气相监测信号的处理方法研究分析 环境工程管理专业

题目气相监测信号的处理方法研究摘要气相监测具有很多的优点，对数据分析的速度较快、分离效能明显以及有较强的选择性，其对提高工作运行效率的有效性有重要意义，因其优势较多，被应用的领域较为广泛，例如石油化工领域、医疗领域及环保、食品领域等。在现场工作操作中，受各种外界环境的影响，如设计原理、检测条件等因素，会对气相色谱信号的有效性带来影响，信号中除了有用信号还存在噪声干扰信号，这样会干扰研究结果的精确性。提高研究结果的精准性及其有效性，需要加强对气相检测信号中噪声的过滤处理。但是，气相监测具有一定的复杂性，是一种非线性的动态系统。其目标在于将其环境中含气以及非含气信号的时段频率特征进行比对并进行研究分析，在当前背景下，采取与时俱进的现代化操作手段来获取有效信息是值得去研究探索的。NordenE.Huang在经过多年的分析研究，在1998年提出了信号处理领域的里程碑式观点，其提出了一种新的信号处理方法，经验模态分解法(Empiricalmodedeposition,EMD)。这种信号处理方法比以往占据较大的优势，无论是非线性还是非平稳环境下，其处理信号具有较强的有效性。经验模态分解法其工作原理是将复杂的信号简单化，分解一系列包含原始信号局部特性的本征模函数，再对其进行一定程度上的变换来得出具有物理意义的频率。因其处理信号的稳定性及有效性较高，常被应用于较多的领域中。本文对经验模态分解法在气相监测信号处理方面进行了深入的理论研究，并给出了它在实际工程中的一些应用。关键词：气相监测；滤波处理；经验模态分解；信号处理ResearchonProcessingMethodofGasPhaseMonitoringSignalABSTRACTGasphasemonitoringhasmanyadvantages,suchashighspeedofdataanalysis,distinctseparationefficiencyandstrongselectivity.Ithasimportantsignificancetoimprovetheefficiencyofoperation.Becauseofitsadvantages,ithasbeenwidelyusedinmanyfields,suchaspetrochemicalindustry,medicaltreatment,environmentalprotection,foodandsoon.Infieldoperation,influencedbyvariousexternalenvironments,suchasdesignprinciples,detectionconditionsandotherfactors,theeffectivenessofgaschromatographysignalswillbeaffected.Inadditiontousefulsignals,therearenoiseinterferencesignalsinthesignals,whichwillinterferewiththeaccuracyoftheresearchresults.Inordertoimprovetheaccuracyandeffectivenessoftheresearchresults,itisnecessarytostrengthenthefilteringofnoiseingasphasedetectionsignals.However,gasphasemonitoringisanon-lineardynamicsystemwithcertaincomplexity.Itsaimistocompareandanalyzethetime-frequencycharacteristicsofgas-containingandnon-gas-containingsignalsintheenvironment.Underthecurrentbackground,itisworthstudyingandexploringtoadoptmodernoperationmethodstoobtaineffectiveinformation.Afteryearsofanalysisandresearch,NordenE.Huangputforwardalandmarkviewpointinthefieldofsignalprocessingin1998.Heproposedanewsignalprocessingmethod,EmpiricalModeDecomposition(EMD).Thissignalprocessingmethodhasagreateradvantagethanbefore.Ithasastrongeffectivenessinprocessingsignalsinbothnon-linearandnon-stationaryenvironments.Theprincipleofempiricalmodedecompositionistosimplifycomplexsignals,decomposeaseriesofintrinsicmodefunctionsincludingthelocalcharacteristicsoftheoriginalsignals,andthentransformthemtoacertainextenttogetthefrequencieswithphysicalsignificance.Becauseofitshighstabilityandeffectivenessinsignalprocessing,itisoftenusedinmanyfields.Inthispaper,empiricalmodedecomposition(EMD)methodisdeeplystudiedinsignalprocessingofgasphasemonitoring,anditsapplicationinpracticalengineeringisgiven.KeyWords：GasPhaseMonitoring；Filtering；EMD；SignalProcessing目录摘要 IABSTRACT II前言 1第1章绪论 21.1课题研究的目的意义 21.2国内外研究现状 21.3常用的滤噪方法 31.4本文研究的目的及主要内容 4第2章经验模态分解法的基本原理分析 52.1EMD算法基本概念解析 52.2EMD算法基本原理 62.3EMD算法的主要优点 82.4EMD存在的问题 92.5本章小结 10第3章经验模态信号处理问题分析 123.1EMD边界处理问题及改进 123.2端点效应处理 133.3EMD模态混叠研究 143.4本章小结 15第4章经验模态分解法在气相流中的应用 164.1EMD算法气侵识别分析 164.2气相监测系统 164.3经验模态去噪应用 174.4本章小结 19第5章总结与展望 20参考文献 21致谢 23前言在我国经济文化快速发展的时代背景下，对气相检测技术的要求也随之提高。气象监测法作为一项新的信号处理技术具有其分离特性，能够对化学物的分离分析以及物化研究等领域产生重要影响，因为其独特性，在石油、化工、医疗以及环境等方面被推广使用。信号处理技术的发展及推广应用，对完善分离分析技术的进一步提升有重要意义，气相监测也更加智能化。目前，使用较多的化学分析技术是气相检测技术，其能够通过获取化学浓度、成分及活性来获取相关信息，由于在单位时间内获取的色谱数据多、信息丰富、谱图量大，气相监测系统需要对各种信号处理辨识，利用人工解析大数据具有一定的难度，借助计算机分析更能提高工作效率。计算机软硬件随着经济文化技术的发展而取得了巨大的进步，使用计算机进行大数据分析，不仅可以降低人工解析产生的误差及难度，还可以提高解析的精准性及有效性。基于此，利用信号技术在气相检测领域的使用越来越受推崇。第1章绪论1.1课题研究的目的意义信号系统中除了有用信号，还存在很多噪声信号，噪声信号会对信号处理带来很大的干扰，降低信号的质量，影响信号处理结果。当原始信号中存在较多的噪声干扰时，会影响人工观察的效果，增加信号处理的难度，做好原始信号中噪声信号的过滤处理，是信号处理的基本工作。所需信号中受到噪声干扰时会增加数据处理的难度，造成分析结果的不准确性，要得到高精度及可靠性较高的信息，需要加大对气相检测信号中噪声的过滤处理。基于信号与噪声之间存在的差异性，使用程序将数字信号进行平滑处理，这种处理方式称作软件滤波。本文研究的主要目的是通过新的经验模态分解法对信号中的非平稳信号进行分析处理，将信号中的噪声进行滤噪处理，得出信号的时域及频域特性，通过自动调节来降低信号中的噪声干扰，将之后的谱峰识别、曲线拟合及定量定性分析工作奠定基础。基于此，本文对色谱信号的滤噪的方法的研究探索对加强和完善信号处理的精准性及可靠性有重要作用。1.2国内外研究现状在经历数十年的发展，经验模态分解（EMD）方法取得了进步，但其自身体系仍处于初步发展阶段。当前，EMD研究领域内的学者不断增加，这对促进EMD理论的完善有着极大的促进作用。经过各学者的分析研究，逐渐形成了完善的EMD理论体系，这种新的数据处理方法也因其优势在非平稳信号处理中得到推广。在EMD初步发展之际，学界对其研究还不够完善，学者Huang在EMD的研究中构建了其基本的框架，将其使用的理论依据进行了分析，并详细概述了本征模函数和瞬时频率的内涵，把方法中的完备性以及正交性等问题开展了研讨，研究EMD算法与其他信号分解方法之间存在的异同。在之后的研究工作中，该学者基于先前的研究对EMD算法理论进行了进一步的完善和发展。二十世纪九十年代末，其带领其他学者将EMD算法技术应用于海洋波纹数据的处理中。2003年，其与其他学者对研究EMD算法技术做出较多的贡献，研究分析了EMD存在的置信限，并将EMD技术应用于地震波信号的处理中，了解EMD算法的优势。在此期间，对信号中的噪声处理也进行了详细研究，并对后期信号去噪奠定了研究基础。同年，他们将EMD算法技术进行进一步的改善，提高算法的精准性，完善原始EMD分解算法的限制条件。EMD算法技术在我国科研技术的发展下得到不断地进步，学界对其研究也越来越深入。一些学者利用该技术与其他技术的结合得出新的研究思路，例如，邓建勋、熊忠阳等人利用该算法与人脸识别技术的结合分析，为创新人脸技术的进步和完善提供了更好的研究思路。王雷、赵俊龙等人根据对EMD算法技术的多年分析探索，提出了一种新的理念，局域波概念，并将这种新的概念应用到机械故障诊断中。EMD算法技术经过多年的发展，其优势也越来越明显，因其独特的优势也被应用到更为广泛的领域中。1.3常用的滤噪方法当前分析仪器在进行滤噪的过程中主要有两大阶段，一是在获取信号前，通过使用各种滤波方法对噪声进行过滤处理，二是在已经获取数字信号时，对输出的数字信号中的噪声进行数据处理，也成为硬件滤波和软件滤波。硬件滤波的工作原理是通过对电路中的信号进行频率成分选择，其实现滤波的方式是将模拟电路作为依托进行模拟信号的滤波处理，这种滤波方法具有其局限性，即当其电路系统设计完成后，其参数不能进行改变，这样会使滤波器工作时滤波范围缩小，降低滤波的质量水平，很难适应新的外界环境的变动。在设计出具有较高性能的硬件滤波的过程中还有较大的阻碍。软件滤波的工作原理主要是通过对收集的信号进行平滑处理，利用模拟信号实现信号的离散采样，加强有用信号的收集，进而降低噪声对有用信号的干扰。软件滤波与硬件滤波相比具有较强的自动调节性，其能够根据信号外界的改变而实现算法中参数的自动调节，以达到最优的滤波效果。其具有较为明显的优势，因其低成本、高效率以及操作的简易性在各领域使用的较为广泛。其具有较多发展比较成熟的滤波算法可以进行借鉴。例如比较常见的数字滤波方法有以下几种：一是最小二乘法曲线拟合，二是移动平均滤波法等。（1）最小二乘法曲线拟合的工作方法是将一组离散的数据点，根据其关系式找出函数关系，确定出关系式中的各参数，并使得这些参数值无限接近，在通过曲线拟合的方式来实现信号的平滑。（2）移动平均滤波法的工作方法是，首先需要设定出一定的滤波窗口，将窗口内的信号数据进行平均值计算，并将得出的平均值作为平滑结果，在完成一次计算时窗口就会向前移动，经过多次反复操作，得出的平均值后的噪声和原始数据中的噪声相比，其噪声值更低，基于此，来达到滤噪的功能。但当信噪比比较大的情况下，其峰形失真的程度也会随之加大。1.4本文研究的目的及主要内容本文对气相监测信号的处理方法进行了深入研究，提出了利用经验模态分解法，在研究经验模态分解法特性的基础上，期望对新领域的研究能够提供新的思路，为以后的研究奠定基础以实现问题的更好解决。本文研究的主要目的是在深入了解其特性后并将其应用在非平稳信号的处理中。本文研究的内容主要有以下安排：第一章首先对研究的背景以及意义进行了详细的阐述，对经验模态分解法在信号处理上做了详细分析，并介绍了经验模态分解法的国内外研究现状。并对几种常见的非平稳信号的滤波方法进行了探讨和详细分析。第二章在了解研究的背景下，对与EMD相关概念进行概述，说明其基本的工作原理，在对原理分析的基础上提供FNID算法的操作步骤以及流程，并对HHT变换的相关概念理论进行阐述，在深入研究EMD算法的特性下，对其算法中存在的问题进行分析研究并提出一些可行性建议。第三章主要分析了阻碍EMD方法分解的两大难题，一是端点效应，二是模态混淆。基于对端点效应产生原因的分析，提出阻碍端点效应的几种方法，并提出一些可操作的解决措施。第四章研究分析EMD在信号去噪方面的可操作性，提供实验结果；并设计了使用案例，将EMD分解法与指纹图像预处理进行结合，拓宽其应用的范围。第五章对本文进行了总结和展望，总结论文工作中所做出的结果，并对后期EMD的研究和应用做出展望。第2章经验模态分解法的基本原理分析2.1EMD算法基本概念解析对EMD进行时频分析时主要采取的步骤有两种，第一种是将时间序列开展经验模态的分解，将其分解成各个本征模函数之和的模式；第二种是运用希尔伯特变换方式对各本征模函数开展变换，并将其变换结果进行合成，对合成的时频谱图再进行研究分析。基于此，了解几个EMD算法的基本概念是更好地了解时频分析方法的基础。通常情况下，可以将无穷多的复数形式用一个实信号来进行表示，可以作为复信号的实部，其虚部可以用来进行表示，其表达式可以用以下方程式进行表达：(2.1)极坐标的形式可以用以下的方程式进行表示：(2.2)当在运用原实信号去激励一个滤波器时，能够构建出一个虚拟信号，将其输出的结果看成虚拟信号，将滤波器冲激响应命名为，则其表达式可以表示为：(2.3)复信号的表达式可以表示为以下形式：(2.4)在上表达式中，符号*表示的是函数的卷积，将表达式的两边进行傅里叶变换后，可以得到的频谱关系式如以下表达式所示：(2.5)傅里叶频率的使用具有其局限特征，对非平稳信号的频率无法进行有效的表示，因为非平稳信号具有可变换性，能够随着时间的移动而发生变化，此时为了更有效的表示局部信号的特性，可以使用瞬时频率的理念，但目前此种概念还没有得到广泛的认可。2.2EMD算法基本原理经验模态分解(EMD)的基本原理是将原始信号进行分解，并分解得出若干的固有的模态函数（IMF）和一个余量。对于IMF，使其满足的要求有两种，如下所示：在一个完整的数据系列里，其极值点数量必须等于过零点的数量，如不等于的情况下，至多只能有一个数量差距。在任意的时间节点中，信号存在的局部极大值与极小值之间定义的包络平均数值需要等于零。在将一个时间信号开展EMD分解时，其步骤如下表示：（1）第一步，需要先将信号的极大值点与极小值点进行分辨，并拟合得出信号的包络线，其上包络线表示为、其下包络线可以表示为，将二者进行运算，其平均值可以表达为以下关系式：(2.6)（2）将减去得到,并将符号表示为新的，在对步骤（1）进行n次的筛选，直到筛选结果显示表达式能够显示为基本的IMF分量。（3）将进行定义,使,通过此式可以得出第一个基本模分量，这种分量是从原始数据处理中得出的，其分离出的分量可以用以下表达式进行表达：(2.7)（4）剩余部分容然包含较长周期分量的息，将仍继续上述处理过程（2.8）最终表示为：i=1,2,...,N-1(2.9)从EMD筛选过程来看，首先分解出来的是频率最高的模态分量，随着分解阶数的增加频率逐次降低。当剩余信号处于非振荡单调函数或者是小于先前设定的数值常数时，方可认定其分解过程已经完成。将原始数据进行分解后，最终可以分解得出有n个IMF分量以及一个剩余的。基于上文算法的分析，可以了解到EMD分解算法的运算流程框图，可以用图2.1进行表示。图2.1EMD分解算法的流程图Fig.2.1FlowchartoftheEMDdecompositionalgorithm2.3EMD算法的主要优点（1）EMD的完备性在对完备性的特点进行分析时，主要是对算法的分解后的的信号的信息进行的额分析，这就包括分解后的IMF分量和残余分量，利用这两者能够对整个信号的所有信息进行完全的回复出来。而且随着信号的分解频率的变化能够得到更加全面的信息，把误差的降低到最低的控制水平，能够在获得的结合处理的信号和真实的信号之间具有完备的数据信息，所以EMD算法在非线性信号的处理上具有完备的优势。（2）正交性根据上文的阐述，可以知道利用EMD算法对信号进行分解后，获得的信号具有一定的正交特性，这就方便了对获得的信号进行数据分析，能够利用同样的分析坐标对信号进行处理，而且在同样的分析标准下，可以获得比较同意的分析结果，减少了随机误差的出现。2.4EMD存在的问题EMD算法在处理非线性非平稳信号时具有特定的优势，在这方面，传统基于傅里叶变换方法很难以和EMD算法进行相比较。但是在其他方面，EMD算法就难以具有这样大的优势，而且在一些场合的应用时还存在一定的问题，这些问题在使用时对算法的影响很大，特别是在信号的处理上，这些问题的存在将严重限制EMD算法在信号处理领域的发展。（1）理论基础薄弱，缺少具体的理论研究支撑虽然现在EMD算法在一些领域取得了大量的研究应用，但是对EMD分解的详细的数学推导的理论目前还不存在，但是可以看成是一种经验结论总结的运用。有很多现象只能通过实验来解释，所以有必要研究EMD分解的缺陷。这些缺陷主要包括：模态混叠和端点效应。这两种缺陷的基本原理，并且通过实验来说明这些现象，为后面引出EMD分解的应用做准备。模态混叠的情况可以描述成原始信号不能经EMD分解把模态函数按照规定的时间尺度分离出来，在同一个成分中存在不同的模态成分，或者是多个成分中都是相同的模态成分，换句话来说就是模态成分与成分之间不满足独立的条件，因此无法分离出来。没有实际的物理意义而是只有数学含义的成分，这些成分的产生就是模态混叠造成的直接结果。（2）筛分问题在使用EMD算法进行信号的筛分时，需要独一噪声信号和处理信号同时要使IMF保留原始信号的信息，例如：瞬时频率和振幅。由于EMD分解的次数过多会造成原始信号的信息的丢失，因此需要考虑EMD分解的终止准则，此处仅仅讨论振幅和能量，主要包括：标准差准则、能量差异准则和阈值准则。标准差准则是指求出相邻的两个分解的分量的标准差，将标准差限制在一定的范围内（一般在0.2-0.3之间）作为停止的条件。能量差异准则是指根据原始信号的正交分量与IMF分量是否存在正交关系，以及两者的总能量的差值是否足够小作为停止条件。（3）端点效应问题端点效应是EMD分解的另一个缺陷，端点效应是由于EMD分解过程中，在采样点序列的边界可能出现发散的情况，根据前面的分析可知分解过程需要不断的迭代，迭代次数越多，采样点序列的失真情况会越严重，这样会造成出现模态混叠的现象。要解释这个现象，可以从EMD筛选数据的方式着手，先取极值点再由三次样条插值拟合这些极值点得到上下包络线，但是采样点序列的边界数据可能并不是极值点，这样得出的包络线是不准确的，会产生一定的误差。而且多次筛选会使误差越来越大，这种迭代过程自然会影响到整个数据的筛选结果（4）模态混叠问题在对信号的分析处理过程中，需要对信号进行加噪处理，然而对加噪声后的信号s2(t)进行EMD分解的效果并且求出分解后得到的各个分量幅值与频率的关系，经过分析得到的频谱图，显然IMF1~IMF2都存在模态混叠的现象，已经无法区分原始信号的频率,IMF3~IMF4两个分量的频率单一容易丢失原始信号完整的频率信息，IMF5产生了虚假分量。综上所述，EMD分解确实存在模态混叠的缺陷。对于高频的输电线路的参数很容易受到外界因素的影响，故障信号中往往夹杂着噪声，这些噪声会增加识别行波波头的难度，显然实现精准的信号处理获得信号本身具有的信息是很困难的。存在模态混叠现象，然而实际情况是一般是不为零的，就会出现信号趋于零。但是能量差异准则比标准差准则的效果更好，可以保留更多的原始信号的信息。阈值准则是指根据上下包络线计算出的参数的比值与设置的典型的门限值来作为停止的条件。2.5本章小结本章主要对在气侵两相液面处理上使用的分析算法，经验模态分解法做了介绍和分析。首先对经验模态分解的基本概念进行了阐述，详细分析了EMD算法的基本原理，并且结合算法的具体实现对算法的主要优点进行了剖析，给出了本文在进行应用时的原理框图和实现的流程图，最后在EMD的应用上，特别是在处理非线性非平稳信号存在的问题与傅里叶方法进行了分析总结。第3章经验模态信号处理问题分析3.1EMD边界处理问题及改进EMD分解为得到瞬时平均包络，主要通过构建出信号的上下包络线。目前，端点效应严重阻碍了FNID的工作运行，人们为了提高信号处理的有效性，降低由端点效应带来的一系列问题提出了较多的应对措施，其中主要利用的方法有镜像延拓、多项式拟合延拓、AR模型预测以及本文中提到的最近相似距离方法，这些方法对解决端点效应带来的问题具有重要意义，抑制端点效应对输出结果的影响。造成端点效应的原因主要由是信号的包络线造成。信号端点处的极值点位置存在不稳定性，难以进行确定，这样就会对端点包络线的处理产生影响，造成拟合误差，在这种误差反复积累的过程中，会使得分解得到的IMF端点处参数造成更大的误差。误差的不断积累，最严重时能够使得到的分解结果失去物理意义，失去其有效性。以下将会举例说明端点效应带来的物理现象。时频波形如图3.1所展示。图3.1原始信号及其组成部分Fig.3.1Originalsignalanditscomponents没有经过端点效应抑制而直接进行EMD的分解结果如图3.2所示。图3.2端点未经处理的EMD分解结果Fig.3.2EndpointunprocessedEMDdecompositionresults根据图3，2进行分析得出，在对信号数据不做处理的情况下，得出EMD分解结果中可以发现，在IMF1的两端存在较为强烈的端点效应，幅值也在不断减小，在IMF2中端点效应表现的更为明显，两端的误差值更大，这种误差会不断的传递给IMF3、IMF4，使其两端的误差不断加大，进而造成虚假分量。3.2端点效应处理将图3.3中的两个时频分布图进行比对，对比发现端点效应对EMD分解数据的精准度带来较大的影响。在对EMD不做端点处理的情况下，其分解的第一个IMF的两端瞬时频率产生较大的波动，反之，经过端点处理后，其频率波动的较为缓和。从此图也可以了解到，未经过端点处理的分解结果中第二个本征模态分量调频调幅特性表现明显度不高，并且还会出现较多的多余分量。图3.3两种情况下的EMD分解时频分布图Fig.3.3EMDdecompositiontime-frequencydistributiondiagramintwocases端点效应带来的结果误差严重影响着分解结果的有效性，因此抑制端点效应带来的影响对提高EMD算法的分解结果有重要作用。当前，控制端点效应的影响主要通过两种方法进行实现。第一点是经过对曲线拟合中样条的种类进行完善来实现端点效应的抑制，但是由于这种方法的抑制效果不够理想，因此很少使用此抑制方法；第二点是在信号的两端构造出一定大小的极值点，经过对曲线拟合形成的包络线将整个信号进行包络，这种对端点效应的抑制效果较为明显，因此也是目前应用的较多的抑制方法。3.3EMD模态混叠研究造成EMD模态混淆的内部原因有两点：一是由于信号中模态的间歇出现，二是IMF的概念与EMD算法二者缺乏间歇性特征。EMD局部不能进行理想的转换，难以完善的阐述一个间歇信号的局部特性。这两方面的原因可以简洁概述为：间断之间与信号之间产生的相互作用。高频信号的间断会引起模态混叠现象的产生，在运用EMD算法技术进行分解时，第一步要了解到是否存在间断事件，间断事件是不是位于原始信号中。在存在高频间断事件的情况下，可以首先将其进行分离，降低对后续本征模态分量分离带来的影响，以此方法来解决因为此而造成的模态混叠问题。从图3.4可以看出信号上下包络与极值点的分布状态。图3.4信号的包络线及其极值点分布情况Fig.3.4Signalenvelopeanditsextremepointdistribution模态混叠现象产生的原因有两种，一是上文阐述的信号间断带来的模态混叠，二是由于若干的频率同时存在复合信号中，使其难以准确的将部分频率信号分离出来。3.4本章小结本章主要研究分析造成EMD算法分解出现问题的两点内容，一是端点效应，二是模态混叠现象。第一步，对造成端点效应的影响因素进行了阐述，并将如何对端点效应现象进行抑制提出了几点抑制方法。并在此基础上将常见的几点端点效应方法进行对比。第二步，是对EMD算法分解过程中出现的模态混叠进行深入研究，探讨造成模态混叠的关键性影响因素，并基于对模态混叠的了解对其问题进行了分类，造成其产生的主要因素是信号间断事件与信号间的产生的相互作用。

第4章经验模态分解法在气相流中的应用4.1EMD算法气侵识别分析由于重力和浮力对水平管道中气、液两相的相分布存在显著的影响，单纯测取水平管道中某个局部的差压信号并不能全面、准确的反映管道中流体的流动特性。在信号的采集过程中，在气液两相存在信号噪声，气液两相流差压信号的噪声主要包括管道震动、电机震动，静电干扰、工频干扰，引压管内有气侵产生，在系统识别时会产生噪声。产生气侵后，由于气体和水分子具有不同的时频特征，这是因为它们分别包含了不同的气液两相流流动特性。气分子和水分子热运动的差异(气分子之间没有分子力，而水分子之间分子力表现为引力)，积聚在管道下部的液相流动相对平稳，产生的信号高频成分较少；而积聚在管道上部的气侵分子一方面其本身热运动剧烈，气泡或者气团之间相互碰撞后发生聚合或者破裂，另一方面由于气相流经涡街流量计而带入的高频流动噪声，高频成分较多。根据EMD的分解原理，EMD技术会按照信号的频率从高到低分解出有限个IMF，首先将信号中出现的高频成分进行分解，一般情况下，其包含的是信号中尖锐的成分以及噪声；信号的低频成分会在后续分解出来的IMF中体现，且这些IMF中一般较少含有噪声成分。在气液两相中就可以利用EMD方法去噪，在大多数被噪声干扰的信号中，信号的能量会随着频段的变化而发生改变，低频段中信号的能量包含较多，反之，高频段较少，噪声就越多。EMD滤波去噪的主要目标就是寻找到这个气液流中气侵产生的IMF。4.2气相监测系统气相监测是市场上一种新的利用气相色谱法分析样品的仪器。当前，存在很多种类各异的气相色谱仪器，其型号存在差异，使用性能也存在不同，但其基本结构大概一致，主要由气路系统、进样系统、柱系统、检测系统和数据处理系统五大部分构成。气相监测系统组成框图如图4.1所示。图4.1气相监测系统组成框图Fig.4.1Blockdiagramofthegasphasemonitoringsystem目前，智能化以及信息化的气相检测具有很大的发展及应用前景，一般情况下，为实现色谱系数的自动调整及对参数的控制，都是将色谱仪与计算机相结合，以此来实现其效果的最大化。4.3经验模态去噪应用图4.2为基于EMD的气相监测采样功率信号分解曲线，随着分解的阶数递增，频率幅值逐次降低、能量幅值逐次增加，且第i阶IMF分量的频率几乎是i+1阶IMF分量频率的2倍。图4.2基于EMD的气相信号分解曲线Fig.4.2EMD-basedgasphasesignaldecompositioncurve图4.3信号EMD去噪法Fig.4.3SignalEMDdenoisingmethod4.4本章小结本章主要对EMD算法在气液两相流气相识别的应用自作了详细的原理分析，论述了EMD在工程实际中的应用去噪方法，将EMD方法应用到信号去噪中，取得了很好的效果。第5章总结与展望本文在对气相监测信号的处理方法进行研究的基础上，对处理的主要对象非线性信号的处理方法作为主要的分析目标，在对传统的分析方法的分析基础上进行了分析比较总结，包括常用的滤波算法的分解处理方法有短时傅里叶变换、小波变换及Vigner-Ville分布等，对他们的各自的优缺点进行了重点的阐述和分析，根据这些方法存在的问题，本文提出了经验模态的分解方法，详细的介绍了EMD分解的原理，通过详细的阐述说明了EMD算法的存在模态混叠和端点效应的缺陷，通过结合具体的EMD在具体的边界处理上的应用，来说明当前信号分析的方法，EMD分解的方法存在模态混叠和端点效应等缺陷，特别是对复合频率信号添加高斯噪声后，EMD分解无法识别各个频率成分的分量。EMD算法技术虽然取得了较快的发展，并因其存在的明显的优势得到广泛的推广应用，但其仍有很大的进步空间，需要我们付出更多的努力去继续完善和改进：（1）在理论研究方面，近十余年虽然取得了进展，但仍处于初步发展阶段，需要一套完善的数学理论进行支撑。（2）在信号分解速度方面，仍存在一些不足，在分解的过程中，难以实现自动的调节，分解速度还不能达到理想的要求，对其分解速度的提升也需要列入以后的研究内容中。参考文献[1]叶国阳,徐科军.气相色谱仪数据处理方法研究和软件研制[J].计量学报,2017,38(5).[2]颜金龙,孙世芳,杨舟.缸压监测系统开发及信号预处理方法研究[J].机械研究与应用,2017,30(4):91-93.[3]李跑,蔡文生,邵学广.基于高通量解析算法的复杂样品重叠气相色谱-质谱信号的快速分析[J].色谱,2017,35(1):8-13.[4]RostamiJ,ChenJ,TsePW.ASignalProcessingApproachwithaSmoothEmpiricalModeDecompositiontoRevealHiddenTraceofCorrosioninHighlyContaminatedGuidedWaveSignalsforConcrete-CoveredPipes[J].Sensors,2017,17(2):302-.[5]WuL,WangT,WangQ,etal.EEGsignalprocessingbasedonmultivariateempiricalmodedecompositionandCommonSpatialPatternHybridalgorithm[J].InternationalJournal