基于匹配追踪稀疏分解的电能质量扰动检测

根据基于冗余字典的匹配追踪(MP)信号分解思想,提出一种电能质量扰动信号的参数检测与特征波形提取方法。在MP算法的每次迭代中,首先采用快速傅里叶变换(FFT)搜索能量最大的频率成分,然后采用基于离散Gabor原子中心区域的简化内积计算方法获得扰动参数的估计值,并以该估计值作为初始解,采用BFGS算法做局部搜索,进而获得精确匹配参数,并结合基于递归的内积计算确定扰动的起止时刻,最后根据电力信号扰动波形特点,设计合成字典,确定与扰动成分最匹配的波形。对单一和混合电能质量扰动信号的分解实验表明,该方法可以实现扰动参数的快速精确检测,进而有效提取扰动特征波形,并具有较好的抗噪性能。     

Matching-pursuit-based adaptive wavelet-packet atomic decomposition applied in ultrasonic inspection

A novel method of time-frequency analysis, wavelet-packet atomic decomposition based on the matching-pursuit (MP) algorithm, is proposed for improvement of ultrasonic flaw detection during ultrasonic NDT. The MP algorithm is used to decompose a nonlinear and nonstationary signal into given atoms in an overcomplete wavelet-packet dictionary. The wavelet-packet dictionary with Daubechies wavelet functions, which well match the observed ultrasonic flaw echoes, is selected. By means of adaptively selecting the optimum atoms to reconstruct a signal, it is possible to obtain spare approximations of the original signal with less complexity and to efficiently improve a signal corrupted by noise. A distinct SNR enhancement for an ultrasonic echo during flaw detection is verified by computer simulation and experimental results. The text was submitted by the authors in English.     

非平稳背景噪声下声音信号增强技术

在电力电缆故障精确定位中声磁同步法由于具有精度高与抗干扰能力强的优点而得到广泛的应用,但放电声音信号的有效检测是其难点。由于小波包变换在检测正常信号中是否含有瞬态异常现象方面具有独特的优势,自适应滤波器具有对信号和噪声的先验知识需求少的特性以及遗传算法具有不依赖于具体问题的优点,提出了一种基于小波包变换分解信号、自适应滤波估计噪声与遗传算法寻优重构相结合的声音信号增强算法。实验研究表明,该算法精确性高、鲁棒性强,尤其适用于电缆故障点放电声不明显时声音信号提取的情况,从而解决了电缆故障精确定位中对背景噪声要求高、识别范围小的问题。     

角加速度信号自适应小波的去噪方法

针对多扰动、大负载环境下角加速度计输出信号中含有脉冲噪声和高斯白噪声的情况,提出一种改进的离散小波阈值法与中值滤波算法相结合的角加速度计信号自适应去噪算法。首先,使用中值滤波对原始信号进行去除脉冲噪声的预处理;其次,使用分解层数的自适应确定方法与改进的阈值选取准则,通过离散小波阈值去噪法去除高斯白噪声。仿真结果表明,该算法能够有效地提高信噪比,降低最小均方误差。实验结果表明,该算法既能去除分子型液环式角加速度计信号中噪声,又能很好地保留真实信号中的高动态部分。     

基于驰振的压电能量采集器建模与实验研究

针对低信噪比环境下核电站松动件的检测，以降低误报率、漏报率为目标，提出了一种基于盲解卷积算法的松动部件冲击响应提取方法，并进一步结合支持向量机分类辨识算法，给出了一种低信噪比环境下核电站松动部件检测方法。利用叠加实堆背景噪声的平板钢球跌落实验数据开展了报警研究，并对盲解卷积算法进行了参数优化设计。结果表明：优化后的盲解卷积算法能够很好地恢复出信噪比低至-20dB的冲击响应信号，并使噪声能量降低了75%，有效抑制了噪声；给出的松动部件检测方法在信噪比低至-14dB时，仍具有极低的漏报率，并且噪声误报率和脉冲干扰误报率为零，因而具有良好的抗误报、抗漏报能力。     

基于L-T的联合算法在光纤法珀纳米压力传感器脉压检测信号中的应用

研究了一种改进的去噪方法及其在脉冲拍频信号去噪中的应用。该算法结合了局部均值分解(Local mean decomposition,LMD)和时频峰值滤波(Time-frequency peak filtering,TFPF)的优点,称为L-T算法。TFPF作为一种经典的时频滤波方法,较长的窗长可以在保留信号幅值的前提下有效抑制随机噪声,而较短的窗长则导致信号幅值严重衰减。因此,为了保持有效信号幅度、抑制随机噪声,对LMD和TFPF进行了改进。首先利用LMD将原始信号分解为无级生存(Progression-free survival,PFS),然后计算各乘积函数均值的标准误差,将许多PFSs分为有用分量、混合分量和噪声分量。其次,将短窗TFPF用于有用分量去噪,长窗TFPF用于混合分量去噪,得到重构后的信号。最后,将该算法用于F-P压力传感器的降噪。实验结果表明,与传统小波去噪算法相比,L-T算法去噪效果更优。     

基于驰振的压电能量采集器建模与实验研究

在压电能量采集器分布参数模型的基础上，对驰振作用下悬臂式压电能量采集器的振动和能量采集情况作进一步理论分析，得到质量块起振风速以及从起振到驰振过程中所采集到功率的解析解。利用直流式闭口低速风洞分别对正三棱柱、正四棱柱悬臂式压电能量采集器进行实验测试，结果表明，正四棱柱能量采集器和正三棱柱能量采集器的采集功率分别达到0.248 5 mW和0.125 9 mW。通过对采集功率和电压时程曲线进行对比，其理论解和实验值吻合程度较高，理论模型具有较高精度。通过理论模型分析发现：风速越大，质量块质量越小，能量采集器采集功率越高；对于不同条件下的能量采集器均存在最优外载阻值，低风速下还会出现双最优外载阻值。     

基于粒子群优化的形态学滤波器消噪方法

为了有效地消除信号的噪声,提出了基于粒子群优化的数学形态滤波器构造方法。首先,根据数学形态学算法的特性构造了形态学滤波器;然后,对于形态学滤波运算中的重要参数形态结构算子,采用具有全局优化性能的粒子群算法自适应选取,以最大信噪比作为整个优化过程的判定标准,从而实现了最优滤波器的构造;最后,通过仿真实验和轴承故障信号的分析表明,该形态学滤波器能够实现较好的滤波效果,可以有效地对机械设备的故障信号进行消噪。     

弧焊过程电信号的小波包分析

CO2弧焊过程电信号的实际测试过程中,消除噪声干扰是一个重要的环节,小波包滤波方法可以有效地将信号和噪声区别开来。在Windows环境下,采用Visual C++6.0编程实现了小波包软阈值算法。测试结果表明:基于软阈值的小波包滤波是一种更有效的降噪方法,它可以改善信号特征信息的提取。     

基于模态分量优化重构和稀疏表达的 静电信号联合降噪方法

航空发动机静电监测技术表现出了较高的故障预警能力,但原始静电信号常包含较多噪声,为提高故障信息提取的准确性,必须对静电信号进行降噪处理。本研究首先介绍了静电监测技术的原理,分析了信号的噪声的来源和主要构成;针对静电信号耦合噪声滤除问题,引入了信号稀疏表达和经验模态分解理论,研究了模态分量的筛选依据和相关准则,并提出了一种基于模态分量优化重构和稀疏表达的联合降噪算法和具体流程;利用所提方法对涡扇发动机试车实验中采集的实际静电信号进行了降噪效果验证,并与其它方法进行了对比。结果表明本文方法在滤除随机噪声以及工频干扰的同时能更高程度的保留有用异常颗粒信号,稀疏迭代次数在设置为20～50时均能够较好提取异常信号。     

基于双通道能量差的环网柜局放信号消噪方法

利用放电声音信号检测环网柜的局部放电具有信息量丰富、能够准确反映放电故障等特点而得到广泛应用,但放电声音信号的有效检测是一个难点。双通道录音在消噪领域中具有独特的优势,能够有效消除非平稳噪声,根据现场测量噪声干扰多为远距离的非平稳噪声,而局放信号为近距离声源的特点,提出了一种基于双通道能量差(PLD)的环网柜放电信号消噪方法。仿真实验结果表明,相比基于谱减法和维纳滤波的单通道消噪方法,本文所提消噪方法在两种非平稳噪声下的信噪比分别平均高出了14.8 dB和9.1 dB,均方误差(1×10~(-4))分别平均减小了19.34和15.50,消噪效果优于单通道消噪算法,现场实验结果表明,环网柜放电声音波形明显被突出加强,能够有效去除周围环境中的非平稳噪声,从而保留有效放电信号,为环网柜的局放诊断提供有效的数据支撑。     

EEMD和TFPF联合降噪法在齿轮故障诊断中的应用

为了消除噪声对齿轮传动系统故障特征提取的影响,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)和时频峰值滤波(time-frequency peak filtering,简称TFPF)相结合的降噪方法。针对TFPF算法在窗长的选择方面受到限制的问题,采用了EEMD方法对其进行改进,使得信号在噪声压制和有效信号保真两方面得到权衡;含噪声的信号经过EEMD分解后,得到一系列频率成分从高到低的本征模态函数(intrinsic mode functions,简称IMFs),计算出各IMFs间的相关系数,判断需要滤波的IMFs。对不同的IMFs选择不同的窗长进行TFPF滤波,把过滤后的IMFs和剩余的IMFs重构得到最终的降噪信号。用模拟仿真信号和齿轮齿根故障信号对该方法进行验证,可见EEMD+TFPF能有效地去除噪声,成功提取齿根裂纹故障特征。     

基于重分配魏格纳时频谱和SVD的故障诊断

时频谱重分配能有效提高时频谱的时频聚集性,减少干扰项。当振动信号中存在着能量较大噪声时,重分配时频谱会受到噪声干扰影响,降低时频分布的可读性。将重分配魏格纳时频谱(RWVDS)和奇异值分解(SVD)结合形成一种新的机械故障诊断方法。利用重分配算法对魏格纳时频谱进行重分配,提高魏格纳时频谱的时频聚集性,再对重分配时频谱进行SVD降噪,降低了噪声干扰影响,提高其时频分布的可读性。该方法对仿真信号、滚动轴承及齿轮箱故障信号进行了分析,并与其他几种方法作了比较。结果表明,该方法时频聚集性好,抗噪能力强,能有效识别强噪声背景下的机械故障特征。     

用小波变换提高散斑能见度光谱测量法的灵敏度

在分析被动层颗粒温度含噪特点的基础上模拟了低信噪比的方波信号,根据变化规律,采用Mallat快速算法分析低信噪比的方波信号,并根据噪声分布特性设计了用于抑制被动层颗粒温度中干扰噪声的算法。对所设计算法进行仿真实验,结果表明,该算法可以最大限度地滤除信号中的噪声。通过搭建滚筒实验装置,测量滚筒被动层的颗粒温度,对测量数据进行分析,有效地测出了内部颗粒温度状态变化,表明了小波变换能有效提高测量被动层颗粒温度的信噪比。     

一种新的小波阈值函数去噪算法

小波阈值去噪算法是一种经典的振动信号去噪算法,但仍有一定局限性。为了更好地消除噪声对被测振动信号的干扰,提取信号的有用成分,本文对比分析了几种不同小波阈值去噪算法,并在经典小波阈值去噪算法的基础上改进了阈值函数,提出了一种新的小波阈值去噪算法。对模拟信号及实测风机振动信号进行去噪处理并分别与经典及改进的小波阈值去噪效果进行定量比较。结果表明:新的小波阈值函数更好地抑制了噪声污染和保持信号细节,有效地消除了背景噪声,提高了信号特征的可分离性,具有较高的实用价值。     

盲解卷积和频域压缩感知在轴承复合故障声学诊断的应用

针对时域盲解卷积算法对单一故障机械声信号有效,及传统稀疏分量分析对声信号分析失效等问题,提出一种盲解卷积、形态滤波和频域压缩感知重构的稀疏分量分析相结合的轴承复合故障声学诊断方法。通过时域盲解卷积算法优选分量结果,提取声信号的冲击成分。使用形态滤波滤除背景噪声。使用模糊C均值聚类估计混合矩阵,重构传感矩阵,并运用稀疏度自适应匹配追踪基算法(Sparsity adaptive matching pursuit,SAMP)的频域压缩感知重构分离信号。双通道滚动轴承故障声信号分析结果表明该方法能够有效分离和提取滚动轴承故障特征。     

基于小波和神经网络的视觉诱发电位识别方法

在基于瞬态视觉诱发电位的脑机接口研究中，通过视觉诱发电位信号的提取与识别产生脑机接口控制信号。采用累加平均和小波滤波提取强噪声背景下微弱的视觉诱发电位。在小波变换域求取特征向量，将特征向量输入感知器进行视觉诱发电位模糊识别，产生脑机接口控制信号。实验表明，小波变换域特征向量提取方法能有效地实现信号的去噪、降维和特征提取，基于神经网络的模糊识别算法能比较准确地识别视觉诱发电位，有利于提高脑机接口的通讯率。     

基于加权排列熵和DE-ELM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳非线性的特征,提出一种基于加权排列熵和差分进化算法优化极限学习机(DE-ELM)的滚动轴承故障诊断方法。首先利用自适应噪声的完全集合经验模态分解处理轴承振动信号得到固有模态函数(IMF),然后计算主要IMF分量的加权排列熵组成故障特征向量,最后利用差分优化算法(DE)优化极限学习机隐含层输入权值和偏置,并将故障特征向量作为DE-ELM的输入。实验证明,加权排列熵能够精确提取故障特征,DE-ELM算法能有效提高故障分类精度。与多种方法相比,该方法更加准确可靠。     

壳段厚度激光检测信号的变分模态分解去噪

针对双激光位移传感器测量大型壳段厚度过程中噪声对检测精度的影响,提出利用变分模态分解来实现对厚度信号的自适应去噪,利用相邻固有模态函数之间的离散Hellinger距离来获取最佳的模态数。该方法将变分模态分解算法引入到激光信号的自适应滤波过程中,分析并改进了变分模态分解算法的过分解、欠分解以及能量泄露的问题。然后,对改进的变分模态分解与希伯特振动分解和自适应噪声总体集合经验模态分解进行性能对比,提出了固有模态函数的相对瞬时能量概率的概念。最后,结合离散Hellinger概率分布距离理论判断固有模态之间的信噪分界点,实现了对信号的重构及滤波处理。仿真和实验结果表明,该方法对壳段厚度信号处理的信噪比为39.27dB,比自适应噪声总体集合经验模态分解方法提高了10dB,具有良好的自适应性,无需先验条件便能快速有效地识别并分离激光信号中的噪声成分。     

基于循环多核相关熵的故障检测方法及应用* .txt

摘要：针对传统基于二阶统计量的循环平稳信号处理方法不能有效处理脉冲噪声干扰的问题，提出了一种基于循环多核相关熵的故障检测方法。首先，给出了多核相关熵的定义，推导了循环多核相关熵函数和循环多核相关熵谱密度函数计算公式，分析了循环多核相关熵的降噪机理；其次，用仿真信号验证了在低噪声比（SNR=-5）情况下循环多核相关熵的降噪性能，表明了循环多核相关熵不仅能有效抑制高斯噪声，而且能有效抑制非高斯噪声，循环多核相关熵为高斯、非高斯噪声的处理提供了一种鲁棒性处理方法；最后，将循环多核相关熵方法应用于齿轮箱齿轮齿面磨损故障诊断，实验结果表明：循环多核相关熵具有解调功能，能准确刻画齿轮齿面磨损故障的频谱特征，可有效提取淹没在强噪声环境中的微弱信号，提高了信噪比，证明了此方法为一种齿轮故障诊断的有效方法。 .txt