CN109100009A - 基于经验模态分解emd的分接开关振动信号降噪方法 - Google Patents
基于经验模态分解emd的分接开关振动信号降噪方法 Download PDFInfo
- Publication number
- CN109100009A CN109100009A CN201810553056.8A CN201810553056A CN109100009A CN 109100009 A CN109100009 A CN 109100009A CN 201810553056 A CN201810553056 A CN 201810553056A CN 109100009 A CN109100009 A CN 109100009A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- imf
- intrinsic mode
- mode function
- tap switch
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 45
- 230000009467 reduction Effects 0.000 claims abstract description 49
- 230000001133 acceleration Effects 0.000 claims abstract description 9
- 238000011946 reduction process Methods 0.000 claims abstract description 8
- 230000007257 malfunction Effects 0.000 claims abstract description 6
- 230000001351 cycling effect Effects 0.000 claims description 6
- 230000004083 survival effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 239000000306 component Substances 0.000 description 73
- 230000009466 transformation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于EMD的分接开关振动信号降噪方法,包括以下步骤:1)通过加速度传感器对有载分接开关(OLTC)正常状态下的振动信号、故障状态下的振动信号进行采集;2)采用经验模态分解(EMD)算法对采集的振动信号进行分解,得到IMF分量;3)对EMD分解得到的前几个IMF分量采用基于EMD阈值降噪的方法进行降噪处理,而对于其余的IMF分量则采用Savitzky‑Golay滤波器进行降噪。实验数据表明:本发明对分接开关振动信号降噪可以取得较好的降噪效果。
Description
技术领域
本发明涉及有载分接开关故障诊断技术领域,具体涉及一种基于经验模态分解EMD的有载分接开关OLTC振动信号处理方法。
背景技术
变压器有载分接开关OLTC作为变压器的核心部件之一,在电力***中发挥着稳定负荷中心电压,调节无功潮流,增加电网调度灵活性等重要作用。在有载分接开关操作过程中,机构零部件之间的碰撞或摩擦会产生振动信号,这些振动信号包含着丰富的设备状态信息。但现场采集到的振动信号往往含有异常数据和各种噪声,会影响振动信号分析的结果。所以在对振动信号分析之前,选择合适的降噪方法对含噪信号降噪非常重要,有助于提高信号特征提取的精度。
在传统的信号处理方法中,信号降噪是利用频谱分析技术来实现的,即通过傅里叶变换把信号变换到频域内进行分析。当噪声和信号在频域内可分时,可以通过设计合适的滤波器,滤除噪声部分所对应的频带,从而达到降噪的目的。然而,分接开关振动信号具有非平稳性特征,相应的频谱成分非常复杂,使得采用传统的基于频域的滤波降噪方法不能满足要求。小波变换由于多分辨率的特性而广泛应用于信号处理领域,是一种非常重要的信号降噪方法,其中使用较多的是基于小波变换阈值处理的降噪方法。基于小波变换的降噪方法已在机械故障诊断中得到大量应用,但是,小波变换在选定小波基与分解尺度后得到的分解结果是某一固定频率段的时域波形,其中所包含的频率成分只与信号的分析频率有关,而与信号本身没有关系,因此从这一点上来说,小波变换不具备自适应的信号分解特性。
因此,本文采用一种基于经验模态分解EMD降噪的分接开关振动信号降噪方法。经验模态分解经验模态分解EMD方法是一种自适应地分解方法,且分解得到的本征模态函数IMF分量能够较好地反映信号在时间局部的频率特性,将基于经验模态分解EMD降噪方法应用于分接开关振动信号降噪处理,可以取得较好地降噪效果。
发明内容
为解决现有技术中的不足,本发明提供一种基于经验模态分解EMD降噪的分接开关振动信号降噪处理方法,降噪效果好,算法简单,可操性强。
为了实现上述目标,本发明采用如下技术方案:一种基于经验模态分解EMD 降噪的分接开关振动信号降噪处理方法,其特征在于:包括以下步骤:
一种基于经验模态分解EMD的分接开关振动信号降噪方法,其特征在于,所述降噪方法包括以下步骤:
步骤1:通过加速度传感器对有载分接开关OLTC运行状态下的振动信号进行采集;
步骤2:采用经验模态分解EMD算法对采集的振动信号进行分解,得到本征模态函数IMF分量;
步骤3:在通过经验模态分解EMD分解得到的本征模态函数IMF分量中,对前设定数量个本征模态函数IMF分量采用基于经验模态分解EMD阈值降噪的方法进行降噪处理,而对于其余的本征模态函数IMF分量则采用Savitzky-Golay滤波器进行降噪。
本发明进一步包括以下优选方案:
在步骤1中,所述故障状态包括有载分接开关OLTC触头松动以及触头脱落。
所述加速度传感器安装在分接开关的顶端。
在步骤2中,所述采用经验模态算法对分接开关振动信号进行分解的具体步骤为:
2.1确定分接开关振动信号x(t)所有的局部极大值点,然后用三次样条线将信号所有的局部极大值点相连形成上包络线;
2.2再用三次样条线将信号所有的局部极小值点相连形成下包络线,其中上、下包络线包络全部的数据点;
2.3将上述两条包络线相应各点的值取平均,得到一条曲线m10,然后求原始信号x(t)和此曲线的差h10(t)为:h10=x(t)-m10;
2.4将h10(t)作为原始信号,重复步骤2.1-2.3,得到h11=x(t)-m11,判断h11(t) 是否满足本征模态函数IMF分量条件,如果满足,那么h11(t)就是第一个本征模态函数IMF分量,记imf1=h11,转入步骤2.6,否则进入2.5;其中,IMF分量条件为:
2.5把h11(t)作为原始数据,即将h11(t)作为分接开关振动信号x(t),重复步骤2.1-2.4,得到上、下包络线的平均值m12,再判断h12=h11-m12是否满足本征模态函数IMF条件,如不满足,则继续循环,直到得到的满足本征模态函数IMF的条件的h1k为止,记imf1=h1k,则imf1为分接开关振动信号x(t)的第一个满足本征模态函数IMF条件的分量;转入步骤2.6;
2.6将本征模态函数imf1从x(t)中分离出来,得到
r1=x(t)-imf1 (2)
将r1作为原始数据重复步骤2.1-2.5,得到x(t)的第二个满足本征模态函数 IMF条件的分量本征模态函数imf2重复循环n次,得到信号x(t)的n个满足本征模态函数IMF条件的分量本征模态函数imfi(i=1,2,…,n);记:
当rn成为一个单调函数不能再从中提取满足本征模态函数IMF条件的分量时,循环结束,rn称为残余函数,代表开关振动信号的平均趋势。
在步骤2.4中,所述ε取值为0.1-0.0001,优选取值为0.1。
在步骤3中,所述基于经验模态分解EMD降噪方法的具体内容为:将含有噪声的分接开关振动信号分解为一系列本征模态函数IMF分量,然后对前设定数量个本征模态函数IMF分量确定一个阈值,利用该阈值对本征模态函数IMF分量降噪,利用降噪后的本征模态函数IMF分量再进行信号重构,得到降噪后的信号。
在步骤3中,所述前设定数量为2-4个。在本发明中,所述设定数量优选为2 个。
在步骤3中,设降噪后的IMF分量记为IM:
其中,sign为matlab自带的符号函数,T为IMF分量的阈值,记为:
M为IMF分量的绝对中值(先对信号取绝对值,然后再求中值),N为IMF分量的长度。
所述采用Savitzky-Golay滤波器对本征模态函数IMF分量进行降噪具体内容为:采用matlab2016自带的sgolayfilt函数对本征模态函数IMF分量进行降噪。本发明所达到的有益效果:
1、本发明相较于传统小波变换降噪,具有较好的自适应性,能够较好地反映分接开关振动信号在时间局部的频率特性;
2、对高频的本征模态函数IMF分量采用经验模态分解EMD阈值降噪,而对于低频的本征模态函数IMF分量采用Savitzky-Golay滤波器进行降噪,不同的本征模态函数IMF分量采用不同的降噪方法,可以较好地保留低频本征模态函数IMF分量的特性,又能保持高频本征模态函数IMF分量的高频特性;
3、经实验数据分析可知,本发明可以对信号的低频部分与高频部分都能取得较好地降噪效果。
附图说明
图1为本发明基于经验模态分解EMD的分接开关振动信号降噪方法的流程示意图;
图2种状态下的分接开关原始振动信号;
图3是3种状态下的本征模态函数IMF分量;
图4是3种状态下的降噪前后的振动信号。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示为本发明基于经验模态分解EMD的分解开关振动信号降噪方法的流程图。首先对采集到的分接开关振动信号先进行经验模态分解EMD,得到 IMF分量;然后再对前两个IMF分量进行阈值降噪,剩余的IMF分量则采用 Savitzky-Golay滤波器进行降噪。这主要是因为,研究发现Savitzky-Golay滤波器可以使信号变光滑,而低频IMF分量相对比较光滑,这样可以较好地保留低频IMF分量的特性;而基于阈值的降噪方法对高频IMF分量的降噪效果较好,相比而言它可以更好地保持IMF分量的高频特征。最后,对降噪后的IMF分量进行重构,即可得到降噪后的分接开关振动信号。
包括以下步骤:
步骤1:通过加速度传感器对有载分接开关OLTC正常状态下的振动信号、故障状态下的振动信号进行采集;
加速度传感器采用永磁体吸附在有载分接开关OLTC测试点的表面的安装方式,这种安装方式简单易行,适合频繁更换测试点的场合。考虑到振动信号的传播介质以及传播过程的阻尼,本发明将振动传感器安装在分接开关的顶端,此位置所拾取的振动信号高频衰减比较少,信号较完整。
故障状态是指有载分接开关OLTC触头松动以及触头脱落两种情况。
步骤2:采用经验模态分解EMD算法对采集的振动信号进行分解,得到、本征模态函数IMF分量;
采用经验模态分解EMD方法对分接开关振动信号进行分解,具体步骤如下:
①确定分接开关振动信号x(t)所有的局部极大值点,然后用三次样条线将信号所有的局部极大值点相连形成上包络线;
②再用三次样条线将信号所有的局部极小值点相连形成下包络线,其中上、下包络线包络全部的数据点;
③将上述两条包络线相应各点的值取平均,得到一条曲线m10,然后求原始信号x(t)和此曲线的差h10(t)为:h10=x(t)-m10。
④将h10(t)作为原始信号,重复步骤①-③,得到h11=x(t)-m11,判断h11(t)是否满足本征模态函数IMF分量条件,如果满足,那么h11(t)就是第一个本征模态函数IMF分量,记imf1=h11转入步骤⑥,否则进入⑤。其中,IMF分量条件为:所述ε取值为0.1-0.0001,在本发明实施例中,优选取值为0.1。
⑤把h11(t)作为原始数据,重复步骤①-④,得到上、下包络线的平均值m12,再判断h12=h11-m12是否满足本征模态函数IMF条件,如不满足,则继续循环,直到得到的满足本征模态函数IMF的条件的h1k为止,记imf1=h1k,则imf1为分接开关振动信号x(t)的第一个满足本征模态函数IMF条件的分量;转入步骤⑥;
⑥将本征模态函数imf1从x(t)中分离出来,得到
r1=x(t)-imf1 (2)
将r1作为原始数据重复步骤①~⑤,得到x(t)的第二个满足本征模态函数IMF 条件的分量本征模态函数imf2重复循环n次,得到信号x(t)的n个满足本征模态函数IMF条件的分量本征模态函数imfi(i=1,2,…,n)。记:
当rn成为一个单调函数不能再从中提取满足本征模态函数IMF条件的分量时,循环结束,rn称为残余函数,代表信号的平均趋势。
经验模态分解EMD方法首先把信号中频率最高的本征模态函数IMF分离出来,然后以此分离频率逐渐降低的本征模态函数IMF,最后分离频率最小的本征模态函数IMF。
步骤3:对经验模态分解EMD分解得到的前2个、本征模态函数IMF分量采用基于经验模态分解EMD阈值降噪的方法进行降噪处理,而对于其余的、本征模态函数IMF分量则采用Savitzky-Golay滤波器进行降噪。
在步骤3)中基于经验模态分解EMD降噪方法的具体内容为:将含有噪声的分接开关振动信号分解为一系列本征模态函数IMF分量,先对前2个IMF分量进行阈值降噪,具体为:对前2个高频本征模态函数IMF分量确定一个阈值,利用该阈值对本征模态函数IMF分量降噪。
其中,降噪后的IMF分量记为IM:
其中,sign为matlab自带的符号函数,T为IMF分量的阈值,记为:
M为IMF分量的绝对中值(先对信号取绝对值,然后再求中值),N为IMF分量的长度。
采用Savitzky-Golay滤波器对剩余本征模态函数IMF分量进行降噪,该滤波器对每一数据点的一个领域内各点的数据,采用一元多项式拟合,此多项式的系数可根据最小二乘法准则使拟合误差最小来确定,由此得出滑动窗口内中心点的最佳拟合值,即为降噪处理后的值。具体步骤为:采用matlab2016自带的sgolayfilt 函数对剩余本征模态函数IMF分量进行降噪。
实施例:
对CMIII-500-63B-10193W型分接开关模拟实验。此分接开关为三相Y连接,最大的分接位置数为19。振动传感器采用分辨率高且抗干扰能力强的LC0151 型压电式加速度传感器。本发明把振动传感器安装在分接开关的顶端,此位置所拾取的振动信号高频衰减比较少,信号较完整。通过加速度传感器对OLTC正常状态下的振动信号、故障状态(OLTC触头松动以及触头脱落)下的振动信号进行采集。
如图1所示为本发明基于经验模态分解EMD的分解开关振动信号降噪方法的流程图。首先对采集到的分接开关振动信号先进行经验模态分解EMD,得到 IMF分量;然后再对前两个IMF分量进行阈值降噪,剩余的IMF分量则采用 Savitzky-Golay滤波器进行降噪。这主要是因为,研究发现Savitzky-Golay滤波器可以使信号变光滑,而低频IMF分量相对比较光滑,这样可以较好地保留低频IMF分量的特性;而基于阈值的降噪方法对高频IMF分量的降噪效果较好,相比而言它可以更好地保持IMF分量的高频特征。最后,对降噪后的IMF分量进行重构,即可得到降噪后的分接开关振动信号。
图2为采集到的分接开关原始振动信号,从上到下依次为正常信号,触头松动以及触头脱落,从图可以看出原始信号中有很多毛刺部分,这些毛刺就是由噪声引起的,因此,在对分接开关振动信号进行分析前,需要滤除这些噪声,从而更容易提取信号特征。
对采集到的振动信号进行经验模态分解EMD分解,得到本征模态函数IMF 分量。
如图3为分接开关3种状态下振动信号经经验模态分解EMD分解后得到的前7个本征模态函数IMF分量。由图可以看出,经验模态分解总是先把高频分量分解出来,然后再把低频分量分解出来。
因此,本发明对本征模态函数IMF分量的前2个高频分量采用基于经验模态分解EMD阈值的降噪方法,再对剩余的低频本征模态函数IMF分量采用 matlab2016自带的sgolayfilt函数进行降噪处理,对降噪后的本征模态函数IMF 分量进行重构,得到降噪后的分接开关振动信号。
图4为分接开关3种状态下的降噪前后的振动信号,从上到下分别为原始信号以及降噪信号。由图4可知,经经验模态分解EMD降噪后,分解开关的振动信号毛刺部分明显减少,因此本发明可以取得较好地降噪效果。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于经验模态分解EMD的分接开关振动信号降噪方法,其特征在于,所述降噪方法包括以下步骤:
步骤1:通过加速度传感器对有载分接开关OLTC运行状态下的振动信号进行采集;
步骤2:采用经验模态分解EMD算法对采集的振动信号进行分解,得到本征模态函数IMF分量;
步骤3:在通过经验模态分解EMD分解得到的本征模态函数IMF分量中,对前设定数量个本征模态函数IMF分量采用基于经验模态分解EMD阈值降噪的方法进行降噪处理,而对于其余的本征模态函数IMF分量则采用Savitzky-Golay滤波器进行降噪。
2.根据权利要求1所述的分接开关振动信号降噪方法,其特征是:
在步骤1中,所述故障状态包括有载分接开关OLTC触头松动以及触头脱落。
3.根据权利要求1所述的分接开关振动信号降噪方法,其特征是:
所述加速度传感器安装在分接开关的顶端。
4.根据权利要求1所述的分接开关振动信号降噪方法,其特征是:
在步骤2中,所述采用经验模态算法对分接开关振动信号进行分解的具体步骤为:
2.1确定分接开关振动信号x(t)所有的局部极大值点,然后用三次样条线将信号所有的局部极大值点相连形成上包络线;
2.2再用三次样条线将信号所有的局部极小值点相连形成下包络线,其中上、下包络线包络全部的数据点;
2.3将上述两条包络线相应各点的值取平均,得到一条曲线m10,然后求原始信号x(t)和此曲线的差h10(t)为:h10=x(t)-m10;
2.4将h10(t)作为原始信号,重复步骤2.1-2.3,得到h11=x(t)-m11,判断h11(t)是否满足本征模态函数IMF分量条件,如果满足,那么h11(t)就是第一个本征模态函数IMF分量,记imf1=h11,转入步骤2.6,否则进入2.5;其中,IMF分量条件为:
2.5把h11(t)作为原始数据,即将h11(t)作为分接开关振动信号x(t),重复步骤2.1-2.4,得到上、下包络线的平均值m12,再判断h12=h11-m12是否满足本征模态函数IMF条件,如不满足,则继续循环,直到得到的满足本征模态函数IMF的条件的h1k为止,记imf1=h1k,则imf1为分接开关振动信号x(t)的第一个满足本征模态函数IMF条件的分量;转入步骤2.6;
2.6将本征模态函数imf1从x(t)中分离出来,得到
r1=x(t)-imf1 (2)
将r1作为原始数据重复步骤2.1-2.5,得到x(t)的第二个满足本征模态函数IMF条件的分量本征模态函数imf2重复循环n次,得到信号x(t)的n个满足本征模态函数IMF条件的分量本征模态函数imfi(i=1,2,…,n);记:
当rn成为一个单调函数不能再从中提取满足本征模态函数IMF条件的分量时,循环结束,rn称为残余函数,代表开关振动信号的平均趋势。
5.根据权利要求4所述的分接开关振动信号降噪方法,其特征是:
在步骤2.4中,所述ε取值为0.1-0.0001,优选取值为0.1。
6.根据权利要求4所述的分接开关振动信号降噪方法,其特征是:
在步骤3中,所述基于经验模态分解EMD降噪方法的具体内容为:将含有噪声的分接开关振动信号分解为一系列本征模态函数IMF分量,然后对前设定数量个本征模态函数IMF分量确定一个阈值,利用该阈值对本征模态函数IMF分量降噪,利用降噪后的本征模态函数IMF分量再进行信号重构,得到降噪后的信号。
7.根据权利要求6所述的分接开关振动信号降噪方法,其特征是:
在步骤3中,所述前设定数量为2-4个。
8.根据权利要求6所述的分接开关振动信号降噪方法,其特征是:
所述设定数量选为2个。
9.根据权利要求4所述的分接开关振动信号降噪方法,其特征是:
在步骤3中,设降噪后的IMF分量记为IM:
其中,sign为matlab自带的符号函数,T为IMF分量的阈值,记为:
M为IMF分量的绝对中值(先对信号取绝对值,然后再求中值),N为IMF分量的长度。
10.根据权利要求1、6-9任一权利要求所述的分接开关振动信号降噪方法,其特征是:
所述采用Savitzky-Golay滤波器对本征模态函数IMF分量进行降噪具体内容为:采用matlab2016自带的sgolayfilt函数对本征模态函数IMF分量进行降噪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810553056.8A CN109100009A (zh) | 2018-06-01 | 2018-06-01 | 基于经验模态分解emd的分接开关振动信号降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810553056.8A CN109100009A (zh) | 2018-06-01 | 2018-06-01 | 基于经验模态分解emd的分接开关振动信号降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109100009A true CN109100009A (zh) | 2018-12-28 |
Family
ID=64796597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810553056.8A Pending CN109100009A (zh) | 2018-06-01 | 2018-06-01 | 基于经验模态分解emd的分接开关振动信号降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109100009A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109799535A (zh) * | 2019-03-14 | 2019-05-24 | 中船海洋探测技术研究院有限公司 | 一种全张量磁梯度定位检测数据的滤波方法 |
CN109813417A (zh) * | 2019-01-18 | 2019-05-28 | 国网江苏省电力有限公司检修分公司 | 一种基于改进emd的并联电抗器故障诊断方法 |
CN109827656A (zh) * | 2019-02-21 | 2019-05-31 | 国网江苏省电力有限公司南京供电分公司 | 基于stft时频谱系数收缩的有载分接开关信号降噪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140088891A1 (en) * | 2012-09-21 | 2014-03-27 | National Central University | Method for determining the precision of gears |
CN104063569A (zh) * | 2013-03-19 | 2014-09-24 | 中国人民解放军第二炮兵工程大学 | 一种基于emd去噪和渐消记忆的设备剩余寿命预测方法 |
CN105938542A (zh) * | 2016-03-16 | 2016-09-14 | 南京大学 | 基于经验模态分解的桥梁应变信号降噪方法 |
CN107144829A (zh) * | 2017-06-29 | 2017-09-08 | 南京信息工程大学 | 一种高效的激光雷达回波信号去噪方法 |
-
2018
- 2018-06-01 CN CN201810553056.8A patent/CN109100009A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140088891A1 (en) * | 2012-09-21 | 2014-03-27 | National Central University | Method for determining the precision of gears |
CN104063569A (zh) * | 2013-03-19 | 2014-09-24 | 中国人民解放军第二炮兵工程大学 | 一种基于emd去噪和渐消记忆的设备剩余寿命预测方法 |
CN105938542A (zh) * | 2016-03-16 | 2016-09-14 | 南京大学 | 基于经验模态分解的桥梁应变信号降噪方法 |
CN107144829A (zh) * | 2017-06-29 | 2017-09-08 | 南京信息工程大学 | 一种高效的激光雷达回波信号去噪方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109813417A (zh) * | 2019-01-18 | 2019-05-28 | 国网江苏省电力有限公司检修分公司 | 一种基于改进emd的并联电抗器故障诊断方法 |
CN109827656A (zh) * | 2019-02-21 | 2019-05-31 | 国网江苏省电力有限公司南京供电分公司 | 基于stft时频谱系数收缩的有载分接开关信号降噪方法 |
CN109799535A (zh) * | 2019-03-14 | 2019-05-24 | 中船海洋探测技术研究院有限公司 | 一种全张量磁梯度定位检测数据的滤波方法 |
CN109799535B (zh) * | 2019-03-14 | 2020-10-30 | 中船海洋探测技术研究院有限公司 | 一种全张量磁梯度定位检测数据的滤波方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109100009A (zh) | 基于经验模态分解emd的分接开关振动信号降噪方法 | |
CN102928517A (zh) | 一种基于小波分解阈值去噪的瓷绝缘子振动声学检测数据降噪的方法 | |
CN110659621A (zh) | 一种基于变分模态分解和排列熵的联合降噪方法 | |
CN108229382A (zh) | 振动信号特征提取方法、装置、存储介质和计算机设备 | |
CN109446928A (zh) | 一种基于变分模态分解和最小均方误差自适应滤波器的信号降噪方法 | |
CN102323518B (zh) | 一种基于谱峭度的局部放电信号识别方法 | |
CN108985179A (zh) | 一种基于改进小波阈值函数的电能质量信号去噪方法 | |
CN107728018A (zh) | 一种电力电缆现场局部放电信号的降噪方法 | |
CN107179486A (zh) | 一种gis设备在线监测特高频信号降噪方法 | |
CN104635223A (zh) | 基于经验模式分解与分数阶傅里叶变换的激光回波去噪方法 | |
CN109541455A (zh) | 一种基于s变换时频谱svd降噪的oltc冲击特性提取方法 | |
CN108665054A (zh) | 基于遗传算法优化阈值的Mallat算法在心音信号降噪的应用 | |
CN109827656A (zh) | 基于stft时频谱系数收缩的有载分接开关信号降噪方法 | |
CN110807349A (zh) | 基于emd分解和小波阈值的自适应降噪方法 | |
CN112084845A (zh) | 基于多尺度小波系数自相关的低频1/f噪声消除方法 | |
Barat et al. | INTELLIGENT AE SIGNAL FILTERING METHODS. | |
CN111964889A (zh) | 一种用于铁路信号继电器时间参数的有效信息提取方法 | |
CN115618204A (zh) | 基于最优小波基和改进小波阈值函数的电能数据降噪方法 | |
CN106023103B (zh) | 一种基于精确局部方差先验建模的自适应正交小波图像去噪方法 | |
CN112861328B (zh) | 一种基于随机响应信号的发电机阻尼评估装置及方法 | |
de Almeida et al. | Vibration monitoring of on-load tap changers using a genetic algorithm | |
CN107123431A (zh) | 一种水声信号降噪方法 | |
CN109212608B (zh) | 基于3D shearlet变换的井中微地震信号去噪方法 | |
CN110333054A (zh) | 一种针对白车身焊接设备的缓变微小故障检测方法 | |
Harikumar et al. | Frequency behaviors of electroencephalography signals in epileptic patients from a wavelet Thresholding perspective |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181228 |
|
WD01 | Invention patent application deemed withdrawn after publication |