CN117454155B - 基于ssaf和emd的igbt声发射信号提取方法 - Google Patents
基于ssaf和emd的igbt声发射信号提取方法 Download PDFInfo
- Publication number
- CN117454155B CN117454155B CN202311799335.XA CN202311799335A CN117454155B CN 117454155 B CN117454155 B CN 117454155B CN 202311799335 A CN202311799335 A CN 202311799335A CN 117454155 B CN117454155 B CN 117454155B
- Authority
- CN
- China
- Prior art keywords
- signal
- igbt
- order
- signals
- time
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000001914 filtration Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 15
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 241001640034 Heteropterys Species 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 101000798707 Homo sapiens Transmembrane protease serine 13 Proteins 0.000 description 2
- 102100032467 Transmembrane protease serine 13 Human genes 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2607—Circuits therefor
- G01R31/2608—Circuits therefor for testing bipolar transistors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2601—Apparatus or methods therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了基于SSAF和EMD的IGBT声发射信号提取方法，属于声发射信号处理技术领域，包括：获取周期性产生的IGBT原始混合信号s 1(t)；以产生AE信号的关断时刻为界限，基于SSAF提取s 1(t)中的热形变信号s 2(t)；从s 1(t)中去除s 2(t)后得到s 3(t)，基于EMD分离AE信号和干扰噪声信号。本发明先利用SSAF有效滤除IGBT原始混合信号中的热形变信号，后利用EMD进行模态信息分解，保留混合信号的特征信息，通过依次叠加各模态分量，获得完整的AE信号，实现AE信号的精确提取，可适应不同类型的噪声环境和不同的AE信号特征，应用于实时信号处理系统中，更具有普遍性和适用性。
Description
技术领域
本发明属于声发射信号处理技术领域，具体涉及基于SSAF和EMD的IGBT声发射信号提取方法。
背景技术
绝缘栅双极型晶体管（insulated gate bipolar transistor，IGBT）由于具有低驱动功率和低饱和电压的特点，被广泛应用于各个领域，如新能源汽车、高铁、风力发电等。作为典型的开关器件，IGBT在开关状态下的电气特性及其相关力学特性是可靠性评估的重点。在IGBT涉及的各种物理过程中，声发射（acoustic emission，AE）效应在状态监测应用方面表现出巨大的潜力，近年来引起了越来越多的关注。与材料裂纹扩展所引起的传统机械式声发射不同，IGBT中的声发射发生在IGBT的开通和关断时刻，由于巨大电能量注入而引起的瞬态弹性波效应。值得注意的是，该声发射周期地产生于IGBT的正常工作过程中，有望使其成为电力电子设备在线状态监测的检测指标。
然而，由于IGBT工作过程中错综复杂的物理耦合过程，导致AE信号被淹没于背景信号中。具体而言，IGBT工作过程涉及电-热-机多场耦合，生成的IGBT原始混合信号包括热膨胀效应引起的相对低频的热形变信号，电磁干扰引起的高频噪声，以及仪器运行所引入的底噪；其中，高频噪声与底噪统称为干扰噪声信号。与上述信号相比，AE信号相对微弱，需采用相关算法从IGBT原始混合信号中提取微弱的AE信号。传统的信号提取方法可分为时域和频域两种。以中值滤波、均值滤波和滑动平均滤波为典型代表的时域信号处理方法，通过直接在时域上对波形数据进行处理，以达到获取高频或低频信号的目的。而以低通滤波器、小波变换为典型代表的频域信号处理方法，通过将时域信号变换到频域，提取所需频段，再反变换到时域的方式获取所需信号。然而，由于整时域内的AE信号与其余干扰噪声信号具有相同的频段，采用上述信号处理方法无法从IGBT原始混合信号中提取出干净的AE信号。
发明内容
为了解决上述现有技术中无法从IGBT原始混合信号中提取出干净的AE信号的问题，本发明提供了基于SSAF（segmented sliding average filtering，分段滑动平均滤波）和EMD（empirical mode decomposition，经验模态分解）的IGBT声发射信号提取方法，实现AE信号的精确提取。
本发明的技术方案如下：
基于SSAF和EMD的IGBT声发射信号提取方法，包括以下步骤：
步骤1、获取IGBT周期性产生的IGBT原始混合信号s 1(t)，表示为热形变信号s 2(t)与混合信号s 3(t)的叠加；其中，混合信号s 3(t)包括AE信号和干扰噪声信号；IGBT产生AE信号的关断时刻记为T 1；产生一个IGBT原始混合信号s 1(t)的时间周期为T，当前时刻；
步骤2、基于SSAF提取s 2(t)，具体为：
以T 1为分界，对[0,T 1]时间段的s 1(t)，采用宽度为w 1的滑动时间窗进行滑动平均滤波；对(T 1,T]时间段的s 1(t)，采用宽度为w 2的滑动时间窗进行滑动平均滤波；将s 1(t)的滑动平均滤波结果作为s 2(t)；其中，w 1小于w 2；
步骤3、从s 1(t)中去除提取的s 2(t)，得到s 3(t)；
步骤4、基于EMD，从s 3(t)中分离AE信号和干扰噪声信号。
进一步地，步骤2中w 1根据s 1(t)的采样率f s和干扰噪声信号的主频f noise确定，计算公式为：
w 1=N×f s /f noise
其中，N为正整数的调整因子。
进一步地，步骤2中w 2根据s 1(t)的采样率f s和AE信号的主频f AE确定，计算公式为：
w 2=M×f s /f AE
其中，M为正整数的调整因子。
进一步地，步骤2中s 1(t)的滑动平均滤波的计算公式为：
其中，p(t)为s 1(t)的滑动平均滤波结果；i和v均为无特殊含义的中间变量；表示向下取整；s 1(t-i)为时刻t-i的IGBT原始混合信号；s 1(t+i)为时刻t+i的IGBT原始混合信号；s 1(t-v)为时刻t-v的IGBT原始混合信号；s 1(t+v)为时刻t+v的IGBT原始混合信号。
进一步地，步骤4的具体过程为：
步骤4.1、令阶数u=1，第u阶中间分量R u (t)=s 3(t)，迭代次数k=1，第k次迭代拟合信号S k (t)=s 3(t)；
步骤4.2、在第k次迭代中，采用三次样条函数，拟合S k (t)中的第k次迭代最大包络e k 1(t)和第k次迭代最小包络e k 2(t)，计算e k 1(t)与e k 2(t)的第k次迭代平均包络e k 3(t)；从S k (t)中去除e k 3(t)，得到第k次迭代中间信号s k 4(t)；
步骤4.3、判断s k 4(t)是否满足EMD分解的本征模函数条件，若满足，则将s k 4(t)作为第u阶模态分量c u (t)，转至步骤4.4；否则，令第k+1次迭代拟合信号S k+1(t)=s k 4(t)，并令k=k+1，转回步骤4.2；
步骤4.4、从R u (t)中去除c u (t)，得到第u阶残余分量r u (t)；判断r u (t)是否为单调函数或常数，若是，则将此时的r u (t)作为最终残余分量，令总阶数n=u，转至步骤4.5；否则，令第u+1阶中间分量R u+1(t)=r u (t)，第k+1次迭代拟合信号S k+1(t)=r u (t)，并令u=u+1，k=k+1，转回步骤4.2；
步骤4.5、按照降阶的顺序，对最终残余分量依次累加各阶模态分量，记累加后所得分量为模态累加分量，直至当前累加的模态累加分量包络与前一次累加的模态累加分量包络相同，记录当前累加的模态累加分量中最低阶模态分量的阶数m；
步骤4.6、按照升阶的顺序，从第m+1阶模态分量c m+1(t)开始依次累加至第n-1阶模态分量c n-1(t)，再与最终残余分量进行累加，所得累加结果为分离出的AE信号。
进一步地，步骤4.3中EMD分解的本征模函数条件包括两个分条件，当两个分条件同时满足时，则判断满足本征模函数条件；否则，判断不满足本征模函数条件；
其中，一个分条件为：在[0,T]内，s k 4(t)的局部极值点和过零点的个数最多相差一个；另一个分条件为：在[0,T]中的任意时刻，s k 4(t)的局部最大包络与局部最小包络的平均值为零。
进一步地，T的取值由IGBT的开关频率决定，具体为开关频率的倒数；T 1由AE信号的持续时间决定，取值不超过T与持续时间的差值。
与现有技术相比，本发明的有益效果如下：
本发明提出的基于SSAF和EMD的IGBT声发射信号提取方法，先利用SSAF有效滤除IGBT原始混合信号中的热形变信号，后利用EMD进行模态信息分解，保留混合信号的特征信息，通过依次叠加各模态分量，获得完整的AE信号，实现AE信号的精确提取；
本发明通过结合SSAF和EMD算法，可以有效去除噪声干扰，提升AE信号提取精度，适应不同类型的噪声环境和不同的AE信号特征，同时所需计算资源和存储空间较少，计算效率高，并降低计算成本，可应用于实时信号处理系统中，更具有普遍性和适用性。
附图说明
图1为本发明实施例1中IGBT原始混合信号s 1(t)与经SSAF处理得到的热形变信号s 2(t)和混合信号s 3(t)的效果示意图；
图2为本发明实施例1中经EMD处理得到的11阶模态分量与最终残余分量的示意图；
图3为本发明实施例1中按照降阶的顺序，对最终残余分量依次累加各阶模态分量的示意图；
图4为本发明实施例1中将混合信号s 3(t)分离为AE信号和干扰噪声信号的效果示意图。
具体实施方式
下面结合附图和实施例，详述本发明的技术方案。
实施例1
本实施例提出了基于SSAF和EMD的IGBT声发射信号提取方法，包括以下步骤：
步骤1、处于功率循环实验的IGBT产生振动信号，通过激光干涉仪，测试得到IGBT周期性产生的IGBT原始混合信号s 1(t)，表示为热形变信号s 2(t)与混合信号s 3(t)的叠加，即
s 1(t)=s 2(t)+s 3(t)
其中，混合信号s 3(t)包括AE信号和干扰噪声信号；产生一个IGBT原始混合信号s 1(t)的时间周期为T=0.004 s，当前时刻；IGBT产生AE信号的关断时刻为T 1=0.002s；
步骤2、基于SSAF提取s 2(t)，具体为：
以T 1为分界，将[0,T]分为左半段时间段[0,T 1]和右半段时间段(T 1,T]；
对IGBT原始混合信号s 1(t 1)，，采样率f s=2.5 MSPS，干扰噪声信号的主频f noise= 95.625 kHz，调整因子N取2，根据公式w 1=N×f s/f noise，计算得w 1取52，进而采用宽度为w 1=52的滑动时间窗进行滑动平均滤波，计算公式为：
其中，p(t 1)为s 1(t 1)的滑动平均滤波结果；i为无特殊含义的中间变量；表示向下取整；s 1(t 1 -i)为时刻t 1 -i的IGBT原始混合信号；s 1(t 1 +i)为时刻t 1 +i的IGBT原始混合信号；在t 1=w 1/2时，滑动时间窗的左边界与时刻t=0重合；
对IGBT原始混合信号s 1(t 2)，，采样率f s=2.5 MSPS，干扰噪声信号的主频f AE= 20.25 kHz，调整因子M取2，根据公式w 2=M×f s/f AE，计算得w 2取247，进而采用宽度为w 2=247的滑动时间窗进行滑动平均滤波，计算公式为：
其中，p(t 2)为s 1(t 2)的滑动平均滤波结果；v为无特殊含义的中间变量；s 1(t 2 -v)为时刻t 2 -v的IGBT原始混合信号；s 1(t 2 +v)为时刻t 2 +v的IGBT原始混合信号；在t 2=T-(w 2/2)时，滑动时间窗的右边界与时刻t=T重合；
进而s 1(t 1)与s 1(t 2)的滑动平均滤波结果共同作为s 1(t)的滑动平均滤波结果；
由于AE信号相对于s 2(t)和干扰噪声信号，属于微弱信号，且干扰噪声信号在一个时间周期内的幅度平均值接近于0，则将s 1(t)的滑动平均滤波结果作为s 2(t)；
步骤3、从s 1(t)中去除提取的s 2(t)，得到s 3(t)=s 1(t)-s 2(t)；
步骤4、基于EMD，从s 3(t)中分离AE信号和干扰噪声信号，具体过程为：
步骤4.1、令阶数u=1，第u阶中间分量R u (t)=s 3(t)，迭代次数k=1，第k次迭代拟合信号S k (t)=s 3(t)；
步骤4.2、在第k次迭代中，采用三次样条函数，拟合S k (t)中的第k次迭代最大包络e k 1(t)和第k次迭代最小包络e k 2(t)，计算e k 1(t)与e k 2(t)的第k次迭代平均包络e k 3(t)=[e k 1(t)+e k 2(t)]/2；
从S k (t)中去除e k 3(t)，得到第k次迭代中间信号s k 4(t)=S k (t)-e k 3(t)；
步骤4.3、判断s k 4(t)是否满足EMD分解的本征模函数条件，若满足，则将s k 4(t)作为第u阶模态分量c u (t)，转至步骤4.4；否则，令第k+1次迭代拟合信号S k+1(t)=s k 4(t)，并令k=k+1，转回步骤4.2；
所述本征模函数条件包括两个分条件，当两个分条件同时满足时，则判断满足本征模函数条件；否则，判断不满足本征模函数条件；
其中，一个分条件为：在[0,T]内，s k 4(t)的局部极值点和过零点的个数最多相差一个；另一个分条件为：在[0,T]中的任意时刻，s k 4(t)的局部最大包络与局部最小包络的平均值为零；
步骤4.4、从R u (t)中去除c u (t)，得到第u阶残余分量r u (t)=R u (t)-c u (t)；判断r u (t)是否为单调函数或常数，若是，则将此时的r u (t)作为最终残余分量，令总阶数n=u，转至步骤4.5；否则，令第u+1阶中间分量R u+1(t)=r u (t)，第k+1次迭代拟合信号S k+1(t)=r u (t)，并令u=u+1，k=k+1，转回步骤4.2；
步骤4.5、按照降阶的顺序，对最终残余分量依次累加各阶模态分量，记累加后所得分量为模态累加分量，直至当前累加的模态累加分量包络与前一次累加的模态累加分量包络相同，记录当前累加的模态累加分量中最低阶模态分量的阶数m；本实施例中m=3；
步骤4.6、将s 3(t)表示为：
其中，j和q均为无特殊含义的中间变量；c j (t)表示第j阶模态分量；c q (t)表示第q阶模态分量；
进而s 3(t)中的第一部分表示分离出的干扰噪声信号，第二部分表示分离出的AE信号。
图1为IGBT原始混合信号s 1(t)与经步骤2的SSAF处理得到的热形变信号s 2(t)和混合信号s 3(t)的效果示意图，可见SSAF有效地将低频的热形变信号s 2(t)从IGBT原始混合信号s 1(t)中分离出来，剩余的混合信号s 3(t)中包含干扰噪声信号和AE信号。
图2为混合信号s 3(t)经步骤4的EMD处理，得到的11阶模态分量与最终残余分量的示意图；基于图2，按照降阶的顺序，对最终残余分量依次累加各阶模态分量，得到图3所示的示意图，可见在累加第3阶模态分量之前，每次累加的模态分量都会增加对AE信号的贡献，而在累加第3阶模态分量、第2阶模态分量及第1阶模态分量过程中，只增加了对干扰噪声信号的贡献，并没有增加对AE信号的贡献，表现为累加第3阶模态分量的模态累加分量包络与累加第4阶模态分量的模态累加分量包络相同，因此判定最终残余分量与第4~11阶模态分量的累加所得模态累加分量为AE信号，第1~3阶模态分量的累加所得分量为干扰噪声信号。进而实现对混合信号s 3(t)的有效分离，所得AE信号和干扰噪声信号如图4所示。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (4)
1.基于SSAF和EMD的IGBT声发射信号提取方法，其特征在于，包括以下步骤：
步骤1、获取IGBT周期性产生的IGBT原始混合信号s 1(t)，表示为热形变信号s 2(t)与混合信号s 3(t)的叠加；其中，混合信号s 3(t)包括AE信号和干扰噪声信号；IGBT产生AE信号的关断时刻记为T 1；产生一个s 1(t)的时间周期为T，当前时刻；
步骤2、基于SSAF提取s 2(t)，具体为：
以T 1为分界，将[0,T]分为左半段时间段[0,T 1]和右半段时间段(T 1,T]；
对IGBT原始混合信号s 1(t 1)，，采用宽度为w 1的滑动时间窗进行滑动平均滤波，计算公式为：
其中，p(t 1)为s 1(t 1)的滑动平均滤波结果；i为无特殊含义的中间变量；表示向下取整；s 1(t 1 -i)为时刻t 1 -i的IGBT原始混合信号；s 1(t 1 +i)为时刻t 1 +i的IGBT原始混合信号；在t 1=w 1/2时，滑动时间窗的左边界与时刻t =0重合；
对IGBT原始混合信号s 1(t 2)，，采用宽度为w 2的滑动时间窗进行滑动平均滤波，计算公式为：
其中，p(t 2)为s 1(t 2)的滑动平均滤波结果；v为无特殊含义的中间变量；s 1(t 2 -v)为时刻t 2 -v的IGBT原始混合信号；s 1(t 2 +v)为时刻t 2 +v的IGBT原始混合信号；在t 2=T-(w 2/2)时，滑动时间窗的右边界与时刻t =T重合；
进而s 1(t 1)与s 1(t 2)的滑动平均滤波结果共同作为s 1(t)的滑动平均滤波结果，记为s 2(t)；
式中，w 1小于w 2， w 1根据s 1(t)的采样率f s和干扰噪声信号的主频f noise确定，计算公式为：
w 1=N×f s /f noise
w 2根据s 1(t)的采样率f s和AE信号的主频f AE确定，计算公式为：
w 2=M×f s /f AE
其中，N和M均为正整数的调整因子；
步骤3、从s 1(t)中去除提取的s 2(t)，得到s 3(t)；
步骤4、基于EMD，从s 3(t)中分离AE信号和干扰噪声信号。
2.根据权利要求1所述基于SSAF和EMD的IGBT声发射信号提取方法，其特征在于，步骤4的具体过程为：
步骤4.1、令阶数u=1，第u阶中间分量R u (t)=s 3(t)，迭代次数k=1，第k次迭代拟合信号S k (t)=s 3(t)；
步骤4.2、在第k次迭代中，采用三次样条函数，拟合S k (t)中的第k次迭代最大包络e k 1(t)和第k次迭代最小包络e k 2(t)，计算e k 1(t)与e k 2(t)的第k次迭代平均包络e k 3(t)；从S k (t)中去除e k 3(t)，得到第k次迭代中间信号s k 4(t)；
步骤4.3、判断s k 4(t)是否满足EMD分解的本征模函数条件，若满足，则将s k 4(t)作为第u阶模态分量c u (t)，转至步骤4.4；否则，令第k+1次迭代拟合信号S k+1(t)= s k 4(t)，并令k=k+1，转回步骤4.2；
步骤4.4、从R u (t)中去除c u (t)，得到第u阶残余分量r u (t)；判断r u (t)是否为单调函数或常数，若是，则将此时的r u (t)作为最终残余分量，令总阶数n=u，转至步骤4.5；否则，令第u+1阶中间分量R u+1(t)= r u (t)，第k+1次迭代拟合信号S k+1(t)=r u (t)，并令u=u+1，k=k+1，转回步骤4.2；
步骤4.5、按照降阶的顺序，对最终残余分量依次累加各阶模态分量，记累加后所得分量为模态累加分量，直至当前累加的模态累加分量包络与前一次累加的模态累加分量包络相同，记录当前累加的模态累加分量中最低阶模态分量的阶数m；
步骤4.6、按照升阶的顺序，从第m+1阶模态分量c m+1(t)开始依次累加至第n-1阶模态分量c n-1(t)，再与最终残余分量进行累加，所得累加结果为分离出的AE信号。
3.根据权利要求2所述基于SSAF和EMD的IGBT声发射信号提取方法，其特征在于，步骤4.3中EMD分解的本征模函数条件包括两个分条件，当两个分条件同时满足时，则判断满足本征模函数条件；否则，判断不满足本征模函数条件；
其中，一个分条件为：在[0,T]内，s k 4(t)的局部极值点和过零点的个数最多相差一个；另一个分条件为：在[0,T]中的任意时刻，s k 4(t)的局部最大包络与局部最小包络的平均值为零。
4.根据权利要求1所述基于SSAF和EMD的IGBT声发射信号提取方法，其特征在于，T的取值由IGBT的开关频率决定，具体为开关频率的倒数；T 1由AE信号的持续时间决定，取值不超过T与持续时间的差值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311799335.XA CN117454155B (zh) | 2023-12-26 | 2023-12-26 | 基于ssaf和emd的igbt声发射信号提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311799335.XA CN117454155B (zh) | 2023-12-26 | 2023-12-26 | 基于ssaf和emd的igbt声发射信号提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117454155A CN117454155A (zh) | 2024-01-26 |
| CN117454155B true CN117454155B (zh) | 2024-03-15 |
Family
ID=89595254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311799335.XA Active CN117454155B (zh) | 2023-12-26 | 2023-12-26 | 基于ssaf和emd的igbt声发射信号提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117454155B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101104219A (zh) * | 2007-06-18 | 2008-01-16 | 华南理工大学 | 一种高频逆变直流点焊电源装置及其应用 |
| CN103175540A (zh) * | 2013-03-10 | 2013-06-26 | 南京中科盟联信息科技有限公司 | 一种高精度步行速度和距离的计算方法 |
| CN106682303A (zh) * | 2016-12-26 | 2017-05-17 | 江南大学 | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 |
| WO2018143410A1 (ja) * | 2017-02-03 | 2018-08-09 | 三菱電機株式会社 | 超音波接合装置、超音波接合検査方法および超音波接合部の製造方法 |
| CN108564046A (zh) * | 2018-04-19 | 2018-09-21 | 南京大学 | 基于改进eemd的钢结构动态应变信号处理方法 |
| CN108615018A (zh) * | 2018-04-28 | 2018-10-02 | 宋浏阳 | 基于时域直方图特征提取的对象物状态识别方法 |
| CN108875279A (zh) * | 2018-07-27 | 2018-11-23 | 中国计量大学 | 基于emd和形态滤波的轴承声发射信号特征提取方法 |
| CN109598152A (zh) * | 2018-10-11 | 2019-04-09 | 天津大学 | 基于emd降噪数据预处理的硬件木马检测优化方法 |
| CN110048423A (zh) * | 2019-03-29 | 2019-07-23 | 电子科技大学 | 一种免疫电网电压谐波干扰的电流控制方法 |
| CN115859055A (zh) * | 2022-12-28 | 2023-03-28 | 西安交通大学 | 一种飞机制造过程中多源异构大数据的特征提取方法 |
| CN116415126A (zh) * | 2021-12-23 | 2023-07-11 | 斯凯孚公司 | 用于造纸机的刮刀的异常检测的方法、装置和计算设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210181365A1 (en) * | 2019-12-12 | 2021-06-17 | King Fahd University Of Petroleum And Minerals | Adaptive noise estimation and removal method for microseismic data |
-
2023
- 2023-12-26 CN CN202311799335.XA patent/CN117454155B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101104219A (zh) * | 2007-06-18 | 2008-01-16 | 华南理工大学 | 一种高频逆变直流点焊电源装置及其应用 |
| CN103175540A (zh) * | 2013-03-10 | 2013-06-26 | 南京中科盟联信息科技有限公司 | 一种高精度步行速度和距离的计算方法 |
| CN106682303A (zh) * | 2016-12-26 | 2017-05-17 | 江南大学 | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 |
| WO2018143410A1 (ja) * | 2017-02-03 | 2018-08-09 | 三菱電機株式会社 | 超音波接合装置、超音波接合検査方法および超音波接合部の製造方法 |
| CN108564046A (zh) * | 2018-04-19 | 2018-09-21 | 南京大学 | 基于改进eemd的钢结构动态应变信号处理方法 |
| CN108615018A (zh) * | 2018-04-28 | 2018-10-02 | 宋浏阳 | 基于时域直方图特征提取的对象物状态识别方法 |
| CN108875279A (zh) * | 2018-07-27 | 2018-11-23 | 中国计量大学 | 基于emd和形态滤波的轴承声发射信号特征提取方法 |
| CN109598152A (zh) * | 2018-10-11 | 2019-04-09 | 天津大学 | 基于emd降噪数据预处理的硬件木马检测优化方法 |
| CN110048423A (zh) * | 2019-03-29 | 2019-07-23 | 电子科技大学 | 一种免疫电网电压谐波干扰的电流控制方法 |
| CN116415126A (zh) * | 2021-12-23 | 2023-07-11 | 斯凯孚公司 | 用于造纸机的刮刀的异常检测的方法、装置和计算设备 |
| CN115859055A (zh) * | 2022-12-28 | 2023-03-28 | 西安交通大学 | 一种飞机制造过程中多源异构大数据的特征提取方法 |
Non-Patent Citations (4)
| Title |
|---|
| An overview of acoustic emission inspection and monitoring technology in the key components of renewable energy systems;Yunze He 等;《Mechanical Systems and Signal Processing 》;20210201;第148卷;1-41 * |
| Development and Application of Information Resources for Education and Teaching of Yarn History Based on 5G Network Technology;Wen Zhang 等;《Hindawi》;20220518;1-10 * |
| IGBT模块键合引线断裂故障的热形变场特性分析及应用;罗俊;《中国优秀硕士学位论文全文数据库信息科技辑》;20230115(第01期);I135-547 * |
| 基于半定长滑动窗口数据的供水管网漏损检测;张英杰 等;《湖南大学学报(自然科学版)》;20221015;第49卷(第10期);43-50 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117454155A (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108845250B (zh) | 基于振动信号特征提取的有载分接开关故障识别方法 | |
| CN106685478A (zh) | 基于信号时频图像信息提取的跳频信号参数估计方法 | |
| CN102546499B (zh) | 一种实线性调频信号的分数阶信道化接收方法 | |
| CN110596458B (zh) | Demon谱谐波线谱和基频自动估计方法 | |
| CN111753699A (zh) | 一种直流充电桩数字计量准确度提升的方法 | |
| CN117454155B (zh) | 基于ssaf和emd的igbt声发射信号提取方法 | |
| CN113608073A (zh) | 变频谐振下电缆局部放电脉冲分离方法 | |
| CN112130037A (zh) | 一种基于脉冲形态识别局部放电和脉冲干扰的方法 | |
| CN115061018A (zh) | 一种高压开关柜局部放电监测方法 | |
| CN105490516A (zh) | Atem发射机发射电流pwm噪声的去噪方法 | |
| CN117316172A (zh) | 一种机器人声发射信号的降噪方法及系统 | |
| CN105429157B (zh) | 一种基于Prony分析的智能振荡模式识别方法 | |
| Drozhzhin et al. | Comprehensive analysis of converter output voltage for conducted noise simulation | |
| CN108891420B (zh) | 混联式混合动力汽车扭矩的滤波去噪和平滑处理方法 | |
| CN105652166A (zh) | 一种用于局放在线监测的加权阈值小波降噪方法 | |
| CN109460614A (zh) | 基于瞬时带宽的信号时间-频率分解方法 | |
| Musaruddin et al. | Signal segmentation of fault records based on Empirical Mode Decomposition | |
| Pan et al. | A detection method of partial discharge signal based on wavelet | |
| CN112116917B (zh) | 基于相位跃变度的电抗器本体与风机声信号分离方法 | |
| CN111382790B (zh) | 一种基于小波变换的高压直流故障分类方法 | |
| Biswal et al. | Time frequency analysis and FPGA implementation of modified S-transform for de-noising | |
| Trzynadlowski et al. | Comparative investigation of PWM techniques for general motors' new drive for electric vehicles | |
| CN114706047B (zh) | 一种基于经验小波变换的调频引信信号处理方法 | |
| CN114235396B (zh) | 一种齿轮减速器故障特征提取方法 | |
| Shi et al. | Comparison of the effects of multiple empirical mode decomposition on vibration signals |
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 |