基于抗混叠Shannon小波包变换的声波测井曲线高分辨率处理方法

测井曲线高分辨率处理是提高薄层测井解释精度的一条重要途径,对重新评价老井测井资料,寻找漏失掉的油气层具有非常重大的意义。提出一种基于抗混叠Shannon小波包变换的测井曲线高分辨率处理方法。首先使用频域内插方法消除Shannon小波函数的频域混叠问题,进一步提高其分频严格的特性;接着利用改进的Shannon小波包变换对声波测井曲线进行分解,并根据测井曲线的频谱特点确定最优小波树;最后根据分频加权重构的思想,对低分辨率测井曲线进行能量补偿。实际资料处理表明,该方法能够明显提高声波测井曲线分辨率,达到高分辨率处理的目的。

基于频域内插抗混叠Shannon小波包变换的谐波检测方法

提出了一种基于频域内插抗混叠Shannon小波包变换的谐波检测技术,首先分析了小波混叠的物理本质,然后选择分频严格的Shannon小波函数构造了频域内插方法,并利用线性调频Z变换进行快速求解,最后给出了小波包变换算法。仿真实验表明该方法可有效消除谐波检测中的小波混叠现象。

基于小波包变换与深度学习的超短期光伏功率预测

针对光伏功率序列的复杂多变特征,提出一种基于小波包变换(WPT)的门控循环单元(GRU)光伏功率组合预测方法。首先通过相关性分析挑选重要气象因子,并利用WPT将原始光伏功率序列分解为一组子序列;然后,提出一种基于莱维飞行天牛须搜索算法(LFBAS)的相似日选择方法,以选择相似于预测日的历史日作为输入数据集;最后,建立一组基于GRU网络的深度学习光伏功率预测模型,将每个子序列预测结果叠加得到光伏功率最终预测结果。仿真结果表明,该文所提出的预测方法在预测精度和计算效率方面具有显著优势。

多极小波包变换与改进浣熊算法优化的混合核极限学习机径流预测

为提高日径流多步预测精度,减少模型计算规模,同时提升浣熊优化(COA)算法和混合核极限学习机(HKELM)性能,提出多极小波包变换(MWPT)-改进COA算法(ICOA)-HKELM日径流时间序列预测模型。首先,利用MWPT将日径流时序数据分解为1个低频分量和2个高频分量,并构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;其次,简要介绍COA算法原理,基于Circle映射等策略对COA进行改进,提出ICOA算法,通过8个典型函数对ICOA算法进行仿真验证,并与基本COA算法、鲸鱼优化算法(WOA)、灰狼优化算法(GWO)作对比,旨在验证ICOA算法的优化性能;最后,利用ICOA优化HKELM超参数(正则化参数、核参数、权重系数),建立MWPT-ICOA-HKELM模型,并构建MWPT-COA-HKELM、MWPT-WOA-HKELM、MWPT-GWO-HKELM、小波包变换(WPT)-ICOA-HKELM、小波变换(WT)-ICOA-HKELM、MWPT-ICOA-BP模型作对比分析,通过云南省景东、把边水文站2016-2020年日径流时间序列多步预测实例对各模型进行验证。结果表明:(1)ICOA具有较好的改进效果,仿真精度优于COA、WOA、GWO算法。(2)MWPT-ICOA-HKELM模型预测效果优于其他对比模型,其对实例单步预测效果“最好”,超前3步和超前5步“较好”,超前7步“较差”,预测精度随预测步长的增加而降低。(3)利用ICOA优化HKELM超参数,可显著提高HKELM预测性能,超参数优化效果优于COA、WOA、GWO算法。

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。

基于经验模态分解和小波包能量熵的杉木加载过程中细观损伤监测与识别

【目的】细观损伤是承载木材断裂的主要原因之一。木材的多孔层状结构使其损伤过程变得复杂,针对单一信号处理方法较难充分挖掘木材断裂声发射信号中的细观损伤信息,造成识别信息不充分、不完备的问题。本研究提出通过经验模态分解(EMD)和小波包能量熵结合的信号处理方法,通过声发射无损检测手段,识别杉木加载过程中的细观损伤类型。【方法】以杉木为研究对象,进行单轴压缩、双悬臂梁和顺纹拉伸3种单一损伤试验,并对其进行加载过程中声发射信号的采集、监测与分析。通过小波包阈值法消除损伤试验中采集的声发射信号噪声,经由EMD和相关系数计算,分离出最能体现杉木细观损伤特征的本征模态(IMF)分量,并对IMF分量进行基于傅里叶变换的峰值频率分析和小波包能量熵分析,提取杉木细观损伤的特征。【结果】(1)EMD和小波包能量熵结合的信号处理方法能够判断杉木加载过程中声发射信号对应的细观损伤类型与构成。(2)杉木不同细观损伤类型的声发射信号对应不同的小波包能量熵区间:胞壁屈曲与塌溃(0.69~0.99)、层间开裂(1.57~1.78)、纤维束断裂(1.92~2.27)。(3)宏观断口观察和电镜显微分析验证了该方法的准确性。【结论】经验模态分解–小波包能量熵法避免了声发射信号模态堆叠的影响,并解决了木材细观损伤复杂且难以识别的问题,为杉木木材断裂的早期诊断方法提供了理论支撑。

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.

基于小波包能量谱和希尔伯特变换的管道泄漏检测技术

为了及时检测输油管道泄漏缺陷以减少输油泄漏事故的发生,首先,提出了一种基于小波包(WPT)能量谱和希尔伯特变换(Hilbert)的输油管道泄漏检测技术,改变阀门开度模拟不同泄漏程度的管道泄漏;其次,选取小波包阈值对采集的信号去噪,获得实际有效信号,并用WPT能量谱变换将有效信号分解为频段能量谱,过滤掉不含泄漏信息的频段,保留有效频段;最后,利用Hilbert进行有效频段的谱分析,提取泄漏源信息,实现对管道泄漏工况的诊断分类。结果表明:输油管道泄漏检测平均误差在3%以内,诊断准确率达到95%,与直接Hilbert变换方法以及单纯WPT能量谱分析法相比,定位精度明显提高。

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Shannon熵的Boost变换器软故障诊断

电解电容参数退化会引起Boost变换器软故障,影响整体电路性能。使用基于小波包Shannon熵的方法实现Boost变换器的软故障诊断。以Boost变换器的输出电压作为故障信号,根据小波包Shannon熵确定小波包分解的层数然后对故障信号进行小波包分解,提取小波包能量构建故障特征向量,最后利用分类器实现Boost变换器的软故障诊断。实验结果表明,该方法能有效、正确诊断Boost变换器的软故障,分类正确率达到97.58%。

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。

基于小波包理论研究地下断层对爆破振动传播的影响

为了研究云南某金属地下矿山断层对爆破振动波传播的影响,选用含有断层区域3736北部中段区域、无断层区域3736南部中段区域布置测点。以云南某金属地下矿山真实采集爆破振动数据为研究对象,基于小波包变换、HHT算法、STFT算法开展爆破振动波衰减规律的研究。结果表明:云南某地下金属矿山振动波经过断层前瞬时能量幅值达到10×10^(-4)dB,经过断层后瞬时能量幅值达到1.5×10^(-4)dB,瞬时能量幅值衰减85%;断层在一定程度上会扰乱振动波能量分布情况,延缓振动能量迅速上升;振动波经过断层后低频能量衰减60%,高频能量衰减71%,总体能量功率衰减77%,无断层区域高频能量衰减18%,低频能量衰减17%,总体能量功率衰减15%;爆破振动波经过断层后,过滤大量高频能量,能量总体分布呈现向低频域方向发展的趋势。

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。

基于改进小波包方法的衬砌损伤识别研究

研究目的:针对隧道衬砌发生损伤的识别方法,提出了一种基于小波包能量的计算方法,在基于前人的研究成果上进行了改进,得到了一种算法简单、损伤识别效果显著的方法,并建立了一个新的损伤指标ELG(小波包结点能量丰富点控制指标);建立了三维隧道有限元模型,通过多种损伤工况计算,研究了该方法在不同工况下的损伤识别效果;进行了模拟实验,通过小车-管道模型模拟隧道衬砌在列车荷载作用下的响应,并使用该方法对响应数据进行分析。研究结论:(1)新的损伤指标ELG具有高效率、高准确性的优点,可以作为一种衬砌的损伤识别方法;(2)损伤识别结果的精确程度取决于测点的布置密度,测点间距约为监测长度段的1/10时,为能否准确识别损伤的临界值,若大于此值,则不具备识别效果。