CN115859054B - 基于mic-ceemdan的水电机组尾水管压力脉动信号去噪方法 - Google Patents
基于mic-ceemdan的水电机组尾水管压力脉动信号去噪方法 Download PDFInfo
- Publication number
- CN115859054B CN115859054B CN202211683842.2A CN202211683842A CN115859054B CN 115859054 B CN115859054 B CN 115859054B CN 202211683842 A CN202211683842 A CN 202211683842A CN 115859054 B CN115859054 B CN 115859054B
- Authority
- CN
- China
- Prior art keywords
- signal
- component
- mic
- pressure pulsation
- ceemdan
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000010349 pulsation Effects 0.000 title claims abstract description 48
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 37
- 238000000354 decomposition reaction Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 5
- 238000011144 upstream manufacturing Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及振动信号分析与处理技术领域，具体涉及一种基于MIC‑CEEMDAN的水电机组尾水管压力脉动信号去噪方法，首先对原始信号进行CEEMDAN方法分解预处理信号得到一系列IMF分量，同时计算各个分量的最大信息数(MIC)，并根据MIC值大小将分量划分为高频含噪分量、信噪混合分量和低频有效分量，最后以阈值0.2为界将低频有效分量进行信号的重构，从而完成水电机组尾水管压力脉动信号的去噪。该方法可以有效减少干扰噪声对有效信号分析的影响，同时解决了信号处理过程中的模态混叠和端点效应，能有效减少干扰噪声的影响，显著提升水电机组尾水管压力脉动信号去噪的准确度。
Description
技术领域
本发明涉及振动信号分析与处理技术领域，具体是涉及一种基于MIC-CEEMDAN的水电机组尾水管压力脉动信号去噪方法。
背景技术
水电机组振动监测信号常包含大量异常数据，严重影响机组健康状态评估与预测，目前数据清洗常见于风电机组、电网等，水电机组应用较少。现有水电机组尾水管压力脉动信号的噪声滤除和故障特征提取方法按照其信号处理的算法的不同，大致可分为以下几类：一是基于傅里叶变换的传统的水电机组尾水管压力脉动信号去噪方法；二是基于小波分析的水电机组尾水管压力脉动信号去噪方法；三是利用经验模态分解方法(EmpiricalMode Decomposition，EMD)及衍生的相关分解算法，如集合经验模态分解EEMD(EnsembleEmpirical Mode Decomposirion)、CEEMD算法、VMD算法的水电机组尾水管压力脉动信号去噪方法。
小波分析虽然可以进行相应的非平稳信号分析，但是其参数设置缺乏自适应性。经验模态分解(EMD)虽可在时频上对信号进行全面分析，但其分解过程中容易产生模态混叠、端点效应等问题。EEMD虽然在EMD的基础上加了白噪声进行辅助从而更好的解决模态混叠现象，但是会有残余白噪声，且IMF分量的选取完全依靠经验来确定，严重影响了对信号分解重构的准确性。VMD可以实现信号频域内各个分量的自适应分割，能够有效克服EMD分解中产生的模式混叠现象，比EMD更强的噪声鲁棒性以及更弱的端点效应，但是VMD不是对于所有的非平稳信号都是可以直接使用的，对一些非平稳信号需要进行预处理，另外在对VMD中的K参数进行选择时，没有一个准则，需要经验知识来进行调整。
CN114992033A公开了NLM-CEEMDAN算法对于水电机组信号的去噪处理，首先采用非局部均值滤波(NLM)进行噪声预处理，然后通过CEEMDAN分解为若干个本征模态函数IMF分量，并对每一个IMF进行样本熵计算，从而根据熵值来划分各不同噪声，然后对其进行小波阈值作最会的去噪处理。与本专利相比，CN114992033A对其NLM预处理算法要求其像素点数较多导致计算时间长，且一般去除的是高斯白噪声，这与后续CEEMDAN中增加白噪声环节相反。至与最后的小波阈值的处理，受限于小波基和分解层数的选择，使得对最终的去噪效果产生很大的影响。
发明内容
本发明的目的在于针对现有技术中CEEMDAN方法对低信噪比信号的去噪效果不理想的问题，提出了一种基于MIC-CEEMDAN的水电机组尾水管压力脉动信号去噪方法，可用于有效去除水电机组尾水管压力脉动信号中的噪声成分，以便于实现水电机组尾水管的在线监测和故障特征提取。
为实现上述目的，本发明所述基于MIC-CEEMDAN的水电机组尾水管压力脉动信号去噪方法，其特征在于包括如下步骤：
S1.将所述水电机组尾水管原始压力脉动信号y(t)进行CEEMDAN集合经验模态分解，获得固有模态分量IMF；
S2.分别计算各模态分量IMF和原始信号y(t)的MIC值；
S3.根据所述MIC值的大小，将分量集合划分为高频噪声分量、信噪混合分量和低频有效分量三部分；
S4.从原始水电机组尾水管压力脉动信号y(t)中滤除所述高频噪声分量和信噪混合分量，完成水电机组尾水管压力脉动信号的去噪，重构后的信号为x(t)。
更进一步的技术方案是所述步骤S1对原始信号y(t)进行CEEMDAN集合经验模态分解的方法为：实际带噪声的水电机组尾水管压力脉动信号y(t)为真实压力脉动信号x(t)和外部干扰噪声n(t)的叠加；具体步骤包括：
S101.将高斯白噪声加入到原始信号y(t)中，从而得到新信号y(t)+(-1)qεvj(t)，式中q＝1,2，vj为满足标准正态分布的高斯白噪声信号，j＝1,2,3…N为加入白噪声的次数，ε为白噪声的标准表；
对新信号进行EMD分解，得到：
S102.对产生的N个模态分量进行总体平均就得到CEEMDAN分解的第1个本征模态分量：
式中，N为加入白噪声的次数；
S103.计算去除第一个模态分量的残差：
S104.在r1(t)中加入正负成对高斯白噪声得到新信号，以新信号为载体进行EMD分解，得到模态分量由此可以得到CEEMDAN分解的第2个本征模态分量：
S105.计算去除第二个模态分量的残差：
S106.如此重复以上的步骤，直到分解后的残差为单调函数，算法结束，此时获得的本征模态分量数为K，那么最终原始信号被分解为：
更进一步的技术方案是所述步骤S2的具体步骤包括：
S201.对于给定的数据集D＝{(xi,yi),i＝1,2,…,n}，如果将X轴划分为x个格子，Y轴划分为y个格子，那么我们可以得到一个x×y的网格划分G，将落入G的点的数量占数据集D数量的比例看做是其概率密度D|G；而根据不同的网格划分情况得到的概率分布D|G也不同；
因此，对给定有限有序对数据集该数据集被划分为一个x×y网格G，对应的概率分布D|G，其中x,y是正整数，给出最大互信息如下：
其中，D是给定的数据集；x,y是对这个数据集的某种划分数量；p(X,Y)是联合密度函数；p(X)和p(Y)是边缘概率分布函数；
S202.对于最大互信息I(D,X,Y)进行归一化，归一化后的值在区间[0,1]之间，采用sigmoid函数进行归一化计算，设有两个随机变量的数据集D，最大信息数P，它的最大信息系数MIC公式如下：
MIC(D)＝max{M(D)}。
更进一步的技术方案是所述步骤S3中划分分量集合的方法为从机组尾水管压力脉动信号各分量的MIC值，以阈值为0.2为界，小于0.2的划分为高频噪声分量；在0.2～0.3的划分为信噪混合分量；大于0.3的划分为低频有效分量。
工作原理：本发明提出了提供基于MIC-CEEMDAN的水电机组尾水管压力脉动信号去噪方法，首先对原始信号进行CEEMDAN方法分解预处理信号得到一系列IMF分量，同时计算各个分量的最大信息数(MIC)，并根据MIC值大小将分量划分为高频含噪分量、信噪混合分量和低频有效分量，最后以阈值0.2为界将低频有效分量进行信号的重构，从而完成水电机组尾水管压力脉动信号的去噪。该方法可以有效减少干扰噪声对有效信号分析的影响，同时解决了信号处理过程中的模态混叠和端点效应，能有效减少干扰噪声的影响，显著提升水电机组尾水管压力脉动信号去噪的准确度。
本发明是通过在MATLAB中应用算法来对具体的水电机组尾水管压力脉动信号模型进行去噪处理，并得到去噪前后的水电机组尾水管压力脉动信号波形图进行定性的去噪效果对比，同时根据去噪前后的去噪性能指标进行定量的去噪效果对比。
与现有技术相比，本发明的有益效果是：
(1)相较于传统的原始信号分解的方法，本文提出的分解原始信号进行去噪重构的方法使去噪后的压力脉动信号去噪效果得到极大的提高，更接近于真实压力脉动信号。
(2)基于MIC-CEEMDAN的水电机组尾水管压力脉动信号去噪方法对于仿真信号及实测信号的去噪效果都优于传统方法，能有效滤除噪声成分，为水电机组尾水管压力脉动信号在线监测提供有力帮助。
(3)引进了sigmoid函数代替传统MIC中的归一化，在其基础上解决了具体网格划分数量的局限，且直接利用最大互信息值进行计算，在时间和参数选择上有了很大的提高，由于传统MIC值的梯度差异比较大，使得每个IMF分量中存在干扰信号的过度筛选，因此sigmoid归一化在梯度改变方面也有了很大的改善。
(4)本专利在完全保留原信号的基础上直接进行CEEMDAN分解，耗时较短，且利用改进后的最大信息数(MIC)完成各IMF分量与原信号的相关性计算，MIC算法经验所得默认阈值为0～0.3为弱相关，0.3～0.6为相关，0.6～1为高度相关，结果显示在未完全克服小波阈值降噪方法基础上直接根据MIC值对尾水管压力脉动信号进行筛选重构，其去噪效果好，且更加经济省时。
附图说明
图1为本发明方法的流程图。
图2为传统的MIC方法较改进后的MIC值梯度图。
图3为水电机组尾水管上游DT5测点部分负荷(PL)时实测信号波形图。
图4为去噪后的水电机组尾水管上游DT5测点部分负荷(PL)时实测信号波形图。
图5为水电机组尾水管上游DT5测点最佳负荷(BE)时实测信号波形图。
图6为去噪后的水电机组尾水管上游DT5测点最佳负荷(BE)时实测信号波形图。
图7为水电机组尾水管上游DT5测点高负荷(HL)时实测信号波形图。
图8为去噪后的水电机组尾水管上游DT5测点高负荷(HL)时实测信号波形图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述，但以下实施例仅是说明性的，本发明的保护范围并不受这些实施例的限制。
通过在Francis-99研讨会系列下使用了NTNU-挪威科技大学提供的测试用例，以尾水管DT5测点为例，研究分别在部分负荷、最佳负荷、高负荷时的压力数据。该水电机组尾水管压力脉动信号采集过程中的机组转速为34.8r/s，试验的采样率fs为5kHz，对数据中的15000个点进行分析，以确保信号处理分析中的特征参数能全面真实地反映实际工况。由于无法从实测信号得到理想的压力脉动信号，下面定义了信号去噪前后的熵值计算，来表征去噪前后信号的复杂度，该值越小，则去噪效果越好。
其中i为行，即数据长度，j代表列。
其中y(t)为带有噪声的原始信号，x(t)为去噪后的原始信号。
下面结合实施例描述本发明所述一种基于MIC-CEEMDAN的水电机组尾水管压力脉动信号去噪的方法，不失一般性，针对实例中的水电机组的实际尾水管上游DT5测点部分负荷信号、实际尾水管上游DT5测点最佳负荷信号以及实际尾水管上游DT5测点高负荷信号均用MIC-CEEMDAN的方法进行去噪处理，并将结果与Spearman-EMD去噪方法处理同一种信号的结果进行对比，以验证基于MIC-CEEMDAN的水电机组尾水管压力脉动信号去噪的方法的优越性，包括如下所述具体过程：
实施例一
水电机组的实际尾水管上游DT5测点部分负荷信号去噪。
如图1所示，本发明实施例提供的基于MIC-CEEMDAN的水电机组尾水管压力脉动信号去噪方法，包括如下步骤：
S1.利用CEEMDAN分解算法对水电机组尾水管上游DT5测点部分负荷实际信号进行由高频到低频分量的分解，该分解过程如下：
S101.将高斯白噪声加入到原始信号y(t)中，从而得到新信号y(t)+(-1)qεvj(t)，式中q＝1,2，对新信号进行EMD分解，得到：
S102.对产生的N个模态分量进行总体平均就得到CEEMDAN分解的第1个本征模态分量：
S103.计算去除第一个模态分量的残差：
S104.在r1(t)中加入正负成对高斯白噪声得到新信号，以新信号为载体进行EMD分解，得到第一阶模态分量由此可以得到CEEMDAN分解的第2个本征模态分量：
S105.计算去除第二个模态分量的残差：
S106.如此重复以上的步骤，直到分解后的残差为单调函数，算法结束，此时获得的本征模态分量数为K，那么最终原始信号被分解为：
S2.分别计算各模态分量IMF和原始信号y(t)的MIC值，具体步骤包括：
S201.对于给定的数据集D＝{(xi,yi),i＝1,2,…,n}，如果将X轴划分为x个格子，Y轴划分为y个格子，那么我们可以得到一个x×y的网格划分G，将落入G的点的数量占数据集D数量的比例看做是其概率密度D|G。而根据不同的网格划分情况得到的概率分布D|G也不同。如此，MIC的定义如2.1所示。
定义2.1给定有限有序对数据集该数据集被划分为一个x×y网格G，对应的概率分布D|G，其中x,y是正整数，给出最大互信息如式2.2.2所示
其中，D是给定的数据集；x,y是对这个数据集的某种划分数量；p(X,Y)是联合密度函数，这里是用落入某个小网格的数量占样本容量的比例来近似得出；p(X)和p(Y)是边缘概率分布函数。
S202.如果给定划分的数量，那么改变划分的位置，会得到不同的互信息值，记录其中最大的互信息值为I(D,X,Y)。之后进行归一化，以便在不同维数的数据集间进行比较，归一化后的值在区间[0,1]之间。如果再改变划分的数量，那么就可以得到关于变量之间的归一化后的互信息值的特征矩阵，如下所示。取特征矩阵的最大值即为两个变量之间的最大信息系数MIC值，如定义2.2中所示。
定义2.2设有两个随机变量的数据集D，最大信息数I。它的最大信息系数定义为式2.2.4所示,
MIC(D)＝max{M(D)} (2.2.4)
计算各IMF分量和原始信号的最大信息数(MIC)值。如表1所示。
S3.从水电机组的实际尾水管上游DT5测点部分负荷信号中滤除高频噪声IMF分量即可完成基于MIC-CEEMDAN的实例水电机组的实际尾水管上游DT5测点部分负荷信号的去噪。通过MATLAB算法拟合计算，可分别得到实例水电机组尾水管的实际尾水管上游DT5测点部分负荷信号去噪前后的波形图，分别如图3和4所示。
S4.分别计算利用MIC-CEEMDAN方法、Spearman-EMD滤波方法对水电机组实际尾水管上游DT5测点部分负荷信号去噪后的熵值计算e，为e1＝0.9991、e2＝0.9946，可以发现e1值最大，即证明了基于MIC-CEEMDAN的水电机组尾水管压力脉动信号去噪方法优于传统的滤波去噪方法。该熵值e的数值见表2。
实施例二
水电机组的实际尾水管上游DT5测点最佳负荷信号去噪。
S1.将所述水电机组尾水管原始压力脉动信号y(t)进行CEEMDAN集合经验模态分解，获得一系列的固有模态分量IMF。
S2.分别计算各模态分量IMF和原始信号y(t)的MIC值；
在本实施例中，计算各IMF分量和原始信号的最大信息数(MIC)，该数值也见表1。
S3.再从水电机组的实际尾水管上游DT5测点最佳负荷信号中滤除高频噪声IMF分量即可完成基于MIC-CEEMDAN的实例水电机组的实际尾水管上游DT5测点最佳负荷信号的去噪。通过MATLAB算法拟合计算，可分别得到实例水电机组尾水管的实际尾水管上游DT5测点最佳负荷信号去噪前后的波形图，分别如图5和6所示。
S4.分别计算利用MIC-CEEMDAN方法、Spearman-EMD滤波方法对水电机组实际尾水管上游DT5测点部分负荷信号去噪后的熵值e，为e1＝0.9997、e2＝0.9974，可以发现e1值最大，即证明了基于MIC-CEEMDAN的水电机组尾水管压力脉动信号去噪方法优于传统的滤波去噪方法。该熵值e的数值也见表2。
实施例三
水电机组的实际尾水管上游DT5测点高负荷信号去噪。
S1.将所述水电机组尾水管原始压力脉动信号y(t)进行CEEMDAN集合经验模态分解，获得一系列的固有模态分量IMF；
S2.分别计算各模态分量IMF和原始信号y(t)的MIC值；
在本实施例中，计算各IMF分量和原始信号的最大信息数(MIC)，该数值同样见表1。
S3.再从水电机组的实际尾水管上游DT5测点高负荷信号中滤除高频噪声IMF分量即可完成基于MIC-CEEMDAN的实例水电机组的实际尾水管上游DT5测点高负荷信号的去噪。通过MATLAB算法拟合计算，可分别得到实例水电机组尾水管上游DT5测点高负荷信号去噪前后的波形图，分别如图7和8所示。
S4.分别计算利用MIC-CEEMDAN方法、Spearman-EMD滤波方法对水电机组实际尾水管上游DT5测点高负荷信号去噪后的熵值e，为e1＝0.9999、e2＝0.9982，可以发现e1值最大，即证明了基于MIC-CEEMDAN的水电机组尾水管压力脉动信号去噪方法优于传统的滤波去噪方法。该熵值e的数值同样也见表2。
表1尾水管压力脉动信号各分量的MIC
表2不同方法去噪后的尾水管压力脉动信息熵
| 方法 | (部分负荷)PL | (最佳负荷)BE | (高负荷)HL |
| Spearman-EMD | 0.9991 | 0.9997 | 0.9999 |
| MIC-CEEMDAN | 0.9946 | 0.9974 | 0.9982 |
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。本领域的技术人员容易理解，以上所述仅为本发明专利的较佳实施例而已，并不用以限制本发明专利，凡在本发明专利的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明专利的保护范围之内。本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (2)
1.基于MIC-CEEMDAN的水电机组尾水管压力脉动信号去噪方法，其特征在于包括如下步骤：
S1.将所述水电机组尾水管原始压力脉动信号y(t)进行CEEMDAN集合经验模态分解，获得固有模态分量IMF；
S2.分别计算各模态分量IMF和原始信号y(t)的MIC值；
S3.根据所述MIC值的大小，将分量集合划分为高频噪声分量、信噪混合分量和低频有效分量三部分；
S4.从原始水电机组尾水管压力脉动信号y(t)中滤除所述高频噪声分量和信噪混合分量，完成水电机组尾水管压力脉动信号的去噪，重构后的信号为x(t)；所述步骤S2的具体步骤包括：
S201.对于给定的数据集D＝{(xi,yi),i＝1,2,…,n}，如果将X轴划分为x个格子，Y轴划分为y个格子，那么我们可以得到一个x×y的网格划分G，将落入G的点的数量占数据集D数量的比例看做是其概率密度D|G；而根据不同的网格划分情况得到的概率分布D|G也不同；
因此，对给定有限有序对数据集该数据集被划分为一个x×y网格G，对应的概率分布D|G，其中x,y是正整数，给出最大互信息如下：
其中，D是给定的数据集；x,y是对这个数据集的某种划分数量；p(X,Y)是联合密度函数；p(X)和p(Y)是边缘概率分布函数；
S202.对于最大互信息I(D,X,Y)进行归一化，归一化后的值在区间[0,1]之间，采用sigmoid函数进行归一化计算，设有两个随机变量的数据集D，最大信息数I，它的最大信息系数MIC公式如下：
MIC(D)＝max{M(D)}；
所述步骤S3中划分分量集合的方法为从机组尾水管压力脉动信号各分量的MIC值，以阈值为0.2为界，小于0.2的划分为高频噪声分量；在0.2～0.3的划分为信噪混合分量；大于0.3的划分为低频有效分量。
2.根据权利要求1所述的基于MIC-CEEMDAN的水电机组尾水管压力脉动信号去噪方法，其特征在于：所述步骤S1对原始信号y(t)进行CEEMDAN集合经验模态分解的方法为：实际带噪声的水电机组尾水管压力脉动信号y(t)为真实压力脉动信号x(t)和外部干扰噪声n(t)的叠加；具体步骤包括：
S101.将高斯白噪声加入到原始信号y(t)中，从而得到新信号y(t)+(-1)qεvj(t)，式中q＝1,2，vj为满足标准正态分布的高斯白噪声信号，j＝1,2,3…N为加入白噪声的次数，ε为白噪声的标准表；
对新信号进行EMD分解，得到：
S102.对产生的N个模态分量进行总体平均就得到CEEMDAN分解的第1个本征模态分量：
式中，N为加入白噪声的次数；
S103.计算去除第一个模态分量的残差：
S104.在r1(t)中加入正负成对高斯白噪声得到新信号，以新信号为载体进行EMD分解，得到模态分量由此可以得到CEEMDAN分解的第2个本征模态分量：
S105.计算去除第二个模态分量的残差：
S106.如此重复以上的步骤，直到分解后的残差为单调函数，算法结束，此时获得的本征模态分量数为K，那么最终原始信号被分解为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211683842.2A CN115859054B (zh) | 2022-12-27 | 2022-12-27 | 基于mic-ceemdan的水电机组尾水管压力脉动信号去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211683842.2A CN115859054B (zh) | 2022-12-27 | 2022-12-27 | 基于mic-ceemdan的水电机组尾水管压力脉动信号去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115859054A CN115859054A (zh) | 2023-03-28 |
| CN115859054B true CN115859054B (zh) | 2024-01-23 |
Family
ID=85655086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211683842.2A Active CN115859054B (zh) | 2022-12-27 | 2022-12-27 | 基于mic-ceemdan的水电机组尾水管压力脉动信号去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115859054B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116956496B (zh) * | 2023-08-08 | 2024-04-19 | 昆明理工大学 | 一种水轮机尾水管涡带状态重构方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114992033A (zh) * | 2022-05-25 | 2022-09-02 | 武汉理工大学 | 基于nlm-ceemdan的水电机组信号去噪方法 |
| CN115310496A (zh) * | 2022-09-14 | 2022-11-08 | 中国农业银行股份有限公司 | 基于神经网络的信号去噪方法、装置、设备及存储介质 |
| WO2022261805A1 (zh) * | 2021-06-15 | 2022-12-22 | 大连理工大学 | 一种柴油机齿轮箱故障诊断方法 |
-
2022
- 2022-12-27 CN CN202211683842.2A patent/CN115859054B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022261805A1 (zh) * | 2021-06-15 | 2022-12-22 | 大连理工大学 | 一种柴油机齿轮箱故障诊断方法 |
| CN114992033A (zh) * | 2022-05-25 | 2022-09-02 | 武汉理工大学 | 基于nlm-ceemdan的水电机组信号去噪方法 |
| CN115310496A (zh) * | 2022-09-14 | 2022-11-08 | 中国农业银行股份有限公司 | 基于神经网络的信号去噪方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| Deterministic and probabilistic wind speed forecasting with de-noising-reconstruction strategy and quantile regression based algorithm;Jianming Hu等;《Renewable Energy》;第162卷;全文 * |
| 基于CEEMDAN-ELM-Adaboost的水电机组故障诊断;游仕豪等;《中国拟农村水利水电》;第249-253页 * |
| 基于小波和EMD的电阻探针监测信号自适应去噪;张慧杰等;《装备环境工程》;第15卷(第7期);第44-49页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115859054A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598166A (zh) | 一种自适应确定小波分层级数的小波去噪方法 | |
| CN115859054B (zh) | 基于mic-ceemdan的水电机组尾水管压力脉动信号去噪方法 | |
| CN114970602A (zh) | 基于改进的经验模态分解与小波阀值函数的信号去噪方法与系统 | |
| CN110717472B (zh) | 基于改进的小波阈值去噪的故障诊断方法及系统 | |
| CN113723171B (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
| CN112945546B (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
| CN110503060B (zh) | 一种光谱信号去噪方法及其系统 | |
| CN114992033B (zh) | 基于nlm-ceemdan的水电机组信号去噪方法 | |
| CN115840879A (zh) | 一种增材制造构件超声检测回波信号处理方法及系统 | |
| CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统 | |
| CN116698398A (zh) | 一种基于ceemdan分阈值降噪与能量熵的齿轮故障特征提取方法 | |
| Zhang et al. | An efficient porcine acoustic signal denoising technique based on EEMD-ICA-WTD | |
| Feng et al. | A blind source separation method using denoising strategy based on ICEEMDAN and improved wavelet threshold | |
| Hou et al. | Deep neural network denoising model based on sparse representation algorithm for ECG signal | |
| CN113988125A (zh) | 一种基于改进同步压缩变换的扭振信号瞬时频率提取方法 | |
| Babu et al. | Fault diagnosis in bevel gearbox using coiflet wavelet and fault classification based on ANN including DNN | |
| CN110333054B (zh) | 一种针对白车身焊接设备的缓变微小故障检测方法 | |
| CN112580451A (zh) | 一种基于改进emd和med的数据降噪方法 | |
| CN112539887A (zh) | 一种基于wt-lcd-wd的管道泄漏信号去噪方法 | |
| CN117158999A (zh) | 一种基于ppmcc和自适应vmd的脑电信号去噪方法及系统 | |
| CN112287835B (zh) | 一种基于ewt-se及小波阈值的叶片声信号降噪方法 | |
| CN113065387B (zh) | 一种机泵系统的小波降噪方法及系统 | |
| CN113567129A (zh) | 一种列车轴承振动信号基于ceemd的降噪方法 | |
| CN114330445A (zh) | 一种基于变压器振动信号敏感imf的小波阈值去噪方法 | |
| CN112926504A (zh) | 一种基于降噪自编码器的声发射信号去噪方法 |
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 |