基于VMD的噪声信号去噪源分离

针对噪声信号分析中的欠定盲源去噪问题,基于变分模态分解(Variational Mode Decomposition,VMD)、主成分分析(Principal Component Analysis,PCA)和去噪盲源分离(Denoising Source Separation,DSS)各自的优点,提出一种基于VMD和PCA的欠定去噪源分离方法(QVMD-PCA-DSS)。所提方法首先通过第一次VMD分解得到窄带本征模态分量(Band-Limited Intrinsic Mode Function,BIMF),根据BIMF分量的PCA特征值梯度获得最优VMD分解参数,解决VMD参数选择问题,故称作二次估计型可变微分模态(Quadratic-estimates Variational Mode Decomposition,QVMD),然后使用基于QVMD分解得到的BIMF分量来解决盲源分离中源信号数据不足的问题,再根据PCA特征值选择模型估计源信号数量,最后应用DSS进行源信号估计。数据仿真证明,所提QVMD-PCA-DSS方法可以准确估计源信号,与传统方法相比,基于新方法所得估计源信号与源信号更为接近。将该方法应用于内燃机车司机室噪声测试分析中。结果表明,该方法可以自适应解决欠定盲源去噪问题,对降噪分析与噪声分析具有重要的工程意义。

基于X射线数字成像的GIS设备缺陷无损检测方法

GIS设备的安全性和可靠性对电力体系的平稳运行具有重要意义;因此,为提高对GIS设备缺陷的检测效果、提高设备运行的安全性,在X射线数字成像的基础上,提出一种针对GIS设备的缺陷无损检测方法;通过X射线数字成像的方式采集GIS设备图像,并对图像中存在的泊松噪声实施去噪处理,以提高图像质量;针对处理后的图像,利用二维主成分分析法,通过将复杂的图像数据转换为简单的主成分来表示原始数据,提取出最具代表性的特征;将提取结果输入到BP神经网络分类器中,通过特征分类完成对GIS设备缺陷的无损检测;实验结果表明:应用该方法后,图像识别清晰度较高,对不同类型缺陷的检测效果良好;该方法的优势在于使用先进的图像处理和机器学习技术,能够有效地识别和定位GIS设备中存在的缺陷,通过及时发现并修复这些缺陷,可以提高GIS设备的安全性和可靠性,从而确保电力系统的平稳运行。