变分模态分解和同步挤压小波变换识别时变结构瞬时频率

针对土木工程领域存在的时变多分量响应信号,提出一种变分模态分解定理和同步挤压小波变换理论相结合的时变结构响应信号瞬时频率识别新方法。该方法首先利用响应信号的小波量图判断分量信号的个数,然后通过变分模态分解定理将多分量信号自适应地分解为多个分量信号,最后对分解得到的分量信号进行同步挤压小波变换并识别其瞬时频率。通过一个多分量信号数值算例、一个质量突变悬臂梁试验和一个时变拉索试验验证该方法的有效性,研究结果表明:提出的新方法能够有效识别时变结构响应信号的瞬时频率,且识别效果优于传统的希尔伯特-黄变换和连续小波变换。     

基于响应协方差小波变换和SVD的结构工作模态参数识别

对系统响应的协方差作小波的时频分解,利用信号互协方差与自协方差的小波变换系数的比值来识别结构的工作模态振型,由矩阵奇异值分解(SVD)从小波变换时频分析结果确定小波脊,通过实际结构多测点数据,利用小波系数比值来反映振型,识别结构各阶工作模态参数(固有频率、阻尼比和振型)。用数值模拟算例和实桥环境振动试验数据对方法进行了验证,并与频域峰值法和时域随机子空间识别方法结果进行了比较,结果表明,该方法可以准确地识别出结构的工作模态参数,特别是阻尼和振型的识别。     

时频面上基于瞬频估计的信号提取方法

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.     

EMD-Robust ICA在柴油机噪声源识别中的应用

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。     

基于变分模态分解和同步提取变换识别时变结构瞬时频率EI北大核心CSCD

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。     

瞬频特征的谐波小波域提取与应用

为了能精确提取出复杂信号中特征分量的瞬频特征,提出了谐波小波域内的分量瞬频估计方法。该方法首先在分析谐波小波变换的基本原理及其优良特性的基础上,对谐波小波进行加窗光滑处理,改善了谐波小波的时域衰减特性。然后,针对在传统瞬频估计方法的不足之处,将线性回归、自适应滤波、曲线平滑、重采样等方法应用到瞬时相位函数的处理中,提高了瞬时频率特征的提取精度。最后,通过仿真实验与工程实践验证了该方法在信号分量瞬频特征提取中的可行性与有效性。     

基于时频滤波的时变模态分解方法

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。     

EMD和FSWT组合方法在爆破振动信号分析中的应用研究

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。     

状态形态学滤波与EWT的故障特征提取方法研究

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。     

基于卷积神经网络图像分类的轴承故障模式识别

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%。     

基于参数自寻优变分模态分解的信号降噪方法EI北大核心CSCD

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。     

基于CEEMD的心音信号小波包去噪算法研究

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。     

运用分量信号小波能量法识别时变结构损伤

在采用解析模态分解定理提取分量信号的基础上,对一阶分量信号进行复Morlet小波变换,并定义损伤前后一阶小波能量比值指标来识别时变结构的损伤位置,然后从损伤位置处的响应信号出发,引入滑动时间窗思想,提出归一化一阶小波能量变化指标,来预测结构损伤的演化过程。采用一个刚度突变和线性变化的三层剪切型建筑结构数值算例对提出的损伤指标进行验证,结果表明:该指标能够有效识别结构的损伤位置和时变损伤。     

基于改进小波阈值降噪的滚动轴承故障诊断方法

针对滚动轴承早期故障信号存在大量噪声使得提取故障特征困难的问题,提出了一种基于新改进小波阈值的降噪方法.该方法是通过采用互补集合经验模态分解(CEEMD)方法将原始故障信号进行分解,得出各阶本征模态函数(IMF)分量;选取关键的IMF分量进行重构信号,将重构信号经过新改进小波阈值算法和快速谱峭度进行滤波降噪;进行Hil...     

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

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.     

基于小波包和LMS自适应降噪的柴油机振动诊断

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。     

基于同步压缩变换和局部替代数据的非平稳振动信号分解方法

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。     

基于小波包变换和自适应滤波的超声信号去噪

为解决传统小波去噪方法因阈值设置问题或不能保留信号高频部分致使去噪效果不明显的问题,提出一种基于小波变换的自适应去噪方法,即先将信号进行小波包分解,然后对各分量信号分别选用不同的滤波参数,进行自适应滤波处理。实验表明:该方法有良好的超声信号去噪效果,为缺陷的分类和定量测量打下基础。     

基于EMD与相关系数原理的故障声发射信号降噪研究

声发射信号经常受到许多非平稳非线性噪声的干扰,这给对有用声发射信号的识别增加了困难。依据相关系数原理提出了一种基于经验模态分解的旋转机械碰摩声发射信号的去噪方法,通过求出含噪信号经过经验模态分解后所得到的各阶本征模态函数与含噪信号自身的相关系数,根据其变化规律并结合经验模态分解的滤波特性,选取被噪声污染程度较低的本征模态函数对信号重构以达到去噪目的。该方法应用于被不同种类噪声污染的碰摩声发射信号的去噪,实验结果表明此方法能有效的去除噪声,并具有不受主观参数影响,结果稳定,自适应等优点。     

基于经验模态分解与小波分析的超声信号降噪方法

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.