基于LCD-Hilbert谱奇异值和多级支持向量机的配电网故障识别方法

准确识别故障类型是配电网故障处理的首要任务。提出了一种基于时频矩阵奇异值分解(SVD)和多级支持向量机(SVM)的配电网故障识别方法。利用局部特征尺度分解法(LCD)、Hilbert变换以及带通滤波算法,构造配电网母线电压、主变低压侧进线电流等波形的时频矩阵,对其进行奇异值分解以获取波形奇异谱,提取相应奇异谱的分布参数(如反映奇异值大小的奇异谱均值、反映信号复杂程度的奇异熵等)作为特征向量。将特征向量输入基于多级SVM的分类器以实现故障识别。各类典型工况下的仿真和实验结果表明该识别方法的正确率均>90%,可实现对各类不同故障的有效辨识,且具有很强的适应性和实用性。

基于局部特征尺度分解的经验包络解调方法及其在机械故障诊断中的应用

提出一种基于局部特征尺度分解(Local characteristic-scale decomposition,LCD)和经验包络(Empirical envelope method,EE)解调的非平稳信号分析方法。该方法通过局部特征尺度分解将一个复杂信号自适应地分解为若干个内禀尺度分量之和,对得到的各个内禀尺度分量进行经验包络解调,得到各个分量信号的瞬时幅值和瞬时频率信息,从而得到原始信号完整的时频分布。采用仿真信号将基于LCD和EE解调的时频分析方法和希尔伯特黄变换方法进行对比,结果表明,新提出的信号分解和解调方法在抑制端点效应和迭代所需时间,瞬时特征的精确性等方面优于希尔伯特黄变换方法。针对滚动轴承和齿轮故障振动信号的调制特点,将基于LCD和EE的时频分析方法引入机械故障诊断中,对试验信号的分析结果表明,基于LCD和EE的时频分析方法能有效地提取机械故障振动信号的特征。

局部特征尺度分解方法及其分解能力研究

在研究内禀时间尺度分解(Intrinsic Time-Scale Decomposition,ITD)方法的基础上提出了一种新的自适应时频分析方法——局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法,该方法可以自适应地将一个复杂的多分量信号分解为若干个瞬时频率具有物理意义的内禀尺度分量(Intrinsic Scale Component,ISC)之和。对LCD方法的基本原理进行了阐述,通过建立分解能力研究模型分别研究了分量信号的频率比、幅值比和初相位差以及单个分量迭代次数对LCD方法分解能力的影响,并给出了多分量信号可由LCD方法分解的大致条件。

海洋环境中基于WVD的LFM信号检测方法

海洋环境中弱信号的谱与海杂波的谱相混叠 ,目标和背景的位置差异很小 ,经典的频域或空域处理对海杂波中弱信号的检测难以奏效。鉴于Wigner-Ville分布 (WVD)对线性调频信号 (LFM )具有时频聚集性这一特点 ,提出了一种海洋环境中基于WVD的LFM信号检测方法。利用雷达采集的真实海杂波数据 ,在不同信杂比的条件下 ,研究了该方法与经典频域法在信号检测中的差别。通过实验分析 ,与经典方法相比 ,该方法具有明显的优越性 ,且信杂比达到 -14 . 3dB时 ,其仍能很好地对信号进行检测。

局部特征尺度分解方法及其分量判据研究

在研究内禀时间尺度分解(ITD)方法的基础上提出了一种新的自适应时频分析方法——局部特征尺度分解(LCD)方法,该方法可以自适应地将一个复杂的多分量信号分解为若干个瞬时频率具有物理意义的内禀尺度分量(ISC)之和。对LCD方法的基本原理进行了阐述,并对其分量判据进行了研究,将经验模态分解(EMD)方法中的标准差判据应用于LCD方法。标准差判据的阈值会因自适应时频分析方法的不同而有所差异,因此标准差判据不具有自适应性,针对标准差判据的这一缺陷,提出了一种新的具有自适应性的分量判据——极值单调性判据,该判据无需设定任何阈值。信号分析结果表明了这两种判据的有效性,而极值单调性判据的适用性更强,可直接应用于EMD方法。另外,对比分析了LCD方法和EMD方法的计算效率,分析结果表明LCD方法在计算效率方面要优于EMD方法。

广义局部特征尺度分解方法及其应用

针对自适应时频分析方法局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中均值曲线插值点的属性主要由相邻两同类极值点的属性决定,不能很好地体现数据的整体变化趋势,从而可能引起分解精度降低,提出了广义局部特征尺度分解(Generalized Local Characteristic-scale Decomposition,GLCD)方法。该方法在借鉴EMD和LCD等方法思路的基础上,采用典型的数值计算方法定义了5种不同的均值曲线,并定义了瞬时频率具有物理意义的广义内禀尺度分量(Generalized Intrinsic Scale Component,GISC)和GISC判据。GLCD从不同均值曲线筛分得到的每一阶分量中选取最优分量作为该阶最终的GISC,确保了最终结果为最优。研究了GLCD方法的原理及GISC判据,通过仿真信号将GLCD方法与LCD方法进行了对比,结果表明GLCD在提高分量精确性和正交性等方面具有一定的优越性,并将GLCD方法应用于转子不对中和碰摩故障的诊断,结果表明了方法的有效性。

基于HHT的管道监测系统中目标定位方法研究

针对输油管道由于人为因素造成的破坏,通过研究管道周围地面目标产生的震动信号的特性来进行监测和预警,提出一种基于目标特征频率信号到达时间差进行定位的方法。地震动信号是非平稳信号,通过多个传感器采集目标产生的震动信号,采用希尔伯特-黄变换(HHT)处理获得信号特征频率,以及不同测量信号中目标特征频率出现的时间,结合时间差异和传感器阵列与目标的相对位置实现定位。通过对实验采集数据的分析验证了文中提出的方法是有效的。

基于Lagrange插值的局部特征尺度分解方法及其应用

针对局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中均值曲线插值点的属性主要由相邻两同类极值点的属性决定,不能很好地体现数据的整体变化趋势,从而可能引起分解精度降低,提出了基于Lagrange插值的局部特征尺度分解(Lagrange Interpolation based Local Characteristic-scale Decomposition,LILCD)方法.该方法采用Lagrange插值取代LCD中的线性插值,且均值曲线的插值点是由相邻的3个同类极值点构成的Lagrange插值多项式计算产生.引入了对称系数的概念,并给出了最优对称系数评价准则.研究了LILCD方法的原理及最优对称系数评价准则,通过仿真信号将LILCD方法与LCD方法进行了对比,结果表明LILCD在提高分量精确性和正交性方面具有一定的优越性.将LILCD方法应用于转子不对中故障的诊断,结果表明了方法的有效性.

用一种新滤波函数进行CT图像的局部重建(英文)

本文阐述了用一种新型滤波函数进行CT图象局部重建的原理,并给出了这种重建的二次误差估计。本文选用一种新的滤波函数,它的旁瓣衰减很快,经证明在可能选取的滤波函数中,它的衰减是最快的。新滤波函数由于空域的迅速衰减性,因此具有良好的局部重建性质。同时保持该滤波函数的其它特性,能够有效地抑制噪声,补偿混迭效应,并缓解Gibbs效应。应用新滤波函数,忽略远离计算点的数据,从而直接用CBP实现图像局部重建。在计算机上对模拟和实测数据进行局部重建的实验结果表明本文建议的图像局部重建算法简便快速,重建图象Gibbs效应减小并与用全部数据的CBP重建图像比较仍具有较高的空间及密度分辨率。

基于地震波局部时频特性影响的框架柱屈服状态研究

通过对平面框架在地震作用下非弹性动力分析结果的讨论，根据引起框架中间层节点弯矩平衡方式发生变化的内在变形和受力特点．研究了由于地震波局部时频特性所引起的框架弹塑性动力反应的变化．以及由此导致的框架中间层节点处弯矩平衡关系和柱端弯矩发生变化的原因和形成过程．

基于BLCD和双谱的齿轮故障诊断方法

对固有时间尺度分解(Intrinsic Time-scale Decomposition,简称ITD)方法进行了改进,提出了基于B样条的局部特征尺度分解方法(B spline-based Local Characteristic-scale Decomposition,简称BLCD),在此基础上将BLCD与双谱相结合应用于齿轮故障诊断。首先将BLCD方法和ITD方法进行对比分析,验证BLCD方法的优越性。然后采用BLCD方法将齿轮振动信号进行分解,得到若干个ISC分量(Intrinsic Scale Component,简称ISC),再对ISC分量进行双谱分析,通过双谱中峰值个数及其所处的位置来判断齿轮是否发生了故障。实验数据的分析结果表明,基于BLCD和双谱的齿轮故障诊断方法能有效地应用于齿轮的故障诊断。

基于小波网络和霍兰德理论的大学生职业预测模型

根据约翰.霍兰德的职业兴趣理论建立了职业预测指标体系。影响职业预测的各个因素之间以及各因素与职业的因果关系表现出复杂的非线性关系,很难用确切的数学函数来描述。将小波神经网络引入对大学生的职业预测模型,既利用了小波变换的时-频局部化特性,又能发挥神经网络的自学习功能,还考虑了各种人为因素的综合影响,实现了职业指标的多因素非线性预测。

基于小波网络和霍兰德理论的大学生职业预测

根据约翰·霍兰德的职业兴趣理论建立了职业预测指标体系。影响职业预测的各个因素之间以及各因素与职业的因果关系表现出复杂的非线性关系，很难用确切的数学函数来描述。将小波神经网络引入对大学生的职业预测模型，既利用了小波变换的时一频局部化特性，又能发挥神经网络的自学习功能，还考虑了各种人为因素的综合影响，实现了职业指标的多因素非线性预测。

极点加权模态分解及其在故障诊断中的应用

经验模态分解(EMD)是一种自适应信号分解方法,由于其能够同时提供振动信号时域和频域的局部信息,在机械故障诊断领域得到广泛应用。受EMD思想的启发,基于相邻极值加权构造均值曲线,提出一种新的自适应信号分解方法—极点加权模态分解(EPWMD)。通过仿真信号分析,将提出的EPWMD方法与EMD和局部特征尺度分解(LCD)等方法进行对比,结果表明,与EMD和LCD相比,EPWMD方法在分解性能和分解精度方面有显著提高。最后,将提出的EPWMD方法应用于转子碰摩和滚动轴承局部故障信号分析,并与EMD方法进行对比,分析结果表明,EPWMD方法不仅能够有效识别故障特征,而且其诊断效果优于EMD方法。

局部特征尺度方法(LCD)及其在齿轮故障诊断中的应用研究

局部特征尺度分解(Local characteristic scale decomposition,LCD)是一种新的自适应时频分析方法,该算法可以自适应地将一个复杂信号分解为若干个ISC(Intrinsic scale component,ISC)分量之和;将LCD算法同EMD(Empirical mode decomposition),LMD(Local mean decomposition,LMD)算法进行对比分析,仿真信号的分解结果表明:三种方法都可以有效地对信号进行分解,但LCD算法在计算效率和抑制端点效应等方面要优于EMD,LMD算法;将LCD算法和zoom-FFT分析应用于齿轮故障诊断中,分析结果表明了这种相结合的方法,可以较好地提取故障特征,显示了该方法的有效性。

柴油机振动谱图纹理增强的NMF特征提取方法

针对柴油机振动加速度信号特征提取困难的问题,提出一种对时频图像纹理信息进行增强的矩阵非负分解方法,用于提取柴油机振动信号的时频特征。首先,利用匹配追踪算法(MP)结合Wigner-Ville分布获取时频分辨率较好的时频表征;然后引入局部二值模式(LBP)算子对时频图像的灰度矩阵重新编码,再利用非负矩阵分解算法(NMF)获取时频图像对应的低维特征参量,以增强时频图像的纹理特征,提高NMF的特征提取效果。通过对柴油机4种不同状态的振动信号进行分析研究,可得出结论:该方法能有效地表达柴油机缸盖振动加速度信号的时频特征,可用于准确地诊断柴油机的气门故障。

远距跨越电缆线路中振荡波局部漏电检测定位

为解决因电子振荡波过强而产生的局部漏电问题,提出远距跨越电缆线路中的振荡波局部漏电检测定位方法。通过放电波形特征处理的方式,计算线路振荡波的等效时频结果,对放电脉冲进行识别提取参数的寻优处理,按照局部电子脉冲的反射原理,对电缆线路中的漏电位置进行检测与定位匹配,借助振荡波的传输特点,设计集中检测定位流程,完成局部漏电的检测定位。对比实验结果表明,与T-F特征算法相比,应用新型检测定位方法后,单行电子通行下,局部漏电检测定位精度达到90%;多行电子通行下,局部漏电检测定位精度达到80%,能够有效解决局部漏电问题。

基于改进的局部特征尺度分解的结构损伤识别

针对Hilbert-Huang变换中经验模态分解和Hilbert谱分析的不足,应用改进的局部特征尺度分解和归一化正交法来识别工程结构中的损伤。该文通过一个三层线性剪切型框架结构数值模拟分析,对该方法的有效性进行了证明。最终得出结论:改进的局部特征尺度分解方法在处理原信号进行分解时,具有更好的正交性;通过归一正交法得到的瞬时频率图,能够清晰地判断出何时结构发生了损伤;对结构受损前后所计算得到的特征内秉尺度分量归一化能量比的差值进行比较,准确地找到结构损伤发生的位置。

噪声下基于耳蜗基底膜分频特性的声源定位

在人与人交流中,人耳能很好地定位出周围声音的位置,而在声源定位技术里,基于传统麦克风声源定位在噪声环境下无法精确地定位出声源。根据人耳能准确地辨别出声源这一特性,提出一种在噪声下基于人耳耳蜗基底膜分频特性的声源定位方法。该方法是利用多个麦克风对声源信号进行采集,将采集到的信号通过基底膜滤波器进行滤波、除去与声源无关的噪声,运用空间映射互相关方法对声源进行定位。该方法所定位出的声源位置比传统声源定位技术所定位的位置误差小、精准度高。实验结果表明,噪声环境下基于耳蜗基底膜分频特性的声源定位比基于传统麦克风声源定位技术更接近声源的真实位置;噪声环境下基于耳蜗基底膜分频特性的声源定位具有更高的精度与更好的鲁棒性。