采用小波变换的功率测量方法

根据国家电能质量标准和国际相关标准对电能质量的要求 ,提出了一种基于小波变换的非正弦波电流 (电压 )有效值和功率的计算方法。此方法利用子带滤波器对非正弦信号进行多分辨率分解 ,得到各个不同频带的小波分解系数 ,在小波域上用小波系数计算基波、谐波电流 (电压 )的有效值及功率 ;同时利用快速小波变换算法对短时间信号进行分析 ,得到了很好的测量结果 ,为工程实践中快速、精确地测定电网的功率参数提供了一种有效的方法。     

小波变换在电力系统谐波检测中的应用

将小波变换方法应用于电力系统谐波检测中，用仿真算例说明该方法具有一定的有效性和可行性；用不同的小波函数进行了基频分量提取，给出了误差比较结果，初步分析了小波变换用于谐波检测时产生误差的主要原因．     

相关机械振源的盲源分离方法

相关源不满足独立分量分析关于源的统计独立性假设,标准的独立分量分析方法无法准确分离相关机械振源信号。在相关振源信号的部分频带满足统计独立的假设前提下,提出了一种基于小波包分解的相关机械源盲源分离方法。该方法将观测信号用小波包分解成子带观测信号,根据互信息标准选择相关性较小的若干子带观测信号重构观测信号。通过重构的观测信号的独立分量分析估计分离矩阵,然后用该矩阵分离原始观测信号从而实现相关机械振源信号的分离。仿真试验验证了该方法的有效性。     

运用分量信号小波能量法识别时变结构损伤

在采用解析模态分解定理提取分量信号的基础上,对一阶分量信号进行复Morlet小波变换,并定义损伤前后一阶小波能量比值指标来识别时变结构的损伤位置,然后从损伤位置处的响应信号出发,引入滑动时间窗思想,提出归一化一阶小波能量变化指标,来预测结构损伤的演化过程。采用一个刚度突变和线性变化的三层剪切型建筑结构数值算例对提出的损伤指标进行验证,结果表明:该指标能够有效识别结构的损伤位置和时变损伤。     

轮式装载机驾驶室噪声源分离和识别

为了改善装载机的噪声状况,提高产品的噪声分析技术水平及产品市场竞争力,采用鲁棒独立分量分析(RobustICA)的方法,对ZL50轮式装载机驾驶室噪声进行了声源识别的研究.主要采用RobustICA算法对测得的驾驶室噪声信号进行了盲源分离,得到一系列独立的噪声分量,利用连续小波变换和相干分析对分离得到的各独立分量进行了分析,时频分析和相干分析结果确定了分离得到的各独立分量和不同噪声源的对应关系.结果表明,采用该方法分离得到的独立分量分别对应着装载机的排气噪声和风扇噪声,且两者为司机耳旁噪声的主要成分.验证了鲁棒独立分量分析在声源分离和识别领域的优越性.     

旋转机械阶比跟踪中的阶比交叠噪声消除

旋转机械的升/降速过程的阶比分析中测试数据容易受到阶比交叠噪声分量的干扰,使得分析结果失真甚至无意义.提出了对测试数据先用独立分量进行分解,将混合信号中的阶比分量和非阶比交叉噪声分离为不同独立信号分量,在此基础上再对分离出的阶比分量信号对应独立信号分量进行阶比跟踪分析,解决了阶比跟踪分析中的交叠噪声干扰问题.对Gabor阶比跟踪和独立分量分析的基本原理进行了简要介绍,在此基础上提出了本方法的实现方案,并在阶比分析中解决了独立分量分析具有的不确定性问题.通过仿真试验和实际测试对本方法的有效性进行了评价.     

基于小波包和RobustICA的无线电混合信号分离

针对复杂电磁环境下无线电混合信号分离困难的问题,提出将小波包和鲁棒性独立分量分析(Robust ICA)算法应用于较低信噪比且频率接近的无线电混合信号的分离。首先用小波包分析方法对混合信号进行降噪预处理,然后采用盲源分离算法中的鲁棒性独立分量分析算法对降噪后的混合信号进行分离,通过观察分离后信号的波形和频率以及相似系数对分离结果进行定性和定量分析。所提算法与单独采用Robust ICA算法的结果对比表明:所提算法分离出的信号在波形和频率以及相似系数方面均比单独采用Robust ICA算法取得的效果好,从而证明所提算法可以较好地应用于无线电混合信号的分离。     

基于信号共振稀疏分解与重分配小波尺度谱的转子碰摩故障诊断方法

提出了基于信号共振稀疏分解与重分配小波尺度谱的转子碰摩故障诊断方法。与常规的基于频带划分的信号分解方法不同,信号共振稀疏分解方法根据信号中各成分品质因子的不同,将信号分解成高共振分量和低共振分量。当转子出现碰摩故障时,振动信号往往由以转频及谐波为主要成分的周期信号、包含转子故障信息的瞬态冲击信号以及噪声组成。周期信号为窄带信号,具有高的品质因子,可分解为高共振分量;而瞬态冲击信号为宽带信号,具有低的品质因子,可分解为低共振分量。本文方法先利用信号共振稀疏分解方法从转子碰摩信号中提取冲击成分,再对提取的冲击成分进行重分配小波尺度谱分析,最后根据尺度图中冲击成分的周期诊断转子碰摩故障。算法仿真和应用实例验证了该方法诊断转子碰摩故障的有效性。     

基于经验模态分解与小波分析的超声信号降噪方法

经验模态分解(EMD)是目前信号去噪中应用较多的一种方法,但处理与噪声时频特征相近的信号时,该算法存在内蕴模态函数(IMF)混叠现象.本文从信号降噪的角度出发,提出基于经验模态分解与小波分析的超声信号降噪方法,首先利用EMD将信号分解为多个IMF分量,通过计算各分量与信号间的互相关系数判断存在模态混叠现象的过渡IMF,从多个IMF分量辨识出噪声与信号的分界,对过渡IMF进行小波去噪,去除过渡分量中的噪声;然后将去噪后的过渡分量IMF与其后续分量进行信号重构,得到去噪后的信号.为了验证所提方法的有效性,本文分别以含噪bumps信号和实际超声信号为例,将该方法与其它4种去噪方法进行了对比.实验结果表明:EMD结合小波法优于单独小波法,而本文方法进一步提高了EMD方法的去噪能力,为EMD去噪方法的改进提供了新思路.     

基于小波变换的介损测量方法研究

高压介质损耗测量是电力系统中检测高压电气设备的常规项目，对于高压电气设备的正常运行至关重要。依据小波分析理论、阐述了信号分解重构的过程，并且结合损耗测量中的波形特征，提出了利用小波变换来提取基波信号计算介质损耗角的检测方法，能够有效的消除谐波和噪声的影响。仿真分析表明，小波变换在介损测量中有较好的应用效果。     

一种负荷突变情况下异步电机转子断条故障在线检测新方法

异步电机发生转子断条故障时,其定子电流故障特征频率分量容易被电流基频淹没,加之实际工作中电机负荷突变的干扰,极大地增加了故障特征频率提取及检测的难度。为解决该问题,将解析小波和定子电流谱减法结合,提出一种有效的故障检测新方法。该方法首先利用解析小波变换来判断负荷突变点,然后通过谱减法来消除定子电流频谱中的基频分量,突出故障特征频率,进一步定义故障程度因子来量化转子断条故障程度。仿真和实验分析结果表明,该方法对于负荷突变情况下转子断条故障特征频率更加敏感,能够定量地描述转子故障程度。     

Cutting force denoising in micro-milling tool condition monitoring

An independent component analysis (ICA) algorithm for cutting force denoising was applied in micro-milling tool condition monitoring. In micro-milling, the comparatively small cutting force signal is prone to contamination by relatively large noise, and as a result it is important to denoise the force signal before further processing it. However, the traditional denoising methods, based on Gaussian noise assumption, lose here because the noise is identified as containing a high non-Gaussian component in the experiment. ICA was recently developed to deal with the blind source separation (BSS) problem. It solves the BSS problem by measuring the non-Gaussianity of the signal and it is particularly effective in the separation of non-Gaussian signals. This approach employs fixed-point ICA (FastICA), assuming the noises are sources and the force signal is an instantaneous mixture of sources and by treating the signal denoising process as a BSS. The results are illustrated both in time and frequency domains. The FastICA denoising performances are compared with the popular wavelet thresholding. The results show that FastICA performs better than wavelet. Theoretical discussion of the nature of ICA and wavelet thresholding supports the results: ICA separates both Gaussian and non-Gaussian noise sources, while wavelet only suppresses Gaussian noise.     

基于改进主元分析方法的空调系统传感器故障检测和诊断研究

传感器在空调系统中主要起着监测和控制的作用,影响空调系统的正常运行,从而带来能耗增加等不良影响。本文提出了结合小波变换的数据优化,以及基于神经网络的故障诊断优化的改进主元分析方法,用于空调系统传感器故障检测和诊断研究。通过对比数据优化前后主元分析的结果,发现同样0. 850 0累计贡献率原则上,采用小波变换去除噪声后,主元个数减少了两个,蒸发器进口温度传感器的固定偏差、漂移、精度下降等故障检测效果分别提升了0. 020 7、0. 020 8、0. 041 5,风量传感器固定偏差故障检测效果提升了0. 160 6。为了进一步找出故障源,在小波变换和主元分析的基础上,将求得的主元作为神经网络的输入,对5个传感器固定偏差故障进行测试,故障诊断结果分别为0. 766 7、0. 866 7、0. 900 0、1. 000 0、1. 000 0。     

面向高保真再现的多光谱图像降维方法

目的研究满足面向高保真再现要求的多光谱图像降维方法。方法基于二进制小波对信号的分解与人类的视觉特性相匹配,以及非负主成分分析法可较好地保证降维的光谱精度,提出采用基于离散二进制小波变化与非负主成分分析法的综合降维方法,并基于多光谱图像高保真再现的光谱精度、色度精度与变光源色差稳定性的要求,提出采用CIELAB的标准色差ab?E、光谱保真度和平均梯度等3个指标来评价降维效果。结果经过多光谱图像的测试实验,基于离散小波变换和非负主成分分析法的综合降维方法相对于其他3种方法,其光谱精度、色度精度和图像清晰度保持良好。结论该方法较好地实现了多光谱图像的高保真再现问题,并且为颜色视觉的认知过程提供了新的理论解释。     

基于MSPCA的缸盖振动信号特征增强方法研究

针对发动机缸盖振动信号信噪比低的问题,提出了基于多尺度主元分析的故障特征增强方法。将缸盖振动信号小波包分解后,利用主成分分析对所有子带系数进行坐标变换,信号重构后再进行小波包分解,计算新坐标系下各子带的能量作为发动机故障的特征向量。仿真信号验证了本文所提算法对微弱冲击信号的增强能力,与支持向量机结合用于发动机十一种故障的诊断实例表明,故障分类准确率可达到98.76%。     

基于重分配配算法和奇异值分解的多小波脊线提取

小波脊线能较好地揭示信号瞬时频率变化情况。针对目前多小波脊线提取方法存在的问题,提出了一种多小波脊线提取的新方法。该法通过连续小波变换得到小波尺度谱后,利用重分配算法对其进行处理,再通过奇异值分解降噪,然后通过求小波系数的模极大值点来提取各分量的小波脊线。与其它方法相比,该法更加适合于某些分量具有较大载波频率的低信噪比多分量AM-FM信号的小波脊线提取。在齿轮故障特征提取中的应用结果也验证了所提方法的有效性和实用性。     

High-impedance fault detection using multi-resolution signal decomposition and adaptive neural fuzzy inference system

High-impedance faults (HIFs) on distribution systems create unique challenges to protection engineers. HIFs do not produce enough fault current to be detected by conventional overcurrent relays or fuses. A method for HIF detection based on the nonlinear behaviour of current waveforms is presented. Using this method, HIFs can be distinguished successfully from other similar waveforms such as nonlinear load currents, secondary current of saturated current transformers and inrush currents. A wavelet multi-resolution signal decomposition method is used for feature extraction. Extracted features are fed to an adaptive neural fuzzy inference system (ANFIS) for identification and classification. The effect of choice of mother wavelet is also analysed by investigating a large number of wavelet families. Various simulation results, which are obtained using an appropriate model, are summarised and efficiency of the proposed algorithm for dependable and secure HIF detection is determined.