经验模态分解与小波变换结合的声发射信号去噪研究

"这篇文章是2011年发表在《哈尔滨工业大学学报》上的科研论文，主题涉及声发射信号的去噪技术。作者通过结合经验模态分解（EMD）和小波变换（Wavelet Transform），提出了三种新的去噪方法：IMF-Wavelet、EMD-Wavelet和Wavelet-EMD方法。通过对标准信号和断铅模拟声发射信号的分析，发现Wavelet-EMD方法在不同信噪比下表现出了较好的去噪稳定性，而小波阈值去噪方法对于声发射信号的去噪效果不理想，EMD-Wavelet和Wavelet-EMD方法则相对稳定。" 本文深入探讨了在声发射信号处理中的噪声消除技术。声发射信号是一种非侵入性的监测手段，常用于材料损伤检测和结构健康监测。然而，由于环境干扰，这些信号往往被噪声污染，因此需要有效的去噪方法来提取有用信息。 经验模态分解（EMD）是一种自适应的数据分析方法，能够将复杂信号分解成一系列简单的时间局部函数，称为内在模态函数（IMF）。这种方法对非线性和非平稳信号有很好的处理能力，但可能在处理高频噪声时效果不佳。 小波变换则利用小波基函数的多分辨率特性，对信号进行时频分析，可以精确定位信号的突变点，适用于去除信号中的局部噪声。然而，小波阈值去噪可能会导致信号失真，特别是在低信噪比的情况下。 鉴于EMD和小波变换各自的优势，作者尝试将两者结合起来，提出了三种结合方法。其中，IMF-Wavelet方法先用EMD分解信号，然后对每个IMF应用小波去噪；EMD-Wavelet方法先用小波变换，再用EMD处理；而Wavelet-EMD方法则是先小波去噪，再EMD分解。实验结果显示，Wavelet-EMD方法在各种信噪比条件下都能提供稳定的去噪效果，而EMD-Wavelet和Wavelet-EMD方法对声发射信号的去噪也表现出优于单纯小波阈值去噪的性能。 这篇论文的研究对于改善声发射信号处理的效率和准确性有着重要的贡献，有助于在材料科学、工程结构监测等领域提高检测和诊断的精确度。同时，它也为其他非线性、非平稳信号的处理提供了新的思路和方法。