改进小波阈值降噪方法在振动-高动态离心复合试验控制系统中的应用

目的 针对振动-高动态离心复合试验控制系统中控制信号受噪声干扰导致控制效果不佳的情况,进行降噪处理,以提升试验控制能力。方法 利用改进的小波阈值降噪方法,对振动-高动态离心复合试验控制系统中控制信号进行降噪处理,通过分析信号特性,结合小波阈值降噪方法原理,提出阈值准则随分解尺度自适应动态变化的改进方法。结果 通过本文改进方法和其他小波阈值降噪方法的对比分析表明,本文所提方法对于振动-高动态离心系统所存在的中高频噪声干扰起到了明显抑制作用,可有效保留控制信号特征,获得了更佳的综合降噪效果,信噪比提升近10 dB,满足试验控制所需的降噪要求。结论 采用自适应动态变化的阈值准则的小波阈值降噪方法对振动-高动态离心复合试验系统的控制信号进行降噪处理有效且可靠,可对后续相关试验技术研究方向提供一种可行思路。

基于CEEMD和排列熵的故障数据小波阈值降噪方法

针对旋转机械故障数据的非平稳性及总体平均经验模态分解方法(CEEMD)舍弃高频分量降噪方法和小波阈值降噪方法存在的不足,提出了基于CEEMD和排列熵的小波阈值降噪方法。运用CEEMD将信号分解为一系列的固有模态函数(IMF)分量,利用排列熵来确定含有噪声成分较多的IMF分量,采用小波阈值降噪方法对含有较多噪声成分的IMF分量进行降噪处理,保留这些分量中的有效信息。仿真分析和实例分析表明,基于CEEMD和排列熵的小波阈值降噪方法效果优于单纯的CEEMD降噪方法和小波阈值降噪方法。

基于CEEMD的地震数据小波阈值去噪方法研究

考虑到地震信号的非平稳性和去噪方法对非平稳信号的适应性,针对互补集合经验模态分解(CEEMD)舍弃高频分量的去噪方法和小波阈值去噪方法存在的不足,提出了基于CEEMD的地震数据小波阈值去噪方法。CEEMD是EMD(经验模态分解)的改进型算法,它既保留了EMD处理非平稳信号的优势,又能有效地克服EMD的模态混叠问题;但是,单纯的CEEMD分解去噪会在去除高频噪声的同时压制高频的有效信息。将CEEMD分解与小波阈值去噪相结合,对CEEMD去噪要舍弃的含噪声较多的高频固有模态函数(IMF)分量进行小波阈值去噪,以保留这些分量中的有效信息。模型数据和实际地震资料的测试结果表明,无论对于低噪声还是强噪声地震数据,基于CEEMD的小波阈值去噪方法的去噪效果都优于单纯的CEEMD去噪方法和小波阈值去噪方法。

小波系数区域相关阈值滤噪方法研究

报道了一种基于小波分析的新的滤噪方法小波系数区域相关阈值滤噪法的基本原理 ,并将其用于模拟信号与含噪色谱信号的滤噪研究。系统的描述了该方法的滤噪过程 ,讨论了相关运算区域大小、软硬阈值法、信号的频率、信噪比对滤噪结果的影响。对高效液相色谱信号的滤噪结果表明 。

小波域Wiener滤波器信号的去噪方法

提出采用小波域上的经验Wiener滤波器对信号进行去噪,得到优于小波阈值法的去噪效果.引入平移不变小波,较好地抑制了信号中的伪吉伯斯震荡.结果表明,将小波域上的经验维纳滤波器与平移不变小波相结合进行去噪,所得到的效果是最佳的.

测量系统小波与神经网络联合去噪研究

本文将神经网络的非线性阈值单元和训练方法引入小波去噪中 ,提出了一种具有阈值自学习能力的小波与神经网络联合去噪方法。这一方法的去噪阈值能够根据训练信号进行学习 ,有利于针对实际系统寻找较优的去噪阈值 ,适用于对确定系统的测量信号进行去噪。文中给出了相应的训练算法并对该方法的有效性进行了检验。

RLS和小波在声信号消噪处理中的应用

在仿真的基础上,介绍了RLS自适应滤波器和小波消噪方法的滤波特性以及消噪的处理方法。通过对实际声采集信号的RLS消噪方法,小波消噪方法和综合消噪方法的处理结果,分析了不同类型的信号数据的不同的处理方法,对于特定的数据类型可考虑采用将两者相结合的方法,处理结果令人满意。

声发射技术在水轮机叶片裂纹监测和诊断中的应用

水轮机转轮叶片裂纹严重影响电站运行的安全稳定性。然而,裂纹所产生的噪声信号十分微弱,在实际运行时易被强背景噪声淹没。为了更好地监测叶片裂纹产生的噪声信号,采用声发射(AE)技术进行信号采集监测,同时使用小波阈值降噪方法对信号进行提取分析。研究结果表明:在水轮机停机时,声发射技术监测信号的幅值范围为10~60 mV的断铅信号;AE信号的主要频率在64~128 kHz,噪声信号主要集中在第4和第5个小波系数中;采用AE参数可以准确定位产生裂纹的叶片;当传感器安装在转轮叶片正上方时,AE信号接收所需的距离和时间最短,提取到的结果更精确;采用AE技术可以及时发现叶片裂纹的初期状况,便于尽早采取合理的加固与补修措施。声发射监测技术对电站运行的安全稳定性具有重要的现实意义和经济价值。

细砂岩声发射全波形特征及频谱分析

针对细砂岩在不同应力下的破坏模式和裂纹扩展规律等问题,采用单轴压缩、定角压剪和巴西劈裂的方式对细砂岩进行加载试验,采集各试样加载过程的声发射全波形,并基于小波阈值去噪方法对原始波形去噪处理后,再采用快速傅里叶变换获得信号的频谱特征。通过分析声发射全波形及主频、次主频的演化规律,将信号频率细分为低([10,70]kHz)、中([70,120]kHz)、高([120,180]kHz)3个等级,揭示了岩石的破裂失稳过程。研究结果表明:不同试验方法下的声发射全波形差异较大,波形幅值的变化与岩石损伤的渐进过程密切相关;同等试验方法下的声发射主频、次主频具有自相似性,演化规律较一致,次主频对裂隙发育状态更敏感;低频信号反映了细砂岩破坏时的一种固有属性,与加载方式和试验方法无关,仅中频率信号和高频率的信号对应剪切滑移过程与剪切破坏模式。

一种有效去除测量噪声的新方法

本文利用信号与测量噪声在小波分析中不同尺度上的传播特性,研究了小波技术在涡流无损检测信号除噪中的应用.分析了传统的去除测量噪声的两种小波方法,Mallat多尺度边缘检测方法和阈值方法,针对两种方法的不足,作者提出了一种新方法,结果表明,此方法能有效地去除测量噪声.

基于噪声测试的轴承滚动体划伤故障特征识别

围绕航空发动机轴承典型故障不易诊断的问题,提出了基于噪声信号的非接触式测量方法。在实验室条件下设计并搭建具有复杂传递路径的轴承故障模拟转子试验台,用线切割的方法加工了轴承滚动体划伤故障,开展了该种故障下不同转速工况的试验测试,获取了故障轴承噪声信号及振动信号。对采集到的噪声信号进行频谱分析和小波阈值变换分析,振动信号进行包络谱分析。分析结果表明:基于噪声信号的诊断方法避免了复杂传递路径对信号的衰减作用,可以有效提取轴承滚动体划伤故障信号特征,识别效果明显优于振动信号。这里提出的基于噪声信号诊断的方法为航空发动机轴承故障诊断提供了新手段。

矿用电驱动装置振动时频特性研究

介绍了振动信号时频分析方法,分析了矿用电驱动装置故障诊断的难点,构建了电驱动装置振动测试系统,拾取了电驱动装置振动加速度信号。应用小波阈值去噪方法,滤除了振动信号噪声,评价了去噪效果。利用小波时频分析技术,获得了电驱动装置振动时频图,分析了电驱动装置振动时频特性,计算了振动故障特征频率,诊断了电驱动装置故障并进行了结构改进,测试验证了改进效果。为矿用电驱动装置可靠性提升奠定了基础。

CEEMD与小波变换联合去噪方法研究

作为经验模态分解(EMD)的改进型算法,完备总体经验模态分解(CEEMD)不但有效解决了EMD的模态混叠问题,同时也保留了EMD处理非平稳信号的优势,如自适应性、二进滤波特性等.CEEMD能自适应地将一个复杂信号分解为一系列本征模态函数(IMF)分量,且IMF分量满足从高频到低频系列分布,随机噪声往往分布在第一个或前几个高频IMF分量.考虑到地震信号的非平稳性和去噪方法对非平稳信号的适应性,针对CEEMD直接舍弃高频IMF分量去噪容易造成高频有效信息损失以及小波阈值去噪方法存在的不足,本文提出了一种基于CEEMD的小波阈值去噪方法.该方法首先引入自相关曲线判别出含噪较多的高频IMF分量,然后对CEEMD直接去噪要舍弃的这些含噪高频分量进行小波阈值降噪,以保留这些分量中的高频有效信息,最后与不含噪声的其他IMF分量一起重构原信号.模型和实际地震数据试算结果表明,该方法在显著提高地震数据信噪比的同时,能有效地保留原信号中的高频有效成分和弱信号信息,是一种相对保幅的有效去噪方法.

基于离散Hopfield模式识别样本的GRNN非线性组合短期风速预测模型

利用实时风速数据,建立基于离散Hopfield模式识别样本的广义回归神经网络(GRNN)非线性组合预测模型。在风速数据样本集经二维小波阈值去噪处理后,基于离散Hopfield识别历史数据中与待预测样本最相似的数据,并作为训练样本;将支持向量机、BP神经网络和Elman神经网络分别进行单项预测的结果作为输入向量,经GRNN进行非线性组合预测。采用某风电场的实际风速数据进行预测,结果验证了该预测模型的正确性和有效性。

基于时间序列模型的文本数据压缩存储算法

为了降低文本数据历史数据量,提升文本数据压缩存储效率,提出一种基于时间序列模型的文本数据压缩存储算法。采用小波阈值去噪方法估计并消除文本数据的误差和噪声;从文本数据特征角度,通过细节描述特征,设定特征类型之间的组合和继承关系,组建时间序列模型。将经过预处理的文本数据采用时间序列模型转换为结构近似的二进制编码字节,通过异或操作对结果中的冗余部分进行压缩处理,同时将压缩的数据存储到对应的数据库中,最终完成文本数据压缩存储。仿真实验结果表明,本文算法可以有效提升压缩性能,获取更优的文本数据压缩存储结果。