基于能量分析重构VMD分量的直埋供热管道泄漏定位研究

为提高声波法在复杂噪声环境下进行直埋供热管道泄漏定位的准确性,本文提出了基于能量分析重构有效模态分量的供热管道泄漏定位方法,即采用变分模态分解(VMD)将检测信号自适应地分解为一组本征模态函数(IMF),识别、提取有泄漏特征的有效模态分量,并通过能量占比分析完成信号加权重构。泄漏实验和工程实测表明:常规VMD泄漏定位方法与本文方法的平均定位偏差分别为1.57、0.51 m,相对定位偏差分别为8.42%、2.75%,采用本文方法定位准确性提高67.34%;工程实测中,常规VMD方法未能发现管道泄漏位置,本文方法确定的泄漏位置定位偏差为1.78 m;本文方法可抑制有效模态分量中的残余噪声,降低噪声成分对泄漏定位的影响,提高复杂噪声环境下供热管道泄漏定位精度。

基于半软阈值法的图像小波去噪方法

研究了噪声能量的估计方法:MAD法及其改进方法,空域相关估计法.在传统阈值法的基础上,提出半软阈值法.仿真结果表明:半软阈值去噪方法有效地抑制了噪声,提高了信噪比,同时保留了图像细节,获得了最小的均方差,具有一定的应用价值.

基于改进小波去噪和EMD方法的轴承故障诊断

将改进的小波阈值去噪与EMD分解相结合应用于轴承故障诊断中。该方法首先利用改进的小波阈值去噪法对原始信号进行去噪,然后采用EMD方法将去噪后的信号自适应地分解成一系列IMF分量之和,通过能量-相关系数法选取能够反映故障特征的IMF分量进行包络谱分析提取故障频率。实验结果表明该方法能够有效识别故障特征频率。

基于广义S变换模时频矩阵的局部放电特高频信号去噪方法

为有效抑制局部放电特高频信号中的噪声干扰,提出一种基于广义S变换模时频矩阵的去噪方法。基于二维模时频矩阵,采用区域最大能量法提取周期性窄带干扰的特征量,并通过矩阵逆向分离将其去除;采用奇异值分解去噪方法抑制信号中的高斯白噪声。使用该方法对仿真信号和实验室实测信号进行去噪处理,并与传统方法去噪结果进行对比。结果表明,所提方法能有效抑制局部放电信号特高频信号中的噪声,同时更好地保留了原始局部放电信号特征。对现场实测信号进行去噪处理,与传统方法相比,该方法具有较高的噪声抑制比和较低的幅值衰减比,可以有效提取局部放电超高频信号。

去噪小波包能量法在水声信号识别中的应用

对小波包能量法进行改进,提出了一种新的方法———去噪小波包能量法,该算法对信号小波去噪后,再用小波包能量法提取信号的特征;应用去噪小波包能量法研究了不同的小波去噪方法对水声信号分类识别率的影响,在实测信号样本集上用BP神经网络进行了识别实验。结果显示软阈值、硬阈值、弹性阈值3种标准的小波去噪方法均能明显提高信号识别率,其中最为显著的是软阈值标准去噪,信号的识别率可由未去噪的53 .3%提高到98. 3%,表明算法的有效性。

基于变分模态分解和奇异值分解的局部放电信号去噪方法

为有效抑制局部放电信号中的复杂噪声干扰,提出一种基于变分模态分解和奇异值分解的去噪方法。首先通过泄露能量确定VMD算法中的模态分解个数,对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后基于峭度指标选择包含有用信息的分量进行信号重构,将周期性窄带干扰去除;最后采用奇异值分解去噪方法抑制信号中剩余的高斯白噪声。运用该方法对含噪局放信号进行去噪处理,并通过时变峰度法对信号初至时刻进行拾取。与传统的小波方法和经验模态分解算法进行对比,该方法能有效抑制局放信号的复杂噪声干扰,去噪后信号波形畸变较小,信号拾取精度较高。

基于深度学习的概率能量流快速计算方法

考虑新能源日益增长的不确定性,概率能量流在电–气综合能源系统分析中起到关键性作用。概率能量流计算需要求解大量高维非线性方程组。高计算代价和求解时间已成为概率能量流实际工程应用的瓶颈所在。为此,该文提出了利用深度神经网络求解该问题的新方法。该方法借助堆栈降噪自动编码器(stacked denoising auto-encoders,SDAE)的深层堆栈结构以及编码解码过程,建立了基于SDAE的能量流模型,可有效挖掘非线性能量流方程的高阶特征。结合能量流输入输出性质不同、变化范围不一等数值特点,在SDAE模型中引入了修正线性单元(rectifiedlinearunit,ReLU)激活函数与离差标准化方法,可有效提高训练精度与速度。结合蒙特卡洛法抽样出待解样本,使用训练后的SDAE能量流模型,通过数据映射得到抽样样本的能量流结果,在不增加硬件成本的前提下求解概率能量流,求解时间和精度符合在线应用要求。最后,在IEEE14-NGS10电–气综合能源系统中验证了所提方法的有效性。

基于ER-EMD的陀螺仪信号去噪方法

针对陀螺仪的噪声成分,提出了一种基于ER(energy ratio)与EMD相结合的去噪方法,采集连续两帧的陀螺漂移信号,各自区分出噪声强弱区域后进行分段处理,取得了很好的去噪效果。

非线性小波去噪技术在水声信号识别中的应用

应用非线性小波去噪技术对小波包能量法进行改进,提出了一种新的方法———去噪小波包能量法。该算法对信号小波去噪后,再用小波包能量法提取信号的特征。文中研究了不同的小波去噪方法对水声信号分类识别率的影响,在实测信号样本集上用BP神经网络进行了识别实验。结果显示了算法的有效性。

基于FastDTW的电力计量装置故障智能诊断技术

采用目前方法诊断电力计量装置故障时,没有去除电流信号噪声,存在F1-Score值低、电流信号清晰度低、诊断故障效率低的问题。为此,提出了基于FastDTW的电力计量装置故障智能诊断方法。结合EMD法和小波包能量法预处理电流信号,去除噪声,分析并排列高低频电流信号,重组去噪后的电流信号,获得清晰有效的电流信号。在此基础上采用扭曲电流路径距离法结合动态阈值,通过计算实现电力计量装置故障智能诊断。实验结果表明,所提方法的F1-Score值、电流信号清晰度及诊断故障效率均较高。

小波去噪中噪声估计失真判别方法

研究小波阈值去噪时存在的噪声估计失真问题。当采用常见的阈值确定方法对含有较强高频分量的信号进行小波去噪时,小波分析的频带能量泄漏现象会导致噪声估计失真,从而使小波阈值去噪出现较大的偏差。从小波分解的d1细节层和d2细节层的相关性角度,揭示d2细节层频带能量泄漏对噪声估计影响的规律,提出根据d1、d2细节层的最大相关系数判别噪声估计失真的方法。最后,给出解决噪声估计失真的方法。实验表明,该方法可以很好地判别小波去噪中是否出现噪声估计失真,可以避免出现去噪后信号有用信息损失严重的问题。

联合CEEMD和改进阈值去噪的初至波识别算法

提出了一种新的阈值函数并联合互补集合经验模态分解算法,用改进能量算法对初至波进行提取。将信号分解为几个本征模态函数和一个残余信号,计算每个本征模态函数分量的自相关函数及频域的主频,并依据自相关函数特点和主频分布情况判断噪声信号主导的本征模态函数,对这些分量用新阈值函数去噪,将信号重构使用能量比值法提取初至点。仿真信号计算结果及实际实验结果表明,该方法能有效提取出低信噪比信号的初至波,高精度拾取初至时间。