CEEMD-FastICA-CWT联合瞬态响应阶次的电驱总成噪声源识别

以某增程式电驱动总成为研究对象,提出基于联合算法的噪声分离识别模型。首先,采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)联合快速独立分量分析(fast independent component analysis,FastICA)方法提取纯电模式稳态工况下单一通道噪声信号特征,利用复Morlet小波变换及FFT对各分量信号时频特性进行识别。其次,采用阶次分析法和声能叠加法对稳态分量信号对应的各瞬态响应阶次能量进行对比分析,并结合皮尔逊积矩相关系数(Pearson product moment correlation coefficient,PPMCC)相似性识别确定不同噪声激励源贡献度。结果表明:减速齿副啮合噪声对该增程式电驱总成纯电模式运行噪声整体贡献度最大。

Performance of Continuous Wavelet Transform over Fourier Transform in Features Resolutions

This study presents a comparative analysis of two image enhancement techniques, Continuous Wavelet Transform (CWT) and Fast Fourier Transform (FFT), in the context of improving the clarity of high-quality 3D seismic data obtained from the Tano Basin in West Africa, Ghana. The research focuses on a comparative analysis of image clarity in seismic attribute analysis to facilitate the identification of reservoir features within the subsurface structures. The findings of the study indicate that CWT has a significant advantage over FFT in terms of image quality and identifying subsurface structures. The results demonstrate the superior performance of CWT in providing a better representation, making it more effective for seismic attribute analysis. The study highlights the importance of choosing the appropriate image enhancement technique based on the specific application needs and the broader context of the study. While CWT provides high-quality images and superior performance in identifying subsurface structures, the selection between these methods should be made judiciously, taking into account the objectives of the study and the characteristics of the signals being analyzed. The research provides valuable insights into the decision-making process for selecting image enhancement techniques in seismic data analysis, helping researchers and practitioners make informed choices that cater to the unique requirements of their studies. Ultimately, this study contributes to the advancement of the field of subsurface imaging and geological feature identification.

Comparison of fast discrete wavelet transform algorithms

This paper presents an analysis on and experimental comparison of several typical fast algorithms for discrete wavelet transform (DWT) and their implementation in image compression, particularly the Mallat algorithm, FFT-based algorithm, Short- length based algorithm and Lifting algorithm. The principles, structures and computational complexity of these algorithms are explored in details respectively. The results of the experiments for comparison are consistent to those simulated by MATLAB. It is found that there are limitations in the implementation of DWT. Some algorithms are workable only for special wavelet transform, lacking in generality. Above all, the speed of wavelet transform, as the governing element to the speed of image processing, is in fact the retarding factor for real-time image processing.

A blind watermarking algorithm based on DWT and SVD

本文提出了一种新的基于离散小波变换(DWT)与奇异值分解(SVD)相结合的数字图像盲水印算法。该算法首先将原始图像作小波分解并将小波分解得到的低频子带进行分块,再对每一块进行奇异值分解,然后选取每块中最大的奇异值通过量化的方法嵌入水印信息,而且水印的提取不需要原始图像。实验结果表明,该算法具有一定的不可感知性及鲁棒性。

Spectral Analysis and Validation of Parietal Signals for Different Arm Movements

Brain signal analysis plays a significant role in attaining data related to motor activities.The parietal region of the brain plays a vital role in muscular movements.This approach aims to demonstrate a unique technique to identify an ideal region of the human brain that generates signals responsible for muscular movements;perform statistical analysis to provide an absolute characterization of the signal and validate the obtained results using a prototype arm.This can enhance the practical implementation of these frequency extractions for future neuro-prosthetic applications and the characterization of neurological diseases like Parkinson’s disease(PD).To play out this handling method,electroencepha-logram(EEG)signals are gained while the subject is performing different wrist and elbow movements.Then,the frontal brain signals and just the parietal signals are separated from the obtained EEG signal by utilizing a band pass filter.Then,feature extraction is carried out using Fast Fourier Transform(FFT).Subse-quently,the extraction process is done by Daubechies(db4)and Haar wavelet(db1)in MATLAB and classified using the Levenberg-Marquardt Algorithm.The results of the frequency changes that occurred during various wrist move-ments in the parietal region are compared with the frequency changes that occurred in frontal EEG signals.This proposed algorithm also uses the deep learn-ing pattern analysis network to evaluate the matching sequence for each action that takes place.Maximum accuracy of 97.2%and maximum error range of 0.6684%are achieved during the analysis.Results of this research confirm that the Levenberg-Marquardt algorithm,along with the newly developed deep learn-ing hybrid PatternNet,provides a more accurate range of frequency changes than any other classifier used in previous works of literature.Based on the analysis,the peak-to-peak value is used to define the threshold for the prototype arm,which performs all the intended degrees of freedom(DOF),verifying the results.These results would aid the specialists in their decision-making by facilitating the ana-lysis and interpretation of brain signals in the field of neuroscience,specifically in tremor analysis in PD.

基于CEEMDAN-VSSLMS的滚动轴承故障诊断

针对传统机械轴承故障诊断模型易受系统噪声干扰、特征识别效率低等问题,提出一种基于信号固有模式深度建模分析的轴承故障诊断方法。首先,将采集到的轴承振动信号进行噪声自适应完全经验模态分解(CEEMDAN),获得不同时间尺度的局部特征信号,使用相关系数判别并去除虚假模态分量,再利用可变步长最小均方算法(VSSLMS)对剩余IMF分量降噪并进行重构;然后,将降噪后的振动信号进行离散小波变换(DWT)得到时频谱图,并利用形态学开运算进行特征增强;最后利用改进GoogLeNet网络模型对特征图进行训练,通过Softmax分类器完成特征归类,从而实现轴承故障诊断。将提出的故障诊断方法应用于不同工况下的轴承故障数据集,试验结果表明,所提方法在噪声干扰下具有较高的诊断精度。

活塞-缸套摩擦副状态表征参数选取方法研究

建立柴油机试验台架采集数据,对机体表面振动信号进行时频分析,探明不同激励源与机体表面振动信号的关系。选取变分模态分解(variational mode decomposition,VMD)算法对振动信号进行分解,提取各分量的表征参数。通过探究转矩、转速、润滑油温度及配缸间隙与各表征参数的相关性,初步确定相关性强的表征参数集。通过多评价准则对上述表征参数集进行分析,最终得出贡献度最高的表征参数为本征模态函数(intrinsic mode function,IMF)1的标准差、均方频率、峭度、最大奇异值、频域积分和IMF6的脉冲因子、标准差、重心频率、频率方差及最大奇异值。

一种基于优化VMD-CWT-CNN的柱塞泵配流盘磨损状态识别方法

为解决一维振动信号难以充分挖掘表达状态特征信息以及柱塞泵配流盘磨损早期识别问题,基于卷积神经网络(Convolutional neural networks,CNN)优秀的图像处理能力,提出了一个优化VMD-CWT-CNN模型。首先,采用连续小波变换(Continuous wavelet transform,CWT)对信号进行预处理,得到信号的二维时频图,作为CNN模型的一路输入,将状态识别问题转化为CNN图像识别问题。其次,基于相关系数对变分模态分解(Variational mode decomposition,VMD)参数优化后,利用优化VMD对振动信号进行预处理,再以相关系数和峭度值最大为优选原则,甄选出三组蕴含故障特征的本征模态函数(Intrinsic mode function,IMF),将其重组为三通道一维信号,作为CNN模型的另一路输入。最后,在CNN模型中将两路信息汇聚并得到柱塞泵配流盘磨损状态识别分类结果。实验中,此方法分别采用优化VMD和CWT对振动信号预处理,再结合CNN对磨损状态进行分类。实验结果表明,该方法对于配流盘磨损的三种状态的识别效果显著优于单路输入的CNN模型以及典型的深度学习方法和机器学习分类器。因此,优化的VMD-CWT-CNN方法可以更准确地实现柱塞泵配流盘磨损状态识别。

Empirical Wavelet Transform Based Method for Identification and Analysis of Sub-synchronous Oscillation Modes Using PMU Data

This paper proposes an empirical wavelet transform(EWT)based method for identification and analysis of sub-synchronous oscillation(SSO)modes in the power system using phasor measurement unit(PMU)data.The phasors from PMUs are preprocessed to check for the presence of oscillations.If the presence is established,the signal is decomposed using EWT and the parameters of the mono-components are estimated through Yoshida algorithm.The superiority of the proposed method is tested using test signals with known parameters and simulated using actual SSO signals from the Hami Power Grid in Northwest China.Results show the effectiveness of the proposed EWT-Yoshida method in detecting the SSO and estimating its parameters.

SPNCC与一维双通道CNN-LSTM相结合的变压器局部放电故障音频检测

变压器运行时产生的声音信号包含了丰富的状态信息,可作为变压器故障诊断的重要依据。为提高变压器故障音频诊断效果,首先将变压器运行时现场采集的声音信号分为工作环境噪声信号、正常工作音频信号以及局部放电故障音频信号;然后通过卷积神经网络分类、小波包分解以及巴特沃斯带通滤波的方法去除原始音频信号中的非稳态环境噪声和短时稳态环境噪声信号;并建立了基于简化版幂律归一化倒谱系数特征的一维双通道卷积神经网络−长短时记忆网络的变压器局部放电故障识别模型。通过现场采集某500 kV变电站不同自然环境下的变压器运行声音信号与故障仿真实验,验证了提出的局部放电故障识别模型的可行性,相较于传统的音频故障诊断方法,提出的模型具有更快的收敛速度,更好的故障识别准确率与故障分类准确率。

兼顾时频域特征量提取的非线性油气悬架参数识别

针对完全基于时域或完全基于频域的非线性参数识别方法的局限性,提出了一种兼顾时频域特征量提取的非线性油气悬架参数识别方法。在建立含非线性油气悬架车辆动力学仿真模型的基础上,采用快速傅里叶逆变换法获得标准路面不平度等级的输入激励,结合小波分析和滤波处理提取实验结果的时频域特征量,构建非线性油气悬架参数识别的优化模型,通过最小化仿真结果与实验结果在时频域的特征量,实现了非线性油气悬架参数在实际工况下的准确识别。识别的定量与定性分析表明了识别结果的准确可靠。通过将路面时域建模技术、小波滤波技术和优化模型构造方法与模拟退火算法的有机结合,为非线性悬架系统的参数识别提供了一种有效可靠的方法。

复杂场景下全景视觉图像局部特征点检测仿真

为了在获取全景视觉图像特征点的同时有效保持图像的边缘信息,提出一种复杂场景下全景视觉图像局部特征点检测方法。采用经验模态分解方法分解全景视觉图像,在信息熵差值的基础上确定含噪的IMF分量,引入CLEAN算法抑制IMF分量中存在的噪声,实现全景视觉图像去噪处理;对全景视觉图像展开小波变换,消除图像特征图中存在的冗余信息,避免复杂场景对特征点检测产生影响,融合全景视觉图像的局部特征显著区域,获得显著图,完成局部特征点提取;根据特征点的独特性、均匀性、独特性、覆盖度挑选最优局部特征点,完成全景视觉图像局部特征点检测。实验结果表明,所提方法的去噪平滑性高、边缘保持能力强,特征点检测准确率高、效率高。

基于CEEMDAN-小波包自适应阈值混凝土声发射信号降噪研究

为了得到更加纯净的混凝土声发射(acoustic emission, AE)信号来更准确地监测混凝土结构破裂过程,提出了一种完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition, CEEMDAN)与小波包自适应阈值联合方法对循环荷载作用下的混凝土声发射信号进行降噪处理,运用信噪比和快速傅里叶变化(fast Fourier transform, FFT)分析来验证所用方法的可行性。实验结果表明:结合CEEMDAN-小波包自适应阈值对混凝土声发射信号进行降噪的效果较好,能有效地保留混凝土声发射信号特征信息,对混凝土声发射信号降噪提供新的思路,为后续利用声发射信号分析混凝土结构内部微裂纹扩展及演化特征奠定基础。

基于小波的弱光照图像增强算法仿真

针对通过人工参数调整图像,容易出现细节纹理缺失或失真等问题,提出一种基于双尺度图像分解的弱光照图像增强算法。将小波变换函数与软阈值结合,通过小波包频带变换明确图像频带值,分解复数小波包,提取去噪处理后原始弱光照图像中的像素点,计算目标点邻域范围,并实施双尺度矩阵分割。利用同态滤波算法分析图像中像素点对弱光照的透射特性,在待处理图像上覆盖“雾”形成伪雾,分析去雾后图像透射点的分布情况,自动调整对应增强阈值。分析透射率与亮度分量之间的正向关联,得出图像透射率与亮度分量的变化规律,完成图像增强分析。仿真结果证明,所提算法鲁棒性强,在满足弱光照增强效果的同时还能保证图像的细节,增强后的图像细节更丰富,视觉观感更好。

基于VMD-WT-CNN的结构损伤识别研究

现有的结构损伤识别研究多是以振动响应信号作为深度学习网络模型的输入进行损伤识别,而振动响应信号中不可避免地含有噪声和与结构损伤无关的成分,并且含有的可提取特征较少。为提高深度学习网络模型的损伤识别精度,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)-小波变换(Wavelet transform,WT)-卷积神经网络(Convolutional Neural Network,CNN)的损伤识别方法,先利用VMD对加速度信号进行分解重构,剔除信号中的噪声和与结构损伤无关的成分,然后利用WT对重构信号进行时频变换,得到WT时频图,并按8∶1∶1的比例分为训练集、验证集和测试集输入到CNN模型中进行结构损伤识别研究。IASC-ASCE SHM Benchmark第二阶段结构试验数据证明了所提方法的有效性。

小波卷积增强的对比学习推荐算法

推荐算法是一种用于解决信息过载问题的方法,序列化推荐通过建模用户购买的物品序列预测下一个物品。现有的序列化推荐算法通常忽视用户行为序列中的噪声、跨序列信息和物品间的组合依赖等问题,导致推荐性能受限。为此,提出一种小波卷积增强的对比学习推荐算法WCLR。利用数据的内在相关性获得自监督信号,并根据预训练的方法来增强数据表示。给出3个辅助的自监督学习任务,利用信息最大化原理学习属性、物品、序列与邻居序列的相关性,通过互信息最大化提供一种统一的方式描述不同类型数据间的相关性。由于小波卷积网络能提取物品的组合依赖,降低用户交互序列中的噪声,设计一个多核小波卷积模块,通过多尺寸用户序列多方面捕获用户的潜在兴趣,将自监督学习和小波卷积融入到推荐算法模型中,降低序列数据稀疏性和噪声,提高推荐精度。在LastFM、Beauty和Toys 3个数据集上的实验结果表明,与8个序列化推荐模型相比,WCLR算法的命中率、归一化折损累计增益和平均倒数秩分别提升了3.30%、1.47%和2.17%。

基于计算机视觉技术和支持向量机的手势识别算法研究

针对现有的手势识别方法在复杂环境中识别效率不理想的情况,提出一种双通道卷积神经网络模型,该模型同时采用灰度世界算法和离散小波变换对输入数据进行预处理,减少照变化对图像的影响并提高识别效率和模型稳定性。然后通过高维特征融合模块将提取的图像信息进行融合,再利用帝国竞争算法对支持向量机分类器进行优化,提高分类效果。实验结果显示,在实验环境中,该模型的平均识别率达95%,收敛速度快,效率高。经过消融实验对比,性能比基准模型提高4%以上。在实际测试中,对于简单手势的识别率均在90%以上,对于复杂收手势的识别率在80%以上。

基于交叉小波变换与改进变分模态分解的联合去噪方法

轴承早期的故障信号容易被噪声所淹没,导致其故障特征难以被提取,为此,提出了一种基于交叉小波变换(XWT)与改进变分模态分解(IVMD)联合去噪的信号处理方法。首先,对双通道的原始信号进行了XWT处理,得到了小波相干谱,通过包络谱曲线确定了最佳模态数K;将传统VMD优化为IVMD,利用IVMD将两个通道中峭度值较大的信号分解成为多个固有模态分量(IMFs),再对每个IMF与峭度值较大的信号进行XWT处理;然后,将得到的小波相干谱图与双通道原始信号的小波相干谱图进行了比较,从原始信号中去除了识别出的噪声分量,实现了降噪和故障特征增强的目的;最后,利用K邻近(KNN)算法进行了滚动轴承故障分类,其故障识别率达到了97.51%,与IVMD、VMD-XWT方法相比,该方法故障识别率分别提高了10.83%、4.62%。研究结果表明:该方法可以明显降低噪声干扰,能更好地提取轴承早期的故障信息。

基于改进VMD去噪和优化ELM方法的变压器早期故障诊断

变压器内部漏磁场是判断变压器绕组早期故障的重要依据。实际运行中噪声会对漏磁场检测产生干扰从而影响对故障状态的判断。为此,首先使用遗传算法以样本熵作为适应度函数来优化变分模态分解(VMD)参数,然后将VMD分解后的相关模态使用小波阈值法去除残余噪声;其次,选择并提取降噪漏磁场信号的特征向量,将特征向量输入到改进极限学习机(ELM)中进行训练和分类,实现变压器绕组的早期故障诊断。仿真及动模实验表明:该方法去噪效果良好,能有效地还原原漏磁场信号,最终能实现变压器绕组早期故障的准确识别。

基于深度学习神经网络超参数优化的入库径流预测方法研究——以云南省暮底河水库为例

准确的入库日径流预测在水库优化调度中发挥着重要作用.为提高日径流预测精度,提出了基于小波包变换(WPT)并结合了白鲨优化(WSO)算法的门限循环控制单元(GRU)、长短期记忆神经网络(LSTM)、卷积神经网络(CNN)日径流时间序列预测模型,以云南省暮底河水库2018—2020年入库日径流时间序列预测为例对各模型进行检验.首先利用WPT将日径流时序数据分解为若干子序列分量;其次引入WSO对GRU、LSTM、CNN超参数进行调优,建立WPT-WSO-GRU、WPT-WSO-LSTM、WPT-WSO-CNN模型;最后利用所建立的模型对各子序列分量进行预测及加和重构,并构建WPT-GRU、WPT-LSTM、WPT-CNN及基于BP神经网络的WPT-WSO-BP、WPT-BP作对比分析模型.结果表明:WPT-WSO-GRU、WPT-WSO-LSTM、WPT-WSO-CNN模型对实例日径流预测的平均绝对百分比误差EMAP分别为3.67%、5.52%、8.98%,平均绝对误差EMA分别为0.120、0.155、0.329 m^(3)/s,确定性系数DC分别为0.996 2、0.995 7、0.974 0 s,预报合格率RQ分别为98.1%、96.4%、89.6%,预测效果优于对应未经WSO调优的WPT-GRU、WPT-LSTM、WPT-CNN模型及WPT-WSO-BP、WPT-BP模型,其中WPT-WSO-GRU模型具有更高的预测精度和更好的泛化能力,WPT-WSO-LSTM模型次之.WSO能有效调优GRU、LSTM、CNN超参数,提高GRU、LSTM、CNN预测性能.WPT-WSO-GRU、WPT-WSO-LSTM模型在入库日径流时间序列预测研究中具有较好的应用前景.