基于SVD-CWT和CNN的水轮发电机转子故障识别

水轮发电机转子振动故障识别是水电站运维的重难点问题,为此提出一种基于转子振动信号的故障识别方法。首先针对发电机转子的非平稳和非线性振动信号,采用奇异值分解(SVD)并结合能量差分谱理论进行降噪预处理;对预处理数据使用连续小波变换(CWT)转换为时频图并形成图像数据集;然后将该图像数据集作为卷积神经网络(CNN)输入,通过CNN多层池化及卷积形成分布式故障特征表达,最终实现发电机转子故障模式识别和分类。经实验验证,该方法准确率达到99.5%以上,能有效识别出发电机转子的故障类型。

一种基于优化VMD-CWT-CNN的柱塞泵配流盘磨损状态识别方法

为解决一维振动信号难以充分挖掘表达状态特征信息以及柱塞泵配流盘磨损早期识别问题,基于卷积神经网络(Convolutional neural networks,CNN)优秀的图像处理能力,提出了一个优化VMD-CWT-CNN模型。首先,采用连续小波变换(Continuous wavelet transform,CWT)对信号进行预处理,得到信号的二维时频图,作为CNN模型的一路输入,将状态识别问题转化为CNN图像识别问题。其次,基于相关系数对变分模态分解(Variational mode decomposition,VMD)参数优化后,利用优化VMD对振动信号进行预处理,再以相关系数和峭度值最大为优选原则,甄选出三组蕴含故障特征的本征模态函数(Intrinsic mode function,IMF),将其重组为三通道一维信号,作为CNN模型的另一路输入。最后,在CNN模型中将两路信息汇聚并得到柱塞泵配流盘磨损状态识别分类结果。实验中,此方法分别采用优化VMD和CWT对振动信号预处理,再结合CNN对磨损状态进行分类。实验结果表明,该方法对于配流盘磨损的三种状态的识别效果显著优于单路输入的CNN模型以及典型的深度学习方法和机器学习分类器。因此,优化的VMD-CWT-CNN方法可以更准确地实现柱塞泵配流盘磨损状态识别。

基于DT-CWT和SVD的变电站直流系统接地故障检测技术研究

变电站直流系统的状态直接关系到变电站的正常运行,为了对变电站直流系统出现的接地故障快速、准确定位,提出了一种双树复小波变换(DT-CWT)和奇异值分解(SVD)相结合的变电站直流系统接地故障检测新方法。该方法首先利用DT-CWT对支路电流信号进行分解来构建Hankel矩阵;然后对Hankel矩阵进行SVD分解,得到一系列奇异特征值;再次,利用相邻奇异值差值构建奇异值差分谱,通过奇异值差分谱最大峰值来保留有效的奇异值个数;最后,利用保留的奇异值来重构低频信号。算例分析结果表明,该方法能够准确地从支路电流信号中提取出低频交流信号,可以对变电站直流系统接地故障进行准确定位,很大程度上减小对地电容对检测精度的影响。

基于VMD-CWT-CNN的滚动轴承故障诊断

针对传统故障诊断方法需人工提取特征且识别率低的问题,提出了一种基于变分模态分解(Variational Modal Decomposition,VMD)和连续小波变换(Continuous Wavelet Transform,CWT)并结合卷积神经网络(Convolutional Neural Network,CNN)的VMD-CWT-CNN模型用于滚动轴承故障诊断。首先,通过VMD将轴承振动信号分解为多个具有不同中心频率的模态分量;其次,采用CWT将模态分量进行计算并转为二维时频图;最后,将时频图输入结构裁剪后的EfficientNet卷积神经网络自动提取特征并完成滚动轴承的故障诊断。使用提出的方法对美国凯斯西储大学10类轴承故障数据进行多次实验,平均准确率达到了99.86%,能有效地完成滚动轴承信号的特征提取以及损伤程度的精确诊断。

基于VMD-CWT和CNN数控机床刀具健康诊断方法的研究

在数控机床切削过程中,刀具的健康状况直接影响产品的加工质量。因此,为了对刀具的健康状态作出诊断评价,本文提出了一种基于变分模态分解(VMD)和连续小波变换(CWT)特征提取与卷积神经网络(CNN)的刀具健康诊断方法。该方法首先采集不同健康状态下的刀具在切削时的振动信号,然后经VMD分解成若干IMF分量,并求解每个IMF分量的相关系数,选取相关系数较大的分量进行信号重构;其次采用连续小波变换来构造重构信号的时频图;最后将得到的时频图输入构建的CNN模型中,通过多层卷积、池化处理得到信号特征与刀具健康状态之间的准确映射,进而实现刀具的健康诊断。经实验验证表明,本文所提方法的识别准确率达到98.9%,具有良好的状态识别能力和泛化性,可为刀具健康诊断方法提供一定的理论依据。

基于CWT和DWT相结合的谐波检测

提出了一种基于连续小波变换(CWT)和离散小波变换(DWT)相结合的电力系统谐波检测方法。首先利用CWT系数的幅值来检测谐波频率,该过程不用事先根据谐波次数确定分解层数,而只是确定尺度范围及步长,即可得出各次谐波频率。然后根据确定的谐波成分利用DWT来检测谐波幅值,并通过Matlab软件进行了仿真分析。仿真结果表明该方法有效地解决了基于离散小波变换的谐波检测方法中谐波次数未知而无法确定分解层数的难题,并能精确可靠检测各次谐波频率和相应的幅值。因此,CWT和DWT相结合是一种有效的电力系统谐波检测方法。

DT-CWT和色调映射相结合的低照度图像增强算法

为了提高低照度图像的质量,提出基于双树复小波变换(DT-CWT)与色调映射相结合的图像增强算法.首先将RGB图像转换到HSV色彩空间,然后对亮度分量V进行双树复小波分解,分离出高、低频子带;然后对高频子带进行Butterworth滤波,增强图像细节、抑制噪声;对低频子带,则使用文中改进的色调映射算法来调整图像亮度;最后进行DT-CWT逆变换得到处理后的V分量,并将之与H分量、S分量合成,转换为清晰的RGB图像.文中充分利用DT-CWT能准确表达图像细节的优良特性,并在Retinex基础上改进了色调映射算法,实现对低照度图像的增强.实验结果表明,该算法可以明显地改善低照度彩色图像的视觉效果.

基于Dual-Tree CWT和自适应双边滤波器的图像去噪算法

针对目前图像去噪方法主要局限于单一噪声,无法有效解决多种混合噪声的不足,提出了一种基于DualTree CWT和自适应双边滤波器的图像去噪算法。该算法使用双树复小波变换对含噪图像进行多尺度和多方向的分解,由改进阈值对各个方向子带的高频系数进行阈值量化,同时由自适应双边滤波对每尺度下低频子带系数进行滤波,并将重构得到的图像进一步去除噪声。实验仿真结果表明,该方法对混合噪声的滤除效果明显优于现有算法,且能较好地保护图像的边缘细节信息,通过客观评价指标峰值信噪比(PSNR)和均方根误差(RMSE)定量比较,PSNR提升了5.333 2~6.527 8 d B,RMSE可降低29.41%~46.03%,运行时间仅为1.492 0 s,整体降噪性能更优。

基于DT-CWT的红外与可见光图像自适应融合

针对低可见光图像和红外图像的特点,提出一种基于DT-CWT的自适应图像融合算法.该算法具有好的平移不变性和方向选择性,更适合于人类视觉.先对源图像作双树复小波变换,充分考虑各尺度分解层的系数特征,对低通子带引入免疫克隆选择,根据统计评价准则定义亲和度函数,自适应获得最优融合权值;对高通子带则根据人类视觉特性定义局部方向对比度,并作为融合准则,突出和增强了各源图像的对比度与细节信息.实验结果表明:与基于小波的融合结果相比较,本文的融合算法自适应性和鲁棒性更强,较好地保护和显示了源图像中的边缘和细节信息,对比度和清晰度都有所提高.

基于DT-CWT和LS-SVM的苹果果梗/花萼和缺陷识别

该文提出了一种基于双树复小波变换(DT-CWT)和最小二乘支持向量机(LS-SVM)区分苹果的果梗/花萼和缺陷的方法。对苹果图像使用DT-CWT分解,使用变换后得到的高频子带系数的均值和方差构造特征向量,然后使用最小支持二乘向量机作为分类器进行分类。对180幅苹果图像进行了试验。讨论了DT-CWT分解层数以及目标图像大小对分类正确率的影响。试验结果显示,使用3层DT-CWT对大小为64×64子图像进行小波分解提取纹理特征,能达到最好的分类效果,分类正确率可以达到95.6%。

SVM和DT-CWT的纹理图像分类方法研究

提出了一种将支持向量机(SVM)和二元树复小波变换(DT-CWT)相结合的纹理图像分类方法.通过DT-CWT对纹理图像进行4层分解,提取各子频带小波系数模的均值和标准方差组成特征向量,利用SVM作为分类器实现纹理图像分类.从Brodatz图像库中随机选取了30幅纹理图像进行了分类试验,结果表明:该方法具有较高的分类精度,尤其在有限训练样本的情况下分类正确率明显优于其它的分类算法,体现了该方法的有效性和良好的泛化能力.

水泥路面脱空区域GPR信号的时频域分析

水泥路面脱空是导致路面板块断裂的主要因素,若能及早确定脱空区域的范围,则可为水泥路面结构安全性的力学分析提供依据。以水泥路面脱空病害为研究对象,采用正演模拟方法研究了不同脱空形状以及不同填充物质对GPR(探地雷达)响应信号的影响;采用编程软件设计了探地雷达(GPR)信号处理模块,使用连续小波变换(CWT)提取脱空区域的信号特征,对病害区域进行了3D重构;并将上述方法在构建的室内脱空模型上进行了验证。结果表明,设计的后处理软件可实现GPR信号的后处理功能,为正演和反演数据的信号分析提供有效工具;经过CWT处理后的脱空与正常路面的GPR信号在时频域差异明显,CWT图谱能量集中区域可表征脱空的深度和范围,CWT结果还可用于3D可视化分析,为解译脱空区域范围以及判断是否含水提供参考,这为GPR信号解译提供了新的处理手段。

基于LabVIEW2011对心音信号CWT滤波的实现

目的:为除去杂波,同时克服STFT对分辨率的限制,提高心音分析的准确性和实时性。方法:引入CWT滤波的理论,基于该理论构造算法,利用LabVIEW2011编程在应用上进行实现。结果:利用CWT滤波的方法成功对杂波滤除。结论:采用上述方法能够实现对于心音信号优化处理。

基于YOLOX的分布式PCCP断丝自动监测方法研究

为了研究一种针对预应力钢筒混凝土管(PCCP)断丝信号的识别技术,设计了使用DN4000mm的PCCP建成模拟测试环境,在非常接近实际工况的情况下进行了1∶1原型断丝监测试验。试验将采集到的断丝信号与之前采集到的运行管道内的噪声信号相互组合,分别通过连续小波变换(CWT)和同步挤压小波变换(SWT)两种方式转化的时频谱图作为断丝信号数据集,采用基于YOLOX的目标检测算法通过提取数据集中断丝信号时频谱图图像特征来判断断丝事件的发生。两组数据集训练出模型的准确率、召回率、F1分数,误检率均达到100%、100%、1和0%。随后的剪枝计算阶段,在保证检测精度不变的前提下,SWT组的剪枝率高于CWT组,最终模型大小仅为1.36 MByte。可见,通过SWT变换得到的时频谱图可以在不损失精度的前提下更大的简化YOLOX模型,为开发PCCP断丝监测系统的嵌入式部署提供了参考。

基于DT-CWT统计模型的舰船噪声信号中线谱信号检测研究

双树复解析小波变换(DT-CWT)在信号去噪方面的性能优于实小波变换,且计算量远小于后者。文章基于DT-CWT小波理论,通过对海洋环境噪声中舰船噪声中低频线谱信号小波系数的层间联合分布的分析,提出一种DT-CWT统计模型并推导出最大后验概率估计子(MAP),用于检测海洋噪声背景中的舰船噪声中的低频线谱信号。对实测舰船噪声信号和海洋环境噪声的分析表明,所提出的DT-CWT统计模型算法明显优于VisuShrink、SureShrink和BayesShrink算法对舰船噪声中线谱信号的检测效果。

一种DT-CWT域内的图像零水印算法

为了实现数字图像的版权保护,基于双树复小波变换,提出了一种新的零水印算法。该算法由于不改变图像的任何信息,因此在兼具不可见性和鲁棒性的同时,还可以解决常规的冗余变换域水印算法的能量损失问题。该算法先借用实小波变换的零树结构思想,在变换后图像中选择重要的系数树,并利用主分量分析提取它们的第一主分量,然后经过量化编码构造零水印信息,再到认证中心注册后,即可作为用户的版权标志。实验结果表明,该算法不仅具有很好的鲁棒性,而且可以抵抗滤波、加噪、有损压缩等各种攻击。

基于Q-Shift DT-CWT的多聚焦图像融合研究

提出了一种基于Q-Shift双树复小波变换的多聚焦图像融合算法.根据多聚焦图像的成像特点和变换后的高低频系数相关性,对高频系数采用"模值绝对值和取大"和对低频系数采用"局部区域标准方差取大"的融合准则,并对高频融合系数进行一致性检测,以实现尽可能直接选择源图像中的清晰区域系数作为融合图像对应位置的系数.实验结果表明,该融合方法获得了很好的融合效果,与小波变换相比,充分显示了近似的平移不变性和良好方向选择性等特性.

基于连续小波变换和模型无关元学习的压燃式活塞发动机气门故障诊断研究

针对压燃式活塞发动机缸盖表面振动信号样本少及传统故障诊断方法特征提取和选择困难的问题,提出了一种基于连续小波变换(continuous wavelet transform,CWT)和模型无关元学习(model agnostic meta learning,MAML)的压燃式活塞发动机气门间隙异常故障诊断方法。通过将CWT的特征提取能力和MAML的快速学习能力相结合搭建故障诊断模型。试验结果表明该方法能有效识别气门间隙故障,并且其准确率高于传统基于CWT和卷积神经网络(convolutional neural network,CNN)的故障诊断方法。通过跨域故障对比试验,研究了不同气门故障类型对模型诊断能力的影响,验证了该方法在解决小样本和跨域故障问题时具有更高的准确率和泛化能力。

基于Log-Polar和DT-CWT的旋转不变纹理分类算法

提出了一种基于对数-极坐标变换(Log-Polar)和双树复数小波变换(DT-CWT)的旋转不变纹理分类算法。该方法首先对纹理图像进行对数-极坐标变换将旋转转化为平移,再用具有平移不变性的双树复数小波对变换后的图像滤波并计算各子带的能量值组成旋转不变特征向量,最后利用支持向量机算法实现纹理图像的分类。将该方法与其它旋转不变纹理分类算法进行比较,实验结果表明,提出的算法能有效地提高正确分类率。

基于预训练GoogleNet模型和迁移学习的齿轮箱故障检测方法

针对以往齿轮箱故障诊断中特征处理算法繁琐、人为因素影响较大等问题,提出了一种基于预训练GoogleNet模型和迁移学习(TL)的故障诊断方法。首先,利用连续小波变换(CWT)将离散时间序列转变为二维小波尺度图,构建了样本集;然后,对预训练模型进行了结构微调及参数微调使其符合任务需求,利用处理得到的训练样本对微调后的模型进行了微训练,使其达到理想精度,然后保存模型,再将其应用于故障分类任务;最后,为了对上述模型的可行性进行验证,利用昆明理工大学控制与优化重点实验室的平行齿轮箱数据以及东南大学的行星齿轮箱数据对微调模型进行了验证。研究结果表明:相比于传统卷积神经网络(CNN)以及未经预训练的GoogleNet模型,基于预训练GoogleNet模型和迁移学习的故障诊断方法在训练样本较少的情况下,其分类准确率均值仍然高达97.40%,且模型的收敛速度更快,对计算机算力的依赖程度更低。微调模型高层的方法能根据任务分类情况个性化设置模型输出,因此该模型能够适用于不同的场景。