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。

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。

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。

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。

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。

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。

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。

基于小波包分解与最小二乘支持向量机的用户侧净负荷预测

随着分布式可再生能源在用户侧逐步接入,电表监测得到的用户净负荷曲线形态相对于原有实际负荷曲线更加不稳定,因而极大降低了用户的净负荷预测精度。针对此问题,提出基于小波包分解(wavelet packet decomposition,WPD)与最小二乘支持向量机(least squares support vector machine,LSSVM)的用户侧净负荷预测方法,通过对用户净负荷时序数据作小波包分解,得到信号特征更为明显的高频分量与低频趋势部分,筛选剔除波动性大、噪声信号多的高频细节分量。同时考虑气象因素,利用最小二乘支持向量机对小样本非线性信号的训练效率高、泛化能力强的特点,采用其模型对其余包含更多有效负荷数据信息的低频分量分别进行预测重构,叠加得到最终的净负荷预测值。通过对可再生能源高度渗透的某地区用户实际净负荷数据进行实例分析,结果表明所提预测方法在此物理场景下相比于传统预测方法有更高的预测精度。

基于小波包分解-峭度值指标-希尔伯特包络解调融合方法处理声发射信号的滚动轴承故障诊断

为实现对航空发动机主轴承进行故障诊断,以复杂传递路径下声发射信号的波形分析为基础,提出一种基于小波包分解(wavelet packet decomposition, WPD)、峭度值指标(kurtosis index, KI)以及希尔伯特包络解调(Hilbert envelope demodulation, HED)相结合的滚动轴承故障特征信息提取方法。采用WPD方法对滚动轴承声发射信号分解获得节点分量,基于KI对节点分量排序筛选进行信号重构,进而对重构信号进行HED分析,提取出轴承故障特征频率用于对比诊断。开展简单以及复杂传递路径下滚动轴承故障模拟试验,采用建立的方法分别针对滚动轴承外圈、内圈典型故障试验数据进行分析和诊断。结果表明:该方法可有效提取滚动轴承故障特征频率及其倍频,且针对复杂传递路径下处于工作状态的滚动轴承,仍可实现精准的特征信息提取和有效的故障诊断。

基于小波包分解和残差网络的雷达干扰识别

干扰样式识别是雷达抗干扰技术研究中的重要环节,为提高干扰信号分类识别精度,提出了一种基于小波包分解和残差网络相结合的干扰信号分类识别方法。采用小波包变换对干扰信号进行分解与重构,将干扰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得到残差网络的输入,利用多层残差网络自适应提取小波包系数矩阵深度特征,实现干扰信号分类识别。搭建了雷达干扰信号识别试验平台,采集不同调制参数下的6类雷达干扰数据进行试验分析,结果表明,相对于直接利用干扰信号原始时域IQ数据进行卷积神经网络(Convolutional Neural Network, CNN)识别,所提方法能够有效提高网络输入数据维度和特征提取深度,识别准确率和训练效率有明显提升。

小波包分解与长短期记忆融合的超宽带无线测距算法

针对超宽带(UWB)无线定位标准虽然已经取得了很大的发展,但是由于存在多径效应和非视距等影响,导致直达径分量到达时间估计存在很大误差,因而定位精度不高的问题,提出小波包分解和长短期记忆融合的超宽带无线测距算法:采用小波包分解节点能量接收滤波,对接收到的信号进行分解,用最后一层各节点的能量占总能量的比值构建能量谱特征向量;然后用长短期记忆网络建立能量谱特征向量和实际距离的映射关系,从而实现基于UWB的测距和定位,为后续定位提供基础。实验结果表明,结合长短期记忆网络和小波包能量检测的测距算法比传统的能量检测方法具有更大的优势,其测距定位精度更高,更稳定。

基于小波包分解与高斯云模型的故障诊断方法

人工智能技术作为有效手段广泛用于机械系统故障诊断,但故障样本的缺乏严重制约人工智能模型走向高精度诊断的工程应用。针对故障样本不足的问题,提出一种基于小波包分解与高斯云模型的故障诊断方法,通过对小样本的故障信号做小波包分解并计算每个子频带的能量以建立故障特征向量,对特征向量建立高斯云模型并正向云计算生成大量云滴以扩充故障样本。基于凯斯西储大学的轴承数据和支持向量机的故障分类实验结果表明,所提方法能有效扩充故障样本,提高故障诊断精度。

基于小波包分解多尺度排列熵及2阶特征选择的转辙机故障诊断方法

针对转辙机高精度故障诊断的需求,结合声音信号非接触、易采集等优势,提出一种基于声音信号的非接触式故障诊断方法。首先,基于小波包分解与多尺度排列熵,实现对声音样本的特征提取;其次,提出基于ReliefF和二进制粒子群优化算法的2阶特征选择方法,得到最佳特征集合,实现对声音样本的特征选择;最后,基于支持向量机算法对最佳特征集进行训练和测试,完成对转辙机的故障诊断。依托10种常见工况下共计800组声音样本开展实验,结果表明:该方法在反位—定位和定位—反位转换过程中得到的特征点数分别为13和39个,故障诊断准确率分别为99.67%和100%;相比于单一特征选择方法,采用的2阶特征选择方法能够大大降低特征维度,提高故障诊断准确率;相比于k近邻和线性判别分析这2种分类器,支持向量机分类器在转辙机故障诊断中更具优势。