基于二进离散小波——核降噪自编码的电机振动信号多级降噪

在电机故障预测中振动特性信号常被噪音掩盖难以直接使用,因此针对含有噪音的振动信号本文提出一种基于二进离散小波变换(DDWT)--核降噪自编码(KDAE)的局部-全局多级降噪模型,该模型结合小波降噪在局部信号处理领域的优势和深度神经网络对于多维特征全局优化的能力。局部降噪过程选用sym5小波基函数,降噪阀值0.06,降噪后的信噪比到达23.1,信号的样本标准差降低一个数量级;为了弥补二进离散小波降噪后数据的重建损耗波动幅度大的缺点,文章进一步提出了针对全局降噪优化的基于核方法的降噪自编码模型,模型的误差只有0.16%,通过优化后信噪比在上级降噪的基础上又达到了18,同时样本标准差降低为0.0004,并且重构损耗的时序曲线在时间尺度上具有明显的光滑性。本文所构建的降噪模型对含有多维特征的的机电振动信号降噪提供了有效的解决方法。

运用离散二进小波变换分离声目标的信号与噪声

本文介绍离散二进小波变换的原理和实现多尺度离散二进小波变换的MALLAT塔式算法,给出了一个利用多尺度离散二进小波变换对战术声目标进行信号与噪声分离的实例;所得计算机模拟结果表明,运用离散二进小波变换滤除噪声,能够获得更高的信噪比。

一种非均匀光照图像字符二值化小波分析法

图像二值化阈值的选取是灰度图像二值化处理中的关键,本文提出一种基于小波边缘检测的图像二值化方法。通过对图像进行二进小波变换,在最佳尺度上寻找出图像字符的边缘点,再根据边缘点处的灰度值来确定出二值化的阈值。应用于光照不均匀的多噪声车牌图像二值化,取得了良好的效果。

行驶车辆振动信号的小波分析

本文介绍了小波分析的理论方法,并把小波分析方法应用到了行驶车辆振动的分析中,即:通过二进离散小波变换,把实际振动信号进行多层小波分解,使异常信号和非平稳高频信号得到良好的时间定位和图形显示,并把信号的路面激励与车体振动分离开来。

基于小波奇异性检测的发动机故障诊断方法研究

针对通过二进离散小波变换计算出的Lipschitz指数不够精确且不能描述奇异点能量的不足,提出了模极大值点能量法并用于信号的奇异性检测。通过仿真证明采用该方法不仅能准确定位奇异点发生的位置,并且能描述其能量。将该方法应用于发动机曲轴轴承故障诊断时,为了突出局部时间段的信号特征,采用抽区间采样方法抽取特定时间段的信号。试验结果表明,两种方法的结合能有效区分出曲轴轴承的不同技术状况,并得出最佳诊断部位和最佳检测转速。

小波分析在农用运输车振动信号处理中的应用

介绍了小波和小波包理论的基本思想 。

基于二进小波变换的边缘保持图像插值算法

利用离散二进小波变换(DDWT)所具有的良好的多尺度边缘提取特性以及子带间的相关性,提出了基于DDWT的边缘保持图像插值算法。算法利用多尺度边缘的指数衰减规律预测损失掉的高频子带中的边缘,并利用三次样条插值算法恢复损失掉的高频子带中的非边缘信息。最后通过离散二进小波合成得到高分辨率图像。实验结果显示,该算法优于传统的双线性和双三次插值算法。对于像Lena这样的纹理较少的图像其峰值信噪比(PSNR)提高了2dB以上,而对其它图像插值的结果也有不同程度的质量改善,插值的结果更符合人的视觉系统特性。

基于安卓平台的脑-心电远程监控系统

随着安卓手机的硬件性能的不断提高,使得日常生活中的生理检测成为可能。为此,设计了一种便携的基于安卓平台的脑-心电监护系统。该系统由脑-心电采集模块、WiFi模块、数据处理和监测模块和医疗服务器组成。由脑-心电采集模块采集到的数据,通过WiFi模块将数据转传输至安卓手机显示和分析。安卓手机通过互联网、3G等将信息传输给医疗服务器做进一步分析和诊断。为了确保信号处理的实时性,安卓手机针对脑电采用排序熵分析方法,针对心电采用二进离散小波(DDWT)分析。整个系统为用户提供了一个可靠的家用健康监护平台。

基于HHT、DBWT的无绝缘轨道电路补偿电容故障诊断

通过基于传输线理论的无绝缘轨道电路分路状态仿真模型,分析补偿电容断线故障对轨道短路电流的影响规律,利用机车信号感应电压包络与轨道电路短路电流的关系,提出基于机车信号记录信息的补偿电容故障诊断方法。该方法采用B样条离散二进小波变换对机车信号所记录的感应电压幅度包络信号进行降噪,再通过对Hilbert-Huang变换的改进,计算各IMF分量经逐级累加后的相位信息,最后利用相位卷绕,根据相位信息中突变点的分布变化和补偿电容状态的对应关系,实现对补偿电容的故障诊断。实验表明,该方法适应性较强,受轨道电路长度和道砟电阻等轨道参数影响很小,能够准确检测出轨道电路单一补偿电容的故障位置,并且由于该方法的分析数据直接来自于机车信号自身的记录器,不需要额外增加硬件和单独安排运行交路,因此能够降低检测成本和满足对检测及时性等方面的要求。

基于AOK-TFR的轨道电路故障诊断方法

为弥补现有补偿电容检测方法在检测及时性和检测成本等方面的不足,基于传输线理论,提出了机车信号感应电压幅值包络(IVECS)仿真模型;在此基础上,分析了补偿电容故障对IVECS的影响规律,建立并验证了基于频率的IVECS等效回归模型;利用补偿电容故障位置前后IVECS的频率变化,提出了基于自适应最优核时-频分布的补偿电容故障诊断方法.该方法基于机车信号的实际数据,采用B样条离散二进小波对数据进行滤波降噪处理,并利用自适应最优核时-频分布提取处理结果的时-频信息,再通过检测时-频信息中频率的变化实现对故障电容的定位.经过对随机抽取的100段实际数据的测试,准确率约为92.58%,表明该方法能准确检测轨道电路发生故障的补偿电容位置.

滚动轴承早期故障的特征提取与智能诊断

在基于小波变换的滚动轴承故障诊断研究中,目前普遍存在小波变换参数选取和故障特征计算无法自动完成的问题。基于此,提出了一种基于二进离散小波变换的滚动轴承故障特征自动提取技术,实现了小波函数参数的自动选取和故障特征的自动提取。同时,基于结构自适应神经网络方法建立了滚动轴承的集成神经网络智能诊断模型。最后,利用实际的滚动轴承实验数据验证了所提方法的有效性。