基于离散平稳小波的改进自适应降噪方法

提出一种基于离散平稳小波的改进自适应降噪方法.首先,利用离散平稳小波的冗余特性,解决离散二进小波变换降噪方法在奇异点存在振荡效应的问题;其次,针对传统小波阈值降噪算法忽略尺度系数噪声影响的不足,利用噪声强度估计各分解层阈值,对尺度和小波系数同时进行自适应降噪;最后,将此方法应用于不同信噪比下典型信号的降噪对比试验.仿真结果表明:该方法在消噪的定性和定量指标上,整体优于传统离散二进小波方法,消噪效果改善明显.     

EWT-KICA联合的滚动轴承故障诊断

滚动轴承故障信号能量较弱,故障信息在实际工况下更容易受到噪声的影响,致使很难有效地实现信噪分离。针对这一问题,提出经验小波变换（EWT）和核独立分量分析（KICA）联合的振幅解调方法消噪。使用经验小波变换对轴承故障信号进行分解,根据相关系数准则对分解获得的IMF分量信号进行筛选,重组分量信号并构造虚拟噪声信号。使用核独立分量分析算法对重构的信号进行增强处理并分解,实现信号和噪声的分离。采用包络谱法对分离后的信号进行分析。仿真对照实验表明,该方法具备较强的特征提取能力。     

基于自相关分析和LMD的滚动轴承振动信号故障特征提取

滚动轴承的故障信号是非平稳的、多分量的调制信号,特别是故障早期,由于调制源弱,早期故障信号微弱且受周围设备的噪声干扰,导致故障特征难以识别。采用自相关分析和局域均值分解（LMD）方法提取故障特征。首先采用自相关分析提取信号中的周期成分,消除噪声的干扰,然后利用局域均值分解方法将多分量的调制信号分解为若干个PF分量之和,再结合共振解调技术对PF分量进行包络分析以提取故障特征频率。实验证明了方法的有效性。     

基于小波变换和BP神经网络的视觉诱发电位识别

结合小波变换和误差逆传播(Error Back Propagation,BP)神经网络对视觉诱发脑电信号(visual evoked potential,VEP)进行分类而产生脑机接口控制信号.利用一维离散小波变换提取强噪声背景下的低频微弱脑电信号,获取特征向量输入BP神经网络进行事件相关电位模式识别.实验表明,小渡变换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,BP神经网络能比较准确地从VEP中识别出事件相关电位,进行10次测试的平均识别正确率为99.375%,有利于产生脑机接口控制信号.     

一种新的心外膜电位标测信号分析方法

心外膜电位标测系统是心脏电生理机制研究的重要手段;如何对标测信号进行有效分析以获取准确信息是其技术难点之一.为此,提出了一种基于独立元分析、小波变换和等时图的分析方法:首先,以独立元对各电极点投影系数的离散度为噪声独立元选取准则对标测信号进行去噪处理;其次,根据标测信号的样条小波变换进行特征点识别工作;最后,根据特征点识别结果绘制除极时刻等时图.实验结果表明,该方法可有效地去除心外膜电位标测信号中的外界干扰等噪声、突出真实的除极信号,并能够精确地识别到标测信号的特征点位置,进而绘制等时图,准确、直观地刻画出除极波的传播.因此,该方法适用于心外膜电位标测系统中的信号分析工作.     

基于线调频小波路径追踪阶比能量解调的齿轮轮齿裂纹故障诊断

针对变速下齿轮裂纹故障信号微弱,难以提取这一特点,提出了基于线调频小波路径追踪的阶比能量解调算法,并将其应用于变速下的齿轮裂纹故障诊断。该方法先采用线调频小波路径追踪算法提取齿轮的啮合频率分量,由此得到转速信号;然后利用转速信号对原始信号进行等角度采样得到角域平稳信号;接着对角域平稳信号进行带通滤波和角域平均运算以消除干扰噪声的影响;最后使用能量算子解调求取瞬时频率和瞬时幅值,根据瞬时频率和瞬时幅值进行故障诊断。应用实例表明,该方法能有效地提取变速下的齿轮裂纹故障。     

基于WT与cICA的齿轮箱低频故障特征提取

齿轮箱低频故障信号易受到高频振动及强噪声等因素的干扰,测量信号中隐藏的有效低频故障特征比较微弱,再考虑到源噪声的影响,则约束独立分量分析直接提取低频故障特征的效果很差。为此提出了基于小波变换与约束独立分量分析的齿轮箱低频故障特征提取方法,通过对测量信号的小波多分辨率分解,有针对性地选择小波系数重构,提高了信噪比和非高斯性,从而增强了约束独立分量分析方法提取齿轮箱低频故障特征的效果。而未经小波变换除噪时,约束独立分量分析的效果不佳。断齿与局部断齿的低频故障特征提取试验结果表明,提出的方法能有效降低高频振动及源噪声等因素的干扰,提取出齿轮箱的低频故障特征,尤其是微弱低频故障特征,为齿轮箱低频故障特征提取与故障诊断提供了一种有效方法。     

LMD-ICA联合降噪方法在滚动轴承故障诊断中的应用

针对经典独立分量分析（ICA）只能应用于观测源数不少于信号源数的超定盲源分离问题,提出局部均值分解和ICA相结合的欠定盲源分离新方法。该方法将采集的单通道振动信号进行局部均值分解,基于互相关准则对分解的分量进行重组,构建虚拟噪声通道;将虚拟噪声通道与振动信号作为盲源分离的信号输入,采用基于负熵的FastICA算法实现信号源和噪声的分离,从而达到降噪目的。将该方法应用于滚动轴承故障信号,频谱分析结果表明,该方法处理后的信号中噪声得到一定程度滤除,频谱中毛刺更少,故障特征频率更加明显,有利于故障特征的提取,实验分析证明了该方法的有效性。     

MW-cICA算法在滚动轴承故障诊断中的应用

为了提取强背景噪声下滚动轴承故障特征信息,提出了一种多小波预处理的约束独立分量分析(MW-cICA)算法。该算法首先对输入信号进行多小波降噪处理,提高信号信噪比;然后应用约束独立分量分析方法提取故障特征。与传统的小波独立分量分析(W-ICA)方法相比,该方法具有如下优势:1)由于多小波具有单小波所不能同时具有的正交性、对称性、紧支性和高阶消失矩等特点,因而对信号的降噪效果更加明显;2)引入参考信号作为约束条件,使得算法直接收敛于期望信号,提高了运算效率;3)建立基于故障模型的参考信号能够更加接近于真实期望信号,提高算法性能。仿真结果表明,多小波比单小波具有更好的降噪效果,基于故障振动模型的约束独立分量分析比传统的FastICA算法运算效率更高。将该算法运用于滚动轴承内圈故障试验中,可成功提取出内圈故障特征信号。     

线调频小波路径追踪算法和FrFT相结合的升降速齿轮故障诊断方法

针对升降速阶段齿轮振动信号的非平稳特性,提出线调频小波路径追踪算法和分数阶傅里叶变换(Fractional Fouriertransform,FrFT)相结合的齿轮故障诊断方法。该方法采用线调频小波路径追踪算法获得升、降速阶段齿轮振动信号所包含的能量最大信号分量的瞬时频率,并通过对该瞬时频率时频曲线的观察,获得该瞬时频率近似于线性上升或下降的时间范围,提取该时间范围的齿轮振动信号段,用FrFT对所提取的振动信号段进行处理,得到齿轮振动信号段的FrFT频谱图,从FrFT频谱图存在的调制现象来判断齿轮故障。其中FrFT的最佳阶次可由瞬时频率的调频系数计算得到。由于噪声与Chirplet原子的相关性很小,使得线调频小波路径追踪方法对噪声不敏感;另一方面,选择合适的分数阶,信号的FrFT将具有很好的信噪分量效果,因此该方法可用于处理升降速阶段的低信噪比齿轮振动信号。仿真分析和应用实例验证了该方法的有效性和良好的抗噪性。     

超声探测弱信号提取方法

为了在超声检测中排除噪声干扰，从强噪声背景中提取弱回波信号，利用小波变换技术从超声探测信号中提取弱缺陷回波信号，建立了超声缺陷回波的数学模型，并进行了仿真实验，其特有的“变焦距”特性使得小波分析在时域和频域中具有良好的分析能力。结果表明，利用小波变换方法能够很好地抑制噪声，提高信噪比，提取强噪声背景中的弱回波信号，且该方法原理简单，易于实现，在工程上有较高的应用价值。     

多传声器小波多尺度信息融合滤波算法

为了滤掉信号采集过程中存在的环境噪声和信道噪声,提出一种基于小波多尺度信息融合和三角时延矢量误差的信号滤波算法。基于多传声器信号时延估计特性,提出时延矢量封闭准则。首先将多传声器同步采集所得信号进行小波多尺度分解,得到多尺度小波细节系数和近似系数,然后根据时延矢量封闭准则求取各层小波系数时延差,结合信息融合理论,提出一种三角时延矢量误差,由多传声器综合支持度获得时延阈值,将其作用于三角时延矢量误差,得到各层小波系数的权重,最后对小波系数重构得到降噪后的信号。实验表明,此滤波算法不仅滤掉了信号中的噪声成分,还优化了传声器资源的配置,既保留了高支持度传声器信号特性,还改善和提高了低支持度传声器信号质量,与小波分层阈值和全局阈值滤波算法相比充分体现出该算法的有效性。     

基于小波熵的微弱信号检测方法研究

在科学技术研究领域中,经常会遇到非平稳、低能量、瞬时变化的微弱信号检测问题,然而,微弱的有用信号往往被环境噪声所湮没,最大程度地提取有用信息一直是弱信号检测中的一个难题。尤其对短时低能量的瞬变信号,采用传统信号处理方法提取其位置信息难以奏效。小波分析的方法为弱信号检测技术开辟了一条新途径,但小波变换对弱信号进行特征提取的关键在于确定小波系数的阈值。为此,在软阈值基础上引入反映信号能量分布特性的小波熵概念,利用信号在不同分解尺度上具有不同的小波熵,能够自适应地确定高频系数分量的阈值。仿真分析表明,基于小波熵分析的方法能够在强噪声环境中对微弱信号准确定位,实现低能量的瞬变信号有效提取。     

平稳小波变换在轴承振动信号去噪中的应用

为有效提取振动信号中的故障特征,提出了一种基于平稳小波变换的降噪方法,阈值大小取决于不同尺度上故障信号的小波分解系数的峭度。实例分析表明,该方法具有良好的去噪性能,并能很好地提取振动信号中的故障特征。     

无损图像编码中基于SPIHT的一种改进算法

为了尽可能地增加图像无损压缩编码的效率,在嵌入零树小波(EZW)算法和分层树集合分割排序(SPIHT)算法的基础上,增加了一个对A类型直接后继子孙的检测,使得重要父系数的产生依赖于非直接后继节点,并增加一C类型集来对不重要直接子孙集进行单独的分类。当检测到重要集合的数目明显大于不重要集合的数目时,对A,B或C类型的检测就可以省去。实验结果证明,无论是灰度图像或者是彩色图像,改进的算法都比传统的SPIHT算法有明显的优越性。     

空域相关滤波在下肢表面肌电信号中的应用

针对消噪过程中信号细节难以保留的问题,采用了一种基于小波变换的空域相关消噪方法。通过运用信号小波分解后与噪声的小波系数随尺度变化规律不同的特性,实现了信号与噪声的分离,同时给出了表面肌电信号噪声能量阈值的估计算法。实验结果表明,该消噪处理方法不仅能有效地去除肌电信号中的噪声,而且可以较好地保留肌电信号的边缘特征,为下肢表面肌电信号特征的提取创造了良好的条件。     

基于信号共振稀疏分解和最大相关峭度解卷积的齿轮箱故障诊断

当齿轮箱内旋转零件发生故障时,其振动信号中的故障脉冲成分易被箱体中其他旋转部件的谐波信号和背景噪声所淹没,故障特征难以被有效提取。针对这一问题,提出了基于信号共振稀疏分解和最大相关峭度解卷积的故障诊断方法。该方法首先通过信号共振稀疏分解将信号中的低共振冲击成分从谐波分量和噪声中分离,然后对低共振分量进行最大相关峭度解卷积计算,进一步突出低共振分量中的周期脉冲成分,最后通过包络谱分析进行故障诊断。算法仿真、实验分析和工程应用结果表明,该方法能够有效提取强噪声信号中的周期性冲击成分,凸显故障特征,从而提供准确可靠的诊断结果。     

基于多重小波变换的信号去噪及其在软测量中的应用

化工生产过程中采集到的数据信号通常具有随机性和非平稳性，附加了各种噪声，以至于影响数据建模的拟合效果和泛化性能。本文基于小波分析的特点，提出了一种对信号数据进行多重小波变换阈值去噪的方法。该方法可去除大部分高频随机噪声，提取真实信号，进而提高数据的置信度。将该方法与小波神经网络相结合并应用于丙烯腈聚合反应过程质量指标软测量模型中。仿真结果表明，该方法能有效恢复数据的真实性，提高数据建模的拟合精度与泛化性能。     

基于小波包参数模型的滚动轴承智能故障诊断

针对平稳自回归模型无法准确描述滚动轴承振动信号的非平稳性,提出一种结合小波包分解与自回归模型的故障特征提取方法,以提取能准确反映轴承运行状态的特征向量。首先,通过小波包变换对滚动轴承运行时产生的非平稳振动信号进行分解,得到一系列刻画原始信号特征的系数;然后,利用自相关算法对各系数建立自回归模型,并将自回归模型的参数作为特征向量;最后,采用支持向量机分类器对提取的特征向量进行故障分类,从而实现滚动轴承的智能故障诊断。仿真结果表明该方法的有效性。