PSO-DVMD-WT的变形信号去噪方法研究

发布时间：2024-03-27 01:31

　　为了滤除变形数据中含有的白噪声,该文提出一种基于粒子群优化算法的双重变分模态分解-小波阈值去噪模型。首先利用VMD对变形数据进行初次分解,初次分解层数K₁由频谱图波峰个数确定,根据相关性分析将分量分为噪声分量和信号分量;然后针对信号分量出现模态混叠的现象,首次分解的信号分量再次进行粒子群优化的VMD分解,得到二次信号分量和二次噪声分量;对二次VMD分解得到的噪声分量进行小波阈值降噪;最后重构实现噪声的有效剔除。模拟实验结果显示,利用本文方法去噪得到的均方根误差降低至0.418 0 mm、信噪比提升至10.174 0 dB,对比小波阈值、总体经验模态分解(EEMD)、VMD等方法,降噪效果有明显的提升。在实际变形数据去噪中,相比于其他去噪方法,本文方法能够很好地抑制模态混叠的现象,且均方根误差降低至0.151 0 mm、信噪比提升至23.821 0 dB,验证了本文方法在实际应用中的有效性。

【文章页数】：10 页

【部分图文】：

图1仿真信号和频谱图

频谱图中峰值与单频信号的频率基本吻合,如图1中圆圈表示。VMD分解层数K的确定具有极大的主观性,K值过大或过小会造成过分解、欠分解的问题,通过分析频谱图中峰值个数,确定变分模态分解数K,能够保证较好的分解效果[17],图1频谱图中圆圈标出了3个波峰,可将分解层数K设置为4,其中3....

图2EEMD分量时域图和频谱图

对仿真信号分别进行EEMD和VMD分解,EEMD分解层数为9,VMD分解层数为4,惩罚因子α取默认值2000,分解结果如图2、图3所示。由图可知,EEMD分解的信号分量存在严重的模态混叠现象;而VMD方法缓解了分解过程中的模态混叠问题,由分量频谱图可看出前两组为低频信号分量。分....

图3VMD分量时域图和频谱图

图2EEMD分量时域图和频谱图分别计算出分量与原始信号的相关性r,一般在r>0.5时,认为分量信号与原始信号相关性较好,作为信号分量给予保留;在r<0.5时,认为分量信号与原始信号相关性较差,视为是噪声分量处理[12]。对VMD分解得到的4组分量与原始信号进行相关性分析,得到r....

图4DVMD分量时域图和频谱图

二次分解如图3所示,VMD分量频谱图中还存在少量模态混叠现象,以及低频信号信号中还存在少量噪声,影响去噪效果。针对这种情况,对低频信号进行二次VMD分解,进一步降低了频率混叠的现象,二次VMD分解去噪的结果相比于单次的VMD去噪效果要好。如图4所示,相比于EEMD和VMD,DVM....

本文编号：3939991