后利用自由响应的Hilberr变换识别模态固有频率和阻尼比.利用该方法对某振动台简支梁系统进行了模态参数识别,结果表明在噪声干扰下,该方法识别模态参数的精度较高,特别是阻尼比识别精度高.     

时间序列模型中的随机共振现象

在滑动自回归(auto regressive and moving average,简称ARMA)时间序列模型的基础上,利用模态稳定性图来确定系统真实模态,描述了在求解过程中产生的随机共振现象。借助悬臂梁的有限元模型,利用精细时程积分方法计算得到了其加速度脉冲响应函数,建立了用于振动模态识别的ARMA模型。在利用模态稳定性图来确定系统真实模态的过程中发现,加入合适的噪声信号可以有效地改善识别结果,剔除虚假模态,即产生了随机共振现象。对悬臂梁进行时变化处理后,随机共振现象较之前不变系统更加显著,对最终识别结果产生了明显的优化作用。     

基于ANSYS的磁悬浮挠性转子模态分析与设计

以一台磁悬浮挠性实验转子为例,结合ANSYS软件,探讨了磁悬浮挠性转子的模态设计方法,研究了支承刚度对转子模态频率和模态振型的影响,在此基础上,分析了过临界转速的磁悬浮挠性转子支承刚度的设定原则,并给出了磁悬浮实验转子的合理支承刚度范围。研究表明：影响转子模态可观性和可控性的一个重要因素是径向磁力轴承转子和位移检测环的长度之和与转子总长度的比值;支承刚度除了影响转子的模态频率外,还影响转子的模态振型,并且当支承刚度高到一定程度后,模态的可控性和可观性严重恶化,甚至可能导致磁悬浮转子过临界转速时失稳。     

空调转子压缩机摩擦噪声的有限元分析

为探讨空调转子压缩机摩擦噪声的产生机制,提出一种利用有限元软件对空调压缩机相关摩擦副进行摩擦噪声预测的方法.利用复特征值分析法对空调转子压缩机摩擦系统的有限元模型进行模态分析,获得摩擦系统的固有频率以及相应振型的变化特性,据此推断可能导致摩擦噪声的频率.有限元模型计算结果与实测数据具有很好的一致性,验证了该预测方法的有...     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱，在强背景噪声下难以有效提取的问题，提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷，基于散布熵优化算法对SSD算法进行了改进，在得到既定的一组奇异谱分量的基础上，根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理，采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征，将所提方法运用到仿真信号和齿轮实测信号中，并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析，结果表明，所提方法的降噪和特征提取效果更佳，能够更加有效地实现齿轮故障的判别。     

基于经验模式分解的全息谱故障识别方法

由于实测信号中的一些噪声干扰会影响全息谱对信号分析的准确性,采用经验模式分解(emprical mode decomposition,简称EMD)方法进行信号滤波以提高识别的可靠性.应用EMD对信号分解,并结合互相关系数对内蕴模式分量(intrinsic mode function,简称IMF)进行滤波,在此基础上对信号进行重构,以降低噪声干扰,并对实际测试信号进行有效提纯.最后,对滤波后的转子信号进行全息谱分析,并通过分析实际转子碰摩信号来验证该方法的有效性.     

EEMD和TFPF联合降噪法在齿轮故障诊断中的应用

为了消除噪声对齿轮传动系统故障特征提取的影响,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)和时频峰值滤波(time-frequency peak filtering,简称TFPF)相结合的降噪方法。针对TFPF算法在窗长的选择方面受到限制的问题,采用了EEMD方法对其进行改进,使得信号在噪声压制和有效信号保真两方面得到权衡;含噪声的信号经过EEMD分解后,得到一系列频率成分从高到低的本征模态函数(intrinsic mode functions,简称IMFs),计算出各IMFs间的相关系数,判断需要滤波的IMFs。对不同的IMFs选择不同的窗长进行TFPF滤波,把过滤后的IMFs和剩余的IMFs重构得到最终的降噪信号。用模拟仿真信号和齿轮齿根故障信号对该方法进行验证,可见EEMD+TFPF能有效地去除噪声,成功提取齿根裂纹故障特征。     

EMD方法在转子局部碰摩故障诊断中的应用

针对转子系统局部碰摩故障振动信号的特征，将经验模态分解方法（Empirical Mode Decomposition，简称EMD）应用于转子局部碰摩故障诊断中。采用EMD方法对转子振动信号进行分解，实现碰摩、背景和噪声信号分离，从而提取转子系统局部碰摩振动信号的故障特征。试验分析结果表明，对具有局部碰摩故障的转子振动信号进行EMD分解得到的基本模式分量（IMF）具有明显的调幅特性，而其他状态下的转子振动信号经过EMD分解后得到的IMF分量没有明显的调幅特性。因此，EMD方法可以有效地应用于转子系统局部碰摩故障诊断中。     

基于模态分解的下位玻璃关门异响试验分析

针对某车型的车门在下位玻璃状态下存在的关门异响问题,以工作变形分析为基础,提出了一种基于工作变形模态分解的关门异响振动噪声源识别方法。首先,对关门声信号进行短时傅里叶变换时频分析,判定出关门声存在二次冲击现象,且噪声能量主要分布在低频辐射噪声部分;其次,采用工作变形试验识别出车门工作变形主要频率及振型,通过车门半约束模态试验获取车门模态频率及振型;最后,依据车门模态特性对工作变形进行模态分解,判定出异响振动噪声源。利用此方法对某车门进行试验分析,成功识别出该车型关门过程中的异响振动噪声源。试验结果显示,改进后关门二次冲击现象消失,关门异响得到有效改善,验证了该异响识别方法的有效性。     

基于非线性短时傅里叶变换阶次跟踪的变速行星齿轮箱故障诊断

针对变速行星齿轮箱信号频率模糊且受噪声影响的问题,提出了基于非线性短时傅里叶变换（NLSTFT）无键相阶次跟踪与变分模态分解的故障诊断方法。用NLSTFT算法估计信号瞬时频率,对其积分获得瞬时相位曲线,通过重采样得到角域信号;利用NCOGS算法对角域信号降噪,采用VMD算法进行角域信号模态分解,通过各模态分量信号包络谱解调实现故障诊断。实验结果表明,新方法计算效率高、鲁棒性好,提高了变转速行星齿轮箱故障诊断性能。     

环境激励下的旋转机械工作模态参数辨识

伴随着高速透平机械向大跨度、柔性结构方向发展,转子-轴承系统的稳定性将面临着严峻考验。在出厂测试阶段,确保机组转子系统具有足够稳定性裕度是降低生产现场机组发生失稳故障风险的重要手段。采用适用于随机平稳环境激励下的随机子空间法,对机组的模态参数进行辨识,可规避在转子非驱动端增设电磁激振器的传统测试方法。通过分析转子振型进动方向,区分一阶正反进动的模态参数。结合3-σ统计聚类算法,剔除非稳定的噪声或物理极点,形成了区分转子系统的正反进动的稳态图。数值仿真表明,随机子空间法可以有效地辨识系统的模态参数,利用旋转机械的振型进动方向分析方法可以区分正反进动。此外,通过传统扫频激励模态参数辨识试验,验证了随机子空间方法的辨识精度和工程测试可行性。研究结果可为透平机组的稳定性测试提供技术和理论支撑。