混沌振子与EEMD联合降噪的周期信号检测策略

本文主要探讨了一种创新的周期信号检测方法，名为"基于混沌振子和EEMD的周期信号检测技术"。在处理含强噪声的周期信号时，该方法结合了混沌振子的非线性动力学特性和集合经验模式分解（Empirical Mode Decomposition, EMD）的降噪优势。 混沌振子作为一种非线性动力系统，其Holmes型方程中的相轨迹随着参数F的变化呈现出规律性的相变。通过设置F在相变临界值，当输入信号导致相变时，可以推断信号中含有与混沌策动力同频的周期成分。然而，强噪声会干扰这种检测，因此，论文提出了一种策略，即先利用EEMD对信号进行降噪，EEMD作为一种自适应分解方法，能够分离出信号中的固有模态函数（IMF），有效解决模式混叠和端点效应问题。 在降噪后的信号上，将之重新导入混沌振子模型进行分析，结果显示这种方法能有效减少噪声对信号检测的影响，提高了混沌振子对周期信号的识别精度和对噪声的抵抗能力。具体应用实例中，通过对故障轴承振动信号的检测，证明了这一方法的有效性。轴承选用N205EM型号，通过振动试验平台测试，采用600转/分钟的转速和20kHz的采样率收集了信号。实验结果表明，该检测方法在实际故障诊断中展现了强大的信号处理能力。 总结来说，本文的研究提供了一种有效的策略，即通过先用EEMD对含有强噪声的周期信号进行预处理，然后利用混沌振子的特性进行检测，从而显著提升了在复杂环境下的信号分析和故障识别性能。这种方法对于工业监控和信号处理领域具有重要的实际应用价值。