基于小波变换的脉搏波标志点检测方法

针对脉搏波信号的标志点检测提出了一种基于小波变换的信号特征检测方法.该方法首先对脉搏波信号在小尺度上进行小波变换,然后利用系数中的极大极小值对来确定原始信号峰值的范围,进而返回原始信号定位峰值点.最后以原始信号的峰值为参照点提取出其他标志点的具体位置.采用此方法进行脉搏波信号的标志点定位,为进一步进行血流动力学参数的计算研究奠定了基础.     

基于小波的信号突变点检测算法研究

本文利用小波多分辨分析的特性将突变信号进行多尺度分解,然后通过分解后的信号来确定突变信号的突变位置。Lipschitz指数被用来定量描述函数的奇异性。当小波变换尺度越来越精细时,小波变换模极大值信号突变点的衰减速度取决于信号在突变点的Lipschitz指数。小波变换不仅可以确定突变点发生的时间,而且可以进一步判断突变的性质。     

基于小波奇异性理论的输油管道泄漏检测与定位方法

将小波分析在模极大值处理中的优势应用到管道泄漏检测与定位信号分析中,根据信号小波变换模极大值和信号奇异性之间的关系,由小波变换模极大值沿尺度变化趋势分析出压力信号的突变点,计算出管道泄漏诱发的负压波传播到上下游监测点的时间差,利用负压波定位泄漏的常规公式确定出泄漏点的位置。实验证明,该方法能快速准确地捕捉压力信号突变点,并定位管道泄漏位置。     

采用小波变换和盲源分离的电机轴承故障诊断

针对地铁车辆转向架牵引电机轴承故障,提出一种结合小波变换和盲源分离的轴承故障识别方法.首先从原始信号频谱中判断轴承高频共振信号的大致频带范围以确定小波分解层数;其次利用小波分解提取轴承高频共振信号成分;然后利用盲源分离方法从小波分解后的重构高频信号中分离故障特征信号;最后对故障特征信号进行Hilbert解调并通过包络谱分析提取故障特征频率.对上海地铁某型地铁车辆转向架牵引电机进行试验,试验结果证明该方法能清晰、准确地识别轴承故障特征.     

机载惯性传感器信号降噪研究

针对机载条件下惯性传感器千扰输出是来源多样的非平稳、非线性信号,采用传统降噪方法有明显的不足和局限这一问题,分析了机载惯性传感器输出信号的特点,提出基于局城波分解对实测机载惯性传感器信号降噪.根据实测数据使用局域波分解和小波包变换进行信号降噪对比分析,结果表明局域波分解和小波包变换对于存在噪声干扰的机载惯性传感器信号可以有效降噪并提取有用信号.局域波分解消除惯性传感器信号嗓声计算简便,容易实现.     

自适应经验小波塔式分解的齿轮微弱故障诊断方法

针对强背景噪声下齿轮微弱故障特征难以有效提取的问题,本文提出了一种基于自适应经验小波塔式分解的齿轮故障诊断方法 .首先,在齿轮故障信号傅立叶变换基础上,通过设定分解层数对信号频谱进行有效划分,进行经验小波变换;然后进一步提出时-频峭度指标,绘制信号在不同分解层数下各分量信号的时-频峭度图,确定所感兴趣的最优共振频段范围;最终得到最优单分量信号,利用包络解调分析提取齿轮微弱故障特征.采用所提方法对齿轮故障信号进行分析,结果表明该方法可以有效提取齿轮微弱故障特征,而传统经验小波方法因为受强背景噪声影响较大,无法准确提取齿轮微弱故障特征信息.     

基于双树复小波的色谱重叠峰分解方法研究

针对色谱分析中重叠峰的分解问题,提出一种基于双树复小波变换的色谱重叠峰分解方法。首先深入研究了双树复小波变换相较于离散小波变换的优越性;然后利用双树复小波变换分解与重构模拟色谱信号,计算分离度、峰位和峰面积,与离散小波变换的结果对比,并对噪声信号进行测试;最后利用双树复小波变换分解与重构实验所测得的色谱信号。实验结果表明,双树复小波分解色谱重叠峰比一般的实数小波准确,能够有效地分离重叠峰,分解后峰形平滑对称未发生畸变,峰位相对误差与峰面积相对误差较小,适合定性定量分析。     

基于加Blackman窗FFT和db44小波包变换的综合电力系统谐波分析

传统的傅里叶变换（FFT）主要适用于平稳信号的分析,确定信号的幅值和频率,但会丢失信号的局部信息,而小波包变换虽然可以准确得到信号局部细节的信息,但其分析精度不及傅里叶变换。将高分析精度的傅里叶变换和可以准确得到信号局部细节信息的小波包变换结合,提出结合两者优点的谐波分析方法。对平稳信号采用加Blackman窗傅里叶变换进行分析,得到信号的频率和幅值。对暂态信号采用db44小波包变换进行分解分析,得到信号局部细节的信息。通过 MATLAB仿真结果表明,该方法可以准确分析电力系统中的稳态谐波并准确定位暂态谐波。     

Hilbert-小波变换的齿轮箱故障诊断*

采用希尔伯特—小波变换对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用小波变换分解获得振动响应信号的各层高频信号小波系数和低频信号小波系数,对小波系数进行重构获得具有不同特征时间尺度的各高频信号和低频信号;再对分解的信号进行希尔伯特变换获得时频信息谱以提取系统的统计特征信息,实现监测齿轮运转工作状态,及时发现齿轮的早期故障,提高机械运行的安全性。仿真研究结果表明,小波变换分解和希尔伯特边际谱方法在故障信息诊断方面是可行和有效的,提高了故障检测的可靠性。     

基于多分辨分析的脑电癫痫波自动检测*

分析了小波多分辨分析特征提取的特点,提出了八通道脑电信号癫痫波自动检测的方法。每个通道的信号利用小波变换进行五层分解,以提取小波变换各子带的小波系数和信号偏差组成特征值计算自适应阈值,并将其应用到关键子带,提取出信号中的癫痫波。研究的重点是对脑电信号进行分解选择合适的小波;确定适当的分解层次以及自适应阈值的计算。实验结果表明,方法能够为癫痫脑电的特征提取提供快速而有效的手段。