康安康

(91404部队，河北 秦皇岛 066000)

0 引 言

机械振动信号在采集过程中不可避免受到复杂噪声干扰，极大干扰了振动信号真实信息的解读，从而影响机械设备状态监测，甚至导致错误判断，因此，信号降噪在设备状态监测中有着举足轻重的作用[1]。由于机械设备工作环境复杂，采集到的信号往往是非线性、非平稳的，以往的线性滤波方法并不适用。

与小波变换方法相比，经验模态分解方法[2](Empirical Mode Decompomposition，EMD)无需信号的先验知识，其分解完全依赖信号本身，数据分解真实可靠，因此被广泛应用于机械振动信号分析、声音处理、大气信号提取、气候变化等诸多领域[3-6]。但是，在脉冲强干扰的影响下，EMD分解出来的本征模态分量(Intrinsic Mode Function，IMF)会发生畸变，导致信号失真[7]，且EMD本身存在一些不足，如模式混叠、端点效应、停止条件等[8]。为了抑制模式混叠，Wu等[9]提出了集合经验模态分解方法(Ensemble Empirical Mode Decomposition，EEMD)，有效克服了这一缺陷。EEMD的时空域算法简单地去掉一个或多个IMF分量来实现去噪，导致相应分量上的有效信号一起被剔除，进而使信号失真。为了更加有效地提取本征模态分量中的有用信息，本文提出了改进EEMD-小波阈值的信号处理方法，利用相关性分析提取IMF中的有效分量，在广义交叉验证准则(Generalized Cross Validation，GCV)求解阈值的基础上，利用Memetic算法 (Memetic Algorithm，MA)对阈值进行寻优，然后经阈值函数处理后实现信号提取目的，将该方法应用到实测非线性信号处理中，有效实现了有用信息的提取。

1 改进EEMD-小波阈值算法

1.1 EEMD基本原理

利用EMD进行信号处理时，由于异常事件干扰导致极值点分布不均匀，从而产生模式混叠现象。……