基于二次 CEEMD 与时域特征分析的去噪方法

为克服经验模态分解(EMD)去噪方法存在的模态混叠以及噪声分量与信号分量区分困难问题,本文提出了一种基于二次互补集合经验模态分解(CEEMD)与时域特征分析的去噪方法。该方法利用CEEMD来克服模态混叠问题,同时基于对CEEMD本征模态函数(IMF)的时域特征分析来确定噪声主导IMF分量与信号主导IMF分量的分界点,据此区分噪声分量与信号分量,并对分界点相邻两侧的噪声主导IMF分量与信号主导IMF分量进行二次CEEMD分解,在保留更多有用信号的同时进一步滤除剩余噪声。对含冲击噪声干扰的实际机载平台数据的去噪实验结果表明,新方法通过对噪声分量与信号分量的有效分离,可以更好地抑制噪声干扰,明显提升信噪比。     

基于CEEMDAN-SG的爆炸冲击波去噪算法研究

在采集爆炸冲击波超压信号时,由于监测的高温环境、压力传感器的误差以及磁场干扰,爆炸冲击波超压信号中混入了大量的噪声。为了准确地获取超压信号的特征,设计了一种基于融合完全集成经验模态分解与自适应噪声(CEEMDAN)与SG(Savitzky-Golay)去噪算法。首先使用CEEMDAN对爆炸冲击波超压信号进行分解,其次计算每个本征模态函数(IMF)的能量贡献率,利用SG滤波算法将能量贡献率低于0.1%且大于0.05%的IMF进行去噪处理。实验结果表明,CEEMDAN-SG与经验模态分解(EMD)、改进的集合经验模态分解(EEMD)、CEEMDAN以及CEEMDAN-小波阈值去噪所比较,信噪比分别提高了0.85、0.71、3.09、0.25 dB,且均方误差最小。CEEMDAN-SG与CEEMDAN-小波阈值去噪在去除噪声效果较理想,且CEEMDAN-SG在0.16 s时与原信号相似度最高。该算法不仅能有效去除噪声,而且还可以保留原始信号的特征,适用于爆炸冲击波超压信号的去噪处理。     

基于 CEEMDAN-WP-SG 的 MEMS 陀螺仪去噪算法

为了减小MEMS陀螺仪随机误差,提出了一种新的去噪算法。该算法首先通过自适应噪声完备经验模态分解(CEEMDAN)将原始数据分解为多个本征模态函数(IMF),并根据多尺度排列熵与马氏距离将IMF分为噪声IMF、混叠IMF和信号IMF;其次对噪声IMF用小波包(WP)去噪,对混叠IMF用Savitzky-Golay滤波器(SG)去噪;最后,把处理后的IMF和信号IMF进行重构,得到去噪后的信号。通过所提方法对Bumps信号进行实验分析,去噪后信号从6 dB提高至17 dB,均方误差降低71.9%;对实测陀螺仪静态数据进行分析,实验结果证明去噪后信号的角度随机游走降低31.5%,表明该方法能显著提高MEMS陀螺仪的精度。     

基于CEEMDAN样本熵与FWA-SVM的高压断路器机械故障诊断

针对振动信号判别断路器机械故障过程受干扰影响的特征提取问题,提出一种自适应白噪声完整集合经验模态分解(CEEMDAN)与样本熵相结合的故障特征提取方法。通过CEEMDAN提取若干反映断路器操动过程机械状态信息的本征模态函数(IMF)分量,依据各IMF相关系数与能量分布,将前7阶IMF分量进行小波包软阈值去噪,计算其样本熵作为特征量,最后采用基于免疫浓度思想的烟花算法(FWA)优化支持向量机(SVM)分类器,对断路器不同运行状态进行分类识别。实验结果表明:基于CEEMDAN样本熵特征对于信号干扰不敏感,FWA-SVM诊断方法对于高压断路器分闸操动过程故障辨识效果良好。     

基于改进CEEMDAN和小波阈值的雨声信号去噪算法研究

为了从混杂着各种噪声的雨声信号中提取到较为纯净的雨声信号，本文提出基于改进完全自适应噪声集合经验模态分解（CEEMDAN）和小波阈值相结合的雨声信号去噪方法。方法引入互相关函数寻找CEEMDAN的最优分解层数F值，并通过CEEMDAN算法按最优分解层数F层分解，将信号分解成多个频率由高到低的本征模态分量（IMF）;利用小波阈值，滤除高频IMF分量中的噪声分量，最后将去噪后的高频IMF分量和未经去噪的低频IMF分量进行信号重构，提取出较为纯净的雨声信号；实验表明，本文选用方法的去噪效果相对于经验模态分解（EMD）去噪算法、小波阈值去噪算法等传统方法具有一定的优势，去噪后的雨声信号能够准确反映出环境雨情的特征，提高雨情分析的精确度。     

基于EMD相关去噪的风电机组振动噪声抑制及特征频率提取

针对风电机组振动信号同时受背景白噪声和短时干扰噪声的影响,使得早期微弱故障特征频率难以提取的问题,提出一种结合经验模态分解(EMD)、相关性分析和小波包变换(WPT)的振动信号噪声抑制及故障特征频率提取方法(EMD相关去噪-WPT)。该方法首先利用EMD分解振动信号得到能表征不同频率的固有模态函数(IMF),然后筛选表征故障特征频率的IMF,并重构得到故障特征信号;其次,利用自相关分析去除重构信号中噪声的影响;最后,结合小波包变换(WPT)提取去噪重构振动信号中的特征频率。为了验证所提方法的有效性,以实测和模拟的双馈风电机组轴承故障振动信号为例,对轴承振动信号分别利用小波包变换(WPT)、EMD相关去噪-WPT、小波硬阀值-WPT方法进行特征频率提取分析。通过不同特征频率提取方法比较表明,所提出的基于EMD相关去噪-WPT特征频率提取方法,能够更有效地抑制背景白噪声和短时干扰噪声的影响,提取出早期微弱故障特征。     

基于互补集合经验模态分解法的变压器局部放电信号去噪方法

提出一种针对特高频(ultra-high frequency,UHF)局部放电(partial discharge,PD)信号的去噪方法。首先利用互补集合经验模态分解法(complete ensemble empirical mode decomposition,CEEMD)将PD信号分解为一系列本征模态函数(intrinsic mode function,IMF),然后通过峭度值判定规则找出含有效PD成分的多组IMF,最终采用小波阈值法对重构信号进一步去噪。仿真和实测算例的处理结果表明,该方法能够有效去除UHF PD信号中的多种噪声,且去噪性能优于单纯的小波自适应阈值法和基于集合经验模态分解法。     

基于新模态-小波包分解的超宽带雷达生命体征信号去噪算法

超宽带雷达具有高分辨率,穿透能力强,低功耗等优势,工作时人体无需接触任何电极或传感器,可以穿透衣服、废墟等非金属介质在较远的距离内检测人体生命体征信息,在非接触式生命体征检测方面具有很重要的应用价值。由于人类心跳信号容易被呼吸谐波和其他噪声干扰,为了准确提取人体生命体征信号,提出一种基于改进的自适应噪声集合经验模态分解（ICEEMDAN）与小波包分解（WPD）结合的生命体征信号去噪方法。先通过超宽带雷达测量待测者的生命体征,获取人体所在空间位置提取出体表微动信号,对体表振动信号进行补偿与欠采样处理;利用ICEEMDAN-WPD的阈值去噪方法对微动信号进行模态分解,选取合适的模态分量去噪并进行重构,获取人体心跳微动信号的时频特征。实验结果表明,该算法相较于传统的去噪算法将相关系数提高到了0.940 5,信噪比提高到了9.093 8 dB,保留更多的生命体征信息的同时拥有更高的信噪比,可有效应用于生命体征检测领域。     

基于CEEMD-WPT和Prony算法的谐波间谐波参数辨识

由于传统Prony算法对噪声极为敏感,因此采用互补集合经验模态分解(CEEMD)和小波包变换(WPT)相结合的去噪方法改善信号,提高Prony参数辨识的精度。首先对信号进行CEEMD分解得到固有模态函数(IMF),并对得到的IMF分量计算其排列熵(PE)值,根据排列熵值提取出含噪声较大的分量进行小波包去噪。然后将去噪重构后的IMF分量与剩余IMF分量重构信号。最后用Prony算法辨识重构后信号的参数。对所提算法进行仿真,并与已发表文献中的结果进行比较。仿真与比较结果表明,该算法是有效的,而且具有较好的辨识结果。     

基于经验模态分解的局部放电去噪方法

在简单介绍经验模态分解(EMD)的基础之上，将经验模态分解用于局部放电的信号分析。根据含噪声信号分解后固有模态函数(IMF)的统计特征，提出了一种基于向量阈值的新去噪算法，相比于常规的小波去噪算法，该算法具有形式简单、应用方便灵活、不受傅里叶变换及小波函数选择的限制等特点。实际处理结果及与小波的对比表明，新算法可以有效地抑制白噪声，取得和小波变换几乎一致的效果。     

基于改进CEEMDAN的应答器上行链路信号降噪研究

针对在高速铁路复杂电磁环境中应答器上行链路(balise uplink, BU)信号传输受扰的问题,提出了一种基于自适应白噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)与小波包自适应阈值的联合降噪方法。首先,采用CEEMDAN算法将模拟BU信号分解为12个模态分量,根据相关系数判断分量为相关分量或无关分量;然后,相关分量经小波包降噪处理后重构为降噪后的BU信号;最后,选用信噪比(signal-noise ratio, SNR)和均方根误差(root mean square error, RMSE)作为评价指标,将该方法与目前广泛采用的6种降噪方法进行对比,信噪比提高了0.486 1～6.144 dB,均方根误差降低了0.054 9～11.091。为检验该方法的实际应用效果,采用联合降噪方法对实测BU信号进行降噪处理。仿真验证和实验验证的结果表明,采用联合降噪方法降噪后的BU信号不仅噪声分量得到了有效去除,而且信号特征保存完好,证明该方法能够应用于解决实际BU信...     

一种基于S_VMD与Sdr_SampEn的局部放电信号去噪方法

交联聚乙烯(XLPE)电缆作为“双碳”目标中电力传输的重要工具,在使用一定年限后绝缘性能会下降,局部放电(Partial Discharge, PD)检测作为评估XLPE电缆绝缘状态的重要手段已广泛应用。针对PD信号中存在的各类噪声问题,提出了一种基于Spearman变分模态分解(Spearman Variational Mode Decomposition, S_VMD)与空间相关递归样本熵(Spatial Dependence Recurrence Sample Entropy, Sdr_SampEn)的局部放电信号去噪方法。首先通过S_VMD将信号分解为K个最优本征模态分量(Intrinsic Mode Function,IMF),然后通过计算各IMF的Sdr_SampEn值来判定其是噪声主导分量还是PD主导分量;再对分类后的IMF分别采取改进小波阈值去噪和Savitzky-Golay (SG)滤波去噪,最后进行重构得到去噪后的PD信号。利用该方法对仿真与实测PD信号进行去噪处理,并与自适应变分模态分解(Adaptive VMD, AVMD)等去噪算法进行对比分析,结果表明该方法能有效抑制PD信号中的噪声,具有一定的工程价值。     

融合VMD优化和小波包分析的陶瓷检测信号降噪方法研究

针对陶瓷敲击检测信号含有噪声的问题,提出一种融合VMD优化与小波包分析（WPD）相结合的联合降噪方法。首先,应用能量的起始点检测准则提取实际信号的有效信息;其次,遗传算法（GA）选取VMD参数并自适应分解含噪信号;然后,计算各模态分量和原始信号的相关系数,将模态分量分为信号主分量和噪声分量;最后对信号主分量进行小波包分析,重构信息获取去噪后的信号。仿真实验证明：在分别加入10dB、20dB噪声时,该方法信噪比最高（23.81dB、24.75dB）,均方误差最小（0.07、0.01）, 与常用的去噪方法相比,去噪效果均有明显提升。陶瓷试件敲击检测信号测试实验表明,该方法能有效去除不同类型陶瓷试件敲击检测声音信号的噪声,具有良好的去噪性能。     

基于改进小波系数奇异值分解和小波去噪的低频振荡时变模式辨识

提出了一种基于连续小波变换(continuous walelet t r a n s f o r m , C W T )和奇异值分解( s i n g u l a r v a l u e decomposition,SVD)相结合的提升小波系数 SVD 辨识信号振荡频率和模式信息提取及信号去噪的新方法.克服了噪声较大或者密集模态时,小波脊线不清晰甚至会出现混叠和交叉难以提取频率的情况,根据提升的小波系数奇异值分解频率向量识别各阶振荡模式的频率.同时选用小波能量系数来识别主导振荡模式,用小波软阈值去噪和 SVD 分解后矩阵重构来进行信号去噪.CWT 可以处理含时变振荡模式的低频振荡信号,且对模式参数具有较高的辨识精度.仿真算例验证了算法的有效性和适用性