Signal denoising method for modal analysis of an offshore platform

The modal analysis of offshore structures is a key element of structural health monitoring based on vibration. A difficulty encountered by practitioners and researchers is that an accurate modal analysis is challenging in noisy environments. The objective of this work is to develop and implement a signal denoising method based on solving the inverse singular value problem of a measured (noisy) data matrix with prescribed entries to reconstruct a filtered data matrix. The measured (noisy) impulse response function (IRF) is used to build a square or nearly square Hankel matrix. The normalized rank determination indicator (RDI) of the Hankel matrix is introduced to determine the number of prescribed non-zero singular values in the prescribed entries inverse singular value problem (PEISVP). The reconstructed (filtered) matrix must maintain the original Hankel structure, and preserve the number of non-zero singular values. Once the filtered IRF has been obtained, the complex exponential (CE) method is applied for the modal analysis. To validate the proposed method, hereafter referred to as PEISVP-CE, we undertake the numerical simulation of a five-story shear building. Once successfully validated, we apply the PEISVP-CE method to an offshore field experiment of a jacket platform under the step relaxation. We find that the PEISVP-CE method is effective at eliminating noise and, therefore, appropriate for the modal analysis of offshore structures.     

基于小波和 EMD 的电阻探针监测信号自适应去噪

目的从监测信号中恢复有效腐蚀信息(长期变化趋势、周期性窄带尖峰),提出一种基于经验模态分解(Empirical Mode Decomposition,EMD)和小波阈值去噪(Wavelet Threshold Denoised,WTD)相结合的自适应去噪算法(EMD-WTD)。方法先将信号进行EMD分解,利用最大信息系数(Max Information Coefficient,MIC)判断噪声主导和有效信号主导信号分量的分界点,然后将噪声主导的信号分量进行自适应小波阈值去噪。最后以人工模拟信号和电阻探针监测信号进行验证。结果 EMD-WTD算法能有效去除噪声,信噪比可提升10 d B以上。结论与多个去噪算法相比,EMD-WTD算法能够更好地保留信号中周期性窄带尖峰信息,为后续准确建立电阻探针监测信号与环境之间的数学模型奠定了基础。     

基于改进EMD—小波阈值联合去噪的城市地下管线识别与定位

探地雷达(GPR)目标回波信号极易由于背景杂波的干扰而被淹没。为了有效滤出杂波,提出了一种改进的EMD-小波阈值联合去噪法,即用改进的基于统计特性和自相关函数特性的EMD去噪法对回波信号进行预处理,在此基础上对EMD分解后的噪声主导模态分量进行小波阈值处理,最后进行信号的重构。结果表明,该联合去噪法不仅可以有效地滤除杂波,而且最大限度地保留了目标回波有用信号,从而使去噪后的回波剖面为城市地下管线的识别与定位提供了可靠的图像解释资料。     

防噪耳塞综述及探讨

防噪耳塞体积小、功能全、成本低,广泛应用于生活生产。本文记述了防噪耳塞的产生及发展现状,总结了其技术指标,归纳了不同的耳塞种类及其降噪原理。在进一步发挥防噪耳塞的作用,减轻噪声污染,创新防噪耳塞设计原理及结构上进行了探讨,为防噪耳塞的研究和改进提出了自己的思路。     

基于随机森林的光散射法传感器微站PM2.5监测值的校正方法研究

光散射法传感器微站以其体积小、反应迅速、成本低等优点,已成为城市PM_2.5规模化移动监测的新选择.由于其标准与传统标准台站不同,必须对这类微站的监测数据进行准确地校正.本研究利用2021年06月—2022年02月武汉市江夏区标准台站及同期传感器微站监测数据,探讨传感器微站监测误差与温度、相对湿度的关系,并通过随机森林回归（Random Forest Regressor,RFR）校正传感器微站PM_2.5监测数据.对比单一RFR模型、按气象因素分类后RFR模型、“小波去噪+RFR”组合模型、“加权滑动平均去噪+RFR”组合模型校正效果,结果表明：RFR模型和分类后RFR模型均出现泛化能力差的问题,不能满足校正需求;“小波去噪+RFR”组合模型、“加权滑动平均去噪+RFR”组合模型平均绝对误差分别为8.77 μg·m^-3和4.78 μg·m^-3,平均相对误差分别为40.80%和18.13%.去噪组合模型能满足校正需求,且“加权滑动平均+RFR”组合模型校正效果明显优于“小波去噪+RFR”组合模型.研究结果可为光散射法传感器微站PM_2.5监测值校正提供有益参考.     

考虑数据去噪分解的滑坡位移组合预测研究*

为准确掌握滑坡位移变化规律,基于滑坡变形监测结果统计,对位移数据进行去噪分解处理,将滑坡位移数据分解为趋势项和误差项,并分别利用优化多核极限学习机和Arima模型构建预测模型,以实现滑坡位移的组合预测。结果表明:Morlet复小波较传统去噪模型分解效果更优,且通过优化处理,能更好地提高其分解能力;通过对多核极限学习机的递进优化处理,能有效提高趋势项的预测精度,且经Arima模型的误差修正预测,能进一步提高整体预测精度,结果的平均相对误差均小于2%,验证该组合预测思路在滑坡位移预测中的适用性;通过外推预测,得到滑坡位移仍将进一步增加,并趋于不利方向发展,因此需加强灾害防治,避免成灾损失。研究结果可为滑坡灾害防治提供理论指导。