基于WPD-LMD和MSE的滚动轴承故障诊断方法研究

研究了基于小波包分解-局部均值分解算法(WPD-LMD)和多尺度熵(MSE)的滚动轴承故障诊断方法.通过传感器获取滚动轴承故障信号,建立多维信号关联矩阵区分噪声信号与故障信号,以扩展动模式分解(EDMD)方法升维观察信号,预估滚动轴承故障源信号数量.设定源信号筛选的相关程度指标,以奇异值分解定理表征滚动轴承故障信号,基于WPD-LMD分解信号频段,获取临界阈值优选故障信号特征.采用结构化理论处理高维信号,设定相类似信号共享权值,以非线性规则函数增强信号特征,划分滚动轴承故障源信号类型.基于MSE对应故障信号模态分量,围绕频率中心构建约束分量模型,对应信号频谱空间诊断滚动轴承故障类型.结果表明:该方法可以完成99.5%的去噪效果,对不同类型故障问题的诊断识别率最高为99.4%,具有较好的应用效果.

基于ASWPD-BO-GRU的月径流量预测模型

为提高月径流量预测精度,并针对传统分解集成径流预测模型错误使用未来数据的问题,提出并建立了基于自适应小波包分解(ASWPD)和贝叶斯优化(BO)的门控循环单元(GRU)月径流量预测模型(ASWPD-BO-GRU)。首先,利用ASWPD对原始月径流量时间序列进行分解,在不使用未来数据的前提下得到4个相对规律的分解子序列,以降低预测难度;然后,利用BO优选分解后的子序列对应的GRU模型超参数;最终,对每个子序列进行预测,将预测结果相加重组得出月径流量预测结果。将提出并建立的模型应用于黑河流域莺落峡水文站月径流量预测中,并与GRU、BO-GRU、WPD-BO-GRU模型(基于传统分解思想对原始月径流量时间序列整体进行分解的预测模型)的预测结果进行对比。结果表明:ASWPD-BO-GRU模型的纳什效率系数(NSE)为0.89,在实例应用中预测精度最高,说明ASWPD-BO-GRU模型在正确分解的前提下具有较高的预测精度和更强的泛化能力。

基于声发射信号EMD-WPD特征融合的航天器在轨泄漏辨识方法

长期运行在空间环境中的航天器可能由于撞击、振动、老化等因素而发生气体泄漏,在轨泄漏辨识对航天器安全保障具有重要意义。提出了一种基于声发射信号经验模态分解(empirical mode decomposition,EMD)和小波包分解(wavelet packet decomposition,WPD)特征融合的航天器泄漏辨识方法,首先将声发射信号分别通过EMD和WPD分解成为不同频率范围内的子带信号,考虑能量特征误差与不稳定性,提取信号无量纲因子和频率特征参数并应用Relief F算法选取特征。最后,构建支持向量机(support vector machines,SVM)机器学习数据库,训练泄漏分类模型并利用测试集交叉验证模型分类精度。结果表明,EMD和WPD分解特征并行融合分类模型可显著提高辨识精度,最高可达96.9%,且输入特征数量少,是一种具有应用前景的航天器在轨气体泄漏辨识方法。

基于WPD-SVD的串联故障电弧检测方法

为了研究电力系统中串联故障电弧检测问题,以三相交流电机为例,设计了一种基于小波包-奇异值分解的串联故障电弧检测方法。首先,进行了串联故障电弧实验,获得了电机A相电流数据;其次,对电流数据进行小波包分解及进一步的奇异值分解,并成功提取特征值;最终,进行6个组别各50次重复实验并将重复实验结果平均处理,再对同组前4个特征值进行加权平均处理,获得WPD-SVD判别标准特征值。在进行正常与故障状态特征值对比后,证明特征值间距及稳定性都较为理想,足够作为串联故障电弧检测判据。

基于WPD-SVM的经络穴位与非穴位分类方法

本文通过对手太阴肺经天府穴进行电刺激,并测量该经络有关穴位响应,将实验得到的数据用WPD-SVM(小波包分解-支持向量机)算法进行特征提取和分类,该算法所需训练样本少,运行效率高,结果表明在电刺激实验下手太阴肺经上的孔最穴和其附近2厘米处的一个非穴位点存在明显差别,在孔最穴和尺泽穴之间也进行了分类。与传统的SVM方法比较,本文所提出的方法获得了较高的分类精度,所获得的分类器具有较高泛化能力。

脑机接口中基于WPD和CSP的特征提取

针对脑机接口(brain computer interface,BCI)中2类运动想象任务的特征提取问题,提出了一种小波包分解(wavelet packet decomposition,WPD)与共同空间模式(common spatial pattern,CSP)相结合的脑电信号特征提取方法。该方法首先选择7个重要导联的脑电(electroencephalograph,EEG)信号,用‘haar’小波基进行三阶WPD分解;然后对每个导联分解后的其中5个子带进行重构,获取相关频域信息;最后对重构后信号利用CSP特征提取,获得六维特征向量。CSP与WPD相结合能够充分利用WPD的时频特性,有效避免CSP要求输入导联数过多、缺乏频域信息等缺陷。对2008年国际BCI竞赛数据和本实验室实验数据,采用该方法进行特征提取,通过概率神经网络(probabilistic neural network,PNN)分类。2种数据源分类正确率分别为92%和80%,相对于单纯的CSP特征提取,正确率分别提高5%和20%。实验结果表明:WPD与CSP相结合的特征提取算法能提取明显的特征,进而提高BCI的识别正确率。

基于WPD-MAIWO-NN的短期风速多步预测方法

提出了一种由小波包分解、多智能体入侵杂草算法和人工神经网络组成的混合预测方法,用于提高短期风速预测的准确性。利用小波包分解将风速时间序列分解成多个不同频率的子序列,然后利用多智能体入侵杂草算法优化后的神经网络对每个子序列进行预测,最后叠加各子序列的预测值,得出实际预测结果。以广东某风电场2014年1月的实测小时风速数据为例,使用提出的混合模型进行风速预测。仿真结果表明,与未经优化的神经网络相比,该文方法在进行风速直接多步预测时具有更好的整体误差指标。

WPD新型复合高强度封堵技术研究及应用

为了提高挤封质量,试验采用WPD新型复合高强度封堵技术进行挤封射孔段,挤封后达到了预期目的,钻塞后套管试压符合要求,WPD新型复合高强度封堵技术的成功应用为今后低产低效井及水淹井封堵创作了条件,提高了油井产能。

基于WPD和（2D）~2PCA的步态识别方法

为了提高步态识别率,在步态能量图(gait energy image,GEI)基础上,提出了基于小波包分解(waveletpacket decomposition,WPD)和完全主成分分析(two-directional two-dimensional principal component analysis,(2D)2PCA)的步态识别方法.该方法采用基于人体轮廓的GEI来解决步态数据量过大的问题,并采用WPD和(2D)2PCA进行步态特征提取,解决了已有基于小波变换的步态识别方法中高频分量丢失或维数过高问题.在NLPR步态数据库上对该方法进行了评测,并与经典方法进行了比较.实验结果表明:该方法具有更高的识别率和视角变化的鲁棒性.

复杂装备事故非线性耦合特征WPD-MF分析

为更好地分析复杂装备事故非线性耦合特性及成因,利用小波包消噪(WPD)改进多重分形(MF)去趋势波动分析法(MFDFA),并结合q阶矩配分函数分析MF谱;通过对比随机重排和相位随机化2种变换事故序列MF谱,探讨非线性时间序列的长程相关性与胖尾分布对MF特性成因的贡献程度;最后,以美空军1946-1996年A级飞行事故为例分析其非线性耦合特征。结果表明:该事故率序列广义hurst指数和分形谱宽度显著不为常数,分布范围分别为[1.2138,3.4314]和[0.2937,1.7025],具有明显MF特性。该MF特性是由长程相关性为主因,胖尾分布为次因共同作用所致。

WPD和SVM-PSO在微铣刀磨损在线监测中的应用

为提高微铣刀磨损状态的预测精度和计算效率,本文提出了一种基于小波包分解(Wavelet packet decomposition,WPD)和支持向量机-粒子群优化(Support vector machine-particle swarm optimization,SVM-PSO)的微铣刀磨损在线监测方法。首先根据刀具使用时长和磨损程度将微铣刀磨损分为初始磨损、轻度磨损、中度磨损、重度磨损和刀具失效5种状态;接着对采集到的振动信号进行WPD变换,提取小波包关键节点的能量比和小波包系数峭度作为磨损特征,并分析了不同切削参数对这2个特征的影响;最后利用SVM-PSO模型进行微铣刀磨损状态分类与预测。研究结果表明,和网格搜索法相比,本文提出的微铣刀磨损在线监测方法在计算精度和效率方面具有综合优势,可以为其它刀具磨损监测提供必要的理论基础和实践指导。

诊断重载铁路钢轨波磨WPD-ASSTFT时-频边际谱方法

重载铁路钢轨波磨会加剧轮轨间振动,导致轨道-车辆系统零部件损坏,危及运行安全性,在实际养护维修中需及时发现波磨区段并进行打磨。提出一种基于轴箱加速度的WPD-ASSTFT时-频边际谱方法用以诊断重载铁路钢轨波磨。首先,对轴箱垂向加速度数据进行小波包分解得到若干个子信号,对各个子信号做自适应同步压缩短时傅里叶变换,叠加各子信号时频分布获得原始信号的时频分布。然后根据波磨的周期性特征对由WPD-ASSTFT得到的时频分布进行分频带滤波,计算时-频边际谱。最后,根据时-频边际谱分别计算波磨强度因子和能量因子,当两者都超过阈值时判定区段存在波磨,并提取波磨波长信息。用该方法对纯波磨区段和伴有焊接接头不平顺的波磨区段进行诊断,其结果与现场复核结果高度一致,证明用该方法能有效诊断重载铁路波磨。并对同线路不同月份检测数据对比分析,证明了该方法具有较好稳定性。

基于WPD-PSO-ESN的城市交通感应信号控制系统设计

传统城市交通感应信号控制系统缺少对交通车流量的预测,导致信号控制效果较差;为此,设计基于WPD-PSO-ESN的城市交通感应信号控制系统;在系统硬件设计中,将PC作为上位机,PLC作为下位机;使用S7-226型号PLC控制器连接EM221数字输入模块与EM223组合输入/继电器,移除I/O终端;选择AT89S51型号采集器,将其接收到的指令向S7-226PLC控制器发送数据信息;安装单环自愈RS-485多机通信接收发送器,自动修复单回路;在软件设计中,设计手动、闪光控制模块子程序流程,实现信号控制系统状态检测;建立WPD-PSO-ESN交通流量预测模型,结合PSO算法优化参数,以交通流量预测结果为依据,分析交叉口的通行能力,确定不同信号相位绿灯时间,设计感应信号控制流程;由实验结果可知,该系统车流量共计为310,与交叉口历史平均交通流量统计结果一致,说明系统信号感应较为精准,对实现实时交通控制具有现实意义。

面向人脸识别的WPD-HOG金字塔特征提取方法

人脸识别技术可应用于各监控和安保领域,它涉及特征提取、识别模型等关键技术。其中特征提取方法直接影响识别效果,目前所用的特征提取方法存在特征表达不全面、计算复杂度高等问题。据此,提出一种基于WPDHOG金字塔的人脸特征提取方法,该方法结合小波包分解(Wavelet Packet Decomposition,WPD)、图像金字塔以及方向梯度直方图(Histograms of Oriented Gradients,HOG)对人脸图像特征进行有效表征,最终将WPD-HOG金字塔特征通过SVM分类器进行分类。通过在ORL人脸库上进行实验,与四种对比方法 HOG、HOG金字塔、FWPD-HOG以及FWPD-HOG金字塔进行比较,实验结果表明,WPD-HOG金字塔特征提取方法的识别率要高于对比方法,且在噪声方面具有较好的鲁棒性。

基于WPD和LPP的设备故障诊断方法研究

小波包分解(WPD)能够将非平稳信号在低频和高频上同时分解以有效反映信号潜在的特征信息,而局部保留投影法(LPP)在降维的同时保留了信号的局部特征信息。结合上述特点,给出了选取信号小波包分解后形成全部节点的谱能量,作为表征信号的特征,采用LPP提取降维特征进行模式识别的方法进行设备故障分类研究。在多组不同轴承故障及同故障不同损伤程度的多类别数据集上进行了实验,实验结果验证了这种方法的有效性。

基于WPD和LPP的设备故障诊断方法研究

小波包分解(WPD)能够将非平稳信号在低频和高频上同时形成特征信息,有效的反映出信号潜在的特征,而局部保留投影法(LPP)在降维的同时保留了信号的局部特征信息,结合上述特点,本文给出了选取信号4层小波包分解后形成全部节点的谱能量,作为表征信号的特征,采用LPP提取特征降维进行模式识别这种方法。在多组轴承的不同故障、同故障不同损伤程度的多类别数据集上进行了实验,比较识别精度,实验结果验证了这种方法的有效性。

基于WPD-FWEO的轴承故障特征增强方法

用小波包分解(Wavelet Packet Decomposition,WPD)处理低信噪比信号时,常出现残存大量带内噪声的问题,严重影响了后期的故障诊断准确性。针对该问题,提出将频率加权能量算子(Frequency-Weighted Energy Operator,FWEO)作为小波包分解的后处理器,以消除其带内噪声,增强故障特征提取效果。对采样获得的故障数据进行3层小波包分解,得到各频带系数;对每个频带系数进行峭度计算,以峭度最大原则获取最优频带系数;以频率加权能量算子追踪最优频带系数的瞬时能量,从信号能量的角度消除信号中的带内噪声成分,二次增强信号中隐藏的故障脉冲信息;对其进行包络谱分析,得到最终诊断结果。仿真数据、实验室数据和工程数据验证了所提方法的有效性和实用性。

基于WPD_EMD和SVM刀具磨损故障诊断模型

通过采集2种磨损程度不同的同类型刀具加工工件时机床主轴的振动信号,提出WPD_EMD和SVM故障诊断模型判断刀具磨损程度。首先利用小波包工具去除高频噪声信号,其次利用EMD分解得到若干个固有模态函数和一个残差,计算各个固有模态函数和EMD分解前信号的相关系数,合并相关系数大的固有模态函数得到新信号。计算新信号的绝对均值作为时域特征参数。选取若干组试验数据作为支持向量机训练集,建立判断刀具磨损程度大小的故障诊断模型。试验表明该故障模型预测刀具磨损程度准确率100%,为判断刀具实时加工工件的磨损程度提供新的途径。

基于CSP与WPD算法的脑磁信号特征提取研究

针对两类人(精神病患者和正常人)的静息态脑磁信号(MEG)的分类问题,提出一种小波包分解(WPD)和共空间模式(CSP)相结合的特征提取方法。利用小波包对训练集的多路脑磁信号进行分解,再利用共空间模式算法对不同分解层子带的脑磁信号进行特征提取,使用经典的K近邻算法进行特征值分类。仿真实验结果表明,使用低频段(0Hz^4.7Hz)的脑磁信号进行CSP分解,选择5个特征值进行分类,可以得到高达91.7%的正确率。实验证明该方法提取的特征比较明显,是脑磁信号特征提取的新思路。

混合WPD和ACPSO的负荷预测模型

为了解决传统BP神经网络对负荷高频分量预测精度不高、泛化能力弱的缺点以及粒子群算法(PSO)在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种混合小波包变换和自适应交叉粒子群算法(ACPSO)优化神经网络的短期负荷预测新方法。通过小波包变换对负荷样本进行多层序列分解,对单支重构所得的负荷子序列采用自适应交叉粒子群算法优化的神经网络进行预测。最后叠加各子序列的预测值,得出实际预测结果。通过实际电网负荷预测表明,新模型能充分掌握负荷波动的变化规律,有效提高负荷波动大的地区的预测精度,且预测模型具有较强泛化能力。