基于MLMD的电能质量扰动检测方法

针对局部均值分解(Local Mean Decomposition,LMD)算法应用于电能质量扰动检测时存在“端点效应”与滑动平均收敛速度慢,严重影响测量精度的问题,提出一种改进局部均值分解方法(Modified LMD,MLMD)。通过分段三次Hermite插值取代滑动平均法,有效改善LMD收敛慢、受平滑长度影响的弊端。为避免延拓长度不够而导致的“延拓失败”情形,在镜像延拓法的基础上结合“奇延拓”方法提出改进镜像延拓法。针对“直接法”求频率存在“毛刺现象”的弊端,文中改用希尔伯特变换(Hilbert Transform,HT)求取瞬时频率。最后,将MLMD分别应用于单一扰动信号与复合谐波信号的检测,相较传统的经验模态分解方法(Empirical Mode Decomposition,EMD),MLMD方法可有效抑制“端点效应”,同时能更准确的定位扰动信号的起止时刻,并且对高次谐波信号有更好的提取能力。

自主致密LCD和改进的广义局部频率解调方法

自主致密局部特征尺度分解方法通过确定待分解信号的最小信号极值尺度以度量其信号尺度的方式,采用新增伪极值点均匀化信号尺度的方法,可有效抑制局部特征尺度分解的模态混叠。在广义局部频率解调的基础上,基于强局部加权回归和伪端点方法的原理,提出了改进的广义局部频率解调方法。该方法通过分析广义局部频率和广义局部幅值突变情况,在广义局部频率和广义局部幅值中插入伪端点,并采用强局部加权回归对新增伪端点后的广义局部频率和广义局部幅值进行分段平滑处理,可有效改进广义局部频率和广义局部幅值曲线的平滑效果。采用仿真信号将自主致密局部特征尺度分解与局部特征尺度分解、经验模态分解进行对比,同时将改进的广义局部频率解调与希尔伯特变换、广义局部频率解调进行对比,结果证实了自主致密局部特征尺度分解和改进的广义局部频率解调方法的有效性。对转子碰摩故障实验数据的对比分析结果,进一步验证了该方法的有效性和实用性。

基于TMS320DM642麦克风阵列声源定位系统

麦克风声源定位是利用麦克风阵列拾取语音信号,并用数字信号处理技术对其进行分析和处理的声源定位技术。在麦克风阵列声源定位中,语音信号端点的拾取是重要的环节。语音端点检测是对接收到的信号利用端点检测算法分析,以确认麦克风阵列中语音信号到达的端点;并利用麦克风阵列中各麦克风接收到的语音信号的端点的先后,计算出麦克风阵列接收的来自于声源的时间差;根据麦克风阵列之间的时间差,应用所提出的声源定位的方法,继而计算出声源的空间位置。本系统定位精度较高、实时性好,可应用于许多场合,如视频会议、机器人语音识别、语音助听装置等。

基于CELCD和MFVPMCD的智能故障诊断方法研究

针对旋转机械故障诊断方法中信号处理和模式识别的不足,即端点效应和判别片面性问题,提出一种基于互相关匹配延拓局部特征尺度分解(Cross-correlation matching endpoint Extension Local Characteristic scale Decomposition,CELCD)和改进多变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的智能故障诊断方法,首先探索待分解信号前后端的数据规律,选取匹配波形完成端点延拓,然后利用局部特征尺度分解(Local Characteristic scale Decomposition,LCD)得到各去除端点效应的内禀尺度分量(Intrinsic Scale Component,ISC),最后输入到基于多模型融合的多变量预测模型(Multi-model Fusion-Variable Predictive Model based Class Discriminate,MFVPMCD)分类器中进行概率状态判定.实验分析结果表明,所提方法能有效地对滚动轴承的工作状态进行识别.

基于不同约束条件的动态时间错位理论及应用

在两种不同模式的匹配过程中 ,研究了基于不同约束条件的动态时间错位理论及应用。分别采用始终点约束、不同的局部连续约束 ( Itkura约束、Sakoe- Chiba约束 )、不同的全局约束( Itkura约束、Sakoe- Chiba约束 )条件对间歇反应过程中两批次轨迹进行合理匹配 ,并使两轨迹基于动态时间错位理论获取其间的最短标准总体距离 ,在此基础上搜寻最优匹配路径 ,使两种持续时间不等的轨迹达到模式一致。应用聚合反应中的数据轨迹 ,表明此方法的实施过程和有效性。

BP-LCD方法及其在滚动轴承故障诊断中的应用

针对局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中严重的端点效应,将BP神经网络应用到信号的延拓中,提出了一种提出基于BP神经网络延拓局部特征尺度分解(BP neural network endpoint extension Local Characteristic-scale Decomposition,BP-LCD)方法。该方法首先利用BP神经网络将待分解信号进行两端预测延拓,然后对延拓后的曲线进行LCD分解。通过仿真信号的分析,验证了该方法可以有效地抑制LCD方法中的端点效应;将该方法应用到实际滚动轴承的故障诊断中,结果表明了该方法的有效性。

基于改进LMD的泵站摆度信号分析

局部均值分解(local mean decomposition,LMD)在分析非线性、非平稳信号时具有特有的分析能力,特别适合泵站机组摆度信号的分析.但是在信号分解为固有旋转分量的过程中,由于局域均值和包络估计函数在数据端点存在误差,会产生端点效应,严重时导致信号分解结果失真.针对这一问题,从全面考虑曲线幅值和几何形状相似性出发,提出基于灰色B型关联度和欧氏距离的端点效应抑制方法.为评价该端点效应抑制方法的抑制效果,提出分解前后的信号能量变化的评价标准.通过与原始局域均值分解算法、镜像映射法和波形匹配法等传统方法相比,验证该方法的有效性和优越性.仿真信号和泵站主轴摆度实测信号的应用表明,该方法能够有效地抑制端点效应,提高LMD分解过程中重构信号精度,更好地提取泵站机组摆度信号故障特征.

SRIO总线技术研究及其FPGA实现

针对Series Rapid IO(SRIO)总线在嵌入式系统方面的应用,根据FPGA资源丰富、设计灵活的特点,设计了一种基于Xilinx FPGA的SRIO总线接口实现方案。编写用户逻辑程序,使用FPGA IP核对SRIO总线数据进行接收、解析和发送。详细论述了硬件设计要点和软件流程,对SRIO总线协议进行了简要介绍,描述了SRIO总线的本地端点和远端端点的访问的实现过程。通过试验测试了SRIO总线速度,验证了SRIO接口工作的正确性。

LMD端点延拓方法在脉象信号处理中的应用研究

针对EMD方法在脉象信号分析中存在的运算效率低以及端点效应严重等问题,首次将LMD时频分析方法运用于脉象信号的分析。同时对于仍然存在的端点污染,结合小波模极大值去噪方法提出了一种基于匹配度的脉象信号延拓方法。其中,小波模极大值去噪方法运用于信号的预处理过程,解决LMD方法中原本由于噪声引起的算法不收敛,信号两端发散等问题。通过仿真信号的验证及脉象信号的实际处理,结果表明LMD方法具有较好的分解效果,能更准确地反映脉象信号中的特征信息,且所提出的基于匹配度的脉象信号延拓方法可以明显改善LMD方法中存在的端点效应。

声源定位中双门限语音端点检测算法的改进

语音端点检测是声源定位中一个非常重要的环节。在高信噪比环境下,双门限法语音端点检测具有很好的效果,但在低信噪比环境下双门限语音端点检测性能迅速降低,端点检测无法达到预期效果。为此,将传统的双门限法中的短时能量和短时平均过零率分别替换成短时Teager能量和频谱质心特征,提出了一种改进的双门限语音端点检测算法。该法首先对分帧加窗后的每一帧带噪语音进行经验模态分解求其短时Teager能量,然后对语音信号进行短时傅里叶变换求其每一帧语音的频谱质心,最后对特征曲线进行中值滤波平滑处理后再选取合适的门限值。仿真实验表明,所提出的改进算法在低信噪比环境下比传统的双门限法具有更好的端点检测效果。

顾及局部特征的图像短直线优化方法研究

由于各种线段检测算法误差以及相片噪声、遮挡物等因素的影响,导致图像线特征要素出现断裂、重叠、连续间断线段等情况。目前的解决方法主要是以线段的自身属性为阈值判断,并利用先验经验辅助判断。提出了一种顾及局部特征的优化删减短直线特征要素的方法,以提高现有算法的自动化水平;同时从整体角度出发,引入局部整体方向的概念来改进现有算法。

基于端点检测的精确时延提取方法及其定位精度分析

针对脉冲声源定位中时延误差大的问题,提出了一种基于端点检测的精确时延提取方法。该方法首先对信号进行滤波处理和端点检测,截取有效信号段运用广义互相关法估计时延,然后利用端点检测得到的信息提取出精确的时延值,最后用单纯形替换法求解声源位置。根据精确时延提取方法,设计了声源定位方案。实验证明,该方法能有效减弱非高斯白噪声和室内混响的影响,定位精度可达到分米甚至厘米级,并且具有较好的鲁棒性。

局部均值分解和经验模态分解的性能对比研究

利用具体的非平稳齿轮箱振动信号,分别应用局域均值分解方法(Local Mean Decomposition,LMD)和经验模态分解方法(Empirical Mode Decomposition,EMD)进行了模态分解,并计算得出能量熵。物理意义明确且非常直观,用LMD方法分解齿轮箱振动信号模态混叠程度要轻于EMD方法分解所得模态混叠程度。同时,从端点效应和分解速度两方面将两种分解方法做了对比,LMD方法抑制端点效应的能力强于EMD方法,且分解速度较EMD方法快。

基于振动信号的电主轴回转精度预测方法

电主轴可靠性研究中需要监测主轴回转精度,但直接测量主轴回转精度较为复杂.本文提出一种基于前轴承振动信号预测主轴回转精度的方法.利用BP神经网络波形预测改进局部均值分解(local mean decomposition,LMD)的端点效应;然后利用改进的LMD方法分解前轴承振动信号,并提取乘积函数(product function,PF)分量的样本熵,进一步建立从样本熵到主轴回转精度的长短期记忆(long-short term memory,LSTM)网络训练模型;在电主轴加载实验台上利用载荷谱进行模拟加载,进行主轴回转精度预测实验研究.结果表明,BP神经网络波形预测对LMD端点效应有较好的抑制效果,得到的PF分量样本熵的平均误差为2.28%,电主轴回转精度预测精度为93.15%.本文提出的方法可用于电主轴回转精度的预测.

基于非局部先验的雾线优化图像去雾算法

针对非局部先验去雾算法中雾线端点像素位置精确度不足的问题,提出了雾线优化的非局部先验图像去雾算法。首先分析雾线理论,结合暗通道理论确定最大聚类雾线真实端点,以其为已知条件补偿小聚类雾线端点与大气光之间的距离,根据类内不同像素与雾线对应夹角预估单个像素雾线端点进而求得像素级优化后的透射率,最后根据图像局部灰度值差异融合暗通道先验(dark channel prior, DCP)和非局部先验透射率得最终透射率图。将本文算法与其余3种去雾算法在多幅户外雾图下通过主观及客观两方面分析比较,实验结果表明该算法能取得更好的去雾效果,尤其在天空区域图像复原效果较为突出。