共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
时频面上基于瞬频估计的信号提取方法 总被引:1,自引:1,他引:0
针对多分量非平稳信号的噪声抑制和信号分离问题,提出了一种新的时频滤波法.采用FMmlet自适应分解将被分析信号在时频空间内展开,得到无交叉项干扰、时频聚集性很强,且能反映信号的线性或非线性结构的时频特性的时频分布.根据时频面内能量脊与瞬时频率的对应关系,采用谱峰检测和时频加窗轮流迭代的方法,估计出信号分量的瞬时频率.在瞬时频率精确估计的基础上,设计适当的时频滤波函数,对被分析信号的Wigner-Ville分布(WVD)进行时频加窗处理,得到单分量信号的修正WVD,然后采用 WVD反变换进行信号分量的时域重构,达到从非平稳信号中分离有用分量的目的.理论分析和仿真实验表明,利用该方法从复杂非线性时变信号中提取出的信号分量失真度小.该方法在非平稳信号的深层特征提取中具有良好的应用前景. 相似文献
4.
为了有效地从复杂的单一通道噪声信号中分离和识别柴油机的噪声源,采用经验模态分解(EMD)和基于峭度的鲁棒性独立分量分析(RobustICA)相结合的方法,将EMD分解后的本征模态函数与原噪声信号作为RobustICA的输入,借助RobustICA良好的抗噪性,不需要对观测信号进行滤波处理就可以实现单一通道观测信号的源分量分离。模拟仿真的结果充分说明了该方法的可行性。应用于某四缸柴油机噪声信号分析,对分离出的独立分量进行小波(CWT)时频分析,结合内燃机的特性,从单一通道噪声信号中准确识别出柴油机的燃烧噪声和活塞敲击噪声。 相似文献
5.
针对同步提取变换(SET)不能分离频率成分间隔相近的多分量信号的问题,提出了一种结合变分模态分解(VMD)和同步提取变换识别时变结构瞬时频率的方法。首先,通过傅里叶变换确定预设模态数量,利用VMD对多分量信号进行分解得到多个模态分量;然后,采用SET对每个模态分量进行时频分析获取瞬时频率;最后,将各模态分量的时频谱图叠加得到完整的多分量信号时频谱图。针对多分量时变信号和两自由度时变结构自由振动响应信号的瞬时频率识别结果,验证了基于VMD和SET结合方法识别时变结构瞬时频率的有效性和正确性。结果表明,该方法具有较好的噪声鲁棒性和能量聚集性,克服了SET处理频率成分间隔相近的多分量信号的不足,能有效识别具有近距离频率成分的时变结构瞬时频率。索力线性和正弦变化时拉索瞬时频率识别的试验验证了该方法的适用性。 相似文献
6.
7.
应用非平稳信号的时频滤波进行多自由度时变线性系统的模态分解。将基于Gabor展开的时频滤波 方法引入多自由度线性时变结构模态参数辨识中,提取单模态响应分量。对线性时变系统在白噪声激励下振动响 应的单模态响应进行提取,通过对附加质量随时间连续变化的悬臂梁的单模态响应分离来验证分解方法韵有效 性。实验研究结果和理论计算结果表明:方法为参数时变的线性系统的模态分解提供了一条新的途径。 相似文献
8.
EMD和FSWT组合方法在爆破振动信号分析中的应用研究 总被引:1,自引:0,他引:1
针对传统经验模态分解EMD时频分析功能不足的缺陷,提出了基于经验模态分解EMD和频率切片小波变换FSWT组合的爆破振动信号分析方法。对实际工程采集到的爆破振动信号进行EMD分解,根据相关性系数确定优势分量实现信号重构,并获取重构信号全频带FSWT时频特征。利用FSWT逆变换能切割任意频率区间的特点,将重构信号选择时间、频率切片区间进行了更为细化时频特征提取。研究了EMD-FSWT组合方法、Hilbert-Huang变换(HHT)、小波变换(WT)三种方法的消噪滤波效果,并与短时Fourier变换(STFT)、重排平滑Wigner-Ville分布(RSPWVD)两种传统时频方法进行了对比。分析结果表明:EMD-FSWT组合方法,对瞬态信号在时频域上的分辨率更高,消噪和滤波效果好,适于对爆破振动信号进行更为精细化的时频特征分析。 相似文献
9.
针对往复机械振动信号具有复杂非线性、非平稳等特性,使用一种基于小波框架的自适应经验小波变换和以集合角度处理信号的形态学滤波来进行往复机械故障特征提取。首先使用自适应经验小波变换通过构造尺度空间曲线对傅里叶频谱进行划分,构造合适的正交小波滤波器组以提取具有紧支撑傅里叶频谱的AM-FM成分;然后根据往复机械振动信号冲击性的特点,基于信号本身特性构造形态学结构元素,对提取出的模态进行状态自适应形态学滤波;最后使用多尺度模糊熵对模态进行定量分析并对故障进行识别。将该方法应用到实测数据中,实验结果验证了该方法的有效性,该方法可以准确对往复压缩机气阀故障进行识别。 相似文献
10.
针对传统的基于数据驱动的机械故障模式识别方法中需要人工构造算法提取特征以及人工构造特征提取算法繁琐的问题,结合卷积神经网络(CNN)在图像特征自动提取与图像分类识别中的广泛应用,提出了一种基于CNN图像分类的轴承故障模式识别方法。首先,利用集合经验模态分解(EEMD)方法对轴承振动信号进行自适应分解并用相关系数对得到的本征模函数分量进行筛选。其次,对筛选得到的本征模函数分量进行伪魏格纳-威利时频分析(PWVD)计算得到信号的时频分布图,并对时频图进行预处理。最后,将轴承15种不同工况预处理后的时频图利用CNN进行特征提取与分类识别。将该方法与同类方法进行了对比,分类正确率提高了4.26%。 相似文献
11.
针对滚动轴承故障信号具有非线性、非平稳、噪声强的特点,提出了一种基于参数自寻优变分模态分解(variational modal decomposition,VMD)的信号降噪方法。以模态复合熵作为适应度函数,采用改进粒子群算法进行VMD参数自适应寻优,确定变分模态分解最优模态数K和二次惩罚因子α;基于最优K和α,对原始信号进行VMD分解,得到K个本征模态函数(intrinsic mode function,IMF)分量;利用相关系数筛选法,进行模态分量的有效模态和含噪模态识别,利用小波阈值去噪方法对含噪模态进行去噪处理;将有效模态与去噪后的模态进行重构,实现信号降噪。分别用滚动轴承故障仿真信号和试验信号进行验证,并与EMD降噪方法进行比较,结果表明该方法可有效提高故障信号的信噪比,降噪效果明显,有利于滚动轴承故障特征的提取。 相似文献
12.
《振动与冲击》2019,(9)
针对传统心音去噪方法易将其部分高频有用信息作为噪声滤除而造成滤波后的心音信号失真及信息丢失的问题,提出了一种基于互补总体经验模态分解(CEEMD)的小波包变换去噪算法。首先通过互补总体经验模态分解将心音信号分解为从高频到低频的不同固有模态函数分量(IMFs),并利用自相关函数客观界定信号的模态分量范围;然后对噪声主导模态分量和混叠模态分量采用小波包变换进行滤波提取有用信息后,与剩余固有模态分量进行重构得到去噪后的信号。实验结果表明,改进的算法不仅可以去除心音中的噪声成分,明显改善心音信号的信噪比和均方根误差,而且能够有效保留信号的高频有用信息,且在不同噪声水平下的去噪性能均优于传统算法,鲁棒性较好。 相似文献
13.
14.
15.
环境激励下基于小波变换和奇异值分解的结构模态参数识别 总被引:1,自引:0,他引:1
采用小波变换和奇异值分解相结合的方法对环境激励下结构的模态参数进行识别.首先对环境激励下的时不变结构的加速度响应进行协方差分析得到时域协方差响应,利用小波变换将协方差响应转换到时/频域中,沿每一个尺度点提取协方差响应的小波系数阵,然后对提取的小波系数阵进行奇异值分解得到奇异值和奇异向量,最后从重构的奇异值和奇异向量中识别出结构的模态参数.文章通过3自由度系统数值算例分析了该方法的抗噪性能,结果表明该方法具有很好的抗噪能力,在15 dB噪声干扰下能够稳定和准确地识别出结构的模态参数,且比直接用小波变换方法识别的结果更准确;并通过东海大桥主航道斜拉桥模态参数识别的例子进一步验证该方法的实际应用可行性. 相似文献
16.
由于柴油机振动信号的特征频带和噪声频带存在重叠现象,利用小波阈值消噪时难以选取合适的小波阈值,针对该问题提出一种基于小波包的LMS自适应滤波降噪方法。该方法将小波包与LMS自适应滤波相结合,首先利用小波包变换对信号进行多层分解,然后以噪声干扰对应尺度上的第一层“细节”分量及最大分解尺度上的逼近分量重构信号,将重构后的信号作为LMS自适应滤波器原始输入信号,再以小波包最大分解尺度上的高频细节信号作为自适应抵消器的参考输入信号,进行LMS自适应滤波降噪处理。仿真计算和工程应用表明,该方法参数设置较少,易于控制,不涉及小波阈值降噪中阈值的选取问题,对比试验信号的分析验证了方法的有效性,将该法应用在柴油机振动诊断中提高了故障识别率。 相似文献
17.
实际工程振动信号往往包含非平稳信息,时频分析是一种目前最为常用的非平稳信号分析方法。同步压缩变换把小波时间-尺度平面转化成了时间-频率平面,提高了时频分辨率。替代数据在时频上可对信号平稳性进行检验。采用同步压缩变换时频分析和替代数据检测信号平稳性。结合局部替代数据,在时频面上通过评价时频幅度谱的统计特性,对平稳和非平稳成分进行分解。保持原信号相位谱,将分解的成分用同步压缩反变换恢复出时域信号,提供了一种将非平稳信号分解成平稳和非平稳两部分成分的方法。数值算例验证了该方法的有效性。 相似文献
18.
19.
20.
经验模态分解(EMD)是目前信号去噪中应用较多的一种方法,但处理与噪声时频特征相近的信号时,该算法存在内蕴模态函数(IMF)混叠现象.本文从信号降噪的角度出发,提出基于经验模态分解与小波分析的超声信号降噪方法,首先利用EMD将信号分解为多个IMF分量,通过计算各分量与信号间的互相关系数判断存在模态混叠现象的过渡IMF,从多个IMF分量辨识出噪声与信号的分界,对过渡IMF进行小波去噪,去除过渡分量中的噪声;然后将去噪后的过渡分量IMF与其后续分量进行信号重构,得到去噪后的信号.为了验证所提方法的有效性,本文分别以含噪bumps信号和实际超声信号为例,将该方法与其它4种去噪方法进行了对比.实验结果表明:EMD结合小波法优于单独小波法,而本文方法进一步提高了EMD方法的去噪能力,为EMD去噪方法的改进提供了新思路. 相似文献