动态小波变换在单相重合闸故障判别中的应用研究

分析了输电线路发生单相接地故障时,永久性故障与瞬时性故障电弧燃烧的特性,提出一种基于动态小波变换的自适应单相重合闸故障类型的判别方法。小波变换能够准确地检测到电力系统故障突变信号的特征,而傅里叶变换能够较准确地反映工频信号量,将二者结合起来构成的动态小波变换,不仅可以检测到故障信号中的工频分量,还可以检测到谐波分量。动态小波变换与常规小波变换相比,检测故障突变信号的能力更强。将其用于单相重合闸故障类型的判别,可以在熄弧之前进行判断,具有快速、准确的显著特点。仿真结果验证了该方法的有效性。     

基于小波变换的故障信号检测

分析了小波变换的时频局部化特性及其于多分辨分析的信号小波的分解算法，研究了信号局部奇异性的小波变换下的特性；根据故障信号的局部奇异性在小波变换下模的极大植及其在不同尺度上的传播特性，对308型滚动轴承振动加速度故障信号进行分解，对故障特征信号进行时域定位，并提取了故障特征频率f=46.88Hz，这与实际的故障特征频率相近，说明该方法适用于滚动轴承的在线监测和故障诊断。     

小波分析及其在电力系统故障检测中的应用

介绍了小波变换的基本原理,采用小波变换快速算法对电力系统中故障信号进行分析、判断。仿真结果表明,小波变换能够很好地消除电力系统故障信号噪声,并准确检测出故障点。     

利用小波变换提取电力系统故障时刻的研究

在简要介绍小波理论的基础上，将小波变换应用于电力系统故障时刻的提取，并给出了220kV系统单相接地故障的MATLAB仿真实例，同时根据有效信号和随机噪声的小波变换呈现出不同的特征，探讨了小波分析用于微机继电保护时，尺度参数对小波变换的影响。     

傅里叶变换与小波变换在信号故障诊断中的应用

研究了傅里叶变换与小波变换在信号故障诊断中的应用。仿真表明，小波变换在检测信号突变点方面比傅里叶变换优越得多，且利用小波变换可以精确地检测出信号突变的时间与位置。最后探讨了在应用小波变换进行故障检测时小波基的选取原则。     

基于虚拟仪器的滚动轴承振动故障诊断系统

介绍了小波变换在滚动轴承故障特征提取中的应用．结合小波变换研制了一套滚动轴承故障诊断虚拟仪器系统．通过对滚动轴承振动信号的小波变换分析,可提取滚动轴承运行状态的特征向量,分析滚动轴承的振动信号,诊断轴承的故障．     

基于小波分析的透平机械振动故障特征定量识别研究

通过对透平机械振动信号的连续小波变换，利用小波滤波器良好的时频特性,研究了振动故障信号的统计特征．在信号的特征提取中引入“灰度矩”，并把一阶矩作为定量指标．对8种典型振动故障信号的初步研究表明，这种方法能够简单有效地提取信号的特征，区分振动故障．     

基于小波包变换的故障诊断

由于小波包变换在信号分析与处理中,具有良好的局部化品质,本提出了一种基于小波包变换的故障诊断方法,并应用于控制系统动态测试过程的故障检测。计算和实验结果表明：该方法可以快速有效地进行故障检测与定位。     

小波故障选线新原理中基于频谱分析的尺度选择

从传统的信号频谱分析出发，对小波故障选线新原理中的尺度选择进行了深入分析，探讨了电力系统故障暂态信号的频谱与信号小波变换模极大值之间的内在联系，为基于小波分析的故障选线新原理提供了尺度选择的理论依据，同时也为小波分析在电力系统其它领域中的更广泛应用提供了一个很重要的分析方法．     

小波分析在弓网动态参数检测中的去噪应用

对小波和二进小波进行了简单的介绍，在此基础之上，分析了基于小波变换的信号降噪的处理技术，将小波分析应用在高速电气化铁路弓网动态参数的信号降噪处理中，并利用仿真结果验证了该方法的降噪效果．     

基于小波变换频谱分析的变频电机状态监测系统

介绍了小波变换理论,论述了基于电流频谱分析的异步变频电机在线监测诊断系统架构。通过对电机电气信号的采集,利用小波变换频谱分析方法,分析了稳态运行时定子电流的频谱,提取出故障信号的特征,对电机典型故障进行了定位和诊断,并通过故障案例论证该诊断分析系统的有效性。     

基于小波变换的汽车齿轮箱振动信号故障分析

本文利用小波变换和能量特征值对汽车齿轮箱振动信号进行特性分析。利用小波变换的分解和重构算法,对小波系数进行系数-能量计算,提取系统的特征信息,对汽车齿轮箱的故障进行诊断,及时发现齿轮箱的早期故障,提高汽车运行的安全性。仿真研究结果表明用小波变换在故障信息诊断方面是可行的和有效的,提高了故障检测的可靠性。     

基于动态小波变换的小电流接地系统故障选线研究

小电流接地系统发生单相接地故障时,由于故障电流小及接地点电弧不稳定等原因,其零序故障电流准确获取和定值整定困难,使其故障线路的检出仍是难题。提出一种基于动态小波变换的故障选线方法,利用所有健全线路暂态能量与故障线路暂态能量之差为最小值作为判据。该方法充分利用了动态小波变换分析故障信号的优势,克服常规小波变换在这方面的不足。仿真结果表明,该判据不受接地条件和接地方式影响,能够准确可靠地选出故障线路。     

基于小波能熵的变压器励磁涌流的识别

提出了一种基于离散小波变换(DWT)并利用小波能熵作为判据来识别电力变压器励磁涌流和内部故障电流的方法.通过在MATLAB上搭建变压器空载合闸和匝间短路仿真模型,对其不平衡电流的小波功率谱进行分析,以验证这种新型判据的有效性.仿真结果表明,这种新型判据能够可靠地、快速地识别出励磁涌流和内部故障电流.     

基于解析小波变换的奇异性检测和特征提取

为提高信号奇异性检测的精度和故障特征提取的有效性，利用信号和噪声的小波变换模极大值沿尺度方向的不同传播特性，提出了一种通过解析小波极大模重构进行信号奇异性检测和滤噪的方法，并将解析小波分析引入机械故障诊断中.分别采用实小波极大模和解析小波极大模分析汽车主减速器性能试验机上采集的几种故障振动信号，并进行主减速器故障诊断.试验结果表明，解析小波极大模相比实小波极大模具有更好的奇异性检测效果，能够突出故障特征，从而有效提高故障诊断的准确性.     

基于提升小波变换和Hilbert调制技术的故障识别方法

齿轮局部发生故障后,非线性振动信号频谱中齿轮啮合频率及其二、三次谐波附近的边频带均出现显著增长.由于提升小波算法预测和更新原理与故障信号紧密相关,利用提升小波对振动信号进行时频特性分析和信息预处理,通过预测器和更新器的设计取代小波基函数选取过程;随后对蕴含大量故障特征信息的高频细节信号实施Hilbert变换,调制信号的包络谱中彻底剔除常规振动分量仅保留故障信息,该方法可高效识别振动信号频谱中的齿轮故障特征频率.最后用实例验证基于提升小波变换的Hilbert调制分析在齿轮故障诊断中的有效性.     

基于最大相关性的小波谐波检测方法

谐波的存在严重影响电网中电能的质量,保证电力系统的安全运行,首先要对谐波进行准确的检测和分析,剖析电网中的谐波成分。傅里叶变换能够分析谐波中稳态成分,却无法分析电力谐波中广泛存在的暂态及突变信号。小波变换的时频分析方法应用于谐波分析当中,弥补了傅里叶变换的这一缺陷。本文通过Matlab仿真,采用最大相关性的方法选取小波基,并用小波变换实现对电力系统中暂态信号的分析,将小波变换与傅里叶变换的分析方法进行比较,验证了基于小波变换的谐波检测方法的有效性。     

Identification of Driving Intention Based on EEG Signals

The driver''s intention is recognized by electroencephalogram(EEG) signals under different driving conditions to provide theoretical and practical support for the applications of automated driving. An EEG signal acquisition system is established by designing a driving simulation experiment, in which data of the driver''s EEG signals before turning left, turning right, and going straight, are collected in a specified time window. The collected EEG signals are analyzed and processed by wavelet packet transform to extract characteristic parameters. A driving intention recognition model, based on neural network, is established, and particle swarm optimization (PSO) is adopted to optimize the model parameters. The extracted characteristic parameters are inputted into the recognition model to identify driving intention before turning left, turning right, and going straight. Matlab is used to simulate and verify the established model to obtain the results of the model.The maximum recognition rate of driving intention is 92.9%. Results show that the driver''s EEG signal can be used to analyze the law of EEG signals. Furthermore, the PSO-based neural network model can be adapted to recognize driving intention.     

双树复小波包和谱峭度在齿轮故障诊断中的应用

针对故障齿轮振动信号的非平稳和调制特性,提出了基于双树复小波包变换和谱峭度的齿轮故障诊断方法.首先,利用双树复小波包变换将原始振动信号分解为若干个不同频带的信号分量,选择与原始信号相关系数大的分量进行阈值降噪并重构;然后,对降噪后的信号利用谱峭度所得的峭度图选择最佳的带宽和频带中心进行相应的带通滤波处理;最后,将带通滤波后的信号作平方包络和傅里叶变换,即可得到信号的包络解调谱,从而提取故障特征信息.通过对试验和工程实际的齿轮故障信号分析表明:双树复小波包变换和谱峭度结合的方法可有效地提取齿轮故障特征信息,进而实现故障识别,验证了方法的可行性和有效性.