故障分析中的小波软阈值改进除噪方法

软阈值消噪是信号消噪中的标准算法.故障检测中的信号去噪,要求在降低噪声水平的同时,保留信号中用于故障检测的奇异特征.通过分析信号和噪声的小波系数在小波空间的不同特性,在"噪声强度估计"、"阈值选择策略"和"小波系数调整策略"三个方面对软阈值除噪技术进行了改进.仿真研究表明改进方法较好地解决了保护信号局部特征和抑制噪声之间的矛盾,并对各种类型的故障信号均能进行有效的分析.     

基于改进阈值去噪的谐波检测

为保证电力系统的安全运行,必须要对谐波进行准确的检测和分析。电力系统中的信号不仅由基波和各次谐波组成,还包含大量的噪声,噪声的存在严重影响电力系统谐波检测的精确性。针对传统的软阈值和硬阈值去噪方法的不足,提出了一种基于sym8小波的改进阈值去噪方法。首先用sym8小波对信号5层分解,然后对第一层、第二层小波系数去噪优化,最后基于优化后的各层系数对信号进行重构和谐波检测。在Matlab平台下对比软、硬阈值和改进阈值的去噪效果,表明改进阈值去噪方法效果更好,并用该方法去噪后检测谐波的准确性明显提高。     

小波阈值估计在电力系统故障信号消噪处理中的应用

考虑电力系统中噪声因素对故障检测与识别的影响,在分析了噪声信号的小波变换特性的基础上,提出一种基于小波系数的阈值估计方法.应用该方法对电力系统故障暂态信号进行消噪处理,从而更有利于故障的检测与识别.通过仿真实例说明,在消噪效果和计算量等方面,该方法比其它传统阈值算法更具优越性.     

基于小波分析的输电线路故障行波消噪方法研究

针对输电线路故障点检测信号含噪声,造成应用困难和测量误差增大等问题,根据小波分析理论,以输电线路故障点暂态行波为检测对象,提出基于小波变换的半软阈值消噪法,并利用MATLAB搭建仿真模型进行仿真分析。分析、对比不同消噪算法的仿真结果表明:该消噪方法适合消除噪声,降低了噪声对检测信号的影响,提高了故障暂态行波检测的可靠性。     

小波软阈值去噪技术在电能质量检测中的应用

小波方法是一种很好的电能质量信号检测和分析工具，但其性能往往受信号中噪声的影响，当噪声比较大的时候，小波方法甚至会失效。文中根据小波变换的时频特性，分析了信号和噪声在小波分解过程中的不同特性，并在此基础上利用改进的软阈值去噪技术对电能质量信号进行信号去噪处理。软阈值方法能根据各小波空间上特征分量和噪声的统计特性设置适当的阈值来消除噪声，并以此恢复小波方法的性能。该方法不仅较好地解决了保护信号局部特征与抑制噪声之间的矛盾，能很好地对各种电能质量信号进行去噪处理，而且达到了数据压缩的效果。仿真计算结果表明，该去噪方法是有效的。     

磁记忆检测套管的自适应信号去噪和故障分类

磁记忆检测方法可有效对井下套管应力集中区进行早期诊断.磁记忆信号非常微弱,容易受到噪声干扰,难以提取其特征量,致使很难定性和定量评估套管的危险等级.对不同尺度空间信号的小波系数进行自适应阈值估计,并基于最优软阈值消噪,从而抑制信号中的噪声,有效提高信噪比,准确识别了套管应力集中区;同时,通过BP神经网络实现了套管故障安全等级的非线性分类,实验验证了方法的有效性.     

改进阈值函数的小波熵方法抑制局部放电白噪声的研究

针对传统硬阈值法和软阈值法的缺陷,提出了改进阈值函数的小波熵方法。该方法对含噪局放信号进行小波分解,基于小波熵自适应选取阈值,并引入一种改进阈值函数对小波系数进行处理,最后重构得到去噪后信号。典型仿真信号和实测信号的去噪结果表明,提出的方法能够有效去除局放信号中的白噪声。     

基于最优小波包基的电动机故障信号的消噪与检测

现场采样获得的电动机故障信号通常会含有很多的噪声，如果对噪声不能加以有效地消除。那么故障特征信息的提取将会受到很大的影响。该文通过对基于shannon熵的最优小波包基的快速搜索算法的探讨，提出了基于最优小波包基的电动机故障信号的消噪与检测方法，通过实例分析，验证了基于最优小波包基的信号消噪声效果要优于小波方法或普通小波方法的消噪效果，通过对消噪后的故障信号进行分析，提取出了故障特征信息，检测结果表明，在故障检测前先采用最优小波包基方法对故障信号进行消噪，有利于提高电动机故障检测的准确性。     

基于信号相关性和小波方法的电能质量去噪算法

提出了一种基于小波原理的电能质量信号去噪算法。基于软阈值原理的小波去噪算法在电能质量信号检测中得到很好的应用。但其存在阈值计算受噪声强度的缺点 ,当信号被强噪声“淹没”时 ,该方法仍然会失效。本文在对电力信号进行小波空间中的自相关性关系分析的基础上 ,结合软阈值算法和小波原理 ,构造了能有效地处理各种电能质量信号的去噪算法 ,该算法能弥补传统软阈值算法的缺陷 ,较好地解决了保护信号局部特征与抑制噪声之间的矛盾。计算结果表明上述检测算法是有效的。     

基于小波统计分析的X射线衍射信号消噪研究

本文讨论了小波统计分析的X射线衍射信号消噪方法,选取具有7阶消失矩的Symmlet小波将受噪声污染的X射线衍射信号进行多层分解,利用小波变换的细节系数估计噪声均方差σ,选取阈值σ√2lnn(n为细节系数长度）,对小波分解的细节系数进行阈值处理,然后进行信号重建,以达到对信号消噪和提纯,实验结果表明,这种去噪方法是非常有效的,它在消除噪声的同时保留了信号的奇异特征。     

基于改进小波系数奇异值分解和小波去噪的低频振荡时变模式辨识

提出了一种基于连续小波变换(continuous walelet t r a n s f o r m , C W T )和奇异值分解( s i n g u l a r v a l u e decomposition,SVD)相结合的提升小波系数 SVD 辨识信号振荡频率和模式信息提取及信号去噪的新方法.克服了噪声较大或者密集模态时,小波脊线不清晰甚至会出现混叠和交叉难以提取频率的情况,根据提升的小波系数奇异值分解频率向量识别各阶振荡模式的频率.同时选用小波能量系数来识别主导振荡模式,用小波软阈值去噪和 SVD 分解后矩阵重构来进行信号去噪.CWT 可以处理含时变振荡模式的低频振荡信号,且对模式参数具有较高的辨识精度.仿真算例验证了算法的有效性和适用性     

一种新的平移不变多小波算法及其降噪法研究

为了提取强背景噪声中淹没的微弱信号特征和避免信号奇异点附近的振荡现象,将平移不变引入多小波,提出一种基于平移不变多小波的降噪方法。多小波具有多个尺度函数和小波函数,具备单小波无法同时满足的优良性质,可以匹配信号中不同的特征信息,而平移不变多小波更有效地消除了Gibbs现象且其中的平均过程具有优越的消噪性并保持了信号的光滑性。实验证明,应用改进后的该方法能更好地逼近真实信号。     

小波降噪及Hilbert变换在电机轴承故障诊断中的应用

针对振动信号降噪处理及故障特征提取是机械故障诊断的重点问题,为了有效消除高频信号的影响,并充分提取出电机轴承的低频故障特征。提出利用小波降噪及Hilbert变换的方法对采集的电机轴承振动数据进行处理并提取其故障特征信息。首先,运用小波降噪对采集到的振动数据进行降噪处理,抑制噪声干扰,然后对其进行Hilbert变换解调出故障特征频率。通过对现场测取的轴承振动数据进行信号处理可以达到理想的诊断效果,由此得知,该方法能通过电机轴承振动信号进行故障特征信息处理,有效地进行轴承故障分析及诊断。     

融合VMD优化和小波包分析的陶瓷检测信号降噪方法研究

针对陶瓷敲击检测信号含有噪声的问题,提出一种融合VMD优化与小波包分析（WPD）相结合的联合降噪方法。首先,应用能量的起始点检测准则提取实际信号的有效信息;其次,遗传算法（GA）选取VMD参数并自适应分解含噪信号;然后,计算各模态分量和原始信号的相关系数,将模态分量分为信号主分量和噪声分量;最后对信号主分量进行小波包分析,重构信息获取去噪后的信号。仿真实验证明：在分别加入10dB、20dB噪声时,该方法信噪比最高（23.81dB、24.75dB）,均方误差最小（0.07、0.01）, 与常用的去噪方法相比,去噪效果均有明显提升。陶瓷试件敲击检测信号测试实验表明,该方法能有效去除不同类型陶瓷试件敲击检测声音信号的噪声,具有良好的去噪性能。     

基于多路信号联合去噪的Prony谐波检测法

针对传统Prony算法易受噪声干扰且同一区域内多路电能质量信号存在相关性的特点,文中提出了一种基于多路信号联合去噪的Prony谐波检测算法,实现在较强噪声条件下的谐波准确检测。首先,采用中心频率法和轨迹相似度法改进多元变分模态分解（MVMD）算法;其次,利用改进的MVMD算法联合分解相关联的多路信号,提取出主导模态分量并重组为适宜Prony分析的稳定信号;最后,对稳定信号进行Prony分析得到初步的谐波参数,通过阈值筛选和人工鱼群全局寻优,得到准确的谐波检测参数。仿真实验表明,改进的MVMD去噪算法的输出信噪比为37.3,高于VMD去噪法（33.2）和小波去噪法（32.8）,去噪效果更优;文中算法谐波检测结果的误差总体小于传统Prony算法,具有谐波检测准确度高、同时计算多路信号的特点。     

基于小波混合阈值方法的电能质量信号去噪

基于小波变换的阈值去噪是滤除采样信号中白噪声的有效方法.在实际应用中,阈值的选取和对小波系数的处理方法是影响其去噪效果的2个重要因素.软硬阈值方法各有其优缺点.将两者结合起来的混合阈值方法可提高去噪算法的性能.在分析软硬阈值方法各自的优缺点后,结合正态分布的规律和信号、噪声的小波系数在不同层上的分布特点,提出了能自适应确定临界尺度的软硬阈值结合的混合阈值去噪方法.对采样信号进行小波变换,根据各层小波系数能量的最小值,确定临界尺度.对小于或等于临界尺度的层数上的小波系数用软阈值方法处理,对大于临界尺度的层数上的小波系数用硬阈值方法处理,这样处理能减小信号能量损失.对尺度系数和处理后的小波系数进行重构,得到去噪后的信号.仿真实验表明.混合阈值方法去噪性能稳定,在不同信噪比下都能有效地去除白噪声,较好地保留了原信号的局部特征,且方法简单,计算量小.     

基于相空间重构和迁移学习的配电网高阻接地故障检测

配电网中高阻接地故障(High Impedance Fault, HIF)时常发生,其故障特征微弱而难以检测,严重情况下可能导致火灾或人身事故。提出了一种基于相空间重构和迁移学习的故障识别方法,实现对谐振接地系统中HIF的辨识。首先,使用基于综合策略的小波阈值降噪方法对零序电流信号进行处理,以降低噪声的影响。随后,对降噪后的仿真信号及实测信号进行相空间重构,获取重构轨迹图,以此作为故障识别的特征量。最后,在辨识模型构建上,先使用仿真信号的重构轨迹图训练GoogLeNet模型,再使用实测信号对模型进行微调,实现迁移学习。所提算法的优点是使用相空间重构进行了信号转换,故障信号与干扰信号的重构轨迹图差异明显,且实测信号与仿真信号的重构轨迹图相似度较高。在进行迁移学习后,实现了对实测小样本数据较为准确的检测。实验结果表明,无论是故障实测数据还是故障仿真数据,识别准确率均达到95%以上。此外,在强噪声干扰、采样数据点缺失及故障回路间歇性导通情况下,所提算法也取得了较好的结果。     

小波变换在局部放电声信号提取中的应用

在电力设备外表面设置的声传感器可以获取局部放电的声信号,文中使用高精度的声信号采集装置来采集局部放电声信号,并对实测信号的特性进行分析。由于局部放电信号具有突出的局部瞬变特征,可通过这一特性从含有噪声的原始信号中有效的提取出局部放电信号。本文采用小波变换在时域和频域具有局部瞬变特征的特点,用基于小波变换的消噪算法来提取局放信号。通过对仿真信号和实测信号的处理,表明该算法行之有效。     

改进阈值函数的小波去噪算法

针对小波软、硬阈值函数去噪后信号存在局部震荡和边缘模糊导致去噪效果不佳的问题,研究了小波去噪原理和优化阈值函数的规则,设计了一种具有连续性、灵活性和恒定偏差小的可调阈值函数,提出了一种基于改进阈值函数的小波去噪算法,将其应用于含有高斯白噪声的信号中进行去噪。实验表明,相较于传统方法,所提方法对仿真信号和心电信号都具有灵活性和适用性,并且去噪后信号的信噪比提升了16.21%,皮尔逊相关系数增大了1.62%。因此,本文所提算法具有可行性,可有效保留特征信息,去噪效果更加理想。     

基于变分模态分解和小波分析的变压器局部放电去噪研究*

为有效去除变压器局部放电信号中大量的电磁干扰,针对现有经验模态分解存在模态混叠等问题,提出将一种新的信号分解算法——变分模态分解结合小波运用在变压器局部放电信号中来抑制窄带周期干扰和白噪声。首先利用变分模态分解将含噪信号分解成若干个以某中心频率波动的模态,在分解过程中自动滤去白噪声;然后提取含局部放电信息的模态进行重构;最后通过小波去除残余窄带周期干扰,进而实现干扰抑制。仿真和实测信号分析结果表明,该方法能很好地抑制两类干扰,保留局部放电信号特征,验证了采用变分模态分解结合小波去除噪声的有效性,为局部放电信号去噪提供了一种新的方法。