基于小波包分解与CEEMDAN能量熵的水电机组振动信号特征提取

针对水电机组振动信号非平稳、非线性及噪声问题,提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与能量熵结合的特征提取方法,首先对采集的振动信号进行小波包降噪处理,然后对降噪后信号进行CEEMDAN分解,运用相关系数法筛选有效固有模态函数(IMF)并计算其能量熵,由此构建特征向量集,最后将其输入到海洋捕食者优化支持向量机算法(MPA-SVM)进行模式识别。基于模拟信号、实测信号验证所提特征提取方法的有效性,并与其他方法作对比。结果表明,基于小波包分解与CEEMDAN能量熵的特征提取方法能准确提取特征,有效区分机组不同状态,为工程领域提供了应用价值。

基于CEEMDAN和小波包分解的闸门振动信号降噪研究

针对闸门监测振动信号去噪问题,提出基于CEEMDAN(经验模态分解)和小波包分解的闸门振动信号降噪算法,通过采用CEEMDAN和小波包分解方法进行信号去噪,可以有效处理水电站泄洪闸门振动信号中受到的外部干扰。CEEMDAN方法能够将信号分解成多个本征模态函数(IMF),每个IMF代表不同频率的振动成分,使得外部干扰和真实信号成分可以分离。随后,小波包分解能够将每个IMF进一步分解成不同尺度和频率的子频带,这有助于更准确地定位和分离干扰成分。对每个子频带应用阈值去噪技术,可以有效去除噪声,保留真实信号。由测试结果可知,该算法能很好地剔除闸门振动信号中的无用噪声,有效提高闸门振动信号的准确性。

三维荧光光谱融合小波包分解融合Fisher判别分析及支持向量机识别紫苏

为实现紫苏品种的快速鉴别,避免以次充好,选取4个品种的紫苏采集三维荧光数据,提出了一种基于小波包分解融合Fisher判别分析(Fisher discriminant analysis,FDA)的荧光数据特征选择策略,并实施了4种紫苏的有效鉴别。首先,对三维荧光数据进行预处理,采用Delaunay三角形内插值法去除瑞利散射和拉曼散射,以消除它们的不利影响;运用Savitzky-Golar卷积平滑对数据进行平滑处理,以减少噪声的干扰。同时,对三维荧光数据进行初步筛选,去除了荧光强度小于0.01的发射波长。然后,对各激发波长对应的发射光谱进行3层sym4小波包分解,计算得到最低频段的小波包能量值,作为各激发波长光谱数据表征量。接着,再利用FDA对小波包能量进行判别分析,将其所包含的差异性信息进行融合,得到FDA生成的新变量,并选取累计判别能力达到99%的前3个FD变量作为不同品种差异性信息的表征变量,提出三维荧光数据的表征策略。最后,利用BP神经网络(backpropagation neural network,BPNN)和支持向量机(support vector machine,SVM)两种模式识别算法对表征变量进行分析,得到FDA+BPNN和FDA+SVM两种鉴别结果。FDA+BPNN的训练集正确率为97.5%,测试集正确率为95%;FDA+SVM的训练集和测试集的正确率均达到98.33%。结果表明,三维荧光光谱技术结合小波包分解、FDA和SVM算法基本上能够实现紫苏品种的鉴别。这为后续有关紫苏的进一步检测研究(如某些有效成分的定量检测)提供了研究基础。

基于优化小波包分解的航空发动机主轴承故障特征增强方法

目的 解决航空发动机主轴承微弱故障特征在高背景噪声环境和变转速工况下难识别的问题,提出基于优化小波包分解的航空发动机主轴承故障特征增强方法。方法 首先通过计算阶次分析方法,将振动时域信号转化为振动角域信号;然后对振动角域信号进行小波包分解,并引入有效故障特征能量比和优化最大相关峭度解卷积方法对信号故障特征进行增强,通过循环迭代逐步提取故障特征;最后对信号进行包络分析,并与理论轴承故障阶次进行对比,实现轴承故障诊断。结果 通过对整机试车条件下航空发动机主轴承外圈压坑故障实验数据进行分析,验证了该方法能够有效增强振动信号中的故障特征信息。结论 与传统WPD方法相比,该方法可以有效增强主轴承故障特征阶次,实现高背景噪声环境和变转速工况下的故障诊断。

基于小波包分解与GA优化BP神经网络的瞬变电磁反演

瞬变电磁反演是高维非凸的复杂非线性反演问题。利用传统的BP(back propagation)神经网络可以有效缓解瞬变电磁反演的过拟合现象,但是BP算法收敛速度慢、易陷入局部最优。为了解决这些问题,提出了一种基于小波包分解(wavelet packet denoising,WPD)和遗传算法(genetic algorithm,GA)优化BP神经网络的方法(WPD-GA-BP),并应用于瞬变电磁反演中。首先,采用基于硬阈值和Daubechies系列中Db13的WPD方法降低观测磁场数据中的噪声成分,同时提出一种剔除冗余特征的样本采集策略。然后,引入具有全局性的GA优化BP神经网络初始权重,提升BP算法的学习能力和求解精度。最后,基于中心回线源一维瞬变电磁正演理论,构建层状地电模型,经WPD预处理后进行反演,并比较GA-BP与传统Occam、单一BP、PSO-BP(particle swarm optimization-BP)、DE-BP(differential evolution-BP)等算法的反演结果。理论模型与实测数据反演结果表明:在瞬变电磁层状地电模型反演中,WPD-GA-BP比其他算法具有更高的精度以及更强的稳定性和正演数据拟合能力,可有效应用于电磁探测反演解释中。

基于新模态-小波包分解的超宽带雷达生命体征信号去噪算法

超宽带雷达具有高分辨率,穿透能力强,低功耗等优势,工作时人体无需接触任何电极或传感器,可以穿透衣服、废墟等非金属介质在较远的距离内检测人体生命体征信息,在非接触式生命体征检测方面具有很重要的应用价值。由于人类心跳信号容易被呼吸谐波和其他噪声干扰,为了准确提取人体生命体征信号,提出一种基于改进的自适应噪声集合经验模态分解(ICEEMDAN)与小波包分解(WPD)结合的生命体征信号去噪方法。先通过超宽带雷达测量待测者的生命体征,获取人体所在空间位置提取出体表微动信号,对体表振动信号进行补偿与欠采样处理;利用ICEEMDAN-WPD的阈值去噪方法对微动信号进行模态分解,选取合适的模态分量去噪并进行重构,获取人体心跳微动信号的时频特征。实验结果表明,该算法相较于传统的去噪算法将相关系数提高到了0.9405,信噪比提高到了9.0938 dB,保留更多的生命体征信息的同时拥有更高的信噪比,可有效应用于生命体征检测领域。

小波包分解重构的励磁变压器整流谐波附加损耗计算

谐波损耗是造成励磁变压器安全事故的主要原因之一,损耗值过大易影响正常变电和输电,为此提出基于小波包分解重构的励磁变压器整流谐波附加损耗计算方法。通过获取小波包分解和重构系数,分析励磁变压器两种谐波附加损耗;利用开路和短路实验得到励磁变压器等效电路参数,采用小波包分解重构算法,计算不同谐波次数下的电阻和电抗并与基准值对比,得到励磁变压器整流谐波附加损耗值。最后,选取某种型号的励磁变压器,利用所提方法计算其在不同谐波次数下的附加损耗值,结果表明,得到的损耗值计算结果与实际结果非常接近,验证了所提方法具有较高的实用价值。

基于小波包分解的钢绞线拉伸损伤评价方法研究

钢绞线长期承受载荷时容易出现磨损、锈蚀及断丝等各种损伤,对其进行损伤监测尤为重要。声发射检测技术由于动态检测的特点,在钢绞线损伤监测中具有明显优势。本文首先对钢绞线进行拉伸加载测试,对钢绞线整个损伤过程进行声发射监测,采集拉伸裂纹萌生、扩展及断裂阶段的声发射信号。然后采用小波包分解对不同损伤阶段的声发射信号进行处理,计算这些阶段的频谱特征和能量分布。最后通过对比分析不同损伤阶段声发射信号的频谱特征和能量分布图,找出不同损伤阶段的信号特征信息,实现对钢绞线损伤过程的定量评价。该方法还可以应用于其他金属材料损伤过程的定量评价。

小波包分解结合LSSVM的永磁同步电机偏心故障诊断

针对现有永磁同步电机瞬时振动信号特征提取能力不足导致诊断准确率低的问题,提出对小波包分解算法的分解规则进行改进,然后结合PSO-LSSVM构建永磁同步电机偏心故障诊断模型。实验结果表明,改进后的小波包分解算法对振动信号具有较高的特征提取能力;构建的故障诊断模型诊断准确率高,在存在振动干扰的情况下,故障诊断准确率仍可达99.8%,基本满足永磁同步电机偏心故障的高精度诊断需求。

基于小波包分解岩石破裂声发射信号响应机制与脆性评价研究

岩石脆性是控制岩石破裂的关键指标,决定着能否在压裂过程形成有效的缝网。通过声发射信号研究岩石脆性特征与破裂行为,能够直接揭示岩石破裂与脆性之间的关系。但目前尚未建立声发射信号特征与岩石破裂模式的关系,无法准确描述岩石的脆性特征。为此,基于小波包分解方法对岩石声发射信号进行能量频带划分,建立不同脆性岩石破裂模式与声发射信号能量分布之间的关系,通过对声发射信号的三维空间分布特征进行分析,提出了基于声发射信号能量分布的岩石脆性指数评价方法。研究表明:声发射信号的能量特征与岩石的脆性有关,能量分布的主频率大多在750 kHz以内,岩石脆性矿物含量越高,该频率的声发射信号所占比例越大,岩石破裂声发射信号能量分布越集中,岩石破裂的突变性越强,裂缝张性、剪切及混合演化扩展模式转换越明显,脆性指数也越大。该研究可为岩石破裂预警等方面的研究提供借鉴和参考。

基于小波包分解的城市轨道交通混合储能容量优化配置研究

受风速和光照强度等方面影响,风光发电具有随机性、间歇性、波动较大等特点,其直接并网会对电网造成损害。为实现风电平滑并网并对城市轨道交通系统进行安全可靠供电,提出1种由超级电容/锂电池组成的混合储能系统进行平抑。由于城市轨道交通牵引负荷也具有较大波动,混合储能系统在对风、光出力平抑的同时也对牵引负荷进行了平抑。首先,采用小波包分解技术对牵引负荷与风、光输出功率信号进行多尺度分解与重构得到低频风、光并网功率和中高频分量,使用电池与超级电容分别吸收中频与高频分量。然后,以混合储能系统最小综合成本为目标,混合储能系统荷电状态、功率限制等为约束条件。采用增加收缩因子的差分进化粒子群优化算法进行优化求解,实现混合储能系统年综合成本最小化和内部功率容量配置优化方案。最后,基于某地当日风电、光伏功率数据为例进行分析,结果表明所提方法能够有效抑制风电功率波动,可有效为城市轨道交通进行供电。

基于小波包分解与BP神经网络的制动系统电磁阀故障诊断研究

针对轨道车辆制动控制系统中电磁阀故障识别困难的问题,提出了一种基于小波包分解与BP神经网络的电磁阀故障诊断方法。该方法首先将原始信号进行小波包分解;然后对分解后的小波包系数进行特征提取;最后采用BP神经网络算法对不同故障提取出的特征进行诊断。为了验证该方法的有效性,基于Simulink进行了仿真验证,仿真结果表明:该方法通过了仿真验证,从理论上证明了该方法可行。在此基础上,进一步开展了实物验证,通过对比真实的正常电磁阀、阀芯卡滞电磁阀、弹簧失效电磁阀,实物验证结果从工程实现方面进一步说明了文中提出方法的有效性,能够实现制动系统电磁阀故障诊断。

基于小波包分解和MCKD的水泵轴承故障诊断方法

针对水泵在实际应用中所处环境复杂、故障信号包含大量噪声难以提取的问题,提出了一种结合小波包分解和最大相关峭度解卷积(MCKD)的水泵轴承故障诊断方法。首先,应用小波包分解对原始信号进行分解,根据分解信号的信噪比和标准差选取合适的分量进行重构;然后,采用MCKD算法对重构信号降噪处理,突出信号中的有效周期冲击成分;最后,对处理好的信号进行包络谱分析,从包络谱中得到故障频率。实验结果表明,小波包分解和MCKD方法能够有效提取水泵轴承故障特征频率,可为工程实际应用提供参考。

基于改进小波包分解的10kV变电站自动化设备故障诊断方法

常规的变电站自动化设备故障诊断方法利用DS(Dempster-Shafer Theory of Evidence)证据融合理论联合获取故障特征,但易受到误动或拒动状态量变化的影响,导致状态诊断异常。文章基于改进小波包分解设计了一种新的10kV变电站自动化设备故障诊断方法。首先,生成设备故障信息采集合并单元;其次,利用改进小波包分解提取故障诊断特征;最后,设计故障诊断目标监测算法,实现了对变电站自动化设备的故障诊断。实验证明,该方法在不同状态下均能有效诊断,具有较好的诊断效果和可靠性,应用价值较高。此方法有助于降低设备运行风险,减少变电站运维成本,提升电网安全稳定运行水平。

基于小波包分解的二次电流回路短接故障自动诊断方法

当前二次电流回路短接故障自动诊断节点多设定为独立结构,故障诊断识别速度慢,导致小波包分解系数比增大,为此,提出基于小波包分解的二次电流回路短接故障自动诊断方法。采用多目标的方式采集进行异常数据。采用重叠辅助核验的方式实现故障诊断处理。结果表明,所设计的小波包分解二次电流回路短接故障自动诊断测试组最终得出的小波包系数变化比均控制在1.5以下,说明二次电流回路短接故障自动诊断效果更高效,具有实际的应用价值。

基于小波包分解的电力系统运行故障自动诊断方法

为提高电力系统运行的安全性,本文设计了基于小波包分解的电力系统运行故障自动诊断方法。采集并预处理电力系统实时监测数据,并对预处理后的电力系统数据进行小波包分解,将信号分解为一系列不同尺度和频率的子频带。从每个子频带中提取与故障相关的特征,根据特征提取的结果,利用事先建立的故障模型和规则库进行故障诊断,判断故障的类型、位置和原因。实验表明,该方法可以将诊断错误率控制在0.5%以下,具有较高的可行性。

基于小波包分解的通信电源计量设备谐波故障诊断方法

传统的谐波故障诊断方法通常基于频谱分析和傅里叶变换,但实际应用中由于信号的非线性和时变性,无法准确识别谐波故障。因此,文章提出基于小波包分解的通信电源计量设备谐波故障诊断方法。在收集计量设备运行谐波信号的过程中进行降噪处理,并结合小波包算法分解能量信号,提取与谐波故障相关的特征。实验结果表明,基于小波包分解的通信电源计量设备谐波故障诊断方法的诊断效率高于传统方法。

基于改进小波包分解的电力系统继电保护回路故障诊断方法

常规的保护回路故障诊断方法以故障特征信息分析为主,受到噪声干扰,故障诊断结果存在一定的失准问题。为了解决这一问题,文章设计了一种基于改进小波包分解的电力系统继电保护回路故障诊断方法。所提方法首先提取电力系统继电保护回路故障波形特征,将继电保护回路故障区段的非平稳信号提取出来,以确保后续故障诊断的准确性;然后基于改进小波包分解构建保护回路故障诊断模型,通过堆叠、重构等形式,生成更加准确的故障诊断分量;最后优化模型,求解电力系统继电保护诊断模型分支系数,以使其满足故障诊断的精度需求。仿真结果表明,该方法的故障诊断准确性更高,能够应用于实际工程中。

基于小波包分解的混合储能技术在平抑风电场功率波动中的应用

在充分分析风电功率幅频特性的基础上,提出基于小波包分解的混合储能技术平抑风电场输出功率波动的方法。采用小波包分解理论对风电场输出功率信号进行多尺度分解,得到反映并网功率信号的低频信号和接入储能系统的高频信号;根据不同类型储能系统的特点,将高频信号再次进行划分,分别选择与其频率范围适应的电池和超级电容器储能设备,建立了基于混合储能系统的风电场输出功率平滑控制模型;与单类型电池储能系统功率平滑效果进行了对比。仿真实例表明:该方法能够有效地抑制风电场输出功率的波动,提高储能电池的使用寿命,具有一定的工程应用价值。

基于改进的广义谐波小波包分解和混沌振子的小电流接地系统故障选线

小电流系统发生故障时,各线路零序电流具有非平稳、非线性等复杂特性。本文提出一种基于改进的广义谐波小波包分解算法和混沌振子检测的小电流接地系统故障选线方法。广义谐波小波包分解算法经过扩频,能进行任意频段及任意频宽的信号特征提取,且计算量小,实现信号的快速无混叠分离。Duffing振子系统不受噪声影响且对于与内驱动力同频的外界信号具有高度敏感性,对Duffing振子系统进行时标变换,可以适应不同频率信号的检测要求,通过观察相图的变化可以准确选出故障线路。数值仿真验证了该算法的准确性及可靠性。