[发明专利]基于改进EEMD的钢结构动态应变信号处理方法

说明书

本发明提供了基于改进EEMD的钢结构动态应变信号处理方法，基于改进EEMD的钢结构动态应变信号处理方法，包括以下步骤：向原始信号中多次加入随机生成的高斯白噪声得到噪声协助信号；将每次得到的噪声协助信号进行EMD分解；将每次分解得到的各阶IMF分量和残余量分别取平均；将得到的各阶IMF分量的平均值以及残余量的平均值进行信号重构，最终得到去噪后的钢结构动态应变信号。本发明采用改进集合经验模态分解法对原始信号多次加入高斯白噪声进行辅助分析，其中加入高斯白噪声的大小根据原始信号的高频特性自适应确定，完成多次EMD分解后再求各IMF分量的平均，由于高斯白噪声的零均值特性，经过多次平均后加入的噪声相互抵消，不会影响原始信号特性。

技术领域

本发明涉及信号处理领域，具体涉及基于改进EEMD的钢结构动态应变信号处理方法。

背景技术

大型建筑物的结构健康监测在建筑管理和维护中发挥着不可替代的作用。一般桥梁、隧道等在建成后，会在各个关键部位的钢结构部件部署不同类型的传感器以获取结构状态实时监测数据。结构健康监测数据是分析钢结构损伤和疲劳寿命的重要参考。但由于器件本身性质、外界干扰等多种因素的影响，从各传感器采集到的监测数据总不可避免的包含各种噪声成分。噪声的存在使数据的后续分析结果产生偏差，严重时可能造成重大的安全隐患。因此在分析之前需采用合适的方法对信号做滤波处理。

现有的对建筑物钢结构的应变信号的处理和分析方法：最基本的降噪方法是傅里叶变换，将原始信号从时域转换到频域进行分析，以频率界定有用信号与噪声。当信号与噪声在频域可分时，通过设计合适的滤波器以频域滤波的方式将噪声消除。但该降噪方法有着先天性的不足，无法对噪声与信号混叠的原始信号进行处理；基于此便诞生了小波降噪法，小波变换不仅在频域对信号进行分解，且有良好的局限性。但是实际建筑物钢结构的应变信号频率构成复杂，通常具有显著的非平稳性，高频部分噪声较多，且噪声与信号混叠，很可能在滤除噪声的同时将有用信号一起滤除，从而损失信号的原始特征。因此，在处理桥梁应变信号时，传统的傅里叶变换法和小波降噪法都行不通。

经验模态分解法(Empirical Mode Decomposition，EMD)是一种针对非线性非平稳信号的时频分析方法，同时具有良好的自适应性。其本质是对信号进行平稳化处理，将原始信号按照不同频率的波动趋势逐渐分解开来，产生一系列具有不同特征尺度的序列，称为本征模函数。各本征模函数分量也就相应地包含了原始信号从高到低频率段的成分，且随原始信号本身的变化而变化。张晖等提出基于经验模态分解的降噪方法来处理桥梁钢结构箱梁的应变信号。通过经验模态分解将采集到的原始应变信号分解为一系列的本征模函数分量和一个残余分量，然后对含噪声较大的分量进行阈值滤波，并将滤波处理后的分量与含噪声较小的本征模函数分量以及残余分量进行信号重构，从而达到降低桥梁钢结构应变信号噪声的目的。

但当信号的极值点分布不均时，EMD分解结果会出现“过冲”“欠冲”现象，导致模式混叠。针对以上问题，Huang等对EMD分解白噪声结果统计特性进行了大量研究，提出加噪声辅助分析(NADA)的集合经验模态分解方法(Ensemble Empirical Mode Decomposition，EEMD)，将白噪声加入信号来补充一些缺失的尺度，改善信号极值点分布，减少模式混叠。EEMD方法是利用多次测量取平均值的原理，通过在原数据中加入适当大小的高斯白噪声来模拟多次观测的情景，利用白噪声的零均值特性，经多次计算后作集合平均，使噪声相互抵消。在信号分解中具有良好的表现。EEMD方法已被成功应用于转子、轴承、电机等机械设备的故障诊断中。现有的EEMD方法中加入高斯白噪声的大小一般都根据经验人为设定，信号降噪效果主要依赖于白噪声的大小，参数确定具有盲目性。因此有必要提出一种改进的EEMD方法，能够根据原始信号的高频特性，自适应确定加入噪声的幅值大小，减少了算法中人为确定参数的盲目性，对于分析非线性非平稳信号具有重要的意义。

发明内容