基于SVD-WT的电机局部放电去噪方法研究

局部放电(PD)在线监测是高压电机状态监测的常用技术。然而现场的噪声干扰难以避免,最常见的噪声是白噪声和周期性窄带噪声。为此提出一种结合奇异值分解与小波变换(SVD-WT)的去噪方法,对原始PD信号进行SVD分解,通过计算奇异值序列的峭度值,自适应的选取需要重构奇异值实现周期性窄带噪声的去除;通过计算滑动窗内信号的方差值,确定PD信号的起始位置;对无PD发生的位置进行置零,得到去除噪声后的PD信号。通过对仿真和实测的PD信号进行去噪分析,与经验模态分解与小波变换(EMD-WT)和自适应奇异值分解(ASVD)进行对比分析,仿真和实测的PD信号去噪结果表明,SVD-WT方法具有优异的性能。

局部阀值法的医学图像分割

提出了一种局部阀值法的医学图像分割算法。针对X线医学图像中存在目标动态范围广,目标与背景灰度值重叠区间大等特点,在对目标特有纹理进行增强的基础上,采用了包含目标区域最小化的分区,最后利用局部阀值法结合密度函数分割图像。实验表明,该方法能有效分割出医学图像中的骨质影像。

X线平片的骨折识别

给出了一种识别人体X线平片中骨折现象的方法。根据X线平片的特点,提出了一种结合高阶统计矩校验分割结果的局部阈值化方法分割骨骼影像。对分割后的图像采用数学形态学分别提取目标的边界与掩盖骨折区域的骨架。通过叠加目标边界图与掩盖图中提取的骨架图,得出骨折区域的精确位置,从而识别出X线平片中的骨折现象。

基于改进变分模态分解和Hilbert变换的变压器局部放电信号特征提取及分类

针对现有局部放电(PD)信号特征提取方法存在的不足,提出一种基于变分模态分解(VMD)和Hilbert变换(Hilbert-VMD)的特征提取方法,并提出一种双阈值筛选法来确定VMD算法中的分解模态数。首先,根据PD信号功率谱,采用双阈值筛选法确定VMD算法中的分解模态数;其次,采用VMD算法对PD信号进行分解,得到数个有限带宽的固有模态分量(BLIMFs);然后,对各模态分量进行Hilbert变换并线性叠加后得到PD信号的Hilbert时频谱,并计算各模态分量的边际谱;最后,根据各模态分量的边际谱提取PD信号频域内的特征量,并用支持向量机(SVM)对所提取的特征量进行分类。实验结果表明,对试验环境下和现场实测两种环境下的PD信号,采用该文方法提取得到的特征量均具有较高的正确识别率,充分说明该特征提取方法可以有效提取PD信号特征。对于噪声较大的实测信号,采用该方法得到的正确识别率并未明显降低,说明该方法具有较好的噪声鲁棒性。此外,该文所提Hilbert-VMD方法也为PD信号提供了一种新的时频分析方法。

位场数据去噪方法研究及其在虎林盆地中的应用

在详细讨论经典位场数据去噪方法的基础上,深入研究小波分析方法的去噪原理及其在位场数据去噪中的应用。首先构建二维矩形重力高密度体模型,并将三点圆滑法、向上延拓法、全局阈值小波分析方法及局部阈值小波分析方法应用到二维模型重力异常的杂噪数据中。模型试算结果表明,与其它三种方法相比,具有灵活的阈值选择机制的局部阈值小波分析方法能够在较好地保留有效信息的同时,较彻底地去噪;其次将三点圆滑法、向上延拓法及局部阈值小波分析法应用到虎林盆地两条剖面测线数据处理中,并详细地分析了处理结果;最后应用局部阈值小波分析方法对虎林盆地平面实测数据进行去噪处理并解释,将虎林盆地划分为8个二级构造单元。

基于ITD的局部放电去噪方法的研究

本文提出了局部放电信号的固有时间尺度分解(intrinsic time-scale decomposition,ITD)去噪方法,将信号进行固有时间尺度分解,得到多个固有旋转分量(proper rotation component,PRC),采用3σ准则去除每个PRC的异常噪声,然后对其进行重构,从而实现局部放电信号的消噪。分别用小波变换(Wavelet transform)、经验模式分解(empirical mode decomposition,EMD)和ITD处理含噪局放信号,比较它们的均方根误差、相关系数和计算速度。结果表明:ITD的去噪过程具有自适应性,有较好的去噪性能和较快的计算速度,非常适合局部放电信号的在线去噪。

基于改进小波包阈值的GIS局部放电信号降噪方法研究

特高频法是GIS设备在状态检测中最常用的方法之一,但在应用过程中传感器所采集的特高频信号通常会携带较多噪声,会干扰检测的准备性,因此对信号进行有效的噪声抑制是局部放电检测的关键技术。本文基于小波包去噪理论,提出了一种综合考虑平滑度和边缘特征的改进阈值函数,以实现对GIS局部放电特高频模拟信号的降噪。通过信噪比(SNR)、均方误差(MSE)和波形相似数(NCC)三种参数对方法的去噪效果进行评估,结果表明,改进小波包阈值的信号降噪方法具有良好的噪声抑制功能,应用后可提高GIS局部放电采集信号的初始数据质量。

基于局部放电法的矿用高压电缆信号去噪算法研究

干扰噪声直接影响局部放电法有效检测矿用高压电缆故障。基于局部放电法,综合采用理论计算、仿真实验、现场试验的方法,对比分析了短时傅里叶变换和傅里叶分析去噪法的原理和优缺点,提出了一种矿用高压电缆的局部放电去噪算法——小波阈值去噪法,同时,选择了合理的阈值函数和去噪流程。基于此,采用白噪声和连续周期信号作为高压电缆的干扰噪声,进行了模拟仿真实验。结果表明,小波阈值去噪法可有效抑制白噪声,其中,Db2小波性能和去噪效果最好;同时,现场试验结果显示,去噪后信噪比得到了显著增加,验证了小波阈值去噪法的合理性和可靠性。

CT阈值分割法在肺内亚实性结节病理学分类和浸润等级判定中的应用

目的:探讨CT阈值分割法在肺内磨玻璃结节和部分实性结节病理学分类和浸润等级判定中的应用价值。方法:选取2019年1月至2020年11月南方医院增城分院计算机断层扫描(CT)影像科检查出的90例肺内亚实性结节(SSN)患者,根据病理检查结果分为低浸润组50例和高浸润组40例,比较两组患者的CT扫描定量参数及其在浸润等级中的独立预测因素,进而分析CT阈值分割法对SSN患者病理浸润等级判断的临床价值。结果:不同CT阈值下,阈值为–250 HU时,亚实性结节类型诊断效能最高。高浸润组肺窗实性一维长径(1D–SCLW)、肺窗实性二维长径(2D–SCLW)、纵膈窗实性一维长径(1D–SCMW)、纵膈窗实性二维长径(2D–SCMW)、安全阈值(SCT)等CT扫描定量参数均显著高于低浸润组,差异均具有统计学意义(P<0.001)。对CT定量参数进行多因素回归分析发现,SCT是亚实性肺结节病理浸润的独立预测因素〔OR=1.164,95 % CI(1.137,1.192)〕。结论:CT阈值分割法可准确判断SSN类型,并进行定量体积分析,SCT是病理浸润等级的独立预测因素,且SCT越大,肺结节浸润程度越高。