CN112580451A - 一种基于改进emd和med的数据降噪方法 - Google Patents
一种基于改进emd和med的数据降噪方法 Download PDFInfo
- Publication number
- CN112580451A CN112580451A CN202011416034.0A CN202011416034A CN112580451A CN 112580451 A CN112580451 A CN 112580451A CN 202011416034 A CN202011416034 A CN 202011416034A CN 112580451 A CN112580451 A CN 112580451A
- Authority
- CN
- China
- Prior art keywords
- signal
- emd
- med
- noise
- improved
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- G06F2218/02—Preprocessing
-
- 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)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Noise Elimination (AREA)
Abstract
本发明公开了一种基于改进经验模态分解(EMD)和最小熵反褶积(MED)的数据降噪方法。属于通信技术领域,具体步骤:1、使用MED对原始信号进行降噪,增强信号的冲击特性;2、将降噪后的信号输入至改进的EMD中分解,再使用envelope函数在降噪后的信号上画出包络线,增强信号的连续性;3、再将画好包络线的信号使用改进的EMD提取出其特征变量,即IMF分量,减少信号处理工作量;4、最后将提取出的IMF分量,输入到后续的其他数据处理模型中,减少后续模型处理的工作量,提高后续数据分析处理的精度。本发明提出的方法弥补了MED在强背景噪声下提取特征的局限性,克服了经验模态分解对微弱故障特征不敏感的缺陷。
Description
技术领域
本发明属于通信技术领域,具体涉及一种基于改进EMD和MED的数据降噪方法。
背景技术
振动信号在提取时总会掺杂着人为或机械的噪声,噪声会影响信号的使用,甚至会导致检测结果产生误差。因此,对信号进行降噪处理对保证采样准确具有重要意义。
近年来,国内外学者针对信号降噪开展了广泛的研究,提出了包括小波分析、盲源分离、经验模态分解等一系列信号的降噪处理方式。其中小波分析需要根据不同的波形选择不同的小波基函数,选择不当则可能导致精度较差;盲源分离分离出的源信号幅值和排序具有不确定性;经验模态分解克服了传统包络分析中需要预先确定滤波器中心频带的难题,广泛应用于非线型、非平稳信号的分析,但是其存在模态混叠的现象。综上所诉,以上方法在使用时对信号的降噪处理均有不足,因此有必要寻找一种新的方法来抑制噪声对采样信号的干扰。
发明内容
针对上述问题,本发明提供了一种基于改进EMD和MED的数据降噪方法;弥补了MED在强背景噪声下提取特征的局限性,克服了经验模态分解对微弱故障特征不敏感的缺陷。
本发明的技术方案是:一种基于改进EMD和MED的数据降噪方法,具体步骤如下:
步骤(1.1)、使用MED对原始信号进行降噪,从而增强信号的冲击特性;
步骤(1.2)、将降噪后的信号输入至改进的EMD中分解,使用envelope函数在降噪后的信号上画出包络线,从而增强信号的连续性;
步骤(1.3)、再将画好包络线的信号使用改进的EMD提取出其特征变量,即IMF分量,从而减少信号处理工作量;
步骤(1.4)、最后将提取出的IMF分量,输入到后续的其他数据处理模型中,从而减少后续模型处理的工作量,提高后续数据分析处理的精度。
进一步的,在步骤(1.1)中,所述的MED:指通过对有限脉冲响应滤波器系数迭代,选择对信号反转滤波突出少数大的脉冲;
具体的,使用MED对输入的原始信号进行初步降噪,为后续的信号提取初步减少工作量,将一部分噪声点去除,使得后续提取出的特征变量的时域和频域图像趋于平滑,以减少噪声对特征变量提取的影响。
进一步的,在步骤(1.2)中,在使用改进的EMD时,使用的envelope函数具体措施是:避免噪声点的影响,画出的包络线贴近信号,满足IMF分量的要求,减少改进EMD的运行时间。
进一步的,在步骤(1.3)中,所述的改进过的EMD具体是:依据数据自身的时间尺度特征进行信号分解;使得提取的IMF数量少且精确,IMF分量在时域和频域的图像上显示平滑无噪点,减少EMD的循环次数,减少噪声点对提取IMF分量的影响;从而降低其提取难度,保持原始信号的特性。
进一步的,将改进的EMD与MED结合,具体的操作方法是:先进行MED初步降噪,再将初步降噪后的信号进行EMD处理,将信号深度降噪以及提取出精确的特征变量,去除噪声对信号的影响,提高特征变量的精度,再将提取到的IMF分量输入到后续的其他模型中,进行深入的数据分析或者检测数据特征,从而减少模型的工作量,提高模型的精度性。
本发明的有益效果是:本发明提出一种基于改进EMD和MED的数据降噪方法,目的是通过最小熵反褶积(minimum entropy deconvolution,MED)对信号降噪,增强信号的冲击特性。这可以使经验模态分解(empirical mode decomposition,EMD)得到的IMF(Intrinsic Mode Function,IMF)分量更加完整全面,且更能提现信号的特征。EMD和MED的结合使用克服了经验模态分解存在的模态混叠问题,检验证明相较于其他方法更加有效。
附图说明
图1是本发明的结构流程图;
图2是本发明中原始信号的时域和频域的图形示意图;
图3是本发明中使用了MED进行降噪后的信号时域频域波形图;
图4是本发明中使用了改进EMD方法的IMF特征分量的时域波形图;
图5是本发明中使用了改进EMD和MED结合方法的IMF特征分量的时域波形图
图6是本发明中使用了改进EMD方法的IMF特征分量的频谱示意图;
图7是本发明中使用了改进EMD和MED结合方法的IMF特征分量的频谱示意图;
图8是本发明中使用了改进EMD方法的IMF特征分量的包络谱示意图;
图9是本发明中使用了改进EMD和MED结合方法的IMF特征分量的包络谱。
具体实施方式
为了更清楚地说明本发明的技术方案,下面结合附图对本发明的技术方案做进一步的详细说明:
如图1所述;一种基于改进EMD和MED的数据降噪方法,具体步骤如下:
步骤(1.1)、使用MED对原始信号进行降噪,从而增强信号的冲击特性;
所述的最小熵反褶积(MED):指通过对有限脉冲响应滤波器系数迭代,选择对信号反转滤波突出少数大的脉冲;其中,迭代终止条件是最大峭度值;
使用MED对输入的原始信号进行初步降噪,为后续的信号提取初步减少工作量,将其中的一部分噪声点去除,使得后续提取出的特征变量的时域和频域图像趋于平滑,以减少噪声对特征变量提取的影响;
其中,一个振动信号可以表示为:y(n)=x(n)+s(n)+e(n),其中,y(n)为输出信号,s(n)信号中的未知输入序列,x(n)为故障冲击序列,e(n)为噪声;最小熵反褶积(MED)算法的主要目的是寻找一个逆滤波器f,使得相关峭度最大,得以从输出观测信号y(n)恢复出输入信号x(n),即h(n)=fy(n)=fx(n)+fs(n)+fe(n);通过反转滤波后的效果为fx(n)≈x(n),fs(n)→0,fe(n)→0;
另外,所述最小熵反褶积(MED)的具体过程如下所述:
(4)、计算f(1)=A(-1)b(1)其中输出信号h(n)的自相关矩阵;
(5)、设定误差阀值。若误差小于阀值,停止递归。否则,返回步骤(3)。
故,MED对于数据降噪的提升作用在实验中有很好的体现,如图2及图3所示,由两图对比可看出,图3比起图2更加平滑且包络图效果更好。
步骤(1.2)、将降噪后的信号输入至改进经验模态分解(EMD)中分解,再使用envelope函数在降噪后的信号上画出包络线,从而增强信号的连续性;
在使用改进的EMD时,使用的envelope函数具体措施是:避免噪声点的影响,画出的包络线贴近信号,满足IMF分量的要求,减少改进EMD的运行时间;
所述的改进过的EMD具体是:依据数据自身的时间尺度特征进行信号分解;与建立在先验性的谐波基函数上的傅里叶分解和建立在小波基函数上的小波分解具有本质差别;
具体的,给定一个信号x(t),其可以分解为有限个本征模函数,所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号;并通过筛选使得抽取的模函数更加符合使用需求;在提取IMF分量时必须满足2个充要条件:第一个是极值点数和零点数最多相差1,第二个是上包络和下包络的均值必须近似等于零;
其具体操作过程如下:
(1)、使用三次样条插值函数确定原始信号x(t)的所有极值点,使用3次样条曲线拟合出上下极值点的包络线,并计算上下包络线的平均值曲线m(t);
(2)、在x(t)中减去包络的平均值曲线h(t)=x(t)-m(t),根据筛选条件判断h(t)是否为IMF;
(3)、如果不满足筛选条件,则以h(t)代替x(t),重复以上步骤直到h(t)满足筛选条件,则h(t)就是需要提取的IMF分量;
(4)、每得到一阶IMF,就从原信号中扣除它,重复以上步骤直到信号最后剩余部分rn就只是单调序列或者常值序列;
另外,将信号分解为有限个本征模函数;通过筛选使得抽取的模函数更加符合使用需求;本发明将原始EMD中的三次样条插值函数进行了改进,从而找到更加精确的原始函数的极值点;从而使得提取的IMF数量少且精确,IMF分量在时域和频域的图像上显示平滑无噪点,减少EMD的循环次数,减少噪声点对提取IMF分量的影响;从而降低其提取难度,保持原始信号的特性;
另外,使用envelope函数在分解后的信号上画出包络线,从而使得最终得到的IMF分量更加精确。避免了对信号直接包络解调而出现的漏诊现象,有效地去除了原始信号中的噪声。
步骤(1.3)、再将画好包络线的信号使用改进的EMD提取出其特征变量,即IMF分量,从而减少信号处理工作量;
步骤(1.4)、最后将提取出的IMF分量,输入到后续的其他数据处理模型中,从而减少后续模型处理的工作量,提高后续数据分析处理的精度;
进一步的;将改进的EMD与MED结合,可以使提取到的原始信号的特征变量更加准确,包络线更加平滑,对后续的数据处理以及数据优化起到了良好的前端处理的作用;
提取的3个IMF特征变量在时域、频域和包络线上的表现如图4至图9所示,其中图4、图6、图8是仅使用改进EMD方法的各谱图,图5、图7、图9是使用了改进EMD和MED结合方法的各谱图。
具体的:先进行MED初步降噪,再将初步降噪后的信号进行EMD处理,将信号深度降噪以及提取出精确的特征变量,去除噪声对信号的影响,提高特征变量的精度,再将提取到的IMF分量输入到后续的其他模型中,进行深入的数据分析或者检测数据特征,从而减少模型的工作量,提高模型的精度性;
由图可以明显看出,在使用了改进EMD和MED结合的方法后,图形更加平滑且包络图效果更好,无用点更少,提高了数据分析的精度,降低了后续数据处理分析的复杂度。这证实了本发明提出方法的可行性,所提取出的IMF包络谱更加精确,确实使得后续处理更加快捷准确。
本发明避免了对信号直接包络解调而出现的漏诊现象,有效地去除了原始信号中的噪声。
由图可以明显看出,在使用了改进EMD和MED结合的方法后,图形更加平滑且包络线更贴近信号,噪声点更少,降低了噪声对数据的影响,提高了数据分析的精度;使用了更适合的包络函数,降低了提取IMF分量的工作量而且提高了IMF分量的精度,降低了提取IMF分量的要求,扩大了峭度系数和采样率选择范围,提高了数据分析处理的精度,可容易提取到准确的特征变量和平滑的包络线,减少了IMF分量的数量,去除了无用点,降低了后续数据工作的复杂度,对后续的数据分析处理以及数据优化起到了良好的前端处理的作用。这证实了本发明提出方法的可行性。
最后,应当理解的是,本发明中所述实施例仅用以说明本发明实施例的原则;其他的变形也可能属于本发明的范围;因此,作为示例而非限制,本发明实施例的替代配置可视为与本发明的教导一致;相应地,本发明的实施例不限于本发明明确介绍和描述的实施例。
Claims (5)
1.一种基于改进EMD和MED的数据降噪方法,其特征在于,具体步骤如下:
步骤(1.1)、使用MED对原始信号进行降噪,从而增强信号的冲击特性;
步骤(1.2)、将降噪后的信号输入至改进的EMD中分解,使用envelope函数在降噪后的信号上画出包络线,从而增强信号的连续性;
步骤(1.3)、再将画好包络线的信号使用改进的EMD提取出其特征变量,即IMF分量,从而减少信号处理工作量;
步骤(1.4)、最后将提取出的IMF分量,输入到后续的其他数据处理模型中,从而减少后续模型处理的工作量,提高后续数据分析处理的精度。
2.根据权利要求1所述的一种基于改进EMD和MED的数据降噪方法,其特征在于,
在步骤(1.1)中,所述的MED:指通过对有限脉冲响应滤波器系数迭代,选择对信号反转滤波突出少数大的脉冲;
具体的,使用MED对输入的原始信号进行初步降噪,为后续的信号提取初步减少工作量,将其中一部分噪声点去除,使得后续提取出的特征变量的时域和频域图像趋于平滑,以减少噪声对特征变量提取的影响。
3.根据权利要求1所述的一种基于改进EMD和MED的数据降噪方法,其特征在于,在步骤(1.2)中,在使用改进的EMD时,使用的envelope函数具体措施是:避免噪声点的影响,画出的包络线贴近信号,满足IMF分量的要求,减少改进EMD的运行时间。
4.根据权利要求1一种基于改进EMD和MED的数据降噪方法,其特征在于,在步骤(1.3)中,所述的改进过的EMD具体是:依据数据自身的时间尺度特征进行信号分解;使得提取的IMF数量少且精确,IMF分量在时域和频域的图像上显示平滑无噪点,减少EMD的循环次数,减少噪声点对提取IMF分量的影响;从而降低其提取难度,保持原始信号的特性。
5.根据权利要求1一种基于改进EMD和MED的数据降噪方法,其特征在于,将改进的EMD与MED结合,具体的操作方法是:先进行MED初步降噪,再将初步降噪后的信号进行EMD处理,将信号深度降噪以及提取出精确的特征变量,去除噪声对信号的影响,提高特征变量的精度,再将提取到的IMF分量输入到后续的其他模型中,进行深入的数据分析或者检测数据特征,从而减少模型的工作量,提高模型的精度性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011416034.0A CN112580451A (zh) | 2020-12-07 | 2020-12-07 | 一种基于改进emd和med的数据降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011416034.0A CN112580451A (zh) | 2020-12-07 | 2020-12-07 | 一种基于改进emd和med的数据降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112580451A true CN112580451A (zh) | 2021-03-30 |
Family
ID=75127523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011416034.0A Withdrawn CN112580451A (zh) | 2020-12-07 | 2020-12-07 | 一种基于改进emd和med的数据降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580451A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065498A (zh) * | 2021-04-13 | 2021-07-02 | 杭州哲达科技股份有限公司 | 一种基于改进的emd和神经网络模型的异常数据检测方法 |
CN114742111A (zh) * | 2022-05-24 | 2022-07-12 | 南京林业大学 | 基于参数自适应特征模态分解故障诊断方法和*** |
-
2020
- 2020-12-07 CN CN202011416034.0A patent/CN112580451A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065498A (zh) * | 2021-04-13 | 2021-07-02 | 杭州哲达科技股份有限公司 | 一种基于改进的emd和神经网络模型的异常数据检测方法 |
CN114742111A (zh) * | 2022-05-24 | 2022-07-12 | 南京林业大学 | 基于参数自适应特征模态分解故障诊断方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580451A (zh) | 一种基于改进emd和med的数据降噪方法 | |
CN103576060A (zh) | 基于小波自适应阈值的局部放电信号去噪方法 | |
CN114992033B (zh) | 基于nlm-ceemdan的水电机组信号去噪方法 | |
CN113851144A (zh) | 一种基于改进变分模态分解和主成分分析的语音信号去噪方法 | |
CN106897704A (zh) | 一种微震信号降噪方法 | |
CN104635223A (zh) | 基于经验模式分解与分数阶傅里叶变换的激光回波去噪方法 | |
CN110333054B (zh) | 一种针对白车身焊接设备的缓变微小故障检测方法 | |
CN111896260A (zh) | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 | |
CN115840879A (zh) | 一种增材制造构件超声检测回波信号处理方法及*** | |
CN112945546A (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
CN110244360B (zh) | 基于有效频率波数域去混叠的地震数据分离方法及*** | |
CN111239565A (zh) | 基于分层式去噪模型的充油套管局部放电脉冲信号处理方法及*** | |
CN107123431A (zh) | 一种水声信号降噪方法 | |
CN106340304B (zh) | 一种适用于非平稳噪声环境下的在线语音增强方法 | |
CN110287853B (zh) | 一种基于小波分解的暂态信号去噪方法 | |
CN109117775A (zh) | 基于多项式的改进emd算法 | |
CN104810023A (zh) | 一种用于语音信号增强的谱减法 | |
CN116383605A (zh) | 基于小波分解的车辆震动信号去噪方法 | |
CN115859054A (zh) | 基于mic和ceemdan的水电机组尾水管压力脉动数据滤波方法 | |
CN113375065B (zh) | 管道泄漏监测中趋势信号的消除方法及装置 | |
Jun-chang et al. | A speech denoising method based on improved EMD | |
CN114894478A (zh) | 一种滚动轴承微弱故障特征提取方法 | |
CN113567129A (zh) | 一种列车轴承振动信号基于ceemd的降噪方法 | |
Zhi-Dong et al. | Denoising ECG signal based on ensemble empirical mode decomposition | |
CN114548150B (zh) | 基于参数自适应增强med的传动***故障诊断方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210330 |
|
WW01 | Invention patent application withdrawn after publication |