煤岩微弱电磁信号的噪声源识别及去噪方法

煤岩破坏可以产生电磁信号,分析其信号特征对于准确预测煤岩动力灾害有着重要作用,然而当破裂信号较为微弱时,外界干扰因素会对结果分析产生极大影响。为此,在分析实验条件下煤岩受载电磁信号的噪声来源及其各自特征的基础上,提出了循环带阻滤波、基于白噪声统计特征及经验模态分解(EMD)的均值滤波、基于模态分量自相关函数频谱的准周期特征识别及带阻滤波等方法,对不同源头的噪声进行了自动识别及去噪,同时,在信号源未知的情况下提出了评估去噪效果的噪噪比(NNR)方法。结果表明:基于分源去噪方法而得出的型煤电磁信号噪噪比仅为0.136 6,明显优于单一的小波及EMD去噪方法,表明分源去噪方法在煤岩受载微弱电磁信号去噪中有着良好的应用效果。     

基于小波分析的矿用车柴油机振动信号去噪处理

矿用车柴油机振动信号进行去噪处理,对柴油机的运行状态监测和异常诊断具有重要的现实意义。以矿用车柴油机为实验研究对象,对4个不同测点进行时域分析和频域分析,得到最佳振动信号监测点;采用小波分层阈值去噪法,对柴油机振动信号进行分解和去噪处理。结果表明小波去噪的方法具有很好的去噪预处理效果,可以满足工程实际的需要。     

基于改进小波阈值算法的矿用钢丝绳损伤检测信号去噪方法

在矿用钢丝绳损伤检测中,信号去噪对损伤检测信号特征提取与定量识别的准确性有着直接的影响。针对小波阈值算法在钢丝绳损伤检测信号去噪中的应用,在Donoho的软、硬阈值去噪方法的基础上,提出一种改进的小波阈值算法,该算法解决了硬阈值去噪效果不佳与软阈值过度光滑导致信号失真的难题,完整地保留了钢丝绳检测信号中的小奇异信号,去噪效果明显优于传统的阈值去噪方法。     

冻结立井爆破振动信号去噪研究

针对冻结立井监测到的爆破振动信号的高噪声、短持时和非线性的特征,提出了经验模态分解-去趋势项波动分析(Empirical Mode Decomposition-Detrended Fluctuation Analysis,EMDDFA)组合去噪方法。采用4项指标综合评价了EMD-DFA法、EMD和EEMD法、小波阈值法和小波熵去噪法去噪效果。结果表明:被强噪声污染的爆破振动信号采用EMD-DFA组合法去噪得到了信噪比和互相关度最高,相应的误差最小,去噪后的信号保留了爆破信号的瞬态非平稳特征,去噪效果最优。     

基于局部放电法的矿用高压电缆信号去噪算法研究

干扰噪声直接影响局部放电法有效检测矿用高压电缆故障。基于局部放电法，综合采用理论计算、仿真实验、现场试验的方法，对比分析了短时傅里叶变换和傅里叶分析去噪法的原理和优缺点，提出了一种矿用高压电缆的局部放电去噪算法——小波阈值去噪法，同时，选择了合理的阈值函数和去噪流程。基于此，采用白噪声和连续周期信号作为高压电缆的干扰噪声，进行了模拟仿真实验。结果表明，小波阈值去噪法可有效抑制白噪声，其中，Db2小波性能和去噪效果最好；同时，现场试验结果显示，去噪后信噪比得到了显著增加，验证了小波阈值去噪法的合理性和可靠性。     

小波变换用于采煤机牵引部电机振动信号故障诊断

提出一种基于小波分析,利用MATLAB仿真技术进行信号去噪,将合成振动信号中电机轴承频率提取出来的方法。该方法可实现对大型可移动机械振动信号的采集及去噪,提高采煤机监测系统信息分析技术。通过仿真结果验证了此方法的可行性。     

基于频域约束独立成分分析的经验模态分解去噪方法

噪声污染是煤岩动力灾害电磁监测应用中需要解决的重要问题,去噪效果的好坏直接影响灾害预测的准确性。经验模态分解(Empirical Mode Decomposition,EMD)是目前电磁信号去噪中应用最多的一种方法,但当信号与噪声时频特征相近时,该算法存在严重的内蕴模态函数(Intrinsic Mode Function,IMF)混叠现象(即部分模态函数仍为信号与噪声的组合)。针对该问题,提出一种基于经验模态分解和频域约束独立成分分析的去噪方法,首先利用EMD将电磁信号分解为多个IMF分量,通过计算各分量与原信号间的互相关系数判断存在模态混叠现象过渡IMF,再以过渡IMF后续分量的频域为约束条件,对过渡IMF进行独立成分分析,去除过渡分量中的噪声;最后将去噪后的过渡分量与其后续分量进行重构,得到去噪后的信号。分别以含噪Ricker子波和现场电磁信号为例,利用信噪比定量验证了上述方法对处理现场电磁信号模态混叠问题的有效性,同时频域约束条件下的独立成分分析去噪收敛快、效率高,适合海量实时监测信号快速去噪使用。     

改进粒子群优化小波阈值的矿用钢丝绳损伤信号处理方法研究

为有效提取矿用钢丝绳损伤信号的特征值,采取小波分析对损伤信号去噪。针对损伤信号中存在小奇异点的特性,对小波分析中的阈值获取和阈值函数选取两方面改进。首先利用粒子群算法优化经验值,并基于Birge-Massart策略获取阈值。提出一种改进的小波阈值函数算法。该函数加入了可调变量,改善了已有软、硬阈值函数去噪中的不足点,通过仿真实验的信号结果和信噪比(SNR)对比几种阈值函数去噪算法,最终得出,采用优化经验值并改进小波域值函数的去噪算法相比于其他方法,更能完整保留原始信号,去噪效果好。     

武山铜矿采场顶板爆破震动信号去噪方法的选取

为了研究武山铜矿采场顶板爆破震动效应,需要选择精确的去噪方法来获得精确的处理结果,针对这一问题,用EMD法和小波阀值法对收集的含噪爆破震动信号进行去噪分析处理,运用信噪比(SNR)法和均方根误差(RMSE)法对处理所得结果进行质量评估,从而获取较准确的信号去噪方法,为后续研究提供合适的处理方法,结果表明:小波阀值法去噪结果误差值和信噪比分别为0.0231,0.6078;EMD去噪法结果误差值和信噪比分别为0.0535,0.491,小波阀值法要优于EMD去噪法。     

掘进机截割减速器振动特性仿真分析

以掘进机截割减速器为研究对象,分析了减速器齿轮的工作机理和产生振动信号原因,提出了变分模态分解(VMD)算法结合小波去噪理论的方法,通过运用变分模态算法对人为断齿故障信号进行分解,并结合小波去噪理论对其重构信号进行去噪。仿真结果表明,该方法适用于掘进机截割减速器振动特性的分析,能够完成齿轮多种振动信号特征的提取,分解层数较少,去噪效果良好,计算结果与人为造成的断齿故障位置一致,具有重要的现实意义。     

基于Shannon熵的钢丝绳断丝损伤信号小波包去噪研究

以钢丝绳断丝损伤信号去噪方法为研究背景,采用基于Shannon的小波包分解进行信号的降噪处理。Shannon熵作为信息代价函数,进行最优基的选取。建立差值信号Shannon熵与阈值之间的关系曲线,发现差值信号Shannon熵越大则表明该阈值去噪效果越好。采用均方根误差对去噪结果进行评价,验证了该去噪方法在钢丝绳断丝损伤信号降噪处理时的实用性。     

基于小波去噪和EMD的齿轮箱故障诊断研究

提出小波去噪和EMD相结合的齿轮箱故障诊断的新方法。该方法首先对原始信号进行小波阈值去噪,将去噪信号利用EMD方法分解为多个IMF分量,计算各IMF分量和原信号的互相关系数,选择互相关系数较大的IMF分量进行Hilbert包络谱分析,提取故障频率。以互相关准则提取IMF分量避免了IMF分量选择的盲目性。对实测齿轮箱故障信号进行了分析,结果表明该方法能够有效地识别齿轮箱故障频率。     

基于小波变换的矿震信号去噪方法研究与应用

从小波变换的基本原理出发,对实际矿震信号进行了去噪处理,通过用傅里叶变换和小波变换对北京木城涧煤矿实际矿震信号去噪效果分析,小波变换在对非平稳的矿震信号去噪方面有着傅里叶分析不可比拟的优点。并探索了不同的小波基和阈值选取准则以及分解尺度对矿震信号去噪结果的影响。     

小波变换在提升机制动信号识别中的应用

提出用具有多分辨分析的小波阈值法对油压、位移信号去噪，去噪结果显示，小波阈值去噪可以明显地抑制噪声，提高信噪比；利用小波变换具有奇异性检测性能好的特点自动识别开、贴闸油压，效果较好．     

基于HHT法的煤冲击破坏SHPB测试信号去噪

针对分离式霍普金森杆（SHPB）测试信号的高噪声、持时短、突变快等特点,利用希尔伯特-黄变换（HHT）分析技术对煤冲击破坏的测试信号进行去噪处理。用经验模式分解法（EMD）分解实测的煤冲击破坏SHPB测试信号,可以得到各固有模态函数（IMF）分量及其频谱和各IMF分量的能量百分比,从而利用低通滤波将原始信号中的高频噪声有效的分离出去。利用快速傅里叶变换（FFT）频谱和Morlet小波时频谱对比分析去噪前后信号的特征,定性的说明HHT法可以用于煤冲击破坏SHPB信号的去噪处理。通过计算去噪后信号的信噪比和能量百分比,定量的说明HHT法充分保留了煤冲击破坏SHPB信号本身的瞬态非平稳特征,去噪效果显著,方法简捷,结果可靠。     

基于变分模态分解的爆破振动信号去噪方法研究

为对爆破的振动信号进行有效去噪,提出了一种基于窗口傅里叶变换的自适应双重变分模态分解-小波阈值(Adaptive dual variational mode decomposition-Wavelet threshold,ADVMD-WT)组合方法对爆破临近地区采集的振动信号进行去噪处理。首先利用VMD算法对振动信号进行第一次分解,分解层数根据窗口傅里叶变换频谱图中的波峰个数来确定,基于各个分量的相关系数识别出高频的噪声分量;然后对剩余信号分量逐个进行第二次分解,重复第一次分解的步骤,分离出各个低频分量中含有的噪声信号;针对噪声分量中仍含有少量有用信号,对噪声分量进行小波阈值去噪,获取有用信号;最后重构信号分量得到ADVMD-WT方法去噪后的信号。将ADVMD与其它去噪方法相比,并从信噪比、均方根误差2个评价指标验证了ADVMD方法在爆破振动信号去噪中的有效性。     

基于变分模态分解和粒子群算法的微震信号降噪方法

为从含噪微震信号中提取有效信息, 并准确识别岩体破裂信号和爆破振动信号, 提出了基于粒子群算法和小波阈值去噪的改进变分模态分解方法。该方法利用粒子群算法实现模态数量和惩罚因子的最优取值, 以最优参数对微震信号进行变分模态分解, 再对由高频噪声主导的模态分量进行小波阈值去噪, 将去噪后的高频信号分量与原先的低频信号分量进行重构, 实现信号降噪。经验证, 该方法相比集合经验模态分解和单纯的变分模态分解方法具有更好的降噪效果。以该方法对200组岩体破裂信号和200组爆破振动信号进行去噪, 以第一模态分量能量占比50%作为区分爆破振动信号和岩体破裂信号的依据, 识别成功率达到97.25%, 证实了此识别方法的准确性。     

EMD及小波阈值联合去噪法在磁感应式分选机上的应用

磁选机广泛应用于磁铁矿石的预选抛尾环节,但由于传统磁选机受制于机械结构和分选原理,对弱磁性粗矿粒存在错选和漏选的问题,分选性能低下。磁感应式分选机可通过霍尔传感器检测磁铁矿石的磁场强度,判断矿石是否为精矿,可提供更为敏感的检测机制。然而,传感器采集磁感应信号的过程,易受到振动等外界干扰而产生噪声,造成矿石的误判。为了降低噪声的影响,通过联合经验分解(EMD)与小波阈值的方法对磁感应信号去噪。该方法首先对信号进行EMD分解,得到固有模态分量(IMF),然后对部分IMF分量进行小波阈值去噪,最后重构IMF分量得到去噪信号。结果表明,联合去噪法不仅能够有效去除噪声信号,而且去噪性能优于单一的EMD去噪和小波阈值去噪。     

基于改进EMD的齿轮角域信号去噪方法研究

针对变工况齿轮信号经阶次重采样转换为角域信号的特点,采用改进EMD方法对角域信号去噪。首先,采用镜像延拓法对角域信号进行处理,避免了信号上下包络线外部延伸引起插值误差,使包络线完全由端点以内数据来决定,在一定程度上抑制了EMD的端点效应;其次,采用改进的EMD方法对角域信号分解获得本征模态分量;再次,采用相关系数法对筛选出主要IMF分量;最后对筛选出的IMF进行信号重构完成角域信号去噪。试验结果表明,该方法对角域信号去噪的有效性,并实现了对变工况齿轮角域信号的去噪处理。     

基于平移不变小波爆破振动信号去噪的应用研究

传统的小波变换阈值法去噪会使爆破振动信号的急剧变化部分产生人为的振荡现象，产生这种现象的原因是小波缺乏平移不变性。使用平移不变小波变换去噪方法，对爆破振动信号进行循环平移，利用软或硬阈值对该信号的小波系数进行压缩，重构信号，再进行相反的循环平移，通过多次的平移-消噪-平移，平均所获得的结果，从而消除小波基的平移依赖性。该方法不仅能有效地消除爆破振动信号的伪吉布斯（Psuedo—Gibbs）现象，而且能减小原始爆破振动信号和估计爆破振动信号之间的均方误差（MSE）。通过理论和实践证明了这种方法能够更有效地消除爆破振动信号中的噪声。