CN112595782A - 一种基于eemd算法的超声波横波起跳点识别方法及系统 - Google Patents

一种基于eemd算法的超声波横波起跳点识别方法及系统 Download PDF

Info

Publication number
CN112595782A
CN112595782A CN202011286648.1A CN202011286648A CN112595782A CN 112595782 A CN112595782 A CN 112595782A CN 202011286648 A CN202011286648 A CN 202011286648A CN 112595782 A CN112595782 A CN 112595782A
Authority
CN
China
Prior art keywords
transverse wave
ultrasonic
noise
modal
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011286648.1A
Other languages
English (en)
Other versions
CN112595782B (zh
Inventor
管华栋
王观石
潘熙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi University of Science and Technology
Original Assignee
Jiangxi University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangxi University of Science and Technology filed Critical Jiangxi University of Science and Technology
Priority to CN202011286648.1A priority Critical patent/CN112595782B/zh
Publication of CN112595782A publication Critical patent/CN112595782A/zh
Application granted granted Critical
Publication of CN112595782B publication Critical patent/CN112595782B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明提供一种基于EEMD算法的超声波横波起跳点识别方法，提取原始的超声波横波信号，去除直流分量；提取超声波测试系统的噪声特征；该噪声特征从横波起跳前的信号中提取；采用EEMD算法对去除直流分量的超声波横波信号进行分解，获取频率成分由高到低的模态分量；EEMD算法为集成经验模态分解算法；提取各模态分量的频率特征，并计算各模态分量的能量；根据各模态分量的能量，排除噪声特征后，重构超声波横波信号，识别横波起跳点。本发明可以对不同声学特征主导的横波波形进行噪声与有效信号的区分并排除噪声干扰，使重构信号最大限度接近于有效信号，从而精确识别横波波形起跳点。

Description

一种基于EEMD算法的超声波横波起跳点识别方法及系统
技术领域
本发明属于岩石超声波测试领域，涉及一种基于EEMD(集成经验模态分解)算法的超声波横波起跳点识别方法及系统。
背景技术
声波是物体机械振动状态或能量的传播形式，振动频率超过20kHz的高频声波被称为超声波。超声波在一定距离内沿直线传播，具有良好的方向性和束射性，且穿透能力强，易于获得较集中的声能。超声波测试操作简单，便于重复试验，且属于无损检测，因此被广泛应用于医学、工业、农业以及军事等领域。
声波穿过岩石后会携带出丰富的岩石力学参数信息，许多岩土工程提取波速作为反映岩体力学状态的综合性指标，用于工程地质评价和岩石力学参数估算。按振动方向和传播方向的不同，超声波可分为纵波和横波，不同类型的波对于岩石力学参数的响应也不同。但是在现行岩体超声波测试领域中，绝大多数与岩石试样的动、静弹性模量相关联的声学参数主要集中在纵波波形信息上，而针对横波波形信息的获取和利用方面却相对较少。究其原因，岩石超声波测试中，横波波形受到噪声干扰较纵波严重，波形呈“毛刺状”，该波形中参杂的噪声对横波起跳点的识别造成极大干扰继而导致无法准确计算横波波速。缺乏横波波形特征的岩石超声波声学-力学关联是不够完整和严谨的。因此，必须先对横波波形进行有效除噪滤波。目前，传统滤波方式有带通滤波、小波变换滤波、加窗傅里叶变换滤波等。小波阈值去噪法中，全局最佳阈值往往在局部信号段不一定适用，而一旦阈值选定即无法在局部段更改；傅里叶带通滤波中频率带宽的选定在非稳态信号中也无法适应各局部信号段频率特征。传统的滤波方式或计算步骤繁杂、或自适应性差或要求计算人员经验丰富，都无法简单、高效地用于横波波形的除噪滤波。
发明内容
本发明要解决的技术问题是：提供一种基于EEMD算法的超声波横波起跳点识别方法及系统，从而让识别横波波形起跳点变得精准而简单高效。
本发明为解决上述技术问题所采取的技术方案为：一种基于EEMD算法的超声波横波起跳点识别方法，本方法包括以下步骤：
S1、提取原始的超声波横波信号，去除直流分量；
S2、提取超声波测试系统的噪声特征；该噪声特征从横波起跳前的信号中提取；
S3、采用EEMD算法对去除直流分量的超声波横波信号进行分解，获取频率成分由高到低的模态分量；EEMD算法为集成经验模态分解算法；
S4、提取S3得到的各模态分量的频率特征，并计算各模态分量的能量；
S5、根据各模态分量的能量，排除噪声特征后，重构超声波横波信号，识别横波起跳点。
按上述方法，所述的S2通过提取原始的超声波横波信号中前面幅值较低明显为噪声段的部分信号，进行FFT变换并进行频域下的声学特征分析，得到超声波测试系统的噪声特征。
按上述方法，所述的噪声特征包括噪声的频率特征和能量特征。
按上述方法，所述的S3具体为：
3.1、在去除直流分量的超声波横波信号Y(t)中加入一组平均值为0、方差相等、随机的白噪声序列；
Yi(t)＝Y(t)+Wi(t)(i＝1,2,3…n)
式中：Yi(t)为加入白噪声之后的超声波横波信号，Wi(t)为白噪声序列；
3.2、将Yi(t)进行EMD分解，得到n组频率成分由高到低的模态分量和n组残余分量：
Figure BDA0002782598800000021
式中：IMFij(t)为第i组第j个内禀模态函数，Ri(t)为第i组残余分量；
3.3、按以下公式分别求出n组模态分量和n组残余分量Ri(t)的平均值：
Figure BDA0002782598800000022
Figure BDA0002782598800000023
式中，IMFj(t)为n组第j个模态分量的平均值，R(t)为n组残余分量的平均值；
3.4、按以下公式求出原始的超声波横波信号Y(t)：
Figure BDA0002782598800000024
按上述方法，所述的S4具体为：
对各模态分量进行FFT变换，进行频域下的声学特征分析；按照以下公式计算各模态分量的能量：
Figure BDA0002782598800000025
式中：Ei(t)为第j个模态分量的能量。
按上述方法，所述的S5具体为：
比较各模态分量能量占比，根据S2的噪声特征排除各模态分量中的噪声分量；
在剩下的模态分量中选取能量优势信号为参与重构的有效信号，得到重构后的超声波横波时域波形图，识别横波起跳点；
所述的能量优势信号通过与预设的能量阈值比较得到。
一种基于EEMD算法的超声波横波起跳点识别系统，本系统包括：
直流分量去除模块，用于提取原始的超声波横波信号，去除直流分量；
噪声特征提取模块，用于提取超声波测试系统的噪声特征；该噪声特征从横波起跳前的信号中提取；
信号分解模块，用于采用EEMD算法对去除直流分量的超声波横波信号进行分解，获取频率成分由高到低的模态分量；EEMD算法为集成经验模态分解算法；
模态分量特征提取模块，用于提取得到的各模态分量的频率特征，并计算各模态分量的能量；
信号重构模块，用于根据各模态分量的能量，排除噪声特征后，重构超声波横波信号，识别横波起跳点。
按上述系统，所述的噪声特征提取模块具体通过提取原始的超声波横波信号中前面幅值较低明显为噪声段的部分信号，进行FFT变换并进行频域下的声学特征分析，得到超声波测试系统的噪声特征。
本发明的有益效果为：基于EEMD算法对超声波横波进行信号分解，获取模态分量，分析各模态分量的频率和能量，再依据提取的噪声特征从频率和能量角度进行有效模态分量的筛选，从而重构信号，最后识别横波起跳点，本发明可以对不同声学特征主导的横波波形进行噪声与有效信号的区分并排除噪声干扰，使重构信号最大限度接近于有效信号，从而精确识别横波波形起跳点，准确计算横波波速，为预测岩石物理力学性质和参数提供更为准确和全面的声学参数。
附图说明
图1为本发明一实施例的方法流程图。
图2为本发明一实施例的横波100KHz原始信号。
图3为横波100KHz去直流分量波形图。
图4为噪声段部分信号。
图5为噪声段频域特征图。
图6为各模态分量时域图谱。
图7为各模态分量频域图谱。
图8为超声波横波EEMD算法滤波后重构信号时域图。
图9为超声波横波EEMD算法滤波重构信号起跳点附近段局部放大图。
图10为超声波横波小波阈值去噪重构信号时域图。
图11为超声波横波傅里叶带通滤波重构信号时域图。
图12为本发明与传统滤波方式效果对比图。
具体实施方式
下面结合室内岩石超声波横波波速测试实例对本发明作进一步详细描述。
实验设备：非金属超声波测试试验仪、100kHz横波换能器、砂岩岩芯(直径5cm，长度10cm)、耦合铝箔纸、换能器恒压夹持器、游标卡尺。
试验参数：采样率设置为0.1μs，采样字节设置为4K，脉冲电压设置为250v，信号衰减设置为10，脉冲宽度设置为20μs。
本发明提供一种基于EEMD算法的超声波横波起跳点识别方法，如图1所示，本方法包括以下步骤：
S1、提取原始的超声波横波信号，去除直流分量。对原始信号按式(1)所示，去除直流分量。
Figure BDA0002782598800000041
式中：y(t)为原始的超声波横波信号，
Figure BDA0002782598800000042
为超声波横波原始信号的平均值，Y(t)为去直流分量之后的超声波横波信号，t为信号采集时间。
本实施例中，对砂岩岩芯进行横波测试，从非金属超声波测试试验仪中读取横波信号，时域波形图如图2所示，利用式(1)去除直流分量得到Y(t)，结果如图3所示。
由图3可以看出岩石超声波横波实测信号中出现了很多“毛刺”，在该时域图谱条件下，对于横波起跳点的识别是非常难以精确的。
S2、提取超声波测试系统的噪声特征；该噪声特征从横波起跳前的信号中提取。通过提取原始信号中前面幅值较低明显为噪声段的部分信号进行FFT变换并进行频域下的声学特征分析，得到超声波测试系统的噪声特征，以供甄别噪声信号。所述的噪声特征包括噪声的频率特征和能量特征。
本实施例中，通过提取原始信号中前面幅值较低明显为噪声段的部分信号如图4所示，进行FFT变换如图5所示，进行频域下的声学特征分析。由图5可知噪声段信号的主频稳定为2.5MHz且频率分布范围广泛，幅值偏低。因此，可根据噪声段信号低幅值，低能量占比的特点，从频率特征和能量角度甄别噪声和有效信号。
S3、采用EEMD算法对去除直流分量的超声波横波信号进行分解，获取频率成分由高到低的模态分量；EEMD算法为集成经验模态分解算法。S3具体为：
3.1、在去除直流分量的超声波横波信号Y(t)中加入一组平均值为0、方差相等、随机的白噪声序列；
Yi(t)＝Y(t)+Wi(t)(i＝1,2,3…n) (2)
式中：Yi(t)为加入白噪声之后的超声波横波信号，Wi(t)为白噪声序列。
3.2、将Yi(t)进行EMD分解，得到n组频率成分由高到低的模态分量和n组残余分量：
Figure BDA0002782598800000051
式中：IMFij(t)为第i组第j个内禀模态函数，Ri(t)为第i组残余分量。
3.3、按以下公式分别求出n组模态分量和n组残余分量Ri(t)的平均值：
Figure BDA0002782598800000052
Figure BDA0002782598800000053
式中，IMFj(t)为n组第j个模态分量的平均值，R(t)为n组残余分量的平均值。
3.4、按以下公式求出原始的超声波横波信号Y(t)：
Figure BDA0002782598800000054
本实施例中，利用MatLab软件以及式(2)～(5)求出Y(t)的各IMF分量，结果获得各模态分量如图6所示。
S4、提取S3得到的各模态分量的频率特征，并计算各模态分量的能量。S4具体为：
对各模态分量进行FFT变换，进行频域下的声学特征分析；按照以下公式计算各模态分量的能量：
Figure BDA0002782598800000055
式中：Ei(t)为第j个模态分量的能量。
本实施例中对以上模态分量逐一进行FFT变换以得到频域图谱，如图7所示；依据式(7)分别计算各模态分量的能量分布，如表1所示。
表1各模态分量的主频及信号能量数据
Figure BDA0002782598800000061
S5、根据各模态分量的能量，排除噪声特征后，重构超声波横波信号，识别横波起跳点。所述的S5具体为：比较各模态分量能量占比，根据S2的噪声特征排除各模态分量中的噪声分量；在剩下的模态分量中选取能量优势信号为参与重构的有效信号，得到重构后的超声波横波时域波形图，识别横波起跳点；所述的能量优势信号通过与预设的能量阈值比较得到。
本实施例中，对比提取的噪声频率和能量特征，通过表1可以确定主频为2.500MHz的IMF1、2.487MHz的IMF2，为噪声分量。因此，剔除IMF1、IMF2，剩余的IMF3～R中选取能量优势分量IMF4～IMF6为有效信号。将所有有效信号分量重构得到滤波后的超声波横波波形如图8所示，对该图的局部进行放大，如图9所示。从图9可以发现时域图谱中横波起跳前毛刺状干扰问题得到良好的改善，横波起跳点更加清晰，识别更加精确。最终得到横波波速为2049.18m/s。
为了更好地说明本发明所提出的滤波重构方法的优越性，将采用本发明的超声波横波信号处理方式与采用传统的小波阈值去噪及傅里叶带通滤波进行对比。针对同一试验岩样的超声波横波波形信息，使用阈值去噪及傅里叶带通滤波方法进行滤波处理，结果如图10-11所示。显然，从滤波效果来看，傅里叶带通滤波方法效果最差，小波阈值去噪方法稍好一点，但都不如本发明提出的超声波横波滤波重构方法。
再从横波起跳点识别角度来比较，将三种方法处理后的0～100μs时间段的波形图提取出来，如图12所示。由图12可知，傅里叶带通滤波方法处理后横波起跳点难以识别，而小波阈值去噪方法无法精确识别起跳点，三种方法中本发明提出的超声波横波滤波重构方法识别横波起跳点的效果最好。
本发明还提供一种基于EEMD算法的超声波横波起跳点识别系统，本系统包括：
直流分量去除模块，用于提取原始的超声波横波信号，去除直流分量。
噪声特征提取模块，用于提取超声波测试系统的噪声特征；该噪声特征从横波起跳前的信号中提取；所述的噪声特征提取模块具体通过提取原始的超声波横波信号中前面幅值较低明显为噪声段的部分信号，进行FFT变换并进行频域下的声学特征分析，得到超声波测试系统的噪声特征。
信号分解模块，用于采用EEMD算法对去除直流分量的超声波横波信号进行分解，获取频率成分由高到低的模态分量；EEMD算法为集成经验模态分解算法。
模态分量特征提取模块，用于提取得到的各模态分量的频率特征，并计算各模态分量的能量。
信号重构模块，用于根据各模态分量的能量，排除噪声特征后，重构超声波横波信号，识别横波起跳点。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现所述的方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的方法的步骤。
采用本发明提出的滤波重构方法后，可以更好地剔除噪声影响，使原始波形中由噪声污染导致的“毛刺状”波形变得更加平滑，转折变化更加清晰，更好地还原了有效信号的本来面貌。相较于传统小波阈值滤波以及傅里叶带通滤波方式，本发明对非稳态非线性信号的频率特征也更具有自适应性，该优势使得复杂的信号分解成有限个本征模函数(Intrinsic ModeFunctiong，简称IMF)，所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号而无需人为加窗或者设定阈值及滤波次数，大大提升了信号滤波及重构过程的智能化，降低了主观差异性。本发明提出的方法不仅使得横波波形起跳位置识别更加精确，还将重构信号提取的幅值和信号能量等声学参数更加接近真实值，为岩石超声波全波形分析创造有利条件。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (10)

1.一种基于EEMD算法的超声波横波起跳点识别方法，其特征在于：本方法包括以下步骤：
S1、提取原始的超声波横波信号，去除直流分量；
S2、提取超声波测试系统的噪声特征；该噪声特征从横波起跳前的信号中提取；
S3、采用EEMD算法对去除直流分量的超声波横波信号进行分解，获取频率成分由高到低的模态分量；EEMD算法为集成经验模态分解算法；
S4、提取S3得到的各模态分量的频率特征，并计算各模态分量的能量；
S5、根据各模态分量的能量，排除噪声特征后，重构超声波横波信号，识别横波起跳点。
2.根据权利要求1所述的超声波横波起跳点识别方法，其特征在于：所述的S2通过提取原始的超声波横波信号中前面幅值较低明显为噪声段的部分信号，进行FFT变换并进行频域下的声学特征分析，得到超声波测试系统的噪声特征。
3.根据权利要求2所述的超声波横波起跳点识别方法，其特征在于：所述的噪声特征包括噪声的频率特征和能量特征。
4.根据权利要求1所述的超声波横波起跳点识别方法，其特征在于：所述的S3具体为：
3.1、在去除直流分量的超声波横波信号Y(t)中加入一组平均值为0、方差相等、随机的白噪声序列；
Yi(t)＝Y(t)+Wi(t)(i＝1,2,3…n)
式中：Yi(t)为加入白噪声之后的超声波横波信号，Wi(t)为白噪声序列；
3.2、将Yi(t)进行EMD分解，得到n组频率成分由高到低的模态分量和n组残余分量：
Figure FDA0002782598790000011
式中：IMFij(t)为第i组第j个内禀模态函数，Ri(t)为第i组残余分量；
3.3、按以下公式分别求出n组模态分量和n组残余分量Ri(t)的平均值：
Figure FDA0002782598790000012
Figure FDA0002782598790000013
式中，IMFj(t)为n组第j个模态分量的平均值，R(t)为n组残余分量的平均值；
3.4、按以下公式求出原始的超声波横波信号Y(t)：
Figure FDA0002782598790000021
5.根据权利要求4所述的超声波横波起跳点识别方法，其特征在于：所述的S4具体为：
对各模态分量进行FFT变换，进行频域下的声学特征分析；按照以下公式计算各模态分量的能量：
Figure FDA0002782598790000022
式中：Ei(t)为第j个模态分量的能量。
6.根据权利要求1所述的超声波横波起跳点识别方法，其特征在于：所述的S5具体为：
比较各模态分量能量占比，根据S2的噪声特征排除各模态分量中的噪声分量；
在剩下的模态分量中选取能量优势信号为参与重构的有效信号，得到重构后的超声波横波时域波形图，识别横波起跳点；
所述的能量优势信号通过与预设的能量阈值比较得到。
7.一种基于EEMD算法的超声波横波起跳点识别系统，其特征在于：本系统包括：
直流分量去除模块，用于提取原始的超声波横波信号，去除直流分量；
噪声特征提取模块，用于提取超声波测试系统的噪声特征；该噪声特征从横波起跳前的信号中提取；
信号分解模块，用于采用EEMD算法对去除直流分量的超声波横波信号进行分解，获取频率成分由高到低的模态分量；EEMD算法为集成经验模态分解算法；
模态分量特征提取模块，用于提取得到的各模态分量的频率特征，并计算各模态分量的能量；
信号重构模块，用于根据各模态分量的能量，排除噪声特征后，重构超声波横波信号，识别横波起跳点。
8.根据权利要求7所述的超声波横波起跳点识别系统，其特征在于：所述的噪声特征提取模块具体通过提取原始的超声波横波信号中前面幅值较低明显为噪声段的部分信号，进行FFT变换并进行频域下的声学特征分析，得到超声波测试系统的噪声特征。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6中任意一项所述的方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法的步骤。
CN202011286648.1A 2020-11-17 2020-11-17 一种基于eemd算法的超声波横波起跳点识别方法及系统 Active CN112595782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011286648.1A CN112595782B (zh) 2020-11-17 2020-11-17 一种基于eemd算法的超声波横波起跳点识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011286648.1A CN112595782B (zh) 2020-11-17 2020-11-17 一种基于eemd算法的超声波横波起跳点识别方法及系统

Publications (2)

Publication Number Publication Date
CN112595782A true CN112595782A (zh) 2021-04-02
CN112595782B CN112595782B (zh) 2022-07-22

Family

ID=75183084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011286648.1A Active CN112595782B (zh) 2020-11-17 2020-11-17 一种基于eemd算法的超声波横波起跳点识别方法及系统

Country Status (1)

Country Link
CN (1) CN112595782B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837141A (zh) * 2021-10-12 2021-12-24 国网山东省电力公司电力科学研究院 一种抗驱鼠器干扰的信号提取方法及装置
CN114062992A (zh) * 2021-09-23 2022-02-18 广西电网有限责任公司玉林供电局 一种电流互感器一次侧检测过程超声波提取方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120253694A1 (en) * 2011-03-28 2012-10-04 Hong-Tsu Young Method and apparatus for judging status of mechanical system
CN102830170A (zh) * 2012-07-23 2012-12-19 中国科学院地质与地球物理研究所 一种基于超声测试获取煤样横波信号的控制方法及装置
US20180055445A1 (en) * 2016-08-30 2018-03-01 Winbond Electronics Corp. Method and apparatus for pulse signal analyzing
CN108121967A (zh) * 2017-12-21 2018-06-05 云南航天工程物探检测股份有限公司 一种基于iceemd的锚杆锚固检测信号分析方法
CN109580787A (zh) * 2018-12-08 2019-04-05 国网四川省电力公司广安供电公司 用于变压器高压套管引线超声检测的超声回波去噪方法
CN110051325A (zh) * 2019-03-29 2019-07-26 重庆邮电大学 基于小波变换及改进eemd的心电信号综合滤波方法
CN110850488A (zh) * 2018-08-20 2020-02-28 北京航天长峰科技工业集团有限公司 一种冲激脉冲超声波的生命探测方法
CN111582132A (zh) * 2020-04-30 2020-08-25 南京信息工程大学 基于改进eemd与pcnn的气体泄漏信号降噪方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120253694A1 (en) * 2011-03-28 2012-10-04 Hong-Tsu Young Method and apparatus for judging status of mechanical system
CN102830170A (zh) * 2012-07-23 2012-12-19 中国科学院地质与地球物理研究所 一种基于超声测试获取煤样横波信号的控制方法及装置
US20180055445A1 (en) * 2016-08-30 2018-03-01 Winbond Electronics Corp. Method and apparatus for pulse signal analyzing
CN108121967A (zh) * 2017-12-21 2018-06-05 云南航天工程物探检测股份有限公司 一种基于iceemd的锚杆锚固检测信号分析方法
CN110850488A (zh) * 2018-08-20 2020-02-28 北京航天长峰科技工业集团有限公司 一种冲激脉冲超声波的生命探测方法
CN109580787A (zh) * 2018-12-08 2019-04-05 国网四川省电力公司广安供电公司 用于变压器高压套管引线超声检测的超声回波去噪方法
CN110051325A (zh) * 2019-03-29 2019-07-26 重庆邮电大学 基于小波变换及改进eemd的心电信号综合滤波方法
CN111582132A (zh) * 2020-04-30 2020-08-25 南京信息工程大学 基于改进eemd与pcnn的气体泄漏信号降噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JINPENG ZHANG ET AL: "The extractionmethod of laser ultrasonic defect signal based on EEMD", 《OPTICS COMMUNICATIONS》 *
王正君 等: "超声反射波法检测水泥混凝土板厚度的研究", 《武汉理工大学学报（交通科学与工程版）》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114062992A (zh) * 2021-09-23 2022-02-18 广西电网有限责任公司玉林供电局 一种电流互感器一次侧检测过程超声波提取方法及装置
CN113837141A (zh) * 2021-10-12 2021-12-24 国网山东省电力公司电力科学研究院 一种抗驱鼠器干扰的信号提取方法及装置
CN113837141B (zh) * 2021-10-12 2023-10-27 国网山东省电力公司电力科学研究院 一种抗驱鼠器干扰的信号提取方法及装置

Also Published As

Publication number Publication date
CN112595782B (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN112595782B (zh) 一种基于eemd算法的超声波横波起跳点识别方法及系统
CN106226407B (zh) 一种基于奇异谱分析的超声回波信号在线预处理方法
CN105116442B (zh) 岩性油气藏弱反射地震信号的重构方法
CN103984866A (zh) 一种基于局域均值分解的信号去噪方法
CN106199532B (zh) 基于混合傅立叶-小波分析的探地雷达信号降噪方法
CN109871733A (zh) 一种自适应海杂波信号去噪方法
CN108844617B (zh) 主减速器强噪声振动信号的自适应稀疏树结构降噪方法
CN102258368B (zh) 胎心电检测的时域稀疏性线性混叠盲分离模型的判别方法
d’Auria et al. Polarization analysis in the discrete wavelet domain: an application to volcano seismology
CN109932624A (zh) 一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法
Madhusudhana et al. Automatic detection of echolocation clicks based on a Gabor model of their waveform
CN115857013A (zh) 一种利用改进welch法计算地震计自噪声的方法
Li et al. Magnetotelluric signal-noise separation method based on SVM–CEEMDWT
CN102043168B (zh) 一种对数字信号进行仿真加噪的处理方法
CN109009079A (zh) 用户状态检测系统和方法、计算机设备、计算机存储介质
CN111709279B (zh) 一种利用svd-emd算法分离微地震噪声混合信号的算法
US8995230B2 (en) Method of extracting zero crossing data from full spectrum signals
CN111736218A (zh) 地层各向异性成因定量分析方法、设备及可读存储介质
CN112766044B (zh) 疏松样品纵横波速度分析方法、装置及计算机存储介质
CN105156901B (zh) 一种基于小波分析的光纤预警系统降噪方法及装置
Veeraiyan et al. Frequency domain based approach for denoising of underwater acoustic signal using EMD
CN114035238A (zh) 基于双树复小波变换的超前地质预报方法
CN117331125B (zh) 一种分裂波束数据处理方法、装置、电子设备和介质
CN117851754A (zh) 一种基于小波变换的多脉冲测试去噪方法
CN114924328B (zh) 一种带垂直磁场参考道的城市人工源电磁勘探方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant