文献类型：期刊文章

作　　者：李志军[1] 张鸿鹏[1] 王亚楠[1] 李笑[1]

LI Zhi-jun;ZHANG Hong-peng;WANG Ya-nan;LI Xiao(School of Artificial Intelligence and Data Science,Hebei University of Technology,Tianjin 300130,China)

机构地区：[1]河北工业大学人工智能与数据科学学院,天津300130

出　　处：《电机与控制学报》

基　　金：河北省科技厅支撑项目计划(15212105D)。

年　　份：2020

卷　　号：24

期　　号：12

起止页码：120-129

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：基于补充经验模态分解(CEEMD)的谐波检测方法虽然能在一定程度上改善经验模态分解(EMD)的模态混叠问题,但由于非平稳信号本身存在噪声和在分解过程中需要额外增添辅助噪声,导致分解后的固有模态函数(IMFS)出现虚假分量和噪声残留,严重影响了谐波特征信息的提取。本文在传统CEEMD基础之上,提出了一种基于排列熵(PE)算法的PE—CEEMD分解方法用以改善CEEMD分解中产生虚假分量的不足,并针对分解中噪声残留问题,采用了一种新型阈值函数下的小波阈值去噪(WTD)方法,对分解后得到的固有模态函数(IMFS)进行去噪处理,在对降噪处理过的IMFS中包含的各次谐波的特征信息进行提取。仿真实验表明,PE—CEEMD分解方法能够有效改善CEMMD中的虚假分量现象,而新型阈值函数下的WTD方法则能够有效消除残留噪声对IMFS特征信息提取带来的影响,提高了对谐波信号的检测精度,具有良好的抗噪性能。

关 键 词：CEEMD  EMD 排列熵  模态混叠  虚假分量  小波阈值去噪 谐波检测

分 类 号：TP16]