基于改进EMD的接触网绝缘子泄漏电流去噪

采集接触网绝缘子泄漏电流时存在大量干扰,且使用经验模态分解(Empirical Mode Decomposition,EMD)方法去噪时存在端点效应和虚假分量的问题。提出利用类似极值延拓法和功率比值法(The Ratio of Power,TRP)解决EMD存在的上述问题,结合小波阈值方法对泄漏电流进行去噪。选择小波阈值去噪作为对比,对泄漏电流仿真模型和高压实验采集的泄漏电流进行去噪处理。通过去噪前后的有效值、三次谐波和基波幅值之比和信噪比对去噪效果进行评价。结果表明类似极值延拓法和TRP法可有效解决端点效应和虚假分量问题,改进EMD阈值去噪方法去噪效果优于小波阈值去噪。改进EMD阈值去噪方法具有自适应性,适用于污湿情况下的绝缘子泄漏电流去噪处理。     

基于分形特征提取的电能质量数据挖掘

发现"海量"监测数据中电能质量问题,并提取出有用信息,是电能质量有效治理的关键。将大数据挖掘技术应用于电能质量知识发现,8类电能质量数据先进行EMD分解,取前2阶IMF参数后结合分形理论分别求取计盒维、截距等10维特征参数。经泛化处理后,训练并生成了可靠的决策树,抽取出IF-THEN分类规则,用于电能质量问题预测。通过对比分析,分形参数较其他特征参数更有利于如振荡暂态、切痕、尖峰、闪变等电能质量问题分析,特别是对含噪电能质量的分析。结合大数据挖掘技术,不含噪和含噪信号的平均识别率分别提高了1.8%和4.1%。     

基于ARM的绝缘子泄漏电流在线监测系统设计

陶瓷绝缘子具有良好的防污特性,但也会发生污秽闪络,导致供电中断.文中分析了污闪的形成机理,认为绝缘子泄漏电流有效值和放电脉冲数可在一定程度上反映出其表面的污秽程度,从而可通过监测泄漏电流值及电脉冲数的方法来有效避免污闪事故的发生.现有的监测装置一般只监测泄漏电流值或电脉冲数中的一项参数,且其功耗和性能都难以达到实用要求,为此,该文设计了一种基于ARM Cortex控制器及Zigbee无线网络的高压绝缘子泄漏电流在线监测系统,系统实时采集绝缘子表面泄漏电流、电脉冲数及环境温湿度,同时分析绝缘子表面污秽度,并将分析结果显示在LCD上或通过Zigbee网络发送给控制中心.试验表明,该监测系统具有较好的测量精度和良好的实用性能.     

污秽绝缘子泄漏电流检测中滤波器的设计

国内外的大量研究表明,在湿润条件下污秽绝缘子的泄漏电流是表征污秽程度较好的特征量,为绝缘子运行状况提供重要信息,为了有效地检测绝缘子泄漏电流脉冲信号和工频信号,本文用Max274分别组成带通、低通滤波器对信号进行滤波,然后在软件上再进行数字滤波,分析并处理.本文对信号采用软件及硬件结合的预处理措施达到满意的抑制各种噪声和干扰的效果.     

基于线性分形插值函数的遥测数据压缩

文章提出了基于线性分形插值函数的一维数据压缩算法,并利用它对文献犤1犦中所列的遥测数据进行了压缩,与传统的预测编码算法比较,新方法取得了更高的压缩比。     

接触网绝缘子泄漏电流在线监测装置设计

为有效地预测接触网绝缘子污秽水平,提高接触网运行安全可靠性,设计了一种基于ARM的接触网绝缘子泄露电流在线监测装置。通过传感器采集泄露电流和环境湿度预测绝缘子污秽水平,从而判断绝缘子是否应该进行清洗。选取了FQBJ—25/8—760P复合绝缘子为研究对象,在饱和空气湿度下,利用在线监测装置进行人工污秽实验。利用实验数据拟合污秽水平与泄漏电流的关系曲线,为确定接触网绝缘子泄漏电流在线监测装置的预警值提供指导。基于污闪发展三区段思想,提出接触网绝缘子安全运行区、污秽清理区及危险区。     

基于Hilbert—Huang变换的非平稳随机信号处理

实际中的信号本质上是非平稳的,所谓平稳只是非平稳的一种特殊状态,而Hilbert-Huang变换的提出为非平稳随机信号的分析提供一种有效的方法.Hilbert-Huang变换的核心是经验模式分解(EMD),可以将任意复杂的信号分解成为有限个固有模态函数(IMF)的和.本文详细研究了Hilbert-Huang变换的相关理论,介绍了当前研究的热点.     

基于EEMD和关联维数的小电流接地故障选线方法

针对小电流接地系统发生单相接地故障时,各线路零序电流的非平稳、非线性等复杂特性,提出一种基于总体模态分解(EEMD)和关联维数相结合的选线方法.EEMD算法是在经验模态分解(EMD)的基础上加以改进,能够消除模态混叠现象,同时保留了经验模态分解具有的良好的时频特性;EEMD能根据信号本身的特点对瞬时出现的信号进行分析,并将信号分解成若干个固有模态函数(IMF)分量和一个剩余分量.利用关联维数不易受噪声干扰特点,对分解的IMF信号分量进行处理,采用G-P算法计算关联维数,通过比较关联维数的大小选出发生故障的线路.仿真结果表明,该选线方法可靠性高且效果较好.     

基于BEMD和分形维数的人脸识别方法

提出一种新的人脸图像特征提取方法,即利用二维经验模态分解方法（BEMD）结合分形维数（Fractal dimension）进行特征量提取,将提取得到的特征量用于人脸识别。该方法将图像通过BEMD算法分解为不同的二维固有模态分量（BIMF）,然后将得到的BIMF图像进行分块得到BIMF子区域,对每一个BIMF子区域进行分形盒维数估计,采用BP神经网络作为分类器。实验选用ORL人脸数据库,实验结果表明,用该算法进行特征量提取的人脸识别方法具有理想的识别效果并提高识别系统性能。     

基于EMD和BP网络的轴承故障诊断方法

故障轴承的振动信号是非平稳信号,传统的非平稳信号分析手段存在许多不足;BP网络能够出色地解决传统识别模式难以解决的复杂问题。提出了经验模态分解(EMD)与BP神经网络相结合的滚动轴承故障诊断方法。采用EMD方法对振动信号进行分解,得到组成信号的多个内禀模态分量(IMF),提取重要的IMF分量的能量作为信号的特征量;采用BP网络作为模式分类器,对轴承的故障类型进行分类。经试验数据分析证明,该方法能够准确地对轴承故障进行诊断。     

基于二维EMD分解的图像压缩研究

综合Anna的极值点压缩算法和多抽样重叠块压缩算法,提出了一种新的基于二维EMD分解的数字图像压缩方法。先对自然图像进行二维EMD分解,对分解后的IMF抽样点进行熵编码。与两种压缩方法所得的结果比较分析,在确保图像质量的前提下,找到了一种更好的方法,对图像进行压缩。     

基于EMD的脉冲星信号消噪算法

为了提高脉冲星辐射信号的信噪比,提出了一种基于经验模态分解(EMD)的脉冲星信号去噪算法。利用经验模态分解将信号分解为一组固有模态函数(IMF)。针对EMD阈值消噪算法性能不稳定这一问题,该算法滤除固有模态函数噪声时,利用相邻信号标准差作为噪声水平的判断准则,并采用自适应阈值,对于噪声含量较高的信号采用低通滤波器消噪。实验结果表明,与EMD阈值消噪方法相比,该算法能获得更高的信噪比,并具有较好的稳定性。     

基于EMD的自相似流量Hurst指数估计

针对表征自相似网络流量统计特性的赫斯特(Hurst)指数,讨论一种基于经验模式分解的Hurst指数估计算法。该算法通过对自相似网络流量数据进行自适应分解,得到一组满足指定余项误差的固有模态函数分量,由其能量对数化函数与Hurst指数之间的线性拟合,估计出Hurst指数。实验表明,该算法能对自相似网络流量的Hurst指数进行自适应估计。     

基于EMD阈值方法的轴承故障振动信号去噪

针对随机噪声信号影响对有用信息的获取,提出了EMD分解阈值去噪方法,将小波阈值去噪原理应用于经验模态分解（Empirical Mode Decomposition,EMD）中。首先对实际含噪信号进行EMD分解,根据分解后得到的内蕴模态函数（Intrinsic Mode Function,简称IMF分量）,采用自适应阈值去噪,进行信号重构,得到消噪后的信号,获取有用信息。将该方法应用于实际工程故障振动信号中分析研究表明,该方法可以获得较高的信噪比,能够对实际信号进行有效的故障特征频率提取,降噪后比降噪前的诊断效果更明显。     

基于经验模态分解的织造数据拟合方法比较研究

为确保织造过程坯布的质量稳定性和产量数据采集的准确性,对已有织造数据拟合方法进行应用对比分析,针对其在非线性织机声信号处理方面的不足,从不确定因素形成机理的角度对影响坯布质量波动的原因进行理论分析。利用经验模态分解算法在非线性信号处理方面的优势,构建一种改进的在线织造数据拟合方法,并将其应用于织机声信号特征的实时提取。实验结果表明,与现有数据拟合方法相比,该方法拟合处理后的坯布质量明显提高,有效确保织造过程坯布质量的稳定性和产量数据采集的准确性。     

基于基图像提取的二维经验模式分解方法

在图像处理中,传统经验模式分解（ BEMD）方法存在图像边缘处的跳跃特性而造成的原图像细节丢失,以及分解图像中存在的严重“灰度斑”现象和原图像边缘信息无法保留在分量中等问题。提出一种先利用加权最小二乘估计提取基图像后进行BEMD分解的方法用来克服上述问题。实验证明,这种方法可以很好地保留细节和边缘信息,并极大减弱了“灰度斑”现象。     

基于IMF能量熵的目标特征提取与分类方法

提出了一种基于固有模态函数(IMF)能量熵的特征提取与选择方法。对三类信号进行了经验模态分解(EMD),得到IMF。对于不同类别的信号,同阶的IMF能量有明显的不同。选择IMF能量作为特征向量,并选判别熵作为分类判据,同时给出了两种能量熵的计算公式。采用K-近邻分类器对三类信号进行了分类试验,试验结果表明,基于最佳特征向量选择的分类试验的平均正确识别率达80%以上。     

基于EMD方法的时间序列分层相似性匹配算法

时间序列数据挖掘是时态数据挖掘的一个重要方面,针对金融时间序列非稳定、非线性的特点,使用EMD方法进行序列趋势的提取,得到了原始时间序列的长期趋势。在此基础上提出了子序列分层匹配算法,首先进行时间序列趋势的粗匹配,在结果集中进一步进行细节匹配,与传统方法相比,提高了相似性匹配的效率,减少了结果集的冗余。