联合EEMD与VSVT-LMS的振动信号自适应去噪方法

"LMS方法的改进及联合EEMD在振动信号去噪中的应用 (2013年)，作者：张袁元，李舜酶，胡伊贤，江星星，郭海东，南京航空航天大学能源与动力学院" 本文探讨的是在机械振动信号特征提取过程中的一种创新性去噪技术，它结合了集合经验模式分解（Ensemble Empirical Mode Decomposition, EEMD）和最小均方算法（Least Mean Square, LMS）。LMS算法是一种自适应滤波技术，常用于噪声去除，但其对宽频信号处理的不稳定性是其局限性之一。为了解决这一问题，作者深入研究了LMS的固定步长固定阶数、变步长（Variable Step, VS）和变阶数（Variable Tap, VT）的算法性能，并提出了一个名为VSVT-LMS（Variable Step and Variable Tap Least Mean Square）的新算法。该算法在迭代过程中以最小均方误差期望作为收敛标准，动态调整步长和阶数，从而提高了去噪效率和稳定性。 EEMD是一种改进的经验模式分解（Empirical Mode Decomposition, EMD），能将复杂信号分解为一系列内在模态函数（Intrinsic Mode Functions, IMFs），这些IMF分量具有窄带特性，便于后续处理。在EEMD分解的基础上，VSVT-LMS算法逐个对IMF分量进行去噪处理，这既利用了EEMD的信号分解能力，减少了EMD分解的不唯一性问题，又解决了LMS在去噪过程中阈值选择的难题。 在实际应用中，该方法通过仿真和实际车辆振动信号的去噪验证了其有效性。仿真和实验结果表明，VSVT-LMS-EEMD方法能有效地滤除噪声，保留信号的有用信息，提高振动信号的特征提取精度，对于工程领域的信号处理具有较高的实用价值。这种方法特别适用于机械系统的故障诊断和健康监测，因为它可以准确地揭示隐藏在噪声下的微弱故障特征。 关键词涉及到的领域包括振动信号分析、信号处理技术、自适应滤波器设计、以及EEMD和LMS算法的应用。此研究对于提升机械系统状态监测和预测维护的水平具有重要意义，为后续的振动信号处理研究提供了新的思路和方法。