基于双树复小波包自适应Teager能量谱的滚动轴承早期故障诊断

针对滚动轴承早期故障特征信息难以识别以及带通滤波器参数设置依赖使用者经验等造成共振带不能有效确定并自适应提取的问题,提出了频带幅值熵的概念。在此基础上,将双树复小波包变换和Teager能量谱结合,提出了基于双树复小波包变换自适应Teager能量谱的早期故障诊断方法。该方法首先利用双树复小波包将采集到的振动信号进行分解,并计算各子带的频带幅值熵。然后将熵值按升序排列后依次作为阈值,提取频带幅值熵大于或等于阈值的子带,依据峭度指标确定最佳熵阈值和双树复小波包最佳分解层数,从而自适应并有效地提取出共振带。最后对共振带进行Teager能量谱分析,即可从中准确地识别出轴承的故障特征频率。通过信号仿真与工程实验数据分析验证了该方法的有效性与优越性。

基于STFT和WT的SAR干扰抑制算法

窄带干扰(NBI)和宽带干扰(WBI)作为合成孔径雷达(SAR)中最为常见的两种干扰形式,它们的存在将会大幅度地降低SAR图像的质量.本文在对NBI和WBI的时频聚集性分析的基础上,提出一种联合短时傅里叶变换和小波变换的NBI和WBI抑制方法.该方法首先把SAR回波数据变换到短时傅里叶谱域再把短时傅里叶谱域数据变换到小波域,然后在小波域中采用恒虚警(CFAR)检测方法对小波系数进行干扰识别和干扰抑制,接着把干扰抑制后的小波系数变换到SAR原始回波数据域,利用常规的SAR成像算法进行成像处理,最后得到清晰无干扰的SAR图像.该算法在干扰抑制过程中对有用回波信号造成的损失比较小,并且可以有效地抑制时变的NBI和WBI.结合仿真和实测数据的处理,经过实验分析验证了本文方法的有效性.

基于DT-CWT自适应Teager能量谱的轴承早期故障诊断

针对滚动轴承早期故障特征信息难以识别以及带通滤波器参数设置依赖使用者经验等造成共振带不能有效确定并自适应提取的问题,提出了频带幅值熵的概念。在此基础上,将双树复小波变换和Teager能量谱结合,提出了基于双树复小波自适应Teager能量谱的早期故障诊断方法。首先,利用双树复小波将采集到的振动信号分解为不同频带的子信号,并计算各子带的频带幅值熵;然后,将熵值按升序排列后依次作为阈值,提取频带幅值熵大于阈值的子带,依据峭度指标确定最佳阈值,从而自适应并且有效地提取出共振带;最后,对共振带进行Teager能量谱分析,即可从中准确地识别出轴承的故障特征频率。通过信号仿真与实验数据分析验证了该方法的有效性。

基于小波包自适应Teager能量谱的滚动轴承早期故障诊断

针对滚动轴承早期故障特征信息难以识别以及从小波包分解后的频带不能有效确定并自适应提取共振带的问题,提出了频带幅值熵的概念。在此基础上,将小波包变换和Teager能量谱结合,提出了基于小波包变换自适应Teager能量谱的早期故障诊断方法。该方法首先利用小波包对采集到的振动信号进行分解,并计算各子带的频带幅值熵。然后将熵值按升序排列后依次作为阈值,提取频带幅值熵大于阈值的子带,依据峭度指标确定最佳熵阈值以及小波包最佳分解层数,从而自适应并且有效地提取出共振带。最后对共振带进行Teager能量谱分析,即可从中准确地识别出轴承的故障特征频率。通过信号仿真与实验数据分析验证了该方法的有效性。

基于Daubechies6离散小波的风电集群功率汇聚效应的时频特性分析

风电输出功率具有波动性,随着风电集群规模的增大,风电输出功率的波动并不是成倍增加的,各机组出力之间存在一定程度上的平抑效果。该文针对风电集群功率的汇聚效应,提出面向电网运行的风电频段划分方法,建立时频特性分析指标,利用小波变换对汇聚效应的时频特性进行分析。算例针对特定风电集群输出功率各频段时频特性进行分析,并对不同汇聚规模下时频特性指标的变化趋势进行对比分析。研究结果表明,随着风电集群规模的增大,各频段时频特性指标趋于平缓,且汇聚效应存在某极限值。

改进Autogram方法及其在滚动轴承故障诊断中的应用

针对传统Autogram方法频带划分方式不合理的问题,采用了复合顺序划分法对Autogram方法进行改进。首先,计算原始信号的频谱并进行1,2,…,N等分,在此基础上每层各取其中一个频段等分成2段置于左右两侧成为新的划分层,从而得到若干包含不同频率分量的频段;然后,为各频段构建合适的经验小波滤波器组进行滤波重构,计算各重构分量平方包络的无偏自相关后的峭度并绘制Autogram图;最后,选择峭度最大值对应的频段进行包络分析,提取故障特征信息。仿真和试验数据表明,改进Autogram方法在频带划分方式及滤波器选用上更加合理,能够有效获取滚动轴承振动信号的故障特征。

基于DWT-SVD和Arnold变换图像盲水印算法

为进一步提高数字水印系统的性能,提出一种离散小波变换域中基于奇异值分解和Arnold变换的单通道图像盲水印算法。首先对水印信息进行Arnold置乱加密预处理,接着对单通道的载体图像进行二级小波分解,对低频子带LL2进行4×4分块,对每一块进行奇异值分解,根据置乱二值水印信息,选取每块中最大的奇异值通过量化的方法嵌入水印信息。提取水印时不需原始载体图像的参与,更便于实际应用,仿真结果表明,该算法可以检测到完整的水印信息,具有良好的不可见性,对各种攻击具有较强的鲁棒性。

基于脑电信号间Granger因果关系特征的情感识别

鉴于人情感变化时不同脑区与频段间脑电(EEG)信号会交互作用、形成因果相关信息流,其特征应是情感识别的关键点。因此拟将不同脑区通道、不同频段的EEG信号之间Granger因果系数差值作为特征在愉悦度、唤醒度以及控制度这3个维度上分别进行二分类的情感识别以进一步提升其效果。采用国际情感数据集DEAP,首先小波包变换将脑电信号分解成θ、α、β、γ4个频段,双密度双树复数小波变换对信号去噪,再分别计算每个频段以及每两个频段组合下各脑区之间因果关系值,将它们分别单独作为特征,用支持向量机(SVM)分类,最后将识别率高(>70%)的频段特征送入分类器,情感分类识别对象是单独被试,32名被试的平均识别率为96%,用功率谱密度(PSD)、不对称系数(AI)、能量、熵这4种特征的识别率为80%左右,因此将Granger因果关系用于基于脑电的情感分类与识别是一种有效提高情感识别率的方法。

小波高频子带变换裁剪阈值SAMP算法研究

文中首先针对离散小波变换(DWT)破坏了低频逼近系数之间的相关性,导致重构质量变差的问题,提出小波高频子带变换(HFSBWT)的稀疏表示方法。其次针对稀疏度自适应匹配追踪(SAMP)算法的原子候选集在每次迭代时成倍增加造成存储空间浪费和重构时间变长等问题,提出裁剪阈值稀疏度自适应匹配追踪(CTSAMP)算法。最后仿真结果表明:对于同一重构算法,小波高频子带变换的图像重构峰值信噪比提高3 dB左右。在小波高频子带变换稀疏表示后采用裁剪阈值稀疏度自适应匹配追踪算法,重构图像的性能有了明显的提高,重构时间缩短一半。

基于NIC-DWT-WOASVM的齿轮箱混合故障诊断

由于齿轮箱中振动信号的复杂性和非平稳性,致使齿轮箱混合故障诊断工作具有一定难度。针对这一问题提出基于NIC-DWT-WOASVM的齿轮箱混合故障诊断方法。首先通过窄带干扰消除(Narrow Band Interference Canceller,NIC)滤除原始信号中齿轮啮合和转轴等窄带干扰信号,接着对信号进行离散小波变换(Discrete Wavelet Transform,DWT),重构小波系数得到小波分量,提取分量的方差作为特征参数构成特征矩阵样本。针对传统优化支持向量机收敛速度慢及容易局部最优等问题,提出鲸鱼算法优化的支持向量机(Whale Optimization Algorithm Support Vector Machine,WOASVM),运用训练样本对WOASVM进行训练得到优化分类模型,将测试样本输入到优化模型中得到诊断结果。为验证方法的有效性,开展了变工况下齿轮箱混合故障实验,通过实验分析及与其他方法的比较,证明方法对于齿轮箱混合故障诊断是有效的。

基于模糊裁剪阈值的SAMP压缩感知算法（英文）

稀疏度自适应匹配追踪(SAMP)算法是压缩感知(CS)中一种主流的图像重构算法。随着迭代次数的增加,SAMP算法的原子候选集将成倍增加,会导致系统空间的浪费和重构时间的增长。为此,提出了一种模糊裁剪阈值稀疏度自适应匹配追踪(FPTSAMP)算法。由于离散小波变换(DWT)在CS稀疏处理过程中破坏了低频逼近系数间的相关性,对信号的重构质量产生了一定的负面影响,因而采用小波高频子带变换(HFSBWT)来替代DWT,实现对信号的稀疏表示。仿真实验结果表明,相比于同一重构算法,采用HFSBWT方法得到的峰值信噪比更好;与SAMP算法相比,与HFSBWT相结合的FPTSAMP算法的重构效果有了明显提高,重构时间也减少了一半。

级联离散小波多频带分解注意力图像去噪方法

针对图像去噪网络中下采样导致高频信息损失和细节保留能力差的问题,设计了一种级联离散小波多频带分解注意力图像去噪网络。其中多尺度级联离散小波变换结构将原始图像分解为多个尺度下的高低频子带来代替传统下采样,能减少高频信息损失。多频带特征增强模块使用不同尺度的卷积核并行处理高低频特征,在子网络每一级下重复使用两次,可增强全局和局部的关键特征信息。多频带分解注意力模块通过注意力评估纹理细节成分的重要性并加权不同频带的细节特征,有助于多频带特征增强模块更好地区分噪声和边缘细节。多频带选择特征融合模块融合多尺度多频带特征增强选择性特征,提高模型对于不同尺度噪声的去除能力。在SIDD和DND数据集上,所提方法的PSNR/SSIM指标分别达到了39.35 dB/0.918、39.72 dB/0.955。实验结果表明,该方法的性能优于主流去噪方法,同时具有更清晰的纹理细节和边缘等视觉效果。

基于多频带多特征融合的配电网单相接地故障选段方法

针对现有配电网单相接地故障选段方法存在的通信负担重、阈值设置困难及故障特征量单一等问题,提出一种基于多频带多特征融合的配电网单相接地故障选段方法。首先,利用小波包变换分别对故障后首半个工频周期的零序电压导数和零序电流进行分解和重构,得到原始波形的不同频带分量。其次,根据不同频带分量间的极性关系分别引入伏安特性特征向量与零序功率累加和作为故障特征。最后,筛选特征频带并构造基于特征频带与故障特征融合的选段判据。仿真实验及现场数据验证结果表明,所提方法能够有效实现单相接地故障免阈值就地选段。

基于多频带小波变换的电力系统谐波分析新方法

提出了 4种多频带小波函数及其相应的多频带小波变换。多频带小波变换具有很好的多频带特性 ,能准确地分辨出信号中所需要的一次以上的谐波分量 ,抑制其它谐波成份。此外 ,还把多频带小波变换应用到电力系统谐波分析 。

用最优谐波小波包变换抑制局部放电混频随机窄带干扰

在进行电气设备局部放电(partial discharge,PD)在线监测中,当多个随机周期性窄带干扰的频率位于传感器监测频段内部时,会严重影响监测的可信性和准确性,然而目前缺乏有效抑制此类干扰的方法。为此,利用谐波小波具有严格盒形频谱特性的优点,提出一种基于最优离散谐波小波包变换的PD去噪新方法,将不同频率窄带干扰的能量分别集中在单一的子带内,用分解后子带香农熵比值的大小来确定包含各窄带干扰的子带,只要将对应的小波系数置零后重构就能得到去除窄带干扰后的PD信号,克服了离散小波包变换子带间存在频谱泄漏的缺点,实现了对PD监测信号的自适应优化分解。通过对仿真和实测PD信号频带范围内含有的混频随机窄带干扰进行去噪处理,并与离散小波包变换去噪结果进行对比分析后表明,最优离散谐波小波包变换对PD信号去噪后的能量损失和波形畸变较小,有利于后续对PD信号的模式识别,可以解决干扰频率位于监测频段内难于抑制的难题。

基于小波理论的电力变压器振动信号特征研究

通过监测电力变压器的器身振动信号预估变压器机械故障的振动法的关键在于如何从振动信号中提取有效特征。为有效诊断铁心和绕组的机械状态,利用小波变换对变压器振动信号进行时域与频域综合分析,提出基于频段—能量分布的变压器铁心和绕组机械故障诊断新方法。试验结果表明,小波变换能够有效地提取振动信号的特征,得到实时振动信号各频段上的能量分布状态,据此可有效在线诊断变压器机械故障。

Morlet小波分频处理在提高地震资料分辨率中的应用

利用常规方法对地震资料进行处理,其频带受原始地震资料频带的制约,通常不能满足精细储层预测和描述的需要,为此,提出了一种Morlet小波变换分析方法来提高地震资料的分辨率。该方法具有良好的时频局部化性质而优于传统的傅里叶分析方法。Morlet小波变换分析作为叠后地震资料分频方法更适应于地震频谱分析。首先利用Morlet小波变换建立恰当的小波滤波器组,然后对地震信号做相应频谱分析,分别对单道数据及实际资料进行处理,得到了不同尺度的地震资料,最后对处理结果进行了分频反演。最终结果表明,用Morlet小波变换分析处理后的地震资料,其品质得到了明显的改善,处理后的剖面同相轴变细,频带变宽,分辨率得到了提高。

局部放电在线监测中混频周期性窄带干扰的抑制

为抑制局部放电在线监测中的周期性窄带干扰,在分析局部放电信号与周期性窄带干扰的小波功率谱特点基础上,发现多频混合周期性窄带干扰会在小波功率谱的不同位置产生幅值很大的干扰功率峰。为此,提出一种基于小波功率谱抑制混频周期性窄带干扰的方法,阐述利用小波功率谱抑制混频周期性窄带干扰的基本原理和步骤;同时对经典的阈值法作了改进,采用K-均值阈值算法来改进阈值法对窄带干扰频率的自适应性。仿真结果表明,该方法具有较好的自适应性,对混频周期性窄带干扰具有较强的抑制能力。

基于小波变换的中医推拿法作用力信号能量分析

目的分析中医推拿法作用力各频率段的能量分布,揭示法的动力学特点。方法测量6位推拿专家及6位初学者的法推拿作用力信号,利用小波变换进行频带划分,计算各频率段的能量并进行统计分析。对垂直作用力和水平作用力构造18个特征量,提出了总体评价系数R。结果专家的法推拿作用力信号在0～0.406 25 Hz的低频段集中了近70%的能量,另有约20%的能量集中在1.625～3.25 Hz频率段。6位推拿专家总体评价系数R均大于0.70,6位初学者的总体评价系数R均小于0.70,两者具有较显著的差异。结论 法作用力各频率段的能量分布体现了法"柔和"性及周期性特点。当测试者法推拿技术动作规范且总体评价系数R大于0.70时,可认为已较好地掌握了法推拿技术。

内积型和卷积型小波变换对信号处理效果的研究

内积型和卷积型小波变换是小波变换的两种定义形式,由于其迭代算法不同,因而对同一信号有不同的处理效果。以对一个轴承振动信号的处理为例,详细分析了这两种小波变换形式的频带分离效果和对信号中故障特征的提取效果,结果表明,卷积型小波变换对信号的处理效果要优于内积型,不仅其频带分离效果比内积型优越,而且它所提取的故障特征信息也比内积型小波变换要明显得多。最后对比较结果从理论上给予了解释。