基于小波包变换的10 kV配电网故障区段定位方法

在配电网线路结构复杂的情况下,故障区段定位误差大、准确性低,为此,提出了基于小波包变换的10 kV配电网故障区段定位方法。利用小波包变换提取10 kV配电网故障信号时频特征,通过比较故障路径各区段的改进小波包能谱相对熵,实现故障区段定位。结果表明,所提方法在6个故障区段定位误差最大不超过0.2%,可行性较高。

基于小波包变换-残差网络的表面粗糙度预测

为了提高模型对表面粗糙度的预测精度,同时避免传统机器学习预测方法中由于特征提取和选择等步骤对先验理论知识的依赖,提出一种基于小波包变换(WPT)结合残差网络(ResNet)的表面粗糙度预测方法。该方法利用WPT将振动信号分解成不同频段的小波包系数,融合各频段小波包系数构成系数矩阵,以捕捉相邻频段之间的关系,将无心车床不同方位的系数矩阵进行叠加得到ResNet的输入,利用ResNet自适应提取表征表面粗糙度能力强的特征,实现表面粗糙度预测。通过与其他预测方法比较,所提方法预测结果与实际测得结果接近,精度有所提高,证明了所提方法的有效性。

基于离散小波包变换与胶囊生成对抗网络的语音超分辨率算法

目前主流的语音超分辨率(Speech Super-Resolution,SSR)算法是使用卷积神经网络(Convolutional Neu-ral Networks,CNN)把低分辨率(Low-Resolution,LR)语音信号转换为高分辨率(High-Resolution,HR)的语音信号.但只使用普通的CNN所带来的效果通常比较平滑且缺少细节信息.生成对抗网络(Generative Adversarial Networks,GAN)的引入可以很好地解决这一问题.此外,胶囊网络(Capsule Networks,CapsNet)可以将空间信息编码为特征,这样与GAN结合可以更好地判断数据的真假.离散小波变换(Discrete Wavelet Transform,DWT)是一种正交多分辨分析的工具,它在信号处理方面有很出色的表现.小波变换的一个扩展是离散小波包变换(Discrete Wavelet Packet Transform,DWPT),它在某些应用中提供了更有效的信号分析.本文提出一种基于DWPT和胶囊生成对抗网络(CapsGAN)的SSR网络架构Wavelet-SRGAN.对比实验结果表明,本文所提的算法能以最少的参数实现与现有先进算法相当的性能.在算法上有几个核心步骤:(1)在生成器网络中加入DWPT层;(2)在鉴别器上加入胶囊网络;(3)训练时加入小波损失.

基于小波包变换的柱塞泵脉动压力信号BP故障诊断

为了提高柱塞泵脉动压力信号的故障诊断诊断能力,分别提取得到正常的泵脉动压力与齿圈出现磨损故障时对应的泵脉动压力,利用小波包变换的方法消除原始信号的噪声信号,再提取得到由故障信息构成的频段,完成信号时域特征的分析。频段介于0~4 kHz之间时,在柱塞泵脉动压力信号中形成了泵轴频、基频与谐倍频等,含有泵运行过程的各项信息参数,处于高频区间时,发生了线谱幅值的持续减小。利用MATLAB软件建立BP网络故障诊断结果表明:脉动压力指标可以实现柱塞泵内部运行情况的准确识别,达到故障诊断的测试要求。方法在诊断方面是有效的,在处理柱塞泵脉动压力信号故障诊断领域具有很好的实际指导意义。

基于小波包变换和形态学滤波的小目标检测算法

为从红外图像中提取出微弱的小目标,提出一种小波包变换和顶帽运算相结合进行图像处理的小目标检测算法。首先利用小波包分解得到原图像不同子带的低频分量和水平、垂直、对角三个方向的高频分量,然后采用软阈值去噪方法滤除高频分量中的噪声并进行小波包重构;最后利用顶帽算法对背景进行处理并进行二值图像分割。算法充分利用小波包多尺度、多方向性特点,在大面积海空背景抑制、小目标增强方面进行了改进,在信噪较低的情况下,能够从不同背景的红外图像中有效检测小目标。

基于滤波器组和小波包变换的超高次谐波检测方法

随着分布式可再生能源占比的逐渐增加及电动汽车充电桩等设备的广泛应用,低压配电网中超高次谐波问题日益严重。由于超高次谐波具有高频率、宽频域的特点,进行超高次谐波检测时要处理的数据量大、检测速度慢,同时超高次谐波还具有时变性,传统以傅里叶变换为原理的检测方法难以对非平稳信号进行检测。针对上述问题,应用模拟滤波器组对信号进行下采样,降低采样频率,减少检测过程中要处理的数据量;应用小波包算法检测时变的超高次谐波分量。仿真计算结果表明,所提方法能够准确测量信号中的超高次谐波分量,计算速度较快,并可以对非平稳信号进行检测。

融合小波包变换的一维MobileNet癫痫脑电信号识别

针对目前传统神经网络内存需求大,运算量大,在移动端或嵌入式设备上运行困难等问题,提出了一种融合了小波包变换的轻量级卷积神经网络模型,用于癫痫脑电信号识别的研究。根据癫痫脑电信号的特性,首先采用小波包变换将脑电信号分成三个频段,然后运用改进的一维MobileNet训练、分类。同时引入超参数宽度因子α,通过改变宽度因子的大小以调整模型的深度。实验结果表明,当一维MobileNet模型的宽度因子α选取为0.75时,最终准确率达到100%,其模型的计算量和参数量分别为56.1M和1.24M。与现有的癫痫EEG信号识别方法比较,此模型在准确率、参数量、计算量方面均有不错的表现。

基于双树复小波包变换的钢丝绳断丝损伤信号特征信息提取研究

针对钢丝绳断丝损伤信号特征信息难以有效提取的问题,提出一种基于双树复小波包变换与奇异值分解相结合的时频域特征信息提取方法。首先将钢丝绳断丝损伤信号采用双树复小波包变换为等长的频带子信号,构造时频域空间状态矩阵,然后采用奇异值方法提取各频带子信号的奇异值,组成表征各类损伤状态的特征向量,得到钢丝绳断丝损伤信号的特征信息矩阵。采用距离可分离性判据与传统时域特征信息提取方法相比较,结果表明双数复小波包变换与奇异值分解相结合的特征信息提取方法具有更强的分类能力。

基于小波包变换的大坝变形监测方法

由于在大坝变形监测时采集到的数据中存在噪声,导致监测结果的误差相对较高,提出基于小波包变换的高精度大坝变形智能化监测方法研究。首先,利用变异系数构建的融合指标参数。其次,利用变异系数衡量各指标的差异程度。最后,通过小波变换的方式综合分析了大坝实际数据中的各项参数,实现对大坝变形情况的精准监测。在测试结果中,设计方法对大坝变形情况的监测结果与实际测量值的误差百分比始终稳定在0.5%以内。

基于双树复小波包变换和形态学的减速机故障诊断

针对煤机设备减速机的振动信号特征难以提取的问题,提出了双树复小波包变换和形态学相结合的故障特征提取策略。首先利用双树复小波将减速机的振动信号分解成若干个不同频段的分量。然后根据减速机故障特征频率分布特征,选取相关的频段分量进行降噪重构。最后对重构后含有故障特征频率的分量进行形态滤波处理,进而提取出减速机的故障特征。利用现场实测数据进行验证,结果表明,该故障特征提取策略可以有效地提取出减速机的故障特征。

基于小波包变换的架空输电线路雷击故障高精度定位方法

当前的输电线路雷击故障定位节点一般为目标性设定,定位区域不灵活,导致高精度定位误差增加,为此提出对基于小波包变换的架空输电线路雷击故障高精度定位方法的设计与验证分析。根据实际的定位需求及标准,先对暂态波形故障特征作出识别,采用分布式的节点设定结构,灵活设置定位区域,完成节点的部署。以此为基础,构建小波包变换雷击故障定位模型,采用小波正交标定实现雷击故障定位处理。最终的测试结果表明:与传统机器学习和雷电感应输电线雷击故障高精度定位测试组,及传统平滑阈值函数分布输电线雷击故障高精度定位测试组相比较,此次所设计的小波包变换输电线雷击故障高精度定位测试组最终得出的雷击故障高精度定位误差相对较小,被控制在0.4m以下,说明该种定位方式效果更佳,针对性强,定位误差可控制,具有实际的应用价值。

基于改进小波包变换的机械设备故障信号捕捉研究

为了避免机械设备出现非常规运行状态,其表现出的故障信号特征能够被准确提取,提出了基于改进小波包变换的机械设备故障信号捕捉的方法。通过定义小波包性质的方式,对机械设备故障信号实施分解处理,完成基于改进小波包变换故障特征的提取。在此基础上,计算机械设备的故障特征熵值结果,根据单值特征参数的实时数值水平,定义特征值捕获区间的范围,完成基于改进小波包变换的机械设备故障信号捕捉方法的设计与应用。实验结果表明,在改进小波包变换原理的作用下,既定机械设备元件在运行过程中表现出的奇异值水平明显降低,对故障信号特征的准确捕获与提取起到较强的促进性作用。

基于熵阈值的小波包变换抑制局部放电窄带干扰的研究

阐述了正交小波基框架下二进小波变换和小波包变换的频域分割基本思想,研究了窄带干扰存在时被测信号的小波包变换及其树节点的信息熵变化情况,并利用信号信息测度的熵作为判断局部放电在线监测中窄带干扰存在与否的标准,提出基于熵阈值的小波包分解和重构算法。研究结果表明,当窄带干扰存在时,被测信号的小波包变换树节点的信息熵明显增大,能够用作被测信号中存在窄带干扰的判据;仿真分析和实测数据处理表明,文中方法具有良好的自适应性,无需事先确定窄带干扰的数目及其中心频率,干扰抑制能力强,能准确提取局放脉冲的相位。

局部放电离散谱干扰的小波包变换熵阈值抑制法

将信号的小波包变换看做通过等带宽的滤波器组 ,输出是对应频带上的分量 ,如某一频带上存在离散谱干扰 ,其小波包变换树节点的信息熵将会明显增大。同时 ,提出基于小波包分解和重构算法的熵阈值法。结果表明 ,这种方法具有良好的自适应性 ,无须事先确定离散谱干扰的数目及其中心频率 ,干扰抑制能力强 ,能准确提取局部放电脉冲的相位 ,对于单一放电类型 ,可以标定放电量的大小。

基于提升小波包变换和集成支持矢量机的早期故障智能诊断

为了解决机电设备早期故障难以正确识别的问题,有效地提高分类的准确率,提出一种基于提升小波包变换和集成支持矢量机的早期故障智能诊断新方法。首先,该方法采用提升策略构造基于冲击故障信号特征的双正交小波,借助提升小波包变换提取信号的敏感频带特征,从而通过对敏感频带中的小波包系数进行包络解调分析检测出故障特征频率。其次,通过距离评估技术从原始信号和小波包系数的统计特征中选取最优特征集。最后,将最优特征输入到集成支持矢量机中,实现对不同故障类型的识别。将该方法应用于滚动轴承的早期故障诊断中,测试结果表明,该方法能够有效地提取故障特征,具有比单一支持矢量机更好的分类性能,故障诊断准确率更高。

GIS局部放电检测中的小波包变换提取信号

在介绍小波包变换算法的基础上,将小波包变换用于白噪声干扰下的气体绝缘组合电器(GIS)局部放电信号提取。对模拟的局部放电信号进行了小波包分解与重构的计算机仿真研究,分析了不同的局部放电波形、噪声水平及采样率对去噪结果的影响,最后对GIS内置传感器实测波形进行了小波包变换去噪。

基于小波包变换及RBF神经网络的继电器寿命预测

继电器的性能参数时序值为非平稳时间序列,为了对其工作寿命进行准确预测,本文对小波包变换原理进行了改进,利用改进的小波包变换将具有非平稳特征的继电器超程时间径流序列进行分解,使其平稳项和随机项分离,对平稳项采用传统的AR模型进行预测,对于随机项则建立基于相空间重构的RBF(径向基函数)神经网络预测模型进行预测,最后通过小波包重构方法对两种模型预测结果进行重构,实现对原始非平稳径流序列的预测。该方法通过实例验证具有较高的精度,是一种可行的方法。

基于小波包变换的爆破地震波时频特征提取及分析

为了研究爆破地震波振动分量的传播规律,在微风化花岗岩石场地进行了孔径为76mm,孔深为5mm的单孔和单段多孔爆破试验,获得该场地爆破地震波加速度衰减规律,加速度衰减系数为k=3 698,α=2.046,并研究出该场地基频范围为48Hz^74Hz。采用小波包技术对爆破地震波测试信号进行时频特征量提取,分析试验所测得爆破地震波不同频带下小波包系数的衰减规律。在此基础上通过研究场地介质对爆破振动分量的动态响应衰减作用,分析形成爆破地震波多频带特征的机理。

基于FFT和小波包变换的电力系统谐波检测方法

针对目前在进行谐波检测时存在频谱泄漏、柵栏现象以及由分析时运算量较大造成的识别定位速度慢、实时性不高等问题,提出了一种基于FFT和小波包变换的综合谐波检测方法。该方法利用傅里叶变换优秀的幅频特性,识别出所有的谐波分量,再利用小波包优秀的时频特性,快速、有选择地对所关注暂态谐波分量发生和结束时刻进行准确定位,同时将该谐波分量提取出来,这样有效地减少了运算量,提高了谐波检测的实时性。用Matlab仿真了综合谐波检测方法,并将仿真结果与目前常用的检测方法的仿真结果进行了比较,验证了所提方法对谐波检测的有效性和实时性。

基于FFT和小波包变换的电磁声发射信号处理

电磁声发射技术是一种新型的无损检测技术,对金属部件进行电磁加载会在裂纹处激发出声发射信号,利用这一现象可以实现对金属材料的无损检测。本文分析了电磁声发射技术的基本原理与实现过程,采用快速傅里叶变换对大量实验信号进行时频分析,验证了带裂纹金属板能够产生电磁声发射现象,并基于小波包变换和能量分布情况得出了金属板有无裂纹的特征判据,为电磁声发射技术的工程应用打下了良好的基础。