基于改进小波包方法的衬砌损伤识别研究

研究目的:针对隧道衬砌发生损伤的识别方法,提出了一种基于小波包能量的计算方法,在基于前人的研究成果上进行了改进,得到了一种算法简单、损伤识别效果显著的方法,并建立了一个新的损伤指标ELG(小波包结点能量丰富点控制指标);建立了三维隧道有限元模型,通过多种损伤工况计算,研究了该方法在不同工况下的损伤识别效果;进行了模拟实验,通过小车-管道模型模拟隧道衬砌在列车荷载作用下的响应,并使用该方法对响应数据进行分析。研究结论:(1)新的损伤指标ELG具有高效率、高准确性的优点,可以作为一种衬砌的损伤识别方法;(2)损伤识别结果的精确程度取决于测点的布置密度,测点间距约为监测长度段的1/10时,为能否准确识别损伤的临界值,若大于此值,则不具备识别效果。

小波包和1D CNN结合的刀具磨损状态识别

为监测机床切削加工过程中刀具的非线性磨损变化,提出了一种基于小波包分解和一维卷积神经网络(1D CNN)的刀具磨损状态识别方法。采集机床主轴振动数据作为监测信号,采用经信噪比定量分析后的小波包进行预处理,然后选取小波包分解后各频带的能量特征作为1D CNN的输入,实现了对刀具磨损状态的有效识别。实验表明,该模型能够实现刀具磨损状态的准确预测,相比于BP网络、能量频谱图-Alexnet和Lstm网络模型,刀具磨损状态识别率最优,平均准确率达到98.262%。

基于经验模态分解和小波包能量熵的杉木加载过程中细观损伤监测与识别

【目的】细观损伤是承载木材断裂的主要原因之一。木材的多孔层状结构使其损伤过程变得复杂,针对单一信号处理方法较难充分挖掘木材断裂声发射信号中的细观损伤信息,造成识别信息不充分、不完备的问题。本研究提出通过经验模态分解(EMD)和小波包能量熵结合的信号处理方法,通过声发射无损检测手段,识别杉木加载过程中的细观损伤类型。【方法】以杉木为研究对象,进行单轴压缩、双悬臂梁和顺纹拉伸3种单一损伤试验,并对其进行加载过程中声发射信号的采集、监测与分析。通过小波包阈值法消除损伤试验中采集的声发射信号噪声,经由EMD和相关系数计算,分离出最能体现杉木细观损伤特征的本征模态(IMF)分量,并对IMF分量进行基于傅里叶变换的峰值频率分析和小波包能量熵分析,提取杉木细观损伤的特征。【结果】(1)EMD和小波包能量熵结合的信号处理方法能够判断杉木加载过程中声发射信号对应的细观损伤类型与构成。(2)杉木不同细观损伤类型的声发射信号对应不同的小波包能量熵区间:胞壁屈曲与塌溃(0.69~0.99)、层间开裂(1.57~1.78)、纤维束断裂(1.92~2.27)。(3)宏观断口观察和电镜显微分析验证了该方法的准确性。【结论】经验模态分解–小波包能量熵法避免了声发射信号模态堆叠的影响,并解决了木材细观损伤复杂且难以识别的问题,为杉木木材断裂的早期诊断方法提供了理论支撑。

基于小波包变换及互相关的古建木材声发射源定位研究

为研究古建筑木构件在承载过程中产生损伤定位问题,利用铅芯折断在木材表面模拟损伤源结合声发射技术对产生的损伤源进行检测。对采集的声发射信号首先采用小波包分解重构对信号进行去噪处理,利用互相关技术对重构信号进行互相关分析进而确定信号到达各传感器时差,最后结合时差定位法对声发射源进行定位。试验结果表明:该方法可以有效提高损伤源的定位精度,理论值与实际位置相差很小,从而为准确地反演出声发射源提供有效途径。

小波包与遗传算法优化BP神经网络相结合的井架钢结构损伤识别

井架钢结构损伤影响其承载安全性,为快速、准确对损伤位置进行识别,提出小波包与遗传算法优化BP神经网络相结合的井架钢结构损伤识别方法。首先利用小波包处理非平稳振动信号的优良性能对原始振动信号进行特征提取,获得表征井架钢结构损伤的信息;再通过特征参数建立数据集训练并测试井架钢结构损伤识别模型,该模型结合遗传算法自身特点改善了传统BP神经网络的不足。本文识别方法不需要损伤前的数据特征进行对比,便可对损伤位置进行确定。经过对石油井架钢结构模型实验验证:该方法对井架钢结构损伤识别准确率超过90%,相对于BP网络识别准确率以及识别速度均有所提高。

基于小波包分解与CEEMDAN能量熵的水电机组振动信号特征提取

针对水电机组振动信号非平稳、非线性及噪声问题,提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与能量熵结合的特征提取方法,首先对采集的振动信号进行小波包降噪处理,然后对降噪后信号进行CEEMDAN分解,运用相关系数法筛选有效固有模态函数(IMF)并计算其能量熵,由此构建特征向量集,最后将其输入到海洋捕食者优化支持向量机算法(MPA-SVM)进行模式识别。基于模拟信号、实测信号验证所提特征提取方法的有效性,并与其他方法作对比。结果表明,基于小波包分解与CEEMDAN能量熵的特征提取方法能准确提取特征,有效区分机组不同状态,为工程领域提供了应用价值。

参数优化VMD结合改进小波包阈值的去噪方法

针对轴承信号故障特征容易被噪声淹没的问题,提出一种参数优化变分模态分解结合改进小波包阈值的去噪方法。首先,通过变分模态分解(Variational Mode Decomposition,VMD)结合改进粒子群算法(Improve Particle Swarm Optimization,IPSO)将含噪信号分解为若干本征模态分量(Intrinsic Mode Function,IMF)。以最大相关系数-相关峭度为准则,把IMF分为高值分量(High-value Intrinsic Mode Function,HIMF)和低值分量(Low-value Intrinsic Mode Function,LIMF)。再对LIMF进行改进小波包(Improved Wavelet Packet,IWP)阈值去噪。最后对重构信号进行包络解调,提取轴承故障特征频率,完成故障诊断。实验结果表明,该方法不仅能够避免“过扼杀”现象,并且可以得到信噪比更高的去噪信号。

基于小波包分析和优化KNN的电动开度阀故障检测方法

针对以微控制器MCU为控制核心的电动开度阀控制系统难以集成高效且计算量小的故障检测子系统的问题,基于小波包变换和优化K近邻(K-Nearest Neighbor,KNN)算法提出了一种电动开度阀故障检测方法。对阀门振动信号进行小波包变换,计算小波包节点的能量值与其重构信号的时域特征参数。根据Pearson系数筛选出两种与能量强相关的故障特征参数:峰峰值与均方根,并将两者作为KNN算法的样本评价指标;通过对评价指标进行加权优化了KNN算法的距离计算公式,分别在MATLAB和实验样机中进行故障检测测试,对应最高分类准确率分别为92.5%与86.7%。结果表明:实验测试与仿真分析具有较好的一致性,该故障检测方法的优势在于计算量小、故障识别率较高,并能有效地应用于以MCU为核心的电动开度阀控制系统。

基于CEEMDAN和小波包分解的闸门振动信号降噪研究

针对闸门监测振动信号去噪问题,提出基于CEEMDAN(经验模态分解)和小波包分解的闸门振动信号降噪算法,通过采用CEEMDAN和小波包分解方法进行信号去噪,可以有效处理水电站泄洪闸门振动信号中受到的外部干扰。CEEMDAN方法能够将信号分解成多个本征模态函数(IMF),每个IMF代表不同频率的振动成分,使得外部干扰和真实信号成分可以分离。随后,小波包分解能够将每个IMF进一步分解成不同尺度和频率的子频带,这有助于更准确地定位和分离干扰成分。对每个子频带应用阈值去噪技术,可以有效去除噪声,保留真实信号。由测试结果可知,该算法能很好地剔除闸门振动信号中的无用噪声,有效提高闸门振动信号的准确性。

基于EMD和小波包变换的天气雷达回波去噪方法

C波段多普勒天气雷达回波数据由雷达回波信号和噪声构成,噪声严重影响雷达基本反射率的准确性。利用EMD方法对雷达回波信号进行分解后,将含有噪声的高频IMF分量去除,可实现去噪,但是容易损失有用信号。针对有降水特征的雷达基本反射率数据,提出基于EMD和小波包变换的多普勒天气雷达回波去噪方法,并与EMD方法去噪结果进行比较。研究结果表明,该方法能更加有效地去除雷达回波信号中的噪声,并降低了信号特征损失。

三维荧光光谱融合小波包分解融合Fisher判别分析及支持向量机识别紫苏

为实现紫苏品种的快速鉴别,避免以次充好,选取4个品种的紫苏采集三维荧光数据,提出了一种基于小波包分解融合Fisher判别分析(Fisher discriminant analysis,FDA)的荧光数据特征选择策略,并实施了4种紫苏的有效鉴别。首先,对三维荧光数据进行预处理,采用Delaunay三角形内插值法去除瑞利散射和拉曼散射,以消除它们的不利影响;运用Savitzky-Golar卷积平滑对数据进行平滑处理,以减少噪声的干扰。同时,对三维荧光数据进行初步筛选,去除了荧光强度小于0.01的发射波长。然后,对各激发波长对应的发射光谱进行3层sym4小波包分解,计算得到最低频段的小波包能量值,作为各激发波长光谱数据表征量。接着,再利用FDA对小波包能量进行判别分析,将其所包含的差异性信息进行融合,得到FDA生成的新变量,并选取累计判别能力达到99%的前3个FD变量作为不同品种差异性信息的表征变量,提出三维荧光数据的表征策略。最后,利用BP神经网络(backpropagation neural network,BPNN)和支持向量机(support vector machine,SVM)两种模式识别算法对表征变量进行分析,得到FDA+BPNN和FDA+SVM两种鉴别结果。FDA+BPNN的训练集正确率为97.5%,测试集正确率为95%;FDA+SVM的训练集和测试集的正确率均达到98.33%。结果表明,三维荧光光谱技术结合小波包分解、FDA和SVM算法基本上能够实现紫苏品种的鉴别。这为后续有关紫苏的进一步检测研究(如某些有效成分的定量检测)提供了研究基础。

基于小波包能量分析和信号融合的异步电机转子故障诊断

为提高异步电机转子故障诊断的可靠性,文中介绍了一种基于小波包能量分析和信号融合的异步电机转子故障诊断方法。采用定子电流信号和振动信号的频谱特征融合作为转子断条以及气隙偏心故障的诊断依据,首先对信号进行小波包分解,获得不同小波包频带节点下对应的能量分布,并与正常电机信号进行比较,进而对能量异常的信号频段进行小波包节点重构,最后通过快速傅里叶变换识别故障特征频率,诊断电机故障是否发生。通过仿真分析,验证了该方法的有效性和实用性,对于电机运行状态的准确监测具有重要意义。

VMD结合小波包信息熵和GJO-SVM的电机轴承故障诊断

针对电机滚动轴承故障特征难以提取从而导致诊断准确率低的问题,提出了一种基于变分模态分解(Variational Modal Decomposition,VMD)结合小波包信息熵(Wavelet Packet Information Entropy,WPIE)的特征提取方法,并采用金豺优化(Golden Jackal Optimization,GJO)算法优化后的支持向量机(Support Vector Machine,SVM)进行电机滚动轴承的故障诊断。首先,利用VMD将采集到的信号进行分解,依据局部极小包络熵筛选出最优本征模态(Intrinsic Mode Function,IMF)分量;其次,利用小波包将最优IMF分量再分解,并提取信息熵作为特征向量矩阵;最后,采用GJO算法对支持向量机中的惩罚参数和核参数进行寻优选择,建立GJO-SVM故障诊断模型,将特征向量矩阵输入金豺算法优化支持向量机(GJO-SVM)故障诊断模型中进行故障诊断。将VMD结合小波包信息熵特征提取与VMD结合近似熵特征提取进行对比试验,试验结果表明,VMD结合小波包信息熵特征提取精度提高了2.5%,其特征提取更加优越;将金豺算法优化支持向量机(GJO-SVM)与粒子群优化(Porticle Swarm OPtimization,PSO)算法支持向量机(PSO-SVM)、果蝇优化算法(Fruit fly Optimation Algorithm,FOA)支持向量机(FOA-SVM)进行对比试验,试验结果表明,GJO-SVM其平均准确率达到99.16%,较PSO-SVM、FOA-SVM分别提高了2.5%、3.61%。金豺算法优化支持向量机(GJO-SVM)可以更加有效提取并诊断滚动轴承故障。

基于小波包变换与深度学习的超短期光伏功率预测

针对光伏功率序列的复杂多变特征,提出一种基于小波包变换(WPT)的门控循环单元(GRU)光伏功率组合预测方法。首先通过相关性分析挑选重要气象因子,并利用WPT将原始光伏功率序列分解为一组子序列;然后,提出一种基于莱维飞行天牛须搜索算法(LFBAS)的相似日选择方法,以选择相似于预测日的历史日作为输入数据集;最后,建立一组基于GRU网络的深度学习光伏功率预测模型,将每个子序列预测结果叠加得到光伏功率最终预测结果。仿真结果表明,该文所提出的预测方法在预测精度和计算效率方面具有显著优势。

基于多尺度小波包启发卷积网络的旋转机械故障诊断

在工程实践中,旋转机械故障诊断常面临噪声干扰、故障样本稀缺以及工况变化等各种复杂情况,这给先验知识缺乏的数据驱动深度学习方法应用带来了新的挑战。传统基于小波分析的故障诊断方法可提取到故障丰富的先验知识,但固定(结构化)或单一的小波基难以直接适应复杂故障场景。针对上述问题,在传统多尺度小波包分析思想启发下,提出一种基于多尺度小波包启发卷积网络(multiscale wavelet packet-inspired convolutional network, MWPICNet)的端到端旋转机械故障诊断方法。MWPICNet在神经网络内部实现了时频域转换与滤波降噪、特征提取与分类过程的有机耦合。首先,通过交替使用多尺度小波包启发卷积层和软阈值激活层进行信号分解和非线性变换,逐层挖掘多尺度时频故障特征和过滤噪声冗余信息,该过程的多次迭代可近似视为小波包阈值去噪算法在多个可学习滤波器和可学习阈值下的多层深度展开;然后,设计频带加权层动态调整各频带通道的权重;最后,引入全局功率池化层提取有助于故障状态识别的判别性频带能量特征。在三种不同应用场景下分别采用对应的机械故障数据集进行案例研究,验证了所提模型在复杂故障场景下的可行性和有效性。

改进的自适应小波包风电波动平滑控制策略

针对传统自适应小波包风电功率波动平滑技术存在过度平滑以及储能系统负担加重等问题,提出一种改进的自适应小波包风电功率平滑控制策略。首先,根据不同时间段风电功率波动特性,合理规划滤波时间尺度,并确定满足系统控制要求的最小滤波尺度。其次,利用自适应小波包分解滤波尺度内的风电功率,获得期望并网功率与波动功率。之后,采用由双储能电池与超级电容器组成的混合储能系统对波动功率进行平抑。最后,分析改进的平滑策略在降低储能系统负担方面的优势,并对储能系统的运行寿命进行评估。结果表明,在保证风电功率波动有效平滑的前提下,该策略既能降低储能系统的负担,又能延长其运行寿命。

基于EMD分量与小波包能量熵的轧辊磨削颤振在线预测

针对轧辊磨削颤振时的时频域单一处理方法存在部分特征丢失的问题,提出了时频域相结合的方法对信号进行特征处理,并利用智能算法实现轧辊磨削颤振的在线预测。首先,利用经验模态分解(empirical mode decomposition,EMD)方法对振动传感器信号进行分解获得各固有模态函数(intrinsic mode function,IMF),剔除“虚假分量”后计算表征轧辊磨削颤振的时域特征。然后,利用小波包能量熵对声发射传感器信号求解频率段节点能量熵值,获得表征轧辊磨削颤振的频域特征。最后,将上述时频域特征降维后代入智能算法模型实现对轧辊磨削加工的在线预测。结果表明:LV-SVM模型的磨削颤振分类平均准确率达92.75%,模型平均响应时间为0.7765 s;验证了时频域特性的EMD和小波包能量熵方法的LV-SVM在线预测轧辊磨削颤振的有效性。

基于优化小波包分解的航空发动机主轴承故障特征增强方法

目的 解决航空发动机主轴承微弱故障特征在高背景噪声环境和变转速工况下难识别的问题,提出基于优化小波包分解的航空发动机主轴承故障特征增强方法。方法 首先通过计算阶次分析方法,将振动时域信号转化为振动角域信号;然后对振动角域信号进行小波包分解,并引入有效故障特征能量比和优化最大相关峭度解卷积方法对信号故障特征进行增强,通过循环迭代逐步提取故障特征;最后对信号进行包络分析,并与理论轴承故障阶次进行对比,实现轴承故障诊断。结果 通过对整机试车条件下航空发动机主轴承外圈压坑故障实验数据进行分析,验证了该方法能够有效增强振动信号中的故障特征信息。结论 与传统WPD方法相比,该方法可以有效增强主轴承故障特征阶次,实现高背景噪声环境和变转速工况下的故障诊断。

基于小波包变换和XGBoost的高压交流输电线路故障诊断

针对高压交流输电线路短路故障情况,将三相交流电流和电压信号进行小波包变换以提取故障特征,然后将提取到的特征输入XGBoost模型中进行故障诊断.结果表明,与传统故障检测方法相比,基于小波包变换和XGBoost的故障诊断方法不受故障类型影响,对10种高压交流输电线路故障的识别准确率高达99.6%,是一种准确、可靠的高压交流输电线路故障诊断方法.

基于小波包理论研究地下断层对爆破振动传播的影响

为了研究云南某金属地下矿山断层对爆破振动波传播的影响,选用含有断层区域3736北部中段区域、无断层区域3736南部中段区域布置测点。以云南某金属地下矿山真实采集爆破振动数据为研究对象,基于小波包变换、HHT算法、STFT算法开展爆破振动波衰减规律的研究。结果表明:云南某地下金属矿山振动波经过断层前瞬时能量幅值达到10×10^(-4)dB,经过断层后瞬时能量幅值达到1.5×10^(-4)dB,瞬时能量幅值衰减85%;断层在一定程度上会扰乱振动波能量分布情况,延缓振动能量迅速上升;振动波经过断层后低频能量衰减60%,高频能量衰减71%,总体能量功率衰减77%,无断层区域高频能量衰减18%,低频能量衰减17%,总体能量功率衰减15%;爆破振动波经过断层后,过滤大量高频能量,能量总体分布呈现向低频域方向发展的趋势。