一种基于集合经验模态分解法和功率谱的信号降噪方法技术

本发明专利技术公开一种基于集合经验模态分解法和功率谱的信号降噪方法，筛选集合经验模态分解后的本征模态函数进行信号重构，根据本征模态函数的功率谱尖峰部分带宽占总带宽比值和功率谱的极值点数量占第一个本征模态函数极值点数量比值，合理筛选本征模态，最终达到最优降噪的目的。该方法广泛适用于混入白噪声和周期性噪声的非线性系统信号处理，可以很好区分噪声与有效信号并准确排除噪声干扰获得纯净信号，在轴承故障检测、铣削颤振识别和刀具磨损监测等领域具有重要的工程应用价值。磨损监测等领域具有重要的工程应用价值。磨损监测等领域具有重要的工程应用价值。

【技术实现步骤摘要】
一种基于集合经验模态分解法和功率谱的信号降噪方法


[0001]本专利技术涉及信号处理领域，具体涉及一种基于集合经验模态分解法和功率谱的信号降噪方法。

技术介绍

[0002]集合经验模态分解集合经验模态分解法EEMD (Ensemble Empirical Mode Decomposition)是一种噪声辅助数据分析方法，它是在原始添加一组幅值呈正态分布的白噪声，并且经过多次平均运算使噪声相互抵消，利用白噪声频谱均匀分布的特性，将不同尺度的信号自动分解到合适尺度上，不需人为中断，即可有效抑制端点效应造成的模态混叠现象，保存原始信号的动态特性。
[0003]EEMD分解完成后得到不同尺度的本征模态函数IMF(Intrinsic Mode Function)，在重构信号时需要对其进行筛选，然而，IMF分量信号筛选无筛选准则或量化标准，在相近的若干个分量中，仅能通过人为主观判断与筛选，这也必然造成后续重构信号的准确性。也就是说，若在该过程中误选噪声主导的分量，会出现重构信号中仍含有噪声，即出现降噪不完全的现象，造成后续特征提取存在误差，无法对标真实系统中的状态变化。因此，IMF分量信号筛选准则的制定十分必要也十分重要。其中，最常用的方法是相关系数法，其原理是计算各个分量与原始信号的皮尔逊相关系数，并将相关系数的标准差作为阈值，若相关系数大于该阈值则保留此分量。虽然该方法可以有效去除模拟信号中的噪声，但是当该方法运用到实际信号中，可以发现，随着IMF分量信号阶数的增加，其与原始信号的相关性呈指数级下降，即相关性除前面少数几个分量之外，其余数值都比较低，那么阈值也会受到众多低相关性IMF分量信号的影响。所以，该方法难以应用于实际信号。与此同时，众多研究者结合小波软阈值和区间阈值等手段，虽然阈值选择更为灵活，信噪比也都比相关系数法重构的信号大，但是计算过于复杂，需要对信号进行EEMD分解之后再对各个分量进行小波分解。因此，需要一种适用于真实信号并且计算简便的IMF分量信号准确筛选方法，使降噪后的信号最大限度接近于有效信号，从而有助于后续识别信号特征，反映系统的真实动态特性。

技术实现思路

[0004]针对现有技术的不足，本专利技术提出一种基于集合经验模态分解法和功率谱的信号降噪方法，用于含白噪声和周期性噪声的非线性系统。该方法可以有效克服现有技术中的应用缺陷，快速判别IMF分量信号的噪声含量并合理选取其中部分分量进行信号重构，预防因分量选取不当而造成重构信号噪声成分过多。
[0005]本专利技术的目的通过如下的技术方案来实现：一种基于集合经验模态分解法和功率谱的信号降噪方法，该方法包括以下步骤：步骤1：对非线性信号利用EEMD分解，得到IMF分量信号和残差；步骤2：计算并绘制各IMF分量信号的功率谱；步骤3：定量分析IMF分量信号的功率谱，计算各IMF分量信号的功率谱尖峰部分带
宽占总带宽的比例，筛选所需要的IMF分量信号；其中，P
1i
是功率谱尖峰部分带宽占比，W
Bi
是功率谱尖峰部分带宽，i是1~n阶IMF分量信号，B是总带宽；步骤4：统计各IMF分量信号的功率谱极值点个数，并计算其占IMF1的功率谱极值点比例，筛选所需要的IMF分量信号；其中，P
2i
是各IMF分量信号功率谱极值点占比，N
i
是第i个IMF分量信号极值点个数，N1是IMF1分量信号的功率谱极值点个数；步骤5：将符合步骤3和步骤4条件的各IMF分量信号及步骤1得到的残差叠加，完成信号重构；其中，R是重构信号， n是IMF分量信号的总个数，k表示第k个， r是残差，表示满足步骤3和步骤4的第i个本征模态分量。
[0006]进一步地，在步骤1中，所述非线性信号是指含白噪声和周期性噪声的非线性信号。
[0007]进一步地，在步骤2中，计算并绘制各IMF分量信号的功率谱，具体包括：2.1）先计算出自相关函数，再进行傅里叶变化求IMF分量信号的功率谱。
[0008]2.2）以带宽为横坐标，以功率为纵坐标，绘制IMF分量信号的功率谱。
[0009]进一步地，在步骤3中，筛选所需要的IMF分量信号，具体包括：随着IMF分量信号阶数的递增，IMF分量信号的功率谱尖峰部分带宽占总带宽比值P
1i
小于3%，则保留该IMF分量信号之后的所有IMF分量信号，否则，舍弃该IMF分量信号。
[0010]进一步地，在步骤4中，筛选所需要的IMF分量信号，具体包括：随着IMF分量信号阶数的递增，IMF分量信号的功率谱极值点占IMF1分量的功率谱极值点比值P
2i
小于3%，则保留该IMF分量信号之后的所有IMF分量信号，否则，舍弃该IMF分量信号。
[0011]本专利技术的有益效果如下：1）该方法结合功率谱对原始信号EEMD分解得到的IMF分量信号进行选取，对各个IMF分量信号的功率谱进行定量分析，设定合适的阈值，合理筛选IMF分量信号进行信号重构，使经该方法降噪后的重构信号最大程度上接近有效信号。
[0012]2）该方法能够有效应用于轴承故障检测、铣削颤振识别和刀具磨损监测等含白噪声和周期性噪声的非线性系统，快速简便判别IMF分量信号的噪声含量并合理选取其中部分分量进行信号重构，预防因分量选取不当而造成重构信号噪声成分过多，后续提取的信号特征有误，无法对标真实系统中的状态变化等一系列问题的发生。
附图说明
[0013]图1是本专利技术实施例的流程图；图2是本专利技术实施例构建的模拟信号图；图3是本专利技术实施例模拟信号的EEMD分解结果图；图4是本专利技术实施例模拟信号各IMF分量信号的功率谱图；图5是本专利技术实施例步骤3的计算方法图；图6是本专利技术实施例重构信号图；图7是本专利技术实施例模拟信号非本方法的重构信号图；图8是本专利技术实施例IMF1
‑
IMF5分量信号及其功率谱图；图9是本专利技术实施例IMF6
‑
IMF10分量信号及其功率谱图；图10是本专利技术实施例原始信号和重构信号及其功率谱图；图11是本专利技术实施例真实信号非本方法的重构信号图。
具体实施方式
[0014]下面根据附图和优选实施例详细描述本专利技术，本专利技术的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0015]如图1所示，本专利技术的基于集合经验模态分解法EEMD和功率谱的信号降噪方法包括如下步骤：步骤1：对非线性信号进行EEMD分解，得到IMF分量信号和残差。
[0016]如图2所示，为该实例构建的模拟信号，该模拟信号含有高频信号、低频噪声信号和高斯白噪声，公式如下：其中，t表示时间，表示低频信号，表示高频噪声，将高频信号处理成间段性噪声，表示添加到低频信号中信噪比为10dB的高斯白噪声。对含有白噪声和周期性噪声的非线性信号进行EEMD分解，得到IMF分量信号和残差，如图3所示，为该模拟信号EEMD分解结果，它将该信号进行不同尺度的划分，得到7个IMF分量信号和一个残差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集合经验模态分解法和功率谱的信号降噪方法，其特征在于，包括以下步骤：步骤1：对非线性信号利用集合经验模态分解法分解，得到本征模态分量和残差；步骤2：计算并绘制各本征模态分量的功率谱；步骤3：定量分析本征模态分量的功率谱，计算各本征模态分量的功率谱尖峰部分带宽占总带宽的比例，筛选所需要的本征模态分量；其中，P
1i
是功率谱尖峰部分带宽占比，W
Bi
是功率谱尖峰部分带宽，i是1~n阶本征模态分量信号，B是总带宽；步骤4：统计各本征模态分量的功率谱极值点个数，并计算其占第一个本征模态的功率谱极值点比例，筛选所需要的本征模态分量；其中，P
2i
是各本征模态分量功率谱极值点占比，N
i
是第i个本征模态分量极值点个数，N1是第一个本征模态分量的功率谱极值点个数；步骤5：将符合步骤3和步骤4条件的各本征模态分量及步骤1得到的残差叠加，完成信号重构；其中，R是重构信号， n是本征模态分量的总个数，k表示第k个，r是残差，表示满足步骤3和步骤4的第i个本征模态分量。2.根据权利要求1所述的基于集合经验模态分解法和功率谱...

【专利技术属性】
技术研发人员：丁丛，冯诗晴，朴钟宇，赵泽宇，乔支照，杨菁宏，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：