基于小波时频图和卷积神经网络的断路器故障诊断分析

高压断路器操动机构振动信号为非平稳性信号,蕴含着丰富的操动机构工作状态的信息,对操动机构工作状态的检验辨识具有重大意义。提出一种基于小波时频图和卷积神经网络的断路器故障诊断方法。对操动机构振动信号进行连续小波变换生成时频图(CWT),并对时频图进行统一压缩预处理;将预处理后的时频图作为特征图输入卷积神经网络AlexNet模型;通过对网络参数的调整,逐步改进网络模型,有监督地实现对操动机构故障状态的辨识诊断。结果表明,该方法能够有效地运用于断路器操动机构故障辨识诊断,与小波频带能量-RBF、小波频带能量-SVM的故障识别相比,故障识别准确率最高。     

基于稀疏Radon变换的窄带雷达信号单目标检测方法

本文提出了应用于窄带雷达信号的单目标检测方法：基于稀疏 Radon 变换的方法， 该方法适用于低信噪比的情况，需将目标能量校正到一个距离单元后对方位向调频率进行搜索。 在原有雷达单目标的检测方法基础上，适当地进行相位补偿，并使得目标回波相干化，最终提出了两种应用于窄带雷达单目标的检测方法，利用了稀疏 Radon 变换，验证了目标检测方法的有效性，并在此基础上，实现了对目标的运动参数的准确估计。     

基于十字形阵列和2D-MUSIC算法的Lamb波检测

采用由压电传感器组成的十字形阵列进行Lamb波信号的激励和接收，提出一种二维多重信号分类（2D-MUSIC）方法对铝板中的缺陷进行定位检测。选用合适的频率激励产生单一模态信号，可避免多模态的影响，降低Lamb波的频散；利用2D-MUSIC算法对接收信号进行分段处理，并结合反射信号和二维导向矢量对铝板中的缺陷进行定位。结果表明，提出的2D-MUSIC算法对铝板中的缺陷定位比传统MUSIC算法更精准。     

指数反余弦函数变换灰色预测模型

将指数反余弦函数变换aarccosx(a≥e)应用到粮食产量数据的实证分析中,可变参数a取值可以提高GM(1,1)模型的预测精度.     

二进小波变换在复杂山区配电网故障指示器波形分析中的应用

为进一步提高故障指示器在进行波形处理时的起始点判定精确度,减少因漏报、误判引起的故障查找时间和停电损失,基于复杂山区配电网的故障情况,本文提出了一种二进小波变换的故障起始点判断方法,能够有效解决目前录波型故障指示器在波形处理时故障起始点判定精确度较低等问题。通过智能配网云平台的现场数据分析,验证该方法是有效可行的。     

基于ISVD多级降噪和SVM的轴承故障诊断研究

在强噪声背景下难以提取出滚动轴承的故障特征，导致对轴承的故障诊断准确率不高，针对这一问题，提出了一种基于小波变换、改进奇异值分解多级降噪算法与支持向量机模型的轴承故障诊断方法。首先，采用小波降噪对滚动轴承的原始信号进行了初始降噪，消除了部分的随机噪声；然后，主要通过改进相空间矩阵重构方式，对该信号进行了改进奇异值分解二次降噪，并提出了新的奇异值有效秩阶次确定方法，利用峭度对一维信号提取方案进行了优化，并对其完成了降噪；最后，通过提取了10个有效特征，结合支持向量机在MATLAB中进行了仿真实验，分析了不同特征对轴承的故障诊断结果的影响，并将方法与其他方法进行了对比分析。研究结果表明：采用多级降噪算法降低了轴承工作状态下的背景噪声，使其故障特征频率更为明显；支持向量机分类诊断器的故障识别准确率达到98.3%,能够有效地识别轴承故障发生的位置和严重程度。