基于EEMD与矩阵分形的自动机故障诊断方法

针对自动机振动响应信号非线性、瞬态和冲击特性,提出基于聚合经验模态分解(EEMD)和矩阵分形相结合的自动机故障诊断方法。首先对采集到的自动机各种工况信号采用EEMD分解的方法对其进行分解,通过对分解得到的固有模态函数(IMF)分量信号进行广义维数计算,得到每个工况广义维数分形矩阵,发现不同工况下的分形矩阵有较大差别。通过计算待检测信号与样本信号之间的的相关系数,采用折线图进行直观比较,确定待检测信号的故障类别。验证了该方法能有效地应用在自动机故障诊断中。     

矿用带式输送机驱动滚筒轴承振动信号降噪方法

针对现有振动信号降噪方法中经验模态分解存在模态混叠、独立分量分析要求采集的振动信号数不少于源信号数等问题,提出了一种基于集合经验模态分解(EEMD)和快速独立分量分析(FastICA)的矿用带式输送机驱动滚筒轴承振动信号降噪方法。首先,通过EEMD算法对采集的振动信号进行分解,得到若干不同尺度的包含故障特征频率的本征模态函数(IMF)分量;然后,基于相关系数对IMF分量进行重构,得到特征信号和虚拟噪声信号,将重构的特征信号和虚拟噪声信号组成输入矩阵,并作为FastICA算法的输入;最后,利用FastICA算法实现信号与噪声分离,达到信号降噪的目的。实验结果验证了该方法的可行性和有效性。     

基于总体平均经验模态分解的语音增强算法研究

总体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition)虽然能够在一定程度上抑制模态混淆,但添加的白噪声不能被完全中和,对所有本征模态函数IMF(Intrinsic Mode Function)分量进行集成平均等增加了计算工作量。基于EEMD和结合小波阈值去噪思想,提出改进的EEMD方法。首先对原始信号进行EEMD分解,得到一系列IMF分量;其次对筛选后的每个IMF计算噪声强度;然后采用小波启发式阈值估计噪声并计算阈值;最后以软阈值的方式滤除每个IMF中噪声并重构信号还原出增强的语音。通过分析仿真信号和实测信号,结果表明:该算法对带噪语音有很好的滤波效果,与其他同类算法相比提高信噪比2~4 d B。     

基于经验模态分解差分谱的故障选线新方法

提出了一种基于经验模态分解差分谱的小电流接地系统单相接地故障选线新方法。该方法采用经验模态分解方法分解故障发生后各条线路的暂态零序电流,提取出各条线路的高频IMF1分量,并根据差分谱和波动值的定义,求出各条线路的IMF1分量差分谱及IMF1分量波动值;通过比较各条线路的IMF1分量波动值,得出IMF1分量波动值最大的线路,则该线路即为故障线路。仿真结果表明,该方法具有较高的选线准确度,适用于不同接地电阻与不同故障初相角情况下的小电流接地系统故障选线。     

EEMD方法在刀具磨损状态识别的应用

总体经验模态分解(EEMD)方法在EMD的基础上消除了模态混叠的现象,从而更能准确地揭露出信号特征信息。根据声发射信号的非稳态、非线性的特点,提出一种基于EEMD应用于刀具磨损状态识别的方法。通过EEMD获取无模态混叠的IMF分量;通过敏感度评估算法从所有IMF分量中提取敏感的IMF;提取敏感IMF的能量作为支持向量机(SVM)分类器的输入,将刀具分成正常切削、中期磨损和严重磨损3种状态。通过比较EEMD与应用EMD等方法的分类准确率,确立了基于EEMD的方法在提取刀具磨损状态特征信息的优势。     

基于EEMD-多尺度排列熵-SVM的小电流系统故障选线仿真

针对小电流系统故障时选线困难,提出结合多尺度排列熵与SVM的选线方法.首先,用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法对故障时各线路的零序电流进行分解.其次,计算固有模态函数的多尺度排列熵,建立SVM分类器.最后,利用多尺度排列熵作为特征向量训练相应的SVM分类器,通过SVM输出分类结果,判断故障线路.通过实验表明,该方法选线计算速度快,原理简单,准确率高.     

敏感SVD和EEMD的故障诊断方法研究

在噪声干扰下有效提取振动信号所包含的微弱故障特征,是轴承故障诊断的关键问题,提出了一种基于敏感奇异值分解(SSVD)和总体平均经验模态分解(EEMD)的故障诊断方法.对时域振动信号进行敏感SVD分析,通过敏感因子选择反映故障冲击特征的敏感SVD分量,并利用定位因子定位分量信号所对应奇异值进行振动信号重构,以滤除噪声干扰;对降噪信号进行EEMD,根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF),有效提取局部微弱故障信息;利用Teager-Kaiser能量算子(TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,以识别故障类型.方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

改进EEMD算法在心电信号去噪中的应用

集合经验模态分解（Ensemble empirical mode decomposition,EEMD）方法在去除心电信号噪声时,噪声本征模态函数（Intrinsic mode function,IMF）分量难以选择且将噪声分量直接去掉会导致信号失真。针对上述问题,提出了一种基于EEMD的自适应阈值算法。首先对含噪心电图（Electrocardiogram,ECG）数据进行EEMD分解,得到IMF,根据马氏距离进行信号IMF分量和噪声IMF分量的判定,然后通过果蝇优化算法确定噪声IMF的阈值,将经过阈值去噪的新的分量和剩余分量重构得到去噪后的ECG。最后,使用MIT-BIH数据库中的心电数据进行实验,实验结果表明,该方法在去噪同时能够较好地保留信号细节。     

基于白噪声统计特性与EEMD的高速列车横向减振器故障诊断*

针对高速列车横向减振器故障信号非线性非平稳的特点,提出了基于白噪声统计特性与聚合经验模态分解（EEMD）相结合的故障诊断算法。首先,利用经验模态分解（EMD）对故障信号进行去噪,然后对去噪后的信号进行EEMD分解,最后对用相关系数求得的最能反映振动信号的本征模态函数（IMF）计算排列组合熵。在240km/h速度下,对高速列车横向减振器7种工况进行诊断,识别率达到91.8%。实验结果表明：与基于小波熵特征分析的算法相比,该算法具有更高的识别率和更强的抗噪性能。     

基于EEMD与DSS-ApEn的脑电信号消噪方法

为了在消除信号中噪声的同时尽可能保留有效信息,提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)和降噪源分离(De-noising Source Separation, DSS)与近似熵(Approximate Entropy, ApEn)相结合的脑电信号消噪方法。利用EEMD分解算法将含噪脑电信号分解为若干个内蕴模态函数(Intrinsic Mode Functions, IMF)分量,滤除最高频分量后的IMF分量应用DSS分离出各独立源信号,再选择频谱近似熵最大的独立源信号作为去噪信号。仿真和真实脑电信号的消噪实验表明,与独立EEMD消噪方法以及基于EEMD与改进提升小波消噪方法相比,本文提出的方法消噪效果更好。     

基于EEMD和二代小波变换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,提出了一种基于总体平均经验模式分解(EEMD)和二代小波变换的sEMG消噪新方法。首先对信号加入白噪声处理后进行经验模态分解(EMD),然后对高频的内蕴模式函数(IMF)分量进行二代小波阈值消噪处理,最后把处理后的高频IMF分量与低频IMF分量进行叠加,重构后的信号即为去噪信号。实验结果表明,该方法融合了二代小波与EEMD的优点,能更好的消除噪声,最大限度的保留有用信号,并具有更高的信噪比。     

基于EEMD的车辆微动信号提取及分类

针对轮式和履带式车辆微动信号的差异对目标车辆进行了识别分类,利用集合经验模式分解(EEMD)将原始信号分解为多个本征模函数(IMF),通过相关性分析,验证了EEMD能够有效克服EMD所带来的模态混叠问题.在此基础上,提取了4种特征,采用最近邻方法进行分类.实验结果表明:经EEMD所提取的特征是有效的,对目标速度,以及方位角的变化具有相当的稳健性.     

基于ＥＥＭＤ域统计模型的话音激活检测算法

提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsicmode function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的VAD算法,特别在噪声强度大时体现出明显的优势。     

基于CEEMD阈值和相关系数原理的MEMS陀螺信号去噪方法

针对经验模态分解（EMD）方法易产生模态混叠问题,而集成经验模态分解（EEMD）方法又存在重构误差较大的缺陷,提出了一种基于完备集成经验模态分解（CEEMD）阈值滤波和相关系数原理的MEMS陀螺信号去噪方法。首先通过CEEMD方法对陀螺信号进行有效完备的分解,并利用相关系数原理合理确定分解后噪声分量与有效分量的界限。在此基础上,通过借鉴小波阈值处理方式和EMD阈值设置方法,对信号进行阈值滤波去噪。对仿真信号和实际MEMS陀螺信号的研究结果表明,CEEMD阈值去噪方法的去噪效果要优于CEEMD、EEMD、EMD强制去噪方法和小波分析方法。这也充分体现了其在MEMS陀螺信号去噪应用中的可行性和有效性。     

基于奇异谱分析的经验模态分解去噪方法

提出了一种基于奇异谱分析(SSA)的经验模态分解(EMD)去噪方法。该方法先对带噪信号进行EMD分解,得到若干个本征模态函数(IMF)。再通过SSA对每个IMF分量进行去噪处理:把第一个IMF分量作为高频噪声,并根据它计算出剩余IMF中所含的噪声能量,从而得到剩下的每个IMF中信号所占的能量比值。然后选择合适的窗口长度,对每个IMF进行SSA变换,根据IMF中信号所占的能量比值选择合适的奇异值分解(SVD)分量重构,得到去噪后的IMF。再将所有重构得到的IMF分量以及余项相加,得到最终去噪后的信号。经过实验,对比研究了该方法与小波软阈值、EMD软阈值和EMD滤波方法的去噪效果,结果表明该方法整体优于其它方法,是一种有效的信号去噪方法。     

基于EEMD的多传感器信息融合降噪方法

由于传感器被动采集所得信号没有太多先验信息,在后续应用过程中因噪声的存在受到限制,所以,提出一种基于总体经验模式分解（EEMD）和时延估计的多传感器信息融合降噪方法.首先将多传感器采集所得信号进行EEMD,将所得对应IMF分量进行互相关,求取时延估计值,依据时延矢量封闭准则（TDVCR）获得相应IMF分量的时延矢量误差.最后,根据多传感器综合支持度确定相应权重,对IMF分量进行重构,得到降噪后的信号.实验结果表明：该方法在EEMD的基础上有效利用了多传感器的时延估计特性,在没有任何先验信息的条件下降低了信号噪声,取得满意的效果.     

Nonlinear and adaptive undecimated hierarchical multiresolution analysis for real valued discrete time signals via empirical mode decomposition approach

Hierarchical multiresolution analysis is an important tool for the analysis of signals. Since this multiresolution representation provides a pyramid like framework for representing signals, it can extract signal information effectively via levels by levels. On the other hand, a signal can be nonlinearly and adaptively represented as a sum of intrinsic mode functions (IMFs) via the empirical mode decomposition (EMD) algorithm. Nevertheless, as the IMFs are obtained only when the EMD algorithm converges, no further iterative sifting process will be performed directly when the EMD algorithm is applied to an IMF. As a result, the same IMF will be resulted and further level decompositions of the IMFs cannot be obtained directly by the EMD algorithm. In other words, the hierarchical multiresolution analysis cannot be performed via the EMD algorithm directly. This paper is to address this issue by performing a nonlinear and adaptive hierarchical multiresolution analysis based on the EMD algorithm via a frequency domain approach. In the beginning, an IMF is expressed in the frequency domain by applying discrete Fourier transform (DFT) to it. Next, zeros are inserted to the DFT sequence and a conjugate symmetric zero padded DFT sequence is obtained. Then, inverse discrete Fourier transform (IDFT) is applied to the zero padded DFT sequence and a new signal expressed in the time domain is obtained. Actually, the next level IMFs can be obtained by applying the EMD algorithm to this signal. However, the lengths of these next level IMFs are increased. To reduce these lengths, first DFT is applied to each next level IMF. Second, the DFT coefficients of each next level IMF at the positions where the zeros are inserted before are removed. Finally, by applying IDFT to the shorten DFT sequence of each next level IMF, the final set of next level IMFs are obtained. It is shown in this paper that the original IMF can be perfectly reconstructed. Moreover, computer numerical simulation results show that our proposed method can reach a component with less number of levels of decomposition compared to that of the conventional linear and nonadaptive wavelets and filter bank approaches. Also, as no filter is involved in our proposed method, there is no spectral leakage in various levels of decomposition introduced by our proposed method. Whereas there could be some significant leakage components in the various levels of decomposition introduced by the wavelets and filter bank approaches.     

基于EMD与奇异值差分谱的侧信道信号特征提取

为了从强烈的背景噪声中提取侧信道信号的特征信息,提出了一种基于经验模式分解（EMD）与奇异值差分谱相结合的信号特征提取方法。该方法首先对原始侧信道信号进行EMD分解,计算各个特征模态函数（IMF）与原始信号的相关系数,找到最大相似特征分量;再对该分量进行奇异值分解求出对应的奇异值差分谱;最后根据差分谱进行重构和消噪,进一步提取分量的特征信息。实验结果表明,该方法可以有效应用于侧信道信号的特征提取,成功提高信号的信噪比和攻击成功率。