基于改进EEMD的钢结构动态应变信号处理方法技术

本发明专利技术提供了基于改进EEMD的钢结构动态应变信号处理方法，基于改进EEMD的钢结构动态应变信号处理方法，包括以下步骤：向原始信号中多次加入随机生成的高斯白噪声得到噪声协助信号；将每次得到的噪声协助信号进行EMD分解；将每次分解得到的各阶IMF分量和残余量分别取平均；将得到的各阶IMF分量的平均值以及残余量的平均值进行信号重构，最终得到去噪后的钢结构动态应变信号。本发明专利技术采用改进集合经验模态分解法对原始信号多次加入高斯白噪声进行辅助分析，其中加入高斯白噪声的大小根据原始信号的高频特性自适应确定，完成多次EMD分解后再求各IMF分量的平均，由于高斯白噪声的零均值特性，经过多次平均后加入的噪声相互抵消，不会影响原始信号特性。

Dynamic strain signal processing method for steel structure based on improved EEMD

The present invention provides a steel structure dynamic strain signal processing method based on improved EEMD and a steel structure dynamic strain signal processing method based on improved EEMD. The method comprises the following steps: adding random generated white Gaussian noise to the original signal for many times to obtain the noise assistance signal; and decomposing each noise assistance signal by EMD. The average value of each order IMF component and the average value of the residual value are reconstructed, and finally the denoised dynamic strain signal of steel structure is obtained. The improved set empirical mode decomposition (EMD) method is used for auxiliary analysis of multiple additions of Gaussian white noise to the original signal. The magnitude of the added Gaussian white noise is adaptively determined according to the high frequency characteristics of the original signal. After multiple EMD decompositions, the average of each IMF component is obtained. Because of the zero mean characteristics of the Gaussian white noise, the method is used to analyze the original signal. The noise that is added after many times is offset each other will not affect the original signal characteristics.

【技术实现步骤摘要】
基于改进EEMD的钢结构动态应变信号处理方法
本专利技术涉及信号处理领域，具体涉及基于改进EEMD的钢结构动态应变信号处理方法。
技术介绍
大型建筑物的结构健康监测在建筑管理和维护中发挥着不可替代的作用。一般桥梁、隧道等在建成后，会在各个关键部位的钢结构部件部署不同类型的传感器以获取结构状态实时监测数据。结构健康监测数据是分析钢结构损伤和疲劳寿命的重要参考。但由于器件本身性质、外界干扰等多种因素的影响，从各传感器采集到的监测数据总不可避免的包含各种噪声成分。噪声的存在使数据的后续分析结果产生偏差，严重时可能造成重大的安全隐患。因此在分析之前需采用合适的方法对信号做滤波处理。现有的对建筑物钢结构的应变信号的处理和分析方法：最基本的降噪方法是傅里叶变换，将原始信号从时域转换到频域进行分析，以频率界定有用信号与噪声。当信号与噪声在频域可分时，通过设计合适的滤波器以频域滤波的方式将噪声消除。但该降噪方法有着先天性的不足，无法对噪声与信号混叠的原始信号进行处理；基于此便诞生了小波降噪法，小波变换不仅在频域对信号进行分解，且有良好的局限性。但是实际建筑物钢结构的应变信号频率构成复杂，通常具有显著的非平稳性，高频部分噪声较多，且噪声与信号混叠，很可能在滤除噪声的同时将有用信号一起滤除，从而损失信号的原始特征。因此，在处理桥梁应变信号时，传统的傅里叶变换法和小波降噪法都行不通。经验模态分解法(EmpiricalModeDecomposition，EMD)是一种针对非线性非平稳信号的时频分析方法，同时具有良好的自适应性。其本质是对信号进行平稳化处理，将原始信号按照不同频率的波动趋势逐渐分解开来，产生一系列具有不同特征尺度的序列，称为本征模函数。各本征模函数分量也就相应地包含了原始信号从高到低频率段的成分，且随原始信号本身的变化而变化。张晖等提出基于经验模态分解的降噪方法来处理桥梁钢结构箱梁的应变信号。通过经验模态分解将采集到的原始应变信号分解为一系列的本征模函数分量和一个残余分量，然后对含噪声较大的分量进行阈值滤波，并将滤波处理后的分量与含噪声较小的本征模函数分量以及残余分量进行信号重构，从而达到降低桥梁钢结构应变信号噪声的目的。但当信号的极值点分布不均时，EMD分解结果会出现“过冲”“欠冲”现象，导致模式混叠。针对以上问题，Huang等对EMD分解白噪声结果统计特性进行了大量研究，提出加噪声辅助分析(NADA)的集合经验模态分解方法(EnsembleEmpiricalModeDecomposition，EEMD)，将白噪声加入信号来补充一些缺失的尺度，改善信号极值点分布，减少模式混叠。EEMD方法是利用多次测量取平均值的原理，通过在原数据中加入适当大小的高斯白噪声来模拟多次观测的情景，利用白噪声的零均值特性，经多次计算后作集合平均，使噪声相互抵消。在信号分解中具有良好的表现。EEMD方法已被成功应用于转子、轴承、电机等机械设备的故障诊断中。现有的EEMD方法中加入高斯白噪声的大小一般都根据经验人为设定，信号降噪效果主要依赖于白噪声的大小，参数确定具有盲目性。因此有必要提出一种改进的EEMD方法，能够根据原始信号的高频特性，自适应确定加入噪声的幅值大小，减少了算法中人为确定参数的盲目性，对于分析非线性非平稳信号具有重要的意义。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提出了一种基于改进的EEMD的钢结构动态应变信号处理方法，能够根据原始信号的高频特性，自适应确定加入噪声的幅值大小，减少了算法中人为确定参数的盲目性，对于分析非线性非平稳信号具有重要的意义。技术方案：基于改进EEMD的钢结构动态应变信号处理方法，包括以下步骤：步骤1：向原始信号X(t)中加入随机生成的高斯白噪声ni(t)，i＝1,2,…NE，NE表示叠加次数，NE>1；得到噪声协助信号Xi(t)表示为：Xi(t)＝X(t)+ni(t)i＝1,2,…NE其中，加入的高斯白噪声的幅值标准差Nstd根据原始信号的幅值特性自适应确定，满足如下条件：其中，σ0为原始信号高频成分的幅值标准差；步骤2：将步骤1得到的噪声协助信号Xi(t)进行EMD分解，得到：其中，cij(t)表示第i次EMD分解得到的第j阶IMF分量，n表示分解后的总阶数，j＝1,2,3,…,n；rin(t)表示第i次EMD分解最终剩余的残余分量；步骤3：将每次分解得到的各阶IMF分量和残余量分别取平均分别得到各阶IMF分量的平均值以及残余量的平均值步骤4：将步骤3中得到的各阶IMF分量的平均值以及残余量的平均值进行信号重构，最终得到去噪后的钢结构动态应变信号X′(t)：所述步骤2中的EMD分解过程具体如下：步骤21：找出噪声协助信号Xi(t)在整个时间段内的所有极值点；用三次样条函数对所有极大值点和极小值点分别进行拟合得到信号Xi(t)的上包络线ui1(t)和下包络线ui2(t)，并计算得到上下包络线的均值ai1(t)：ai1(t)＝(ui1(t)+ui2(t))/2用噪声协助信号Xi(t)减去ai1(t)得到中间序列mi1(t)：mi1(t)＝Xi(t)-ai1(t)步骤22：判断得到的中间序列是否满足本征模函数IMF分量的要求：信号的极值点数目和过零点数目相等或最多相差一个；如若满足，则将得到的中间序列作为第i次分解的第一阶IMF分量ci1(t)；否则，找出中间序列的所有极大值与极小值点，用三次样条函数对所有极大值点和极小值点分别进行拟合得到上下包络线并求出二者的平均值，再用中间序列减去平均值得到新的中间序列；步骤23：重复步骤22，直至求得的某一级mik(t)满足要求，则mik(t)即为第一阶IMF分量ci1(t)，ci1(t)表示被分解信号Xi(t)中频率最高的部分；步骤24：用Xi(t)减去ci1(t)得到残余量ri1(t)，并将残余量ri1(t)作为新的信号重复步骤21至步骤23的操作得到第二阶IMF分量ci2(t)；步骤25：重复步骤21至步骤24的操作，直到剩余残余量小于筛选门限值SD或变为一个单调函数无法再被分解则结束，剩余残余量作为最终的残余分量rin(t)；并得到噪声协助信号Xi(t)的n阶IMF分量；其中，SD的范围为0.2～0.3。所述NE取50或100。加入的所述高斯白噪声的幅值根据原始应变信号高频成分的幅值标准差自适应确定。所述原始信号的高频成分采用通过EMD分解所得的第一阶IMF分量。本专利技术与现有技术相比，具有如下有益效果：(1)本专利技术以桥梁的钢结构箱梁的实时应变数据为基础进行提取分析，数据真实有效，解决了模拟数据准确率低、噪声过于理想化等问题。从桥梁关键部位的钢结构箱梁的应变传感器获取到的数据，EEMD算法分解过程只提取整个时间段中的极大值和极小值进行拟合和处理，小的应力变化对结构疲劳影响很小在分析中可以忽略，减少了工作量，提高了数据分析的准确性。(2)采用改进的集合经验模态分解法对钢结构动态应变信号进行处理，通过增加高斯白噪声对信号在不同时间尺度上进行分解，解决了使用阈值滤波等方法对信号进行滤波而带来的IMF分量原始特征丢失问题。(3)采用改进集合经验模态分解法对原始信号多次加入高斯白噪声进行辅助分析，其中加入高斯白噪声的大本文档来自技高网...

【技术保护点】
1.基于改进EEMD的钢结构动态应变信号处理方法，其特征在于：包括以下步骤：步骤1：向原始信号X(t)中加入随机生成的高斯白噪声ni(t)，i＝1,2,…NE，NE表示叠加次数，NE>1；得到噪声协助信号Xi(t)表示为：Xi(t)＝X(t)+ni(t)i＝1,2,…NE其中，加入的高斯白噪声的幅值标准差Nstd根据原始信号的幅值特性自适应确定，满足如下条件：

【技术特征摘要】
1.基于改进EEMD的钢结构动态应变信号处理方法，其特征在于：包括以下步骤：步骤1：向原始信号X(t)中加入随机生成的高斯白噪声ni(t)，i＝1,2,…NE，NE表示叠加次数，NE>1；得到噪声协助信号Xi(t)表示为：Xi(t)＝X(t)+ni(t)i＝1,2,…NE其中，加入的高斯白噪声的幅值标准差Nstd根据原始信号的幅值特性自适应确定，满足如下条件：其中，σ0为原始信号高频成分的幅值标准差；步骤2：将步骤1得到的噪声协助信号Xi(t)进行EMD分解，得到：其中，cij(t)表示第i次EMD分解得到的第j阶IMF分量，n表示分解后的总阶数，j＝1,2,3,…,n；rin(t)表示第i次EMD分解最终剩余的残余分量；步骤3：将每次分解得到的各阶IMF分量和残余量分别取平均得到各阶IMF分量的平均值以及残余量的平均值步骤4：将步骤3中得到的各阶IMF分量的平均值以及残余量的平均值进行信号重构，最终得到去噪后的钢结构动态应变信号X′(t)：2.根据权利要求1所述的钢结构动态应变信号处理方法，其特征在于：所述步骤2中的EMD分解过程具体如下：步骤21：找出噪声协助信号Xi(t)在整个时间段内的所有极值点；用三次样条函数对所有极大值点和极小值点分别进行拟合得到信号Xi(t)的上包络线ui1(t)和下包络线ui2(t)，并计算得到上下包络线的均值ai1(t)：ai1(t)＝(ui1(t)+ui2(t))/2用噪声协助信号Xi(t)减去ai1(t)得到中间序列mi1(t)...

【专利技术属性】
技术研发人员：杨敏，丁华平，孙彤彤，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏,32