期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
固体火箭发动机推压力信号光滑降噪模型
1
作者 邓泽奇 吴佳佳 +2 位作者 王飞 钱鸣 朱利勤 《噪声与振动控制》 北大核心 2025年第3期127-131,157,共6页
针对固体火箭发动机地面静止试验推压力信号中混杂的噪声,提出基于变分模态分解(VMD)算法的信号光滑降噪模型。首先通过VMD将原始信号分解成一系列相对平稳的限带内禀模态函数(BIMF),再基于傅里叶变换(FFT)得到各BIMF幅值谱图,剔除高频... 针对固体火箭发动机地面静止试验推压力信号中混杂的噪声,提出基于变分模态分解(VMD)算法的信号光滑降噪模型。首先通过VMD将原始信号分解成一系列相对平稳的限带内禀模态函数(BIMF),再基于傅里叶变换(FFT)得到各BIMF幅值谱图,剔除高频分量后重构得到降噪信号。最后通过某型号标准试验发动机实测推压力信号进行验证,结果表明所提出的光滑降噪模型能有效去除推压力信号中的高频噪声,提高信号的光滑程度,有利于后续数据处理和分析,具有重要的工程应用价值。 展开更多
关键词 声学 固体火箭发动机 地面静止试验 变分模态分解 光滑降噪模型
在线阅读 下载PDF
基于变分模态分解算法的隧道爆破振动信号光滑降噪模型 被引量:25
2
作者 彭亚雄 刘广进 +2 位作者 苏莹 刘运思 张超 《振动与冲击》 EI CSCD 北大核心 2021年第24期173-179,共7页
由于工程环境、电磁干扰和仪器误差等因素的影响,实测隧道爆破振动信号含有大量高频噪声。为了获得真实振动特征,提出了基于变分模态分解(variational mode decomposition,VMD)算法的信号光滑降噪模型。将原始信号进行VMD获得本征模态函... 由于工程环境、电磁干扰和仪器误差等因素的影响,实测隧道爆破振动信号含有大量高频噪声。为了获得真实振动特征,提出了基于变分模态分解(variational mode decomposition,VMD)算法的信号光滑降噪模型。将原始信号进行VMD获得本征模态函数,建立低通滤波算法。基于滤波算法的重构误差和光滑程度构造目标函数,计算目标函数的最优解,得到最优的降噪信号,达到去除噪声的目的。对实测隧道爆破振动信号处理表明,该模型能较好地去除高频噪声并对信号的低频能量影响较小。同时,该模型降噪效果均优于经验模态分解(empirical mode decomposition,EMD)、互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)模型,验证了基于VMD算法的信号光滑降噪模型的有效性。 展开更多
关键词 隧道爆破 振动信号 变分模态分解(VMD) 光滑降噪模型
在线阅读 下载PDF
基于CEEMD的露天深孔爆破振动信号降噪光滑模型 被引量:4
3
作者 田婕 张云鹏 +2 位作者 闫鹏 孙文诚 杨曦 《爆破》 CSCD 北大核心 2024年第2期143-150,159,共9页
由于爆破区域地形地质条件的复杂、监测仪器的误差、振动传播介质的反射以及磁场的干扰等原因,采集的原始爆破振动信号常常会掺杂大量的噪声,针对此问题提出了基于互补集合经验模态分解(CEEMD)的信号降噪光滑模型。此模型将爆破振动信... 由于爆破区域地形地质条件的复杂、监测仪器的误差、振动传播介质的反射以及磁场的干扰等原因,采集的原始爆破振动信号常常会掺杂大量的噪声,针对此问题提出了基于互补集合经验模态分解(CEEMD)的信号降噪光滑模型。此模型将爆破振动信号进行CEEMD,基于分解所得到的IMF分量建立低通滤波算法。根据滤波算法的相似度与光滑度,构造目标函数并计算最优解,其对应的滤波算法模型即为爆破振动信号的最优降噪光滑模型。通过构造仿真信号验证了降噪光滑模型算法的可行性,并将模型应用了实际露天深孔爆破振动信号的研究。采用信噪比和均方根误差两种指标对比经验模态分解(EMD)方法、小波阈值法、CEEMD-小波阈值法与滤波算法模型BP3的降噪效果,验证了降噪光滑模型在对露天矿山爆破振动信号降噪方面的有效性,并通过频谱分析进一步验证了降噪光滑模型较CEEMD-小波阈值法的优越性。结果表明:基于CEEMD的露天深孔爆破振动信号降噪光滑模型具有良好的降噪能力,能够在保留原始爆破振动信号真实特征信息的前提下对信号进行降噪,且降噪效果优于EMD方法、小波阈值法和CEEMD-小波阈值法。 展开更多
关键词 露天深孔爆破 振动信号 CEEMD 低通滤波 光滑模型
在线阅读 下载PDF
基于空间域图像生成和混合卷积神经网络的配电网故障选线方法 被引量:6
4
作者 郭威 史运涛 《电网技术》 EI CSCD 北大核心 2024年第3期1311-1321,共11页
传统的配电网故障选线方法大多基于一维零序电流序列构建故障诊断模型,单一的诊断模型往往限制了故障特征的深层挖掘。为了提高故障选线的准确率,提出一种基于空间域图像和混合卷积神经网络的配电网故障选线方法。首先,利用优化的降噪... 传统的配电网故障选线方法大多基于一维零序电流序列构建故障诊断模型,单一的诊断模型往往限制了故障特征的深层挖掘。为了提高故障选线的准确率,提出一种基于空间域图像和混合卷积神经网络的配电网故障选线方法。首先,利用优化的降噪光滑模型对零序电流信号进行降噪处理,减少外界环境的电磁干扰。其次,利用对称希尔伯特变换将一维时域信号转成二维空间域图像,图像的颜色、形状和纹理特征能够充分反映当前系统的运行状态。最后,将一维时域信号和二维空间域图像同步作为混合卷积神经网络的输入,充分挖掘系统的故障特征,利用Sigmoid函数实现故障选线。在辐射状配电网、IEEE-13节点模型、IEEE-34节点、StarSim仿真平台上模型上进行了实验验证。实验结果表明,该选线方法可以有效克服传统方法过度依赖主观特征选择、抗噪性能差等问题,能够在高阻接地、采样时间不同步、两点接地故障等极端情况下可靠地筛选出故障线路。 展开更多
关键词 故障选线 对称希尔伯特变换 混合卷积神经网络 空间域图像生成 优化的光滑模型
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部