基于互信息的VMD算法在管道泄漏检测中的应用

针对在管道泄漏检测中,泄漏信号和噪声都与管道状态和环境密切相关,且变分模态分解(VMD)方法不能较好地分解高频部分的信号,存在一定的噪声干扰问题,提出了一种基于互信息的VMD自适应噪声消除算法。首先,通过VMD算法将泄漏信号分解成具有不同特征时间尺度的固有模态函数;然后根据互信息准则,通过依次计算相邻分量之间的互信息值来区分高频和低频信号;最后将经过小波去噪后的高频信号和低频信号一起进行信号重构,得到特征增强信号。试验结果表明,对于信号去噪方面,相对于VMD方法,该方法更具有优越性。     

基于BWO优化VMD联合小波阈值的管道泄漏次声波去噪方法

管道泄漏次声波信号中的干扰噪声影响管道泄漏定位的精准度。提出了一种基于白鲸优化算法（BWO）优化变分模态分解（VMD）联合小波阈值（WT）的管道泄漏次声波去噪方法。针对VMD算法中分解层数K和惩罚因子α的取值对信号分解结果影响较大,利用白鲸优化算法（BWO）对VMD分解的两关键参数进行寻优,获得最优参数组合[K、α],并利用优化后的参数对次声波信号进行VMD分解,获得一系列本征模函数（IMF）分量。通过计算各IMF分量的相关系数来区分噪声IMF分量和有效IMF分量,引入一种改进的小波阈值函数对有效的IMF分量进行去噪处理,再重构去噪后各有效IMF分量,得到去噪后的管道泄漏次声波信号。通过仿真实验,将所提方法与灰狼优化算法（GWO）优化VMD联合小波阈值和麻雀搜索算法（SSA）优化VMD联合小波阈值两种方法对比,所提方法去噪后信号的信噪比分别提高了1.27%、2.01%,表明所提方法的去噪效果具有一定的优越性,为后续管道泄漏计算定位奠定了良好的基础。     

一种基于变分模态分解和样本熵的MEMS陀螺去噪方法

针对MEMS陀螺信号,提出了一种基于变分模态分解(VMD)和样本熵(SE)的随机噪声抑制方法。首先采用VMD算法自适应地将原始信号分解为固有模态函数(IMF)的集合,然后针对不同的固有模态序列建立基于样本熵理论的信号组分筛选标准,从而将其划分为低频有效信息IMFs、信息和噪声混合IMFs和高频噪声IMFs。舍弃高频噪声IMFs,并利用软区间阈值降噪方法实现对混合分量的进一步处理,最后通过重构得到最终的信号。对一组真实的MEMS陀螺静态漂移输出数据进行实验分析,比较结果表明该算法的去噪性能优于同为模态分解的EMD去噪方法。     

基于EMD自相关的表面肌电信号消噪方法

为了更好地消除混杂在表面肌电信号(sEMG)中的噪声,提出一种基于噪声统计特性的EMD自相关消噪方法。首先,对含噪sEMG信号进行EMD分解,并根据噪声统计特性降低低信噪比的高频IMF分量的能量后重组信号。其次,对重组后的信号进行自相关函数特性的EMD分解,并对自相关函数方差低于阈值的高频IMF分量进行小波去噪。最后,把处理后的高频IMF分量和低频IMF分量重构,得到的信号即为消噪信号。实验结果表明,该方法不仅能更好的消除噪声,而且在低信噪比情况下有良好表现。     

基于VMD消噪处理的滚动轴承早期故障识别

提出了一种基于变分模态分解(VMD)消噪和核模糊C均值(KFCM)聚类相结合的滚动轴承早期故障识别方法。首先提出一种通过综合运用泄漏能量和互相关系数函数确定VMD预设尺度数K的新方法,弥补了VMD方法通常按经验选取预设尺度数方法的不足;然后对振动信号进行VMD分解得到K个限带的内禀模态函数(BIMF)分量,利用归一化的自相关系数函数能量集中比大于0.9的原则确定含有噪声的BIMF分量,并剔除这些含噪BIMF分量,再将剩余的BIMF分量叠加进行信号重构,实现了信号的消噪;最后计算各样本重构信号的均方根值和归一化能量值得到二维特征向量样本集,并输入到KFCM聚类器进行故障诊断。利用实测轴承故障数据进行验证,结果表明与经验模态分解(EMD)方法相比,可以有效地实现滚动轴承早期故障诊断。     

低孔隙率碳纤维复合材料的时频模型和局部孔隙检测

本文研究了孔隙率不高于1%的低孔隙率碳纤维复合材料(CFRP)的时频模型和局部孔隙检测方法。将现有的超声波在CFRP内传播的频域模型扩展到时频模型,通过仿真验证了共振结构噪声的存在,研究了共振结构噪声和局部孔隙形成的缺陷回波的频率差异。在此基础上,提出应用变分模态分解分离高频随机噪声和共振结构噪声,提取包含缺陷回波的低频成分进行局部孔隙检测。提出能量函数和瞬时增益的概念,以克服由于声波能量随传播距离降低而造成的近表面信号对远表面信号的遮蔽效果。对低孔隙率CFRP试块的实验表明,基于变分模态分解和瞬时增益的方法能够有效抑制噪声干扰、克服遮蔽效应,实现局部孔隙的准确检测。     

基于EEMD-FastICA的单通道超声回波信号去噪研究

针对单通道超声检测回波信号易受到噪声信号的影响导致缺陷诊断精度低的问题,提出基于集合经验模态分解(EEMD)和快速独立成分分析(FastICA)的单通道超声回波信号盲源分离方法(EEMD-FastICA).首先应用EEMD算法对回波信号进行自适应分解,得到多个不同尺度的固有模态函数(IMF)分量,利用主成分分析(PCA...     

基于VMD和最小熵反褶积的齿轮早期故障诊断

针对强噪声环境下齿轮早期故障特征信号微弱,故障特征信息难以提取的问题,提出了变分模态分解(Variational Mode Decomposition,VMD)和最小熵反褶积(Minimum Entropy Deconvolution,MED)的诊断方法。首先,利用VMD对采集到的齿轮故障振动信号进行自适应分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后依据相关系数准则,选取包含故障特征信息较丰富的分量进行MED滤波处理以消除噪声影响,凸显故障特征信息。最后对降噪后的信号进行Hilbert包络解调分析,即可从包络谱中准确地识别齿轮故障特征频率。通过仿真信号和齿轮箱实验数据对所提方法进行了验证,结果表明,该方法能够有效地降低噪声的影响,准确地提取齿轮早期故障信号中微弱的特征信息。     

自适应改进双树复小波变换的齿轮箱故障诊断

针对双树复小波变换存在频率混叠以及参数需自定义的缺陷,提出自适应改进双树复小波变换的齿轮箱故障诊断方法。首先,利用双树复小波变换将信号进行分解和单支重构,采用粒子群算法将分解后分量峭度值作为适应度函数,选择双树复小波的最优分解层数;其次,对重构出的低频信号进行频谱分析提取故障特征,将单支重构后的各高频分量进行变分模态分解,通过峭度值获得各高频分量经变分模态分解后的主频率分量信号;最后,分析各主频率分量信号的频谱,识别齿轮箱的故障特征。结果表明,该方法与双树复小波变换和变分模态分解相比,不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且还提高了从强噪声环境中提取瞬态冲击特征的能力。     

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。     

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。     

改进小波包多阈值去噪法及其工程应用

针对机械振动信号提取时面临的去噪问题,在小波包多阈值准则去噪法的基础上,提出一种改进的小波包多阈值准则综合去噪方法(改进FMC去噪法)。该方法首先采用探测插值法对机床原始振动信号进行预处理,剔除受外界干扰产生的突变噪声信号;再以小波包分析为基础,根据有用信号的最小频率确定最大分解层数,并按最小代价原理确定信号分解的最佳小波包基;最后采用小波包多阈值降噪准则对振动信号进行重构,得到去噪后的机床振动信号。针对含噪blocks信号、doppler信号及模拟的含噪振动信号进行的仿真实验结果表明,改进后的FMC去噪法去噪效果优于传统方法。将该方法应用于气囊修整机振动信号分析中,结果表明,改进FMC去噪法能够有效剔除振动信号各频段的噪声,提高信号特征的可分离性。     

小孔隙率碳纤维复合材料的富树脂超声检测

针对孔隙率接近0的小孔隙率碳纤维复合材料(Carbon Fiber Reinforced Composite,CFRP)的富树脂检测需求,提出富树脂超声检测技术。对超声检测信号中的噪声消除方法、衰减抑制方法和富树脂检测的多视图成像技术进行研究,并开发小孔隙率CFRP富树脂超声检测软件。首先提出共振频率估计方法,通过低通滤波抑制高频随机噪声。其次根据频率差异,应用变分模态分解算法分离并消除共振结构噪声,提取低频成分。该低频成分包括表面回波、底面回波、富树脂反射信号和由层间反射信号、材料散射噪声等构成的相干噪声。再次,引入瞬时幅值比修正低频成分的幅值衰减并描述被检测小孔隙率CFRP的局部反射能力。最后,应用Otsu多阈值方法自适应获得富树脂识别的阈值,消除相干噪声的影响,完成富树脂识别。进一步对小孔隙率CFRP的超声检测结果进行多视图成像,在三维视图、C扫描视图和B扫描视图内识别富树脂。结果表明:变分模态分解的分量数为2,Otsu多阈值的类别数为3时,能够准确识别小孔隙率CFRP超声检测信号中的富树脂反射信号;采用0.15作为多视图成像的阈值,可简洁有效地描述富树脂在小孔隙率CFRP中的分布。     

金属材料小缺陷超声反射信号建模及识别

为了能从含噪声金属材料超声检测信号中有效识别出微小缺陷回波,建立了金属材料超声反射信号模型并提出了基于相关系数的微小缺陷回波识别方法。对含微小缺陷金属材料超声脉冲反射信号的成分进行分析,建立了基于散射声场与高斯回波理论的优化超声回波模型。设计了超声缺陷回波位置识别方法。该方法对超声脉冲反射信号去噪后,取探头发射脉冲信号为参考信号;然后与去噪后的信号逐段求解相关系数;最后对该相关系数序列进行阈值化处理,获得缺陷回波在超声回波信号中的位置。将利用上述优化超声回波模型生成的超声反射信号及其频谱与实验获得的金属材料超声反射信号及其频谱进行了对比,结果表明:两者的时频域特征具有一致性。当将阈值设定为相关系数序列最大值的60%时,能够有效从超声背散射信号中识别出金属材料微小缺陷回波。     

Noise cancellation of ultrasonic NDE signals using blind source separation

This paper proposes a new denoising method for ultrasonic NDE (nondestructive evaluation) signals using blind separation (BSS) technology. The proposed denoising method consists of four steps. First, a reconstructed phase space (RPS) is constructed from observed ultrasonic NDE signals. The information about the underlying sources (e.g., ultrasonic signal, noise, etc.) acting on this system is contained in this RPS. Second, independent component analysis (ICA) is performed on the RPS to recover all sources underlying the RPS. Next, the ultrasonic signal component is selected by a decision criterion related to the denoising application and, finally, is reconstructed to obtain the denoised ultrasonic signal. To validate the proposed method, it has been applied to the experimental ultrasonic NDE signals of the test sample and is compared with the wavelet denoising method in SNR (signal-to-noise ratio) enhancement. The experimental results show that the SNR of the ultrasonic NDE signals can be enhanced greatly using the proposed denoising method and the proposed method has almost the same denoising performance as the wavelet denoising method in SNR enhancement. A trait of the proposed denoising method is the ability to denoise ultrasonic NDE signals by separating the ultrasonic signal and noise using blind source separation technology. The text was submitted by the authors in English.     

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。     

Noise suppression and flaw detection of ultrasonic signals via empirical mode decomposition

In ultrasonic nondestructive testing, the precise detection of flaw echoes buried in backscattering noise caused by highly scattering materials is a problem of great importance. In this paper, a new signal decomposition method for analyzing nonstationary or nonlinear data, empirical mode decomposition, is proposed to deal with ultrasonic signals. A new denoising technique that combines empirical mode decomposition and filtering simultaneously in the time domain and frequency domain is designed to suppress noise and enhance flaw signals. Synthetic and experimental signals are denoised with this EMD-based filtering technique. Simulated results are presented and analyzed, showing that the proposed technique has an excellent performance even when the signal-to-noise ratio is very low (−23 dB). The improvement in flaw detection was experimentally verified on a pipeline sample with artificial flaws. The text was submitted by the authors in English.     

空气耦合超声信号的小波阈值滤噪试验研究

穿透式空气耦合超声检测中,由于较低声波透射率、激励接收系统噪声及声波在介质中的散射噪声导致接收信号信噪比较低,小波阈值滤噪技术在解决上述问题时面临小波基、分解层数及阈值函数的选取难题。基于小波分析的基本原理,以单因素分析方法开展小波阈值滤噪试验研究。选择不同小波族(Daubechies,Symlet和Coiflet)中的小波基、小波分解层数(4～8层)及阈值函数(软阈值及改进阈值函数)对实际含噪超声信号进行小波阈值滤噪处理,并通过对比滤噪信号的信噪比及频谱特性得出不同参数对滤噪效果的影响。结果表明,选择Coiflet小波族中的小波基能获得具有更高信噪比及透射信号幅值的滤噪信号;分解层数越高,滤噪信号的信噪比越高,但增长趋势渐趋稳定;阈值函数对滤噪性能的影响并不十分显著,一般采用软阈值函数或改进阈值函数就能获得良好滤噪效果。     

超声波测距系统中的小波去噪方法研究

针对远距离超声波测距系统中回波信号信噪比低的问题,采用小波变换对超声波的回波信号进行去噪处理。为取得较好的去噪效果,对小波变换的参数选取进行了研究。根据小波基的特性,通过能量与能量熵选取最优小波基;基于回波信号噪声的白噪声特征,采用白噪声检验自适应确定分解层数;引入参考噪声信号,确定小波系数处理阈值,并选用一种结合软、硬阈值函数的改进阈值函数进行小波系数处理。为验证方法的有效性,搭建基于NI数据采集卡和LabVIEW的超声回波信号采集平台,利用MATLAB小波工具包完成回波信号的去噪处理,并通过信噪比、均方根误差等指标对去噪效果进行综合评判。实验表明小波去噪可以达到很好的去噪效果,为大量程超声测距提供理论基础。     

基于灰色准则与EEMD的滚刀振动信号降噪方法

工程现场采集的滚刀振动信号掺杂噪声,致使信号特征难以提取。提出一种基于灰色准则与集合经验模态分解(EEMD)的滚刀振动信号降噪方法。首先将原信号进行EEMD分解得到若干个特征模态函数(intrinsic mode function,IMF),再根据提出的灰色准则对IMF分量进行极性一致化处理、均值化处理,计算出IMF1与其他IMF分量的灰色关联度,并按照灰色关联度将IMF分量降序排列,然后选择降序排列中前一半IMF分量进行软阈值处理,最终将处理后的IMF分量、未处理的IMF分量及余项进行重构,得到降噪后的信号。通过不同初始信噪比的仿真信号和实际加工中的滚刀振动信号验证了本方法的可行性和有效性,同时与EEMD结合相关系数降噪法、小波软阈值降噪法进行了比较,结果表明本方法的降噪效果更优。