CN112766044B - 疏松样品纵横波速度分析方法、装置及计算机存储介质 - Google Patents

疏松样品纵横波速度分析方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN112766044B
CN112766044B CN202011576906.XA CN202011576906A CN112766044B CN 112766044 B CN112766044 B CN 112766044B CN 202011576906 A CN202011576906 A CN 202011576906A CN 112766044 B CN112766044 B CN 112766044B
Authority
CN
China
Prior art keywords
modal
longitudinal
wave
component
modal components
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.)
Active
Application number
CN202011576906.XA
Other languages
English (en)
Other versions
CN112766044A (zh
Inventor
王宗俊
范廷恩
高云峰
董洪超
胡光义
高静怀
田楠
范洪军
李辉
何荣胜
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.)
Beijing Research Center of CNOOC China Ltd
CNOOC China Ltd
Original Assignee
Beijing Research Center of CNOOC China Ltd
CNOOC China Ltd
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 Beijing Research Center of CNOOC China Ltd, CNOOC China Ltd filed Critical Beijing Research Center of CNOOC China Ltd
Priority to CN202011576906.XA priority Critical patent/CN112766044B/zh
Publication of CN112766044A publication Critical patent/CN112766044A/zh
Application granted granted Critical
Publication of CN112766044B publication Critical patent/CN112766044B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/14—Classification; Matching by matching peak patterns
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明涉及一种疏松样品纵横波速度的分析方法、装置及计算机存储介质，该方法包括：a利用VMD方法对含有噪声的超声频透射波信号{VS}进行分解，得到模态分量{VSi}，i＝1,…,N；b基于步骤a中的模态分量{VSi}，i＝1,…,N，依次计算各个模态分量的Fourier谱，利用Fourier谱来判断噪声模态和有效信号模态的分界，进而对筛选出的模态分量进行TFPF分析；c将步骤b中的结果与未处理的模态分量相加，得到原始信号的趋势及一些细节结构；d基于步骤c得到的原始信号趋势及一些细节结构，拾取初值Δt；e基于拾取初值Δt，计算样品的纵横波速度。本发明首次将TFPF‑TFPF引入进来，能够有效地保护有效结构特征，提高初至拾取的准确性。

Description

疏松样品纵横波速度分析方法、装置及计算机存储介质
技术领域
本发明涉及一种疏松样品纵横波速度的分析方法、装置及计算机存储介质，尤其是一种基于VMD-TFPF的疏松样品纵横波速度的分析方法、装置及计算机存储介质，属于地震勘探技术领域。
背景技术
在岩石物理实验测量中，当超声透射波通过疏松未固结样品时衰减强、信号弱、随机噪声高，使得准确初至拾取一直是一个难题。这就使得基于初至拾取计算得到的弹性参数(纵波、横波)精度低，常常难以满足测量要求。因此，需要对采集得到的信号进行去噪，再进行一系列的后续处理。其中随机噪声是噪声中的一种重要的类型，由于随机噪声具有随机性，因此处理起来有一定的难度。为了得到更佳的噪音压制效果，就需要更有效的滤波方法。目前，还未见公开发表就如何提高超声波信噪比，准确拾取波初至的进行研究。
至今，示波器系统里面内置了一些典型随机噪声压制方法，例如带宽限制滤波器、平均采集模式等。下面我们将对这两种随机噪声压制方法进行必要综述。
示波器系统中的带宽极限滤波器具有把示波器带宽限制到我们想要设置的频段。因此，那些在设置频带之外的信号，将从信号发生器中被完全去掉或部分衰减。从效果来看，该滤波器一方面可以保证输出信号的稳定性，另一方面，也可以一定程度上降低噪声。但是这里的带宽限制滤波器是比较简单的降噪方法，特别是对于某些高频噪音消除具有比较好的效果。
示波器系统中的平均采集模式是指首先对输出信号进行若干完整的采集循环，然后把信号进行逐点平均，以此获得每个采样点的平均电压。我们知道，噪声一般来说是随机的。因此，当我们进行多次输出信号叠加，就有可能将这些随机信号抵消，产生稳定的有效信号。需要说明的是平均采集模式要求输出波形必须是重复的。
以上技术具有以下缺点：
(1)带宽滤波器方法虽然可以一定程度上压制随机噪声，但是设置固定截止频率的具体最优数值选择往往难以实现，导致将有效信息滤掉的现象时常发生，降低信号质量。
(2)平均采集模式方法也依赖于采样点数的选择，具有很大随机性。这对于后期波形的初至拾取也会造成一定影响，进而不能准确计算样品的纵波和横波速度。
发明内容
针对上述突出问题，本发明提供一种疏松样品纵横波速度的分析方法、装置及计算机存储介质，该方法可以保留有效波成分，并且能够保持波形形态，进而可以精确地进行纵横波的初至拾取，最终准确地计算疏松样品的纵波和横波速度。
本发明中VMD(Variational Mode Decomposition)是指变分模态分解，TFPF(Time-Frequency Peak Filtering)是指时频峰值滤波。
为实现上述目的，本发明采取以下技术方案：
本发明第一方面提供一种疏松样品纵横波速度的分析方法，包括如下步骤：
a利用VMD方法对含有噪声的超声频透射波信号{VS}进行分解，得到模态分量{VSi}，i＝1,…,N，N为模态分量的总数；
b基于所述步骤a中的模态分量{VSi}，i＝1,…,N，依次计算各个模态分量的Fourier 谱，利用Fourier谱来判断噪声模态和有效信号模态的分界，进而对筛选出的模态分量进行TFPF分析，得到的结果为I为含噪模态分量的最小标号；
c将所述步骤b中的结果与未处理的模态分量相加，得到原始信号的趋势及细节结构；
d基于所述步骤c得到的原始信号趋势及细节结构，拾取初值Δt；
e基于拾取初值Δt，计算样品的纵横波速度。
所述的分析方法，优选地，所述步骤a中，模态分量{VSi}，i＝1,…,N是从低频到高频依次排列。
所述的分析方法，优选地，所述步骤b中，基于所述步骤a中的模态分量 {VSi}，i＝1,…,N，依次计算各个模态分量的Fourier谱F(ω)，其计算公式如下：
其中，ω表示频率变量；VSi表示第i个模态分量，t表示时间。
所述的分析方法，优选地，所述步骤b中，由Fourier谱可以得到每个模态分量的主频{ωi}，i＝1,…,N，当模态分量VSi的主频ωi远大于VSi-1的主频ωi-1，那么从第i个起之后的模态分量都需要利用TFPF进行处理。
所述的分析方法，优选地，所述步骤b中，对模态分量采用不同窗长的TFPF，i越大表示模态分量的频率越高，那么就选用越长的窗。
所述的分析方法，优选地，所述步骤c中，将未处理过的模态分量{VSi}，i＝1,…,N和相加就得到了原信号的趋势及细节结构；
所述的分析方法，优选地，所述步骤d中，根据P波和S波初始波向上起跳和向下起跳的特点，准确拾取P波和S波的初始起跳点。
所述的分析方法，优选地，所述步骤e中，纵横波速度的计算公式为：
V＝ls/Δt
其中，ls表示样品长度，Δt表示波通过样品的传播时间。
本发明第二方面提供一种疏松样品纵横波速度分析装置，包括：
第一处理单元，用于利用VMD方法对含有噪声的超声频透射波信号{VS}进行分解，得到模态分量{VSi}，i＝1,…,N，N为模态分量的总数；
第二处理单元，用于基于所述步骤a中的模态分量{VSi}，i＝1,…,N，依次计算各个模态分量的Fourier谱，利用Fourier谱来判断噪声模态和有效信号模态的分界，进而对筛选出的模态分量进行TFPF分析，得到的结果为I为含噪模态分量的最小标号；
第三处理单元，用于将所述步骤b中的结果与未处理的模态分量相加，得到原始信号的趋势及细节结构；
第四处理单元，用于基于所述步骤c得到的原始信号趋势及细节结构，拾取初值Δt；
第五处理单元，用于基于拾取初值Δt，计算样品的纵横波速度。
本发明第三方面提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述分析方法的步骤。
本发明由于采取以上技术方案，其具有以下优点：
本发明基于VMD-TFPF的疏松样品纵横波速度的分析方法，首次将TFPF-TFPF 引入进来，能够有效地保护有效结构特征，保持超声波信号的波形，进而提高初至拾取的准确性，最终提高速度的精度；并且该技术方案的算法容易于实现，可操作性好。
附图说明
图1为本发明一实施例提供的合成的有噪、无噪和VMD-TFPF处理后的信号的对比示意图；
图2为图1中两个子波形的放大示意图，其中，图(2a)为图1左边子波的局部放大；图(2b)为图1右边子波的局部放大；
图3为原始超声纵波(P波)信号(黑色虚线)和VMD-TFPF处理后的纵波(P 波)信号(黑色实线)，其中右侧竖线标记了准确的纵波起跳点，基本和VMD-TFPF 处理后的结果一致，左侧竖线标记了去噪前的纵波起跳点；
图4为原始超声横波(S波)信号(黑色虚线)和VMD-TFPF处理后的纵波(S 波)信号(黑色实线)；其中右侧竖线标记了准确的纵波起跳点，基本和VMD-TFPF 处理后的结果一致，左侧竖线标记了去噪前的横波起跳点。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种基于VMD-TFPF的疏松样品纵横波速度的分析方法，包括如下步骤：
a利用VMD方法对含有噪声的超声频透射波信号{VS}进行分解，得到模态分量{VSi}，i＝1,…,N，N为模态分量的总数；
b基于步骤a中的模态分量{VSi}，i＝1,…,N，依次计算各个模态分量的Fourier谱，利用Fourier谱来判断噪声模态和有效信号模态的分界，进而对筛选出的模态分量进行TFPF分析，得到的结果为(N为模态分量的总数，I为含噪模态分量的最小标号)
c将步骤b中的结果与未处理的模态分量{VSi}，i＝1,…,I-1相加，得到原始信号的趋势及细节结构；
d基于步骤c得到的原始信号趋势及细节结构，拾取初值Δt；
e基于拾取初值Δt，计算样品的纵横波速度。
本具体实施方式中，优选地，步骤a中，模态分量{VSi}，i＝1,…,N是从低频到高频依次排列。
本具体实施方式中，优选地，步骤b中，基于步骤a中的模态分量{VSi}，i＝1,…,N，依次计算各个模态分量的Fourier谱F(ω)，其计算公式如下：
其中，ω表示频率变量；VSi表示第i个模态分量，t表示时间。
本具体实施方式中，优选地，步骤b中，由Fourier谱可以得到每个模态分量的主频{ωi}，i＝1,…,N，当模态分量VSi的主频ωi远大于VSi-1的主频ωi-1，那么从第i个起之后的模态分量都需要利用TFPF进行处理。
本具体实施方式中，优选地，步骤b中，对模态分量采用不同窗长的TFPF，i越大表示模态分量的频率越高，那么就选用越长的窗。此处的窗是对信号进行截断，在窗内的信号被认为是线性的。
详细的VMD、TFPF算法可以参考文献《Variational mode decomposition》，2014，Dragomiretskiy,K.,and Zosso,D.，《Signal enhancement by time-frequency peakfiltering》， 2004，Boashash,B.,and Mesbah,M.。
本具体实施方式中，优选地，步骤c中，将未处理过的模态分量{VSi}，i＝1,…,N和相加就得到了原信号的趋势及细节结构；
本具体实施方式中，优选地，步骤d中，根据P波和S波初始波向上起跳和向下起跳的特点，准确拾取P波和S波的初始起跳点。
本具体实施方式中，优选地，步骤e中，纵横波速度的计算公式为：
V＝ls/Δt
其中，ls表示样品长度，Δt表示波通过样品的传播时间。
本发明还提供一种疏松样品纵横波速度分析装置，包括：
第一处理单元，用于利用VMD方法对含有噪声的超声频透射波信号{VS}进行分解，得到模态分量{VSi}，i＝1,…,N，N为模态分量的总数；
第二处理单元，用于基于步骤a中的模态分量{VSi}，i＝1,…,N，依次计算各个模态分量的Fourier谱，利用Fourier谱来判断噪声模态和有效信号模态的分界，进而对筛选出的模态分量进行TFPF分析，得到的结果为I为含噪模态分量的最小标号；
第三处理单元，用于将步骤b中的结果与未处理的模态分量相加，得到原始信号的趋势及细节结构；
第四处理单元，用于基于步骤c得到的原始信号趋势及细节结构，拾取初值Δt；
第五处理单元，用于基于拾取初值Δt，计算样品的纵横波速度。
本发明进一步还提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述分析方法的步骤。
下面结合附图对以上本发明的方法做进一步详细解释说明：
数值仿真结果
合成模型数据
为了验证VMD-TFPF方法的有效性，本发明采用35Hz主频的Ricker子波褶积得到一地震数据，如图1中黑色实曲线，并加入9dB的高斯白噪声，得到相应的含噪数据，如图1黑色虚线。经过VMD-TFPF处理的结果，如图1黑色加星标记的曲线所示，与无噪数据吻合。
为了更好地观察处理后结果的细节，在图2中展示了两个子波的局部放大图。可以很清晰地观测到，噪声被削弱的同时，有效信号结构也被很好地保留，结果与真实波形一致。这样会更有益于我们准确地拾取信号的初值，进一步地精确就算纵横波波速。
实际超声波信号
基于理论分析和合成数据结果，进一步将VMD-TFPF方法用于实际疏松样品的超声波信号数据的滤波处理。图3中给出某油砂样品的纵波(P波)超声波原始信号(黑色虚线)。由于受到随机噪声的影响，纵波初始起跳点的拾取受到一定影响。运用 VMD-TFPF方法对该道数据进行处理，对应的滤波结果为黑色实曲线。可以看出，纵波信号起跳点可以更加清楚的识别，这对后续利用波通过样品的传播时间和样品长度准确计算样品的纵波速度具有非常重要的作用。同样，图4给出了其横波(S波)超声波原始信号(黑色虚线)和VMD-TFPF处理后的信号(黑色实线)。可以看出， VMD-TFPF滤波后的横波信号可以更加准确的对其拾取初至。同时，上述该方法在压制随机噪声的同时，也很好的保留了有效信号的幅值。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种疏松样品纵横波速度的分析方法，其特征在于，包括如下步骤：
a利用变分模态分解方法对含有噪声的超声频透射波信号{VS}进行分解，得到模态分量{VSi}，i＝1,…,N，N为模态分量的总数；
b基于所述步骤a中的模态分量{VSi}，i＝1,…,N，依次计算各个模态分量的Fourier谱，利用Fourier谱来判断噪声模态和有效信号模态的分界，进而对筛选出的模态分量进行时频峰值滤波分析，得到的结果为I为含噪模态分量的最小标号；
c将所述步骤b中的结果与未处理的模态分量相加，得到原始信号的趋势及细节结构；
d基于所述步骤c得到的原始信号趋势及细节结构，拾取初值Δt；
e基于拾取初值Δt，计算样品的纵横波速度。
2.根据权利要求1所述的分析方法，其特征在于，所述步骤a中，模态分量{VSi}，i＝1,…,N是从低频到高频依次排列。
3.根据权利要求1所述的分析方法，其特征在于，所述步骤b中，基于所述步骤a中的模态分量{VSi}，i＝1,…,N，依次计算各个模态分量的Fourier谱F(ω)，其计算公式如下：
其中，ω表示频率变量；VSi表示第i个模态分量，t表示时间。
4.根据权利要求3所述的分析方法，其特征在于，所述步骤b中，由Fourier谱可以得到每个模态分量的主频{ωi}，i＝1,…,N，当模态分量VSi的主频ωi远大于VSi-1的主频ωi-1，那么从第i个起之后的模态分量都需要利用TFPF进行处理。
5.根据权利要求3所述的分析方法，其特征在于，所述步骤b中，对模态分量采用不同窗长的TFPF，i越大表示模态分量的频率越高，那么就选用越长的窗。
6.根据权利要求1所述的分析方法，其特征在于，所述步骤c中，将未处理过的模态分量{VSi}，i＝1,…,N和相加就得到了原信号的趋势及细节结构。
7.根据权利要求1所述的分析方法，其特征在于，所述步骤d中，根据P波和S波初始波向上起跳和向下起跳的特点，准确拾取P波和S波的初始起跳点。
8.根据权利要求3所述的分析方法，其特征在于，所述步骤e中，纵横波速度的计算公式为：
V＝ls/Δt
其中，ls表示样品长度，Δt表示波通过样品的传播时间。
9.一种疏松样品纵横波速度分析装置，用于实现权利要求1中所述的一种疏松样品纵横波速度的分析方法，其特征在于，包括：
第一处理单元，用于利用变分模态分解方法对含有噪声的超声频透射波信号{VS}进行分解，得到模态分量{VSi}，i＝1,…,N，N为模态分量的总数；
第二处理单元，用于基于所述步骤a中的模态分量{VSi}，i＝1,…,N，依次计算各个模态分量的Fourier谱，利用Fourier谱来判断噪声模态和有效信号模态的分界，进而对筛选出的模态分量进行时频峰值滤波分析，得到的结果为I为含噪模态分量的最小标号；
第三处理单元，用于将所述步骤b中的结果与未处理的模态分量相加，得到原始信号的趋势及细节结构；
第四处理单元，用于基于所述步骤c得到的原始信号趋势及细节结构，拾取初值Δt；
第五处理单元，用于基于拾取初值Δt，计算样品的纵横波速度。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述分析方法的步骤。
CN202011576906.XA 2020-12-28 2020-12-28 疏松样品纵横波速度分析方法、装置及计算机存储介质 Active CN112766044B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011576906.XA CN112766044B (zh) 2020-12-28 2020-12-28 疏松样品纵横波速度分析方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011576906.XA CN112766044B (zh) 2020-12-28 2020-12-28 疏松样品纵横波速度分析方法、装置及计算机存储介质

Publications (2)

Publication Number Publication Date
CN112766044A CN112766044A (zh) 2021-05-07
CN112766044B true CN112766044B (zh) 2024-03-22

Family

ID=75697702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011576906.XA Active CN112766044B (zh) 2020-12-28 2020-12-28 疏松样品纵横波速度分析方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN112766044B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114167495B (zh) * 2021-11-30 2023-08-11 长江大学 一种用于减少纵波压制的叠加自相关滤波方法及装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102062873A (zh) * 2009-11-13 2011-05-18 中国石油化工股份有限公司 一种纵横波匹配方法
WO2013115716A1 (en) * 2012-01-30 2013-08-08 S.P.M. Instrument Ab Apparatus and method for analysing the condition of a machine having a rotating part
CN105388212A (zh) * 2015-10-23 2016-03-09 北京大学 一种厚壁复合管状结构中缺陷的超声检测方法
EP3228016A1 (fr) * 2014-12-02 2017-10-11 Orange Procédé et dispositif d'annulation de bruit pour les systèmes de transmission bifilaires
CN107515424A (zh) * 2017-07-26 2017-12-26 山东科技大学 一种基于vmd与小波包的微震信号降噪滤波方法
CN107563969A (zh) * 2017-08-03 2018-01-09 天津大学 基于变分模态分解的dspi相位滤波方法
CN107589454A (zh) * 2017-07-25 2018-01-16 西安交通大学 一种基于vmd‑tfpf压制地震勘探随机噪声方法
CN109681789A (zh) * 2019-03-01 2019-04-26 重庆邮电大学 基于变分模态分解的流体管道泄漏声振动相干检测定位方法
CN110018517A (zh) * 2019-05-07 2019-07-16 西安石油大学 一种多尺度地面微地震逆时干涉定位方法
CN110208856A (zh) * 2019-06-05 2019-09-06 吉林大学 一种基于流形分区2d-vmd的沙漠复杂噪声压制方法
CN110764147A (zh) * 2019-11-06 2020-02-07 吉林大学 一种基于vmd局部f-x谱分解的沙漠勘探弱信号恢复方法
CN110865357A (zh) * 2019-10-25 2020-03-06 南京理工大学 一种基于参数优化vmd的激光雷达回波信号降噪方法
WO2020155002A1 (zh) * 2019-01-29 2020-08-06 南京工业大学 基于pso-vmd算法的管道泄漏检测装置及检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102062873A (zh) * 2009-11-13 2011-05-18 中国石油化工股份有限公司 一种纵横波匹配方法
WO2013115716A1 (en) * 2012-01-30 2013-08-08 S.P.M. Instrument Ab Apparatus and method for analysing the condition of a machine having a rotating part
EP3228016A1 (fr) * 2014-12-02 2017-10-11 Orange Procédé et dispositif d'annulation de bruit pour les systèmes de transmission bifilaires
CN105388212A (zh) * 2015-10-23 2016-03-09 北京大学 一种厚壁复合管状结构中缺陷的超声检测方法
CN107589454A (zh) * 2017-07-25 2018-01-16 西安交通大学 一种基于vmd‑tfpf压制地震勘探随机噪声方法
CN107515424A (zh) * 2017-07-26 2017-12-26 山东科技大学 一种基于vmd与小波包的微震信号降噪滤波方法
CN107563969A (zh) * 2017-08-03 2018-01-09 天津大学 基于变分模态分解的dspi相位滤波方法
WO2020155002A1 (zh) * 2019-01-29 2020-08-06 南京工业大学 基于pso-vmd算法的管道泄漏检测装置及检测方法
CN109681789A (zh) * 2019-03-01 2019-04-26 重庆邮电大学 基于变分模态分解的流体管道泄漏声振动相干检测定位方法
CN110018517A (zh) * 2019-05-07 2019-07-16 西安石油大学 一种多尺度地面微地震逆时干涉定位方法
CN110208856A (zh) * 2019-06-05 2019-09-06 吉林大学 一种基于流形分区2d-vmd的沙漠复杂噪声压制方法
CN110865357A (zh) * 2019-10-25 2020-03-06 南京理工大学 一种基于参数优化vmd的激光雷达回波信号降噪方法
CN110764147A (zh) * 2019-11-06 2020-02-07 吉林大学 一种基于vmd局部f-x谱分解的沙漠勘探弱信号恢复方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Denoising of UHF Partial Discharge Signals by Using VMD Based on Shannon Entropy and Kurtosis-Approximation Entropy;Shangbin Jiao;2019 14th IEEE Conference on Industrial Electronics and Applications (ICIEA);全文 *
基于VMD和SVD联合降噪方法的球磨机振动信号随机噪声压制;罗小燕;卢文海;游义平;胡显能;;噪声与振动控制;20191218(06);全文 *
基于VMD的多相介质超声回波检测技术;李力;施万发;魏伟;;煤炭学报(10);全文 *
基于模态分解技术的地震信号随机噪声压制方法研究;温志平;方江雄;刘军;辛秋生;邹意;葛圆圆;;科技广场(08);全文 *

Also Published As

Publication number Publication date
CN112766044A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN110598166B (zh) 一种自适应确定小波分层级数的小波去噪方法
CN110659621A (zh) 一种基于变分模态分解和排列熵的联合降噪方法
CN110057586A (zh) 轴承故障振动信号Schatten改进小波包与重构降噪方法
CN109031422A (zh) 一种基于CEEMDAN与Savitzky-Golay滤波的地震信号噪声抑制方法
CN110261910A (zh) 基于自适应稀疏s变换的地震数据面波去除方法
CN102624349B (zh) 一种对原始数据低失真的谐波噪声干扰和白噪声干扰的去除方法
CN113052000A (zh) 一种船舶机械设备早期微弱故障信号特征诊断方法
CN108287073B (zh) 基于奇异值分量频域谱的共振带选择方法
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
CN114358093A (zh) 一种电力设备中局部放电的检测方法及设备
CN112183407B (zh) 一种基于时频域谱减法的隧道地震波数据去噪方法及系统
CN114992033A (zh) 基于nlm-ceemdan的水电机组信号去噪方法
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
CN104133248A (zh) 一种高保真声波干扰压制方法
CN113567129A (zh) 一种列车轴承振动信号基于ceemd的降噪方法
CN115655719A (zh) 一种轴承振动信号分阶段降噪方法及轴承故障识别方法
CN114858430A (zh) 一种基于lcd-小波新阈值的机械密封声发射信号降噪方法
CN115563480A (zh) 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法
CN115307715A (zh) 一种基于sagnac光纤声传感系统的改进小波去噪方法
CN112213785B (zh) 一种基于特征增强去噪网络的地震资料沙漠噪声抑制方法
CN114690003A (zh) 一种基于eemd的局放信号降噪方法
CN113093282A (zh) 一种基于几何模态特征并行网络的沙漠数据消噪方法
CN113375065A (zh) 管道泄漏监测中趋势信号的消除方法及装置
CN112764108A (zh) 一种基于改进经验小波变换的新型地震资料噪声压制算法
CN113126164B (zh) 地震数据去噪方法及装置

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