基于小波分析的脉冲涡流信号去噪方法研究

应用小波多尺度分解与重构技术和小波包分析技术对脉冲涡流检测信号进行处理,将信号中的噪声分离出来并去除。采用离散小波变换的强制消噪法、软阈值消噪法和不同熵准则的小波包消噪法,对实测的脉冲涡流信号进行消噪。在保留信号中有用成分的前提下,结合信号的信噪比和均方根误差,对消噪方法进行比较和优选。实验结果表明,小波包分析中的Threshold熵准则法效果最好。     

小波变换在脉冲涡流检测信号中的应用

脉冲涡流检测方法是涡流检测技术的一个新兴分支.通过实验装置采集了含有噪声的缺陷信号.介绍了小波去噪的基本原理,研究了脉冲涡流检测信号中的去噪问题,采用小波系数去噪对脉冲涡流检测信号进行了处理.实验结果表明:采用小波系数去噪的方法可使缺陷信号的信噪比得到显著的提高.     

基于小波包频带能量检测技术的故障诊断

在机械设备的在线检测和故障诊断中,振动信号分析是十分重要的手段。小波包变换能将振动信号按任意时频分辨率分解到不同频段,而各频段信号的能量变化包含着丰富的信息。在机械设备运行正常和非正常两种状况下,小波包分解后各频段信号的能量谱尺度图有明显差异。将小波包能量谱尺度图检测方法用于轴承振动信号的诊断处理,验证了该检测方法有效、可行,为机械故障诊断提供了一条新的途径。     

基于临界频带及能量熵的语音端点检测

语音端点检测的准确性直接关系着语音识别、合成、增强等语音领域的准确性,为了提高语音端点检测的有效性,提出了一种基于临界频带及能量熵的语音端点检测算法。算法充分利用人耳听觉特性的频率分布,将含噪语音信号进行临界频带划分,并结合各频带内信号的能量熵值在语音段和噪声段的不同分布,实现不同背景噪声下语音端点检测。实验结果表明,提出的语音端点检测算法与传统的短时能量法相比,检测正确率平均高1.6个百分点。所提方法在不同噪声的低信噪比(SNR)环境下均能实现语音端点检测。     

基于小波包的频带能量特征提取及智能诊断

提出一种基于小波包和BRF神经网络的智能故障诊断方法。对滚动轴承故障信号进行小波包分解,选择合适的小波基函数和尺度,将故障信号分解到八个不同的频段上,提取这八个频段上的能量信息,组成特征问量,作为RBF神经网络的输入;建立RBF神经网络模型并进行训练,对三种滚动轴承故障信号进行智能分类与识别。实验结果表明这种智能诊断方法有效可行。     

异构双核构架下的脉冲涡流信号实时小波去噪

针对工业现场的脉冲涡流(PEC)信号,设计了基于异构双核OMAP3530的实时嵌入式去噪的硬件与软件系统。分析了适用于实时去噪的小波基的选择,完成了基于DB4小波基的Penalty阈值法、B-M阈值法、默认阈值法的Matlab去噪仿真实验,并给出了均方根误差(RMSE)和信噪比(SNR)。结合OMAP3530硬件平台,讨论了基于DSPLINK的异构双核构架的数据共享方法,并提出一种基于固定步长滑动窗口的实时去噪算法。通过计算机仿真与实验结果表明:该系统具有信噪比高、实时性强、数据吞吐率大的优点,满足连铸现场自动检测要求。     

基于分群辨识曲线的信号能量分析法

针对传统的信号能量分析法无法直接处理高阶模式下的非平稳振荡信号,结合振荡机组的分群辨识,提出用基于分群辨识曲线的信号能量分析法进行低频振荡参数的在线辨识,以拓展信号能量分析法的适用范围,并提高辨识效率。该方法借助信号能量分析法能处理上下包络线关于时间轴对称的信号这一特点,利用振荡机组分群辨识得到的两个发电机群的反向对称轨迹,采用信号能量分析法辨识主导振荡模式。仿真测试的结果表明基于分群曲线的低频振荡在线辨识方法结果准确、计算效率高,能够有效地识别系统的主导振荡模式。     

基于振动信号能量熵的轴承故障诊断

轴承大量存在于机械设备当中,轴承的故障也是各种机械故障的主要原因。对轴承故障及时和准确的判断,可以有效地预防由轴承故障引起的事故,减少损失。基于此提出一种基于振动信号能量熵的轴承故障诊断的方法。轴承在不同的工作状态下,轴承振动信号的能量熵不同,也就是能量分布也是不同的,可以通过能量分布的不同判断轴承的状态。首先对轴承的振动信号进行总体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition),获得若干个本征模函数IMF(Intrinsic Mode Function),然后计算本征模函数能量特征,将能量特征作为输入,可以建立相关向量机判断轴承的状态。通过实验验证,基于振动信号能量熵的故障诊断方法可以有效地应用于轴承的故障诊断。     

基于小波能量熵的语音端点检测算法

首先对语音信号进行小波变换,引入反映信号能量分布特性的小波熵,进行端点检测.并根据浊音的特点,改进了自然加权因子.仿真表明,在低信噪比条件下其检测效果要好于自适应子带谱熵法.     

基于相对熵函数准则的小波网络字符识别方法

针对传统小波网络(WNN)基于均方差函数的梯度学习算法收敛速度慢和产生局部极小点的缺点,结合熵函数准则优于均方差函数准则,可以改善网络的收敛速度等优点,研究了一种基于相对熵函数准则的小波网络算法的字符识别方法。首先对分割后的车牌字符图像进行二值化、归一化等一系列预处理,然后利用新的不变矩算法提取不变矩,以此作为字符图像的特征向量,最后应用基于新优化算法的小波网络进行分类识别。计算机仿真结果表明,该方法对字符的识别取得了较好的效果。     

基于多频带能量算子的MFSK信号分类及参数估计

提出了一种新的多进制频移键控(MFSK)信号的调制分类及参数估计方法.首先利用多频带滤波器组对MFSK信号进行预处理,以减弱噪声对信号的影响;然后对其中的最大频带输出值应用能量算子来提取其分类特征;并采用无监督聚类算法求取了最佳聚类数M,完成了MFSK信号的分类.同时还利用能量算子来提取信号码元跳变处的能量变化信息,从而估计出MFSK信号的符号率.该方法计算简单,抗噪性能好,具有较高的精度.计算机仿真结果证实了所提方法的有效性和正确性.     

基于小波包能量熵的电能质量扰动识别

提出了一种基于小波包能量熵的电能质量扰动识别方法。该方法对仿真的扰动电压信号进行4层小波包分解,提取小波包能量熵特征向量,利用主分量分析法提取电压信号的小波包特征向量并输入到概率神经网络(PNN)进行扰动识别,实现了扰动样本的最优压缩,简化了扰动分类中神经网络分类器的结构,提高了神经网络扰动识别的速度和精度。仿真结果表明,该方法具有良好的扰动识别能力。     

基于小波包能量熵的航空发动机突发故障诊断

为了提高飞机发动机突发故障的诊断正确率,提出了将混合采样法和SVM相结合的突发故障诊断新方法.首先利用小波包多分辨率分析特性进行故障特征提取;然后采用混合采样法对提取的少数类突发故障样本特征进行优化重构,使少数类突发故障样本数量和其他类样本数量趋于平衡;再利用SVM构造多分类器对正常与多种故障状态进行分类.通过发动机转子试验台所采集的数据,对该故障诊断方法进行了验证研究.结果表明,该方法能有效识别发动机叶片断裂和吸入异物两类突发故障,且算法简单,故障分类识别效果好.     

基于小波包能量熵与SVM的微电网故障诊断

为了提高微电网内部线路故障识别的实时性和准确性,建立适用性强的微电网故障诊断系统,文章提出了基于小波包能量熵和支持向量机(SVM)二叉树多分类器(2PTMC)的微电网内部线路故障诊断模型.利用小波包分析得到并网耦合点(PCC)处三相电流电压的小波包能量熵,作为样本的特征向量按故障发生频率训练多个SVM,构成树状微电网故障诊断系统.最后,在PSCAD平台建立微电网系统进行仿真,实验结果表明该方法可以准确地辨别出微电网故障类型,在未经训练的样本上也有良好的表现,符合微电网故障系统辨别的要求.     

基于EMD阈值算法的脉冲涡流信号消噪

针对脉冲涡流信号夹杂着较多的高频噪声,提出了一种新的经验模态分解阈值消噪算法。首先将信号分解为多个本征模态函数（Intrinsic Mode Function,IMF）,对信噪比低的高频IMF进行减小噪声能量处理后得到重组信号;再对重组信号进行EMD分解后根据白噪声统计特性对IMF筛选,对噪声含量多的IMF进行小波阈值消噪;最后将处理过的IMF与噪声含量少的IMF重构得到消噪后的信号。实验仿真的结果和数据表明,该方法可以减少失真,获得更高的信噪比,能够较好地消除噪声的干扰恢复出原始的信号。     

基于功率谱熵和频带能量的运动意识任务分类研究

提出以信号功率谱熵和频带能量作为组合脑电特征向量,运用时变线性分类算法对左右手运动意识任务分类的方法.C3、C4电极脑电信号8～24Hz功率谱熵和频带能量随时间变化的规律很好地反映了ERD/ERS现象,将两种特征组合用于分类,得到了满意的结果.由于功率谱峰熵和频带能量计算比较简单,稳定性好,识别率高,可在线识别左右手想象运动.     

脉冲涡流检测信号的消噪处理

小波分析作为一种时频分析工具,特别适用于非平稳信号的分析,并且具有多分辨分析的特点.阐述了小波阈值去噪的基本原理,对脉冲涡流这种典型的非平稳信号进行了小波阁值法去噪的仿真实验,并与传统的FIR和IIR数字低通滤波方法进行了比较,然后对实际的脉冲涡流信号进行了消噪.仿真实验结果和实际消噪结果都表明,该方法能够有效地去除脉冲涡流信号中的噪声,同时又能较好地保留原信号的特征,确保了对缺陷的精确定量,是一种对脉冲涡流信号即有效又适用的去噪方法.     

基于小波能量熵和邻域粗糙集的电磁阀故障诊断研究

液体电磁阀是航空变量柱塞泵系统的关键控制元件,准确诊断电磁阀的故障类型是系统安全运行的重要保证;为了对航空变量柱塞泵系统中电磁阀进行检测与诊断,提出了一种基于小波能量熵和邻域粗糙集相结合的方法;研究了液体电磁阀驱动端的电流故障特征;采用AMEsim多学科领域仿真软件建立仿真模型,分析驱动端电流与阀体位移的关系,搭建实验系统,采集正常状态和故障状态的电流信号,分析不同状态的电流特性;然后利用小波包分解重构信号,提取对应的频带能量作为特征向量;最后,引入变精度模糊邻域粗集约简算法简化数值属性,提高了系统的效率;简化的属性集用于构建决策树,经过迭代训练,该模型诊断准确率达90%,达到了预期效果,实现了对液体电磁阀的快速诊断。     

基于最大能量匹配与样本熵的小波降噪方法

为提高自适应小波阈值降噪方法的效果,提出一种结合最大能量匹配的小波包分解和快速样本熵的小波阈值降噪方法。根据各层小波系数特点并以最大能量匹配准则自适应选择小波包基对含噪信号进行分解,对最大尺度下的小波系数阈值化后重构得到噪声信号,采用快速样本熵算法计算噪声信号样本熵,动态调整阈值使噪声信号样本熵最大而获得最佳的降噪效果。应用实例表明：该方法相比传统的小波阈值降噪方法具有更好的降噪效果。     

基于小波能量熵的司机疲劳驾驶行为响应算法

为实时、准确识别司机疲劳驾驶行为响应状态,保护司机驾驶过程中的人身安全,研究基于小波能量熵的司机疲劳驾驶行为响应算法.通过匹配追踪算法匹配司机驾驶时的方向盘转向信号,基于稀疏分解对司机方向盘转向信号进行去噪处理,获取纯净的司机方向盘转向信号;基于小波能量熵对去噪后的司机方向盘转向信号进行小波多分辨分析,获取信号的小波能量熵值,通过能量熵测度得到方向盘的修正响应行为,识别司机疲劳驾驶行为响应状态.仿真分析得出,在S形、双道路两种道路工况中,所提算法对驾驶熟练度存在差异的司机驾驶行为响应状态识别结果和实际响应状态相符,识别耗时低于0.5s,且有效提升司机方向盘转向信号信噪比.