基于数学形态滤波和Hilbert-Huang变换的风电场闪变检测

随着风电场装机容量不断增加,风力发电所引起的电能质量问题不容忽视,电压波动和闪变尤为严重。对风电场引起的电压波动和闪变进行有效评估和治理,需要以准确检测为前提。针对风电场引起闪变的特性提出一种系统、准确、快速的闪变检测方法,首先采用复合数学形态学滤波器滤除原始闪变信号中的多种噪声,然后采用Hilbert变换提取去噪后闪变包络信号,在此基础上利用适于分析非平稳、非线性信号的Hilbert-Huang变换方法对闪变包络进行时频分析。仿真结果表明:该方法能够准确提取闪变的频率、幅值和时刻信息,对分析风电场引起的闪变具有有效性。     

基于Hilbert和改进Prony的闪变检测

电压波动与闪变是当前电能质量问题的重要研究对象之一,对其进行有效监测,对于电能质量治理具有重要意义。提出一种基于Hilbert变换与改进的Prony法的参数估计法,该方法能准确提取出信号的包络线,检测出调制分量的幅值、频率等参数信息,采用统计排序法计算出短时闪变值Pst。 MATLAB仿真验证了该算法的有效性与精确性。     

基于经验模态分解和S变换的缺陷超声回波检测方法

为对金属材料超声无损探伤中的微小缺陷回波进行检测,建立了金属材料背散射信号模型,讨论了调幅回波模型的中心频率估计的无偏性,并提出基于经验模态分解(EMD)和S变换的缺陷回波检测方法。首先对原始信号作EMD,通过时间尺度滤波重构信号,实现初步去噪;为抑制EMD去噪后信号的信噪混叠现象,执行基于S变换和最大类间方差法的去噪算法,进行二次去噪,得到信噪比较高但缺陷回波幅值衰减较大的信号。最后采用二次S变换修正二次去噪中因S变换导致的缺陷回波幅值降低量。对仿真信号和实际棒材检测信号的处理结果证明了该方法在去除噪声和缺陷回波检测方面的有效性。     

一种基于小波包变换和有效值算法

近年来，随着科技的迅猛发展，各种敏感电力电子设备在工业中的应用越来越广泛，使得电压暂降与中断已上升为最严重的电能质量问题。对电压暂降扰动发生、恢复时刻和暂降幅值的检测是电压暂降补偿首先要解决的问题。在对现有的电压暂降检测方法进行仔细的研究和比较后，提出一种将小波包变换和有效值算法相结合的电压暂降检测方法，利用这种方法可以更加准确、简洁地检测出电压暂降扰动。利用小波包变换理论实现了电压暂降的精确定位和消噪处理，其消噪效果优于小波变换；利用有效值算法快速、直观地实现了电压暂降幅值的检测。仿真结果验证了该方法的有效性。     

基于提升小波包变换的滚动轴承包络分析诊断方法

提出了一种基于提升小波包变换提取滚动轴承损伤特征的方法.在提升模式的框架下,根据小波包变换的思想,对细节信号进一步采用提升模式进行分解,实现了提升小波包变换.为了有效地获取滚动轴承的损伤特征,选择合适的小波包基函数,把振动信号按给定的尺度分解,以该尺度信号能量最大的小波包信号分解频带作为最佳小波包,再用解调分析法提取特征频率.并采用仿真和实验信号对该方法进行了验证.采用该方法对无损伤和含有损伤的滚动轴承进行分析,取得了较好的诊断效果.     

针对含噪暂态电能质量扰动信号的检测方法研究

针对如今如何准确的检测含噪信号暂态电能质量扰动位置的问题,在传统的希尔伯特变换的基础上,本文提出将小波变换与EEMD希尔伯特变换相结合的方法。首先通过小波变换对含噪声波形进行去噪,然后通过EEMD希尔伯特变换,进而得到精确的扰动起止时刻。在MATLAB平台上应用该方法对含有噪声信号的电压骤升、电压骤降、瞬时脉冲三种扰动信号进行仿真分析,仿真结果表示,该方法更加准确的检测扰动位置,误差更小。     

基于小波变换的基波无功实时检测

分析了SVC装置现有的无功功率检测方法,提出了一种基于正交小波变换的基波无功功率实时检测方法。该方法用电力系统电压、电流信号离散采集的数据,可方便地对系统功率因数实时检测,能有效地分解和计算含各次谐波和随机干扰的电压、电流信号中的基波分量,从而得到实时的无功功率数据。通过仿真,验证了实时检测方法的有效性。     

基于小波变换的突变信号的检测

当今运用小波变换这一新的数学工具,对于由基本平稳的慢变信号和阶跃型突变信号线性组合构成的这类信号,一种以小波变换为主体的检测和分析方法已得到应用。文章以突变信号中的地震突变信号为例,通过使用小波变换的理论分析方法,同时辅以Matlab仿真,达到对于突变信号突变点的检测与分析。     

基于小波极值变换的棉花异性纤维边缘检测

棉花异性纤维的边缘检测是用于提取异性纤维的主要特征,检测的质量直接影响到检测的精度.为此,根据棉花异性纤维检测的特点,利用极值小波变换对目标图像进行降噪和边缘特征处理.经过实验对比表明,该方法明显好于其他方法,说明极值小波变换对提高棉花异性纤维边缘检测精度有重要的意义.     

基于改进随机Hough变换的棉桃识别技术

为准确识别自然环境中被遮挡的棉花,提出一种基于随机Hough变换的棉花识别方法。为了减小运算量,首先基于RGB彩色模型的（R-B色差通道进行图像分割,利用区域标记获取棉花最小外接矩形区域。然后在有效区域内采用边界跟踪方法获取轮廓信息,根据棉桃轮廓的数学模型进行随机Hough变换。仿真表明：当棉花轮廓信息丢失量小于1/2时,识别效果良好。而且由于轮廓提取和Hough变换均在有效区域进行,参数空间大大压缩,能满足采棉机器人对目标识别精度和速度的要求。     

基于Hough变换的成熟草莓识别技术

基于图像区域特征来识别被遮掩、重叠或紧靠的草莓果实非常困难，提出一种基于Hough变换的成熟草莓识别方法。先对Lab彩色模型下α通道图像进行分割，利用提取的草莓轮廓信息，根据草莓轮廓的数学模型进行Hough变换，实现成熟草莓的识别。为减少运算量，在Hough变换之前，先进行区域标记，获取有效图像信息区域。草莓轮廓信息提取和Hough变换在各个有效区域中进行，由于参数空间大大压缩，运算量也得到减少。试验表明：当成熟草莓轮廓信息丢失小于1／2时，无论单个分离的成熟草莓，还是被遮掩、重叠或紧靠的成熟草莓，皆有很好的识别效果，识别平均相对偏差为4．8％，能满足草莓采摘机器人对目标识别精度的要求。     

WMSN图像节点低内存小波变换方法研究

基于Le Gall 5/3滤波器提出了一种逐行小波变换方法,处理器从图像节点SD卡逐行读出图像信息,完成多级变换后将变换结果行写入SD卡。该方法 SRAM内存需求低,且仅涉及定点整数乘法、加法及移位操作。应用所提方法对一幅256像素×256像素仔猪灰度图像进行小波变换实验,结果表明,该方法以合理的定点运算代价换取了3.968 KB的SRAM开销以及8.718 s的时间开销。为基于小波变换的WMSN节点图像压缩奠定了基础,使农业生产图像在低带宽WMSN上高效传输成为可能。     

基于傅立叶变换的发动机缺缸故障检测

对发动机缺缸故障的诊断进行了研究,通过利用傅立叶变换对正常状态和缺缸状态下发动机的声音信号进行处理和分析,提取出发动机缺缸的故障特征.并用检测实例进行了验证;结果表明缺缸故障可以准确判定,这为分析发动机缺缸故障提供了一种有效的方法.     

基于小波变换的汽车轮速信号去噪

传统的汽车轮速信号处理方法难以消除干扰信号的影响。根据信号与噪声通过小波变换后在各尺度空间呈现的不同特性,选用Daubechies四阶正交小波（db4）对噪声信号进行多层小波分解,对小波分解的各层细节信号,分别采用软阈值处理方法进行量化处理,然后进行小波逆变换重构信号以达到对信号去噪和恢复的目的。研究结果表明,采用此方法能够有效地去除轮速信号中的各种干扰。     

基于提升小波和分形的苹果树多源图像融合算法

针对可见光图像与近红外图像特点，提出了一种基于提升小波和分形的多源图像融合方法。首先将已配准的多源图像分别进行提升小波分解，在各层的低频部分用分形维加权平均融合，高频部分用区域交叉信息熵和能量特性融合；再通过提升小波重构得到融合图像。利用苹果树可见光图像和近红外图像进行了实验，实验结果表明，融合后的图像符合视觉特性，综合性能优于传统小波变换融合方法，有利于对图像作进一步分析、理解和识别。     

基于K-L变换与LS-SVM的玉米品种识别方法

为实现外观相似的不同玉米品种的有效识别,提出了K-L变换与最小二乘支持向量机相结合的籽粒品种鉴别方法.采用标记算法及多尺度小波分析方法获得玉米单籽粒图像,应用K-L变换技术提取籽粒图像的特征数据,设计了二叉树型多类LS-SVM分类器,实现了对特征数据的有效分类.通过试验分析,确定了较为合理的状态空间维数(L=3),正确识别率可达95.3%.     

基于小波变换和BP神经网络的蛋壳破损检测

提出了一种基于多层小波变换和纹理分析的蛋壳破损检测方法.该方法对获取的鸡蛋透射图像G分量在不同水平上进行小波分解,计算和分析各水平高频细节子图像的纹理特征参数,实验确定最有效的8个特征参数作为BP网络输入,建立结构为8202的BP神经网络蛋壳破损分类模型.实验表明,该方法对无破损蛋、线状破损蛋、网状破损蛋和点状破损蛋的判别正确率分别为95%、90%、95%、80%,平均识别率为90%.     

基于IRM和小波变换的圆度误差在线检测技术

针对提高圆度误差在线检测精度的两个关键问题--主轴回转误差分离和环境噪声消除,提出了一种基于IRM(改进反向法)和小波变换的圆度误差在线检测方法.运用IRM实现在线检测中主轴回转误差与圆度误差的分离;采用基于小波变换的消噪滤波方法,消除车间噪声和高、中频信息的干扰.实验结果表明,在线检测精度基本达到了三坐标机的离线检测精度,平均相对误差4%,重复测量精度基本一致.