基于小波分析与神经网络的语音端点检测研究

在语音识别系统中,端点检测是极其重要的一个环节。为了提高在各种实际噪声环境下语音端点检测的正确率,提出一种基于小波分析与神经网络的语音端点检测算法来提高语音端点检测率。利用小波分析提取语音信号的特征量,然后将特征向量作为BP神经网络输入进行学习,采用粒子群算法优化BP神经网络参数,建立语音端检测模型,并进行仿真实验,结果表明WA-IMPSO-BP提高了语音端点检测率,有效降低了虚检率和漏检率,是一种检测率高,抗噪性能强的语音检测算法。     

声纹识别中MEL参数的提取研究

从说话人的语音信号中提取出能反映其个性特征的参数是声纹识别的关键环节之一.介绍了MEL倒谱系数(MFCC)及其提取方法,在此基础上提出了一阶差分(△MFCC),并将MFCC和△MFCC结合起来作为声纹识别的参数进行了MEL参数提取实验.实验结果表明将MFCC和△MFCC结合起来作为特征参数在识别性能上优于独立的MFCC...     

基于小波包能量谱的铁塔螺栓完全松动检测方法

螺栓连接松动故障严重影响铁塔的正常运行，对铁塔螺栓连接松动故障进行检测十分必要。本文提出了基于小波包能量谱的铁塔螺栓完全松动检测方法，首先利用脉冲激振法实测了铁塔螺栓完全松动前后振动信号，分别得到了激振点所在塔材的振动信号，以及通过螺栓相连接的塔材振动信号。然后采用小波包对原始信号进行小波包分解，利用能量特征提取的方法找出分解后各个频段的能量谱图，通过比较相连接的2段塔材在螺栓松动后小波包能量谱的变化规律，确立了基于小波包能量谱的铁塔螺栓完全松动检测依据。     

基于EMD和Prony算法的次同步扭振模态参数辨识

从瞬时转速测量数据中有效提取次同步扭振信号,并准确地辨识模态参数,仍有一定的技术难度。提出了通过EMD预处理提取次同步扭振信号,并进行重采样处理,再通过Prony算法辨识次同步扭振模态参数的方法。采用该方法对某电厂扭振实测数据进行了应用分析,并与基于传统滤波器以及小波滤波器的Prony分析结果进行比较。研究表明所提方法能够有效提高次同步扭振模态参数辨识的精度。     

采用改进连续小波变换的电力系统短信号阻尼参数识别

连续小波变换的端点效应给电力系统短信号的阻尼参数识别带来了极大困难,由于振荡模式的能量在信号末端已接近于0,小波变换在信号末端端点效应的影响已经很小,为此提出了改善信号首端端点效应的改进小波变换方法。在小波系数的每个卷积时刻,该方法强制位于小波函数左半平面的信号为0,改善了短信号阻尼参数识别效果。算例结果验证了该方法的有效性。     

电机故障自动识别在电机生产线上的应用

电机出厂检测非常重要。为了确保质量控制,目前电机厂多是通过操作者听电机声音判定噪声故障。而该文将研究模式识别技术在小型电动机生产线上电机故障检测中的应用。由于工业现场环境,系统首先采用小波分析对振声信号进行消噪,提取有用信号。再利用小波技术多分辨率特点和小波能谱熵提取故障信号的特征信息,最后结合概率论参数区间估计法获得小波熵带,对故障电机自动识别。     

小波包在声发射信号特征提取中的应用

在分析典型声发射（AE）信号特征的基础上,根据机械故障或损伤引发的AE信号的特征提取原理,首次提出AE信号的小波包特征提取分析法。该方法利用小波包将信号按任意时频分辨率分解到不同频段的特点,可从AE信号中提取和重构出所需的特定时频段（点）上的特征信号,解决了不能从噪声大、频带宽和数据量大的实测AE信号中有效提取特征信号的难题。介绍了该方法的具体算法,并通过仿真研究了该方法在强噪声背景下提取特征信号的能力;将其用于声发射检测的滚动轴承损伤类型及部件的识别,诊断结果十分清晰、可靠和精确。仿真和实验研究均表明了AE信号的小波包特征提取分析法能有效应用于基于声发射技术的状态监测和故障诊断。     

一种铁路隧道衬砌掉块声音检测方法

针对传统铁路隧道衬砌掉块检测方法耗时长、成本高的问题,在声信号识别技术的基础上,提出了基于遗传算法优化支持向量机(GA-SVM)模型的铁路隧道衬砌掉块声音检测方法。通过提取铁路隧道内衬砌掉块与其他事件声音的梅尔频率倒谱系数(MFCC)特征系数矩阵,利用遗传算法的寻优能力对支持向量机中影响预测模型精度的两个参数C和σ进行优化,构建铁路隧道衬砌掉块检测模型。实验结果表明,在少量训练样本的基础上,GA-SVM模型对比传统的SVM模型和粒子群算法(PSO)优化的SVM模型,能更够准确地检测出衬砌掉块的大小,检测精度达到了96.67%,验证了声信号识别技术应用于铁路隧道衬砌掉块检测的可行性。     

电压波动信号检测方法的仿真研究

对电压波动和闪变进行有效监视与管理,首要任务是要准确提取电压波动信号。通过仿真,详细比较了平方检测法、H ilbert变换法、小波分析法用于平稳及非平稳的电压波动信号检测时各自的优越性。结果表明,平方检测法和H ilbert法更适用于检测平稳的波动信号,对于谐波污染较大的非平稳信号,用小波分析法则能够得到良好的检测结果。     

基于声发射检测的滑动轴承状态诊断实验研究

首先通过理论计算得出了不同润滑参数下,滑动轴承声发射信号能量的大小,然后通过在300 MW汽轮发电机组模拟转子试验台上模拟工程实际中滑动轴承的两类常见异常工况,利用小波分析和传统的傅立叶变换对得到的滑动轴承声发射信号进行分析处理,提取了轴承声发射信号的特征参数,并得到了滑动轴承不同运行状态下的声发射信号特征参数变化规律,同时也验证了理论分析结果。     

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。     

基于混叠补偿小波变换的电力系统谐波检测方法

虽然许多文献表明基于小波的谐波检测方法优于传统的谐波检测技术，但因混叠现象的普遍存在，导致其精度低、鲁棒性差，需要寻求新的解决方法。该文研究了小波变换的混叠现象，提出了一种电力系统谐波检测的抗混叠小波分析方法。离散小波变换混叠补偿方法，通过该方法将谐波信号分解成不同频带的子频带信号，再利用连续小波变换对非零子频带信号进行分析，提取谐波分量特征。仿真试验和几种方法的计算结果表明，文中所提出的谐波分析方法能够有效地消除小波混叠，并能精确地提取谐波分量特征，从而为电力系统谐波精确检测提供了一种有效的手段。     

基于DWT-PNN的柔性直流输电系统故障检测方法

柔性直流输电系统故障极大地影响了电力系统的稳定性.现有输电线路故障检测方法存在阈值选取困难、对过渡电阻阻值变化敏感、检测时间长等问题.提出一种基于小波能量占比的使用概率型神经网络(PNN)进行故障类型检测与位置判别的方法.通过对不同故障类型下的母线和线路测量电压进行快速傅里叶分析得出暂态电压频率特性,再利用离散小波变换(DWT)求得不同尺度下的小波能量特性,通过大量的离线仿真数据对PNN进行训练,根据PNN的输出结果实现故障类型与故障位置的精确判定.在PSCAD/EMTDC仿真环境下搭建了四端柔性直流电网电磁暂态模型进行仿真验证,结果表明所提方法可以准确地对高阻接地故障的故障类型与位置判别进行检测,不受过渡电阻阻值影响.     

基于混沌和SVD-DWT的数字图像水印算法

提出了一种基于奇异值分解和离散小波变换相结合的数字水印算法。将二值水印图像用混沌的方法进行置乱并对原始图像进行N层小波分解,对小波系数LLn,LHn,HLn,HHn分别采用不同的方式嵌入水印信息。对LLn部分,根据系数的能量大小嵌入伪随机扩频序列;对LHn,HLn,HHn三个小波系数矩阵作奇异值分解,将置乱水印的奇异特征值嵌入到这三个小波矩阵的奇异特征值中。针对嵌入方案,设计了非盲检测和盲检测算法。实验仿真表明,该算法能够经受住噪声、中值滤波、JPEG压缩和剪切等攻击,具有较强的鲁棒性。     

基于小波变换和Prony算法的振荡瞬变和电压波动检测

近年来,电能质量扰动信号的检测已成为国内外研究的一个热点。就振荡瞬变与电压波动这两种电能质量现象提出了新的检测方法。对于振荡瞬变现象,现有的方法往往只能实现扰动定位检测,难以提供振荡频率、幅值、持续时间等必要特性参数。提出了基于小波变换和Prony算法的检测方法,利用小波奇异性检测特性实现扰动定位检测,同时还利用Prony算法直接求取其特征参数。对于电压波动,IEC推荐的闪变仪不适合分析时变的或含多种调制频率的波动信号,并且只能提供基于统计评价的闪变值。提出的基于小波变换的检测方法,利用小波奇异性检测特性检测出波动的起止时刻：利用小渡多分辨分析理论测量出波动分量含有的各调制频率及对应幅值,最后计算出闪变值。基于Matlab和Simulink／PSB软件的仿真结果都表明了提出的两种检测方法的有效性。     

基于离散小波的变压器绕组振荡波故障检测方法

本文中作者提出了一种基于相关系数和离散小波变换(DWT)的变压器绕组振荡波故障检测方法,并搭建了10kV变压器绕组故障模拟测试平台进行了试验分析。     

基于小波分析的电压闪变信号拟同步检波的峰值比较法

提出了用小波分析的峰值比较法和拟同步检波的电压闪变信号检测新方法。该方法用软件来模拟硬件的同步检波,大大地减少了投资成本;用小波子带滤波器代替传统的低通滤波器,不仅能够对电压闪变信号进行不失真的包络检测,且能够检测出电压闪变信号发生的时间、频率以及幅值。仿真结果表明,该方法对电压闪变信号检测和时频分析性能良好,特别适用于突变的、非平稳的电压波动与闪变信号的检测。     

High impedance fault detection methodology using wavelet transform and artificial neural networks

This paper presents a new technique based on the combination of wavelet transform (WT) and artificial neural networks (ANNs) for addressing the problem of high impedance faults (HIFs) detection in electrical distribution feeders. The change in phase current waveforms caused by faults and normal switching events has been used in this methodology. The discrete wavelet transform (DWT) used decomposes the time domain current signals into different harmonics in time-frequency domain and extracts special features to train ANNs. This preprocessing reduces the number of inputs to ANN and improves the training convergence. The ANN structure and learning algorithm used in this method is the multilayer perceptron network and Levenberg-Marquardt back-propagation algorithm, respectively.The signal data of several HIFs, low impedance faults (LIFs) and normal switching events have been obtained by the simulation of a real distribution network, with five feeders, under these different operations conditions, using SimPowerSystem Blockset of MATLAB. The results obtained have validated the effectiveness of the proposed methodology to detect HIFs and discriminate them from normal transient operations.     

Wavelet transform based relay algorithm for the detection of stochastic high impedance faults

High impedance faults (HIF) are faults which are difficult to detect by overcurrent protection relays. This paper presents a practical pattern recognition based algorithm for electric distribution high impedance fault detection. The scheme recognizes the distortion of the voltage and current waveforms caused by the arcs usually associated with HIF. The analysis using discrete wavelet transform (DWT) yields three phase voltage and current in the low frequency range which fed to a classifier for pattern recognition. The classifier is based on the algorithm using nearest neighbour rule approach. A HIF model was also developed, where the random nature of the arc was simulated using MATLAB.     

A critical fault detection analysis & faulttime in a UPFC transmission line

This paper discusses a critical study of fault detection and fault time analysis in a Unified Power Flow Controller (UPFC) transmission line. Here the Discrete Wavelet Transform (DWT) and Discrete Fourier Transform (DFT) approach are used for processing the faulty current signal to obtain fundamental current signal. The extracted fault current signals from the current transformer are fed to DWT and DFT approach for computing spectral energy (SE). The differential spectral energy (DSE) of phase currents are evaluated by taking the difference of SE obtained at sending and receiving end. The DSE is the key factor for deciding the fault in any of the phase or not. The Daubechy mother wavelet (db4) is used here because of its high accuracy of detection with less processing time. The novelty of the scheme is that it can accurately detect the critical fault variation of the line. Number of simulations are validated at the extreme condition of the line and compared to other conventional existing scheme. Multi-phase fault in double circuit line, CT saturation, UPFC operating condition (series voltage and angle), UPFC location and wind speed variation including wind farm simulation are validated to verify the performance of the scheme. The advantages of the scheme is that it works effectively to detect the fault at any stage of critical condition of the line and fault detection time remains within 20 msec (less than one cycle period). This scheme protects both internal and external zone including parameter variation of the line.