经验小波变换

摘要： 针对强噪声背景下行星齿轮箱早期微弱故障难以提取以及经验小波变换对信号频率区间边界划分不恰当以及不能有效确定模态数目的问题,提出了一种基于改进经验小波变换(modified empirical wavelet transform,简称MEWT)和自适应稀疏编码收缩(adaptive sparse coding shrinkage,简称ASCS)的早期微弱故障特征提取方法。根据信号频谱的尺度空间表示,将原始故障信号自适应地分解为一系列的窄频带本征模态分量。利用包络谱峭度(envelope spectrum kurtosis,简称ESK)值选择敏感分量,为了进一步凸显分量中的故障信息,使用ASCS算法对敏感分量进行稀疏降噪处理,从其包络谱中即可提取到清晰的故障特征频率成分。数值仿真和实际数据分析结果表明,本研究方法能够自适应地实现故障信号的模态分解并增强微弱的故障冲击特征。此外,与经验小波变换(empirical wavelet transform,简称EWT),EWT-ASCS和ASCS进行对比,本研究方法可有效提取包含故障信息丰富的分量,经ASCS处理后信号故障特征得到凸显,实现了行星齿轮箱早期微弱故障的准确识别。

摘要： 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。

摘要： 为解决非接触式睡眠监测系统中呼吸和心跳信号的有效分离和准确提取问题,采用经验小波变换手段,根据信号频谱特征利用尺度空间变换实现频域的自适应划分,然后依据频谱划分的边界构造正交小波滤波器组,实现了从所获取的混合压力信号中有效提取出心冲击和呼吸信号等单模态分量。初步实验结果表明,与常规滤波方法相比,该方法具有较高的自适应性和可重复性,且提取出的心冲击信号波形特征更为明显,有利于对心跳时刻进行精确定位。

摘要： 采用现有的方法对控制系统执行器(气动执行器/电液执行器)进行故障诊断时,无法同时满足诊断的准确性和快速性要求,针对这一问题,提出了一种基于经验小波变换(EWT)和双核极限学习机(DKELM)的控制系统执行器故障诊断方法。首先,利用经验小波变换对执行器故障信号进行了分解,得到了若干经验小波分量,以信息熵(IE)为依据筛选分量,计算了保留分量的模糊信息熵(FIE),构成了特征向量;其次,将小波核函数和RBF核函数引入至极限学习机(ELM)构造了双核极限学习机,以特征向量作为输入,进行了双核极限学习机模型训练和分类测试;最后,采用执行器故障半物理试验平台,对基于EWT-DKELM的方法进行了重复试验,以验证该方法的有效性。研究结果表明:经验小波变换能够有效分离执行器故障信号的各个独立模态,其提取的模糊信息熵特征具有较高的区分度;双核极限学习机的模型训练速度快、误差小,具有较高的分类准确率。

摘要： 针对电能质量复合扰动分类方法在分类数目和分类性能方面存在的不足,提出一种基于改进经验小波变换(MEWT)和极限梯度提升(XGBoost)的电能质量复合扰动分类方法。首先,对传统经验小波变换进行改进,使之适用于复合扰动特征提取;然后,根据基本扰动MEWT分析结果,从时频域多角度提取能够有效刻画不同扰动特性的特征序列;最后,基于问题转换策略构造以XGBoost为子分类器的多标签复合扰动分类模型,并通过特征选择与超参数优化相结合的模型训练方法进一步提升分类效果。实验结果表明,所提方法可实现48类扰动的有效辨识,较之传统多标签扰动分类方法在分类精度和噪声鲁棒性方面表现更优,且运算速度更快,适用于工程实践。

摘要： 经验小波变换方法被证明是一种有效的滚动轴承故障诊断方法,但该方法的分析精度依赖于频谱的合理分割。因此,文章提出了一种基于改进经验小波变换的故障特征提取方法。首先,通过连接若干个信号频谱的局部极大值来获取频谱包络线;然后,设定阈值,消除噪声干扰;最后,根据频谱包络线的局部极小值来自适应地确定频谱分割边界。工程实例分析表明,基于改进经验小波变换的故障特征提取方法,提高了对故障特征频带的分离精度,在滚动轴承故障特征提取方面表现出一定的优越性。

摘要： 针对传统短期风功率预测模型在功率变化较大情况下的预测精度不高问题,提出了一种基于信号分解和量子粒子群算法优化核极限学习机的短期风功率预测模型。首先利用经验小波变换将原始风功率序列分解成为若干个模态分量,再利用核极限学习机建立每个模态分量的预测模型,为了提高模型预测精度,采用量子粒子群算法优化核极限学习机参数,最后将每个模态分量预测值相加得到最终的功率预测结果。以实际风电场发电功率为例,并与其他预测模型进行比较,结果表明所提模型具有较高的预测精度。

摘要： 心冲击图(BCG)信号中含有睡眠时期的心跳等生理参数,采用非接触式测量,但易受干扰影响应用受限;心电图(ECG)信号应用很广,但采用接触式测量,操作不便。为了实现非接触式测量并监测心电信号,该文将无参数尺度空间法(PSA)引入并与经验小波变换(EWT)算法结合,从BCG信号中分解得到心跳分量,结果表明所提分解方法能有效地从BCG信号中最大限度地分解出心跳信号;并在此基础上通过改进的深度卷积生成对抗网络(DCGAN)重构出ECG信号。实验结果表明,该文所提信号重构算法能从心跳分量重构恢复出ECG信号,均方根误差为–16.8422 dB。

摘要： 针对时频域分析方法经验模态分解(EMD)在处理电弧信号上存在模态混叠现象,提出一种基于改进经验小波变换(IEWT)多特征融合与极限学习机(ELM)的电弧故障检测方法。该方法首先将电弧电流信号进行IEWT变换,自适应分解为5个经验模态分量(EMFs),提取EMFs的权重能量熵、EMF4的样本熵及EMF1的方均根值作为特征量。在进行数据标准化后,将3个电弧故障特征融合并形成多维特征矩阵,最后通过ELM进行故障识别。在分析中对IEWT和EMD分解进行比较,结果表明,IEWT方法要优于EMD对信号的处理,并且在多特征提取下也避免了单一特征造成的误判,再结合ELM可以准确识别出电弧故障,经试验验证平均准确率为97.85%。

摘要： 为了有效提取局部放电信号故障特征,进而对电力变压器故障进行诊断,提出一种基于经验小波变换(Empirical Wavelet Transform,EWT)和多尺度量子熵(Multiscale Quantum Entropy,MQE)的变压器局部放电特征提取方法。首先,该方法利用EWT对局部放电信号进行分解,得到多个不同的固有模态分量(Intrinsic Mode Function,IMF)和残余分量。其次,计算信号分解出的每个IMF的多尺度量子熵序列。然后,对多尺度量子熵序列利用局部切空间排列算法(Local Tangent Space Arrangement,LTSA)进行降维处理。最后,采用层次聚类算法(Hierarchical Agglomerative Clustering,HAC)进行聚类分析,得到不同放电类型的识别结果。通过与不同诊断方法对比,仿真结果及实验数据验证了所提方法的有效性和优越性。

摘要： 风速多步预测研究对超高层建筑、桥梁、高速铁路抗风和风电场平稳运行有重要意义.本文基于目前常用的"分解—预测—重构"策略,提出一种改进经验小波算法,用于实测非平稳风速分解,并建立最小二乘支持向量机预测模型对分解得到的子信号开展多步预测,粒子群优化算法被用来优化最小二乘支持向量机核参数和惩罚参数.对两组实测非平稳台风进行风速多步预测试验,并引入集合经验模态分解和离散小波变换作为对比.试验结果表明,改进经验小波变换能显著提高非平稳风速多步预测精度.

摘要： 在实际生产过程中,机械设备的运行环境十分复杂,所采集的振动信号中存在大量的噪声,且常呈现非平稳特性,若对原始的振动信号直接进行包络解调处理,往往难以达到理想的效果.提出一种基于经验小波变换和奇异值分解的故障轴承诊断方法.首先利用经验小波变换(EWT)对原始信号进行分解,将复杂信号分解成多个固有模态函数(IMF),然后选取故障特征最明显的IMF分量进行奇异值分解(SVD)降噪,根据奇异值差分谱自适应地选择奇异值个数进行重构,最后对重构后的信号进行Hilbert包络解调,从而得到故障轴承的特征频率.实验结果表明,该方法能够有效地应提取滚动轴承的故障特征.

摘要： 针对往复压缩机振动信号的非平稳和非线性特性,提出了基于经验小波变换(EWT)与多尺度模糊熵(MFE)的往复压缩机轴承故障特征提取方法.以经验小波变换方法分解各状态的振动信号,形成一系列具有紧支撑傅里叶频谱的AM-FM分量,依据相关性系数筛选包含故障状态主要信息的AM-FM分量.利用多尺度模糊熵对各分量进行定量描述,并以类间平均欧氏距离对尺度因子进行优选,得出可分性良好的特征向量.利用SVM识别轴承间隙故障的类型,以识别准确率为依据,通过与不同方法所提取的特征向量进行对比,验证了该方法的有效性.

摘要： 模糊熵是衡量振动信号复杂性的非线性动力学方法,针对振动信号的多尺度特性,提出了一种基于经验小波变换-模糊熵的滚动轴承故障特征提取方法.经验小波变换是在经验模态分解和小波变换的基础上提出的一种非平稳信号处理方法.通过采用经验小波变换将滚动轴承振动信号自适应地分解为若干个不同尺度的具有紧支集频谱的单分量信号之和,再提取每个单分量信号的模糊熵,最后,将提取的多尺度特征向量输入到基于支持向量机的多故障分类器进行训练和测试,实现滚动轴承的故障诊断.实验数据分析结果表明了论文方法的有效性.

摘要： 针对经验小波变换(Empirical Wavelet Transform,EWT)对滚动轴承早期微弱故障诊断的不足,提出一种基于改进EWT与Teager能量算子分析相结合的早期故障识别方法.首先采用改进EWT方法对原信号进行频段划分,获得一系列含故障信息的信号分量,对各个信号分量进行分析,去掉噪声和其他干扰信号分量,然后对最优信号分量进行Teager能量算子分析,根据Teager能量算子谱上明显的特征频率成分来诊断故障.该方法能有效降低噪声的干扰、增强信号中的周期性冲击特征.通过对含外圈、内圈故障的滚动轴承进行试验分析,结果表明,相比于传统EWT方法,该方法提取出的故障特征更加明显,能有效实现滚动轴承早期微弱故障的识别.

摘要： 针对压裂车动力系统野外工作时振动信号的强时变性和强噪声特性,提出了一个基于经验小波变换(Empirical Wavelet Transform,EWT)和深度残差网络(Deep Residual Net,DRN)的故障诊断模型.根据该模型对2000型压裂车动力端采集的振动信号进行经验小波变换,得到时频图像,然后对图像进行灰度化和归一化,再将灰度图降维至适当大小,并将压缩后的时频图像作为深度残差网络DRN的输入,建立基于EWT和DRN的Softmax分类模型,以实现压裂车动力系统的故障诊断.实验结果表明,该方法能有效识别压裂车动力系统的故障类型,具有优于传统卷积神经网络的较强的泛化能力、特征提取能力和识别能力.

摘要： 提出了一种基于经验小波变换的自适应多尺度模糊熵的转子系统故障诊断方法.首先,采用最近提出的经验小波变换将转子信号分解为若干个不同尺度的具有紧支集频谱的内禀模态函数之和;其次,计算每个内禀模态函数的模糊熵;再次,将提取的多尺度特征故障特征向量输入到基于神经网络集成建立的多故障分类器进行训练:最后,将测试样本输入到已训练的分类器进行测试.实验数据分析结果验证了论文方法的有效性.

摘要： 本发明公开了一种基于数据融合和改进经验小波变换的电机轴承故障诊断方法，包括如下步骤：(a)采集电机轴承在无故障和不同故障工况下的振动信号、电流信号和外圈温度，并进行处理；(b)对处理后的振动信号和电流信号进行EWT分解，并结合相关系数、峭度值和能量选取分量进行重构，进而得到包络谱图；(c)分别构建振动信号、电流信号和外圈温度的卷积神经网络模型，并进行训练；(d)利用DS证据理论融合卷积神经网络的结果，进而得到最终诊断结果；(e)采集当前电机轴承的数据，得到状态图，并输入至训练好的神经网络模型中，进行故障诊断和预测。从而该方法有效地解决单传感器故障诊断不准确、无法进行多故障诊断和预测的问题。

摘要： 本发明公开了一种基于改进的经验小波变换的模拟电路故障诊断方法，先利用蒙特卡罗统计方法对模拟电路进行仿真分析，获取各种故障状态下模拟电路输出端的电压信号，再利用改进的经验小波变换方法对电压信号进行自适应分解，得到电压信号的各个模态分量，然后利用排列熵算法计算出各种故障状态下电压信号的排列熵值，作为表征对应故障状态下的特征向量，并用这些特征向量训练最小二乘支持向量机，最后通过训练好的最小二乘支持向量机诊断模拟电路未知的故障状态。

摘要： 本发明公开了基于改进经验小波变换的脑电信号字典学习方法，包括：获取脑电信号数据集；将所述脑电信号数据集中的信号分割成同等长度的脑电信号片段；利用改进经验小波变换方式将所述脑电信号片段分成若干本征模态分量，所述本征模态分量能够反映原始脑电信号本质的特征；对所述原始脑电信号本质的特征进行筛选并放入本征模态分量集合中；在所述本征模态分量集合中随机挑选k个样本作为质心，使用k‑均值奇异值分解方法进行字典学习，输出训练好的字典；使用所述训练好的字典在重构端进行脑电信号重构。本申请使得字典能够对脑电信号特征进行更优的稀疏表示，同时将信号本身的特性考虑在内，减小了学习字典对于训练样本的依赖性，提高重构准确度。

摘要： 本发明公开了一种基于经验小波变换的模拟滤波电路故障诊断方法，将方波信号作为待测模拟滤波电路故障诊断时其输入端的激励信号，然后利用蒙特卡洛统计分析方法进行仿真分析，获取各种故障状态下电路输出端的电压信号；接着利用改进的经验小波变换对电压信号进行分解，获取各个模态分量，将每个模态分量的特征向量进行拼接组成表征故障状态的新的特征向量，并通过利用广义辨别分析算法对新的特征向量进行降维，再用降维后的特征向量训练SVM模型，最后通过SVM模型诊断模拟滤波电路未知的故障状态。

摘要： 本申请涉及基于经验小波变换的太赫兹成像方法、系统和设备，特别是将采集得到的原始太赫兹信号自适应地分解成若干个模态函数之和，基于不同的应用需求，根据多个模态函数中的第一个模态分量的最大值或特定时间点下的幅度值进行太赫兹成像。相比现有成像方法，可有效降低系统噪声和环境干扰对于成像的影响，显著提高成像信噪比和增强不同样品间的对比度。

摘要： 本发明一种基于经验小波变换的自适应海杂波抑制方法，属于雷达杂波处理、小波域杂波处理技术领域包括以下步骤：基于经验小波变换计算当前雷达回波信号的小波函数，得到小波基；根据小波基进行小波变换，得到经验尺度系数项和经验小波系数项；建立各层经验小波系数项的杂波抑制门限；根据各层经验小波系数项的杂波抑制门限，对经验小波系数项进行海杂波抑制；对经验尺度系数项和经验小波系数项进行主成分分析，计算每一层经验尺度系数和经验小波系数的贡献率，按照贡献率重构海杂波抑制后的雷达回波信号，该方法能够自适应计算雷达回波信号的小波函数并进行分解，并基于海杂波经验小波系数的统计分布特性进行海杂波抑制。

摘要： 一种基于经验Garbor小波变换的光伏电池图像异常检测方法，其步骤如下：一、构建经验Gabor小波变换，首先需要在傅里叶频域中检测支撑从而获得对应的小波基函数构成滤波器组，然后使用这个滤波器组对输入信号进行滤波从而得到其变换分量。二、纹理结构分离。将输入图像分解为结构和纹理部分，其纹理部分有足够的可分离模态，再对结构部分进行分割，最终融合提取的信息，得到唯一的最终分割。三、小波特征提取。通过构建经验小波变换，利用特征提取方法对于每个像素点构建特征向量。四、小波系数预处理。五、纹理分类，提取异常缺陷。通过以上步骤，可对光伏电池图像中异常区域自动检测，有效提高工业生产中产品质量。

摘要： 本发明涉及一种基于经验小波变换的调频引信信号处理方法，属于信息对抗技术领域。本发明基于经验小波变换将调频引信差频信号自适应分解为不同模态分量，实现对近程泄露信号、目标回波信号以及噪声干扰信号的分离，对目标回波所在分量进行傅里叶谱分析，获取目标距离信息，并与预定炸高进行比较，并结合幅度门限判决结果，决定输出点火脉冲。本发明包括以下步骤：基于经验小波变换的自适应分解；提取目标回波所在模态分量；目标模态分量的傅里叶谱分析；幅度门限判决。本发明能够自适应的剔除调频引信差频信号中的近程泄露信号以及噪声干扰信号，具有抗干扰能力；通过对待检模态分量依次进行峰值频率以及幅值门限检测，具有目标识别、检测能力。

摘要： 本发明属于信号处理技术领域，具体涉及一种基于梯度比较的经验小波变换频域划分方法，包括：采集待分析的信号，并对采集的信号进行快速傅里叶变换以获得采集的信号的频谱数据；通过计算得到信号频谱的包络线，并提取信号的主频点；选取一定的频率步长s和梯度阈值t；选取相邻的两个主频点进行逐步的梯度计算，得到该相邻的两个主频点之间的频带分界点；照梯度计算结果得到的频带分界点进行该相邻的两个主频点之间的频域划分；找出所有两个相邻的主频点之间的频率分界点，按照找出的频率分界点完成对所有两个相邻的主频点之间的频域划分。本发明可以以较小的计算复杂度实现更加精确的信号频域划分，进而改善经验小波变换的信号分析效果。

摘要： 本发明属于信号分析技术领域，具体涉及一种经验小波变换主频点的选取方法，包括步骤采集待分析的信号，并进行快速傅里叶变换以获得信号的频谱数据；计算得到信号频谱的包络线，并得到包络线中的各个极大值点；计算各极大值点的动态测度a；计算各极大值点的凹凸度b；设定信号的动态测度权重wa、凹凸度权重wb、频率阈值函数t(f)；根据设定的动态测度权重wa、凹凸度权重wb以及计算得到的各极大值点的动态测度a和凹凸度b计算各极大值点的测量值的加权平均值m，并与对应的频率阈值函数t(f)进行比较，若是大于等于对应频率阈值函数的值，则对应频率点f为主频率点。本发明可以以较小的计算复杂度实现更加精确的信号主频率点选取。