固有时间尺度分解

摘要： 针对水轮发电机组振动信号呈现为非平稳、非线性且易受周围环境噪声影响导致机组振动信号特征难以准确提取的问题,提出固有时间尺度分解(Intrinsic time scale decomposition,ITD)结合模糊熵(fuzzy entropy,FE)奇异值差分谱(singular value decomposition,SVD)的水轮发电机组振动信号去噪方法。利用ITD先对振动数据进行分解以模糊熵为阈值,选取模糊熵值小于2的分量进行重构,达到第一次去噪的效果。再在这个去噪的基础上进行SVD分解,根据奇异值差分谱中奇异值变化较大的点来选择重构阶数对数据进行重构,从而达到几乎完全去噪的效果。最后将本方法和局部均值分解(LMD)结合模糊熵和奇异值差分谱的方法进行对比发现,ITD-FE-SVD去噪效果更好,能够保留更多的原信号信息。

摘要： 为研究滚动轴承早期微弱故障特征提取以及最大相关峭度解卷积(MCKD)的参数对诊断效果的影响,提出了一种基于固有时间尺度分解(ITD)与改进最大相关峭度解卷积(IMCKD)相结合的轴承早期微弱故障诊断方法(ITD-IMCKD).首先,运用ITD算法对故障信号进行分解,按峭度相关系数准则重构信号;其次,利用灰狼优化(GWO)算法以解卷积后信号的排列熵为适应函数对MCKD算法的关键参数进行自适应优选;最后,采用GWO改进的MCKD对重构信号进行滤波去噪,通过Hilbert包络谱可以清晰获得轴承故障频率信息.仿真与实验结果表明,所提出的ITD-IMCKD方法避免了经验选择MCKD参数影响诊断效果的问题,并且相比于ITD-MCKD、ITD-MED方法可有效提取轴承早期微弱故障特征.

摘要： 基于风力机齿轮箱振动信号显著的非线性及非平稳性,分别采用集合经验模态分解(EEMD)、固有时间尺度分解(ITD)和经验小波变换(EWT)分解方法对齿轮箱振动信号进行处理,求取各分解方法分量信息熵并构成特征向量,然后作为支持向量机(SVM)模型的输入进行故障识别及分类。结果表明:EWT能较好地提取振动信号中的冲击成分;ITD在3种分解方法中诊断准确率最高且最稳定,最利于风力机齿轮箱故障诊断。

摘要： 针对滚动轴承故障信号的非平稳性、非线性及复杂性特征以及在故障识别过程中存在噪声干扰、故障特征不清晰的问题,提出一种基于固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)与最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)结合的轴承故障特征提取方法.利用固有时间尺度分解对故障信号进行分解,降低信号分解中的模态混叠;对分解的固有旋转分量进行选择,提取故障信号的有用成分,实现信号降噪;采用粒子群优化的MCKD提取故障特征信号的冲击成分.实验结果表明,该方法可以降低信号的模态混叠问题,增强故障特征,有利于噪声环境下轴承故障特征的提取.

摘要： 基于风力机齿轮箱振动信号显著的非线性及非平稳性,分别采用集合经验模态分解(EE-MD)、固有时间尺度分解(ITD)和经验小波变换(EWT)分解方法对齿轮箱振动信号进行处理,求取各分解方法分量信息熵并构成特征向量,然后作为支持向量机(SVM)模型的输入进行故障识别及分类.结果表明:EWT能较好地提取振动信号中的冲击成分;ITD在3种分解方法中诊断准确率最高且最稳定,最利于风力机齿轮箱故障诊断.

摘要： 为提高滚动轴承故障诊断的准确性,提出一种基于固有时间尺度分解(ITD)、奇异值分解(SVD)和多点最优最小熵反褶积(MOMEDA)相结合的故障特征提取方法.首先,采用ITD分解故障振动信号,并构建基于峭度和相关系数的组合权重指标筛选准则,从而完成分量信号的筛选与重构.其次,对其进行SVD滤波降噪.最后,利用MOMEDA提取降噪后信号中的周期性冲击成分,并通过Hilbert包络谱分析得到诊断结果.经过实验数据分析,结果表明所提出的方法不仅能滤除噪声干扰,增强故障特征信息,而且能准确提取出故障特征.

摘要： 为了识别典型船体结构裂纹损伤,提出基于支持向量机(SVM)的分类方法,采用固有时间尺度分解(ITD)和奇异值分解(SVD)方法对振动信号进行特征向量提取,得到训练样本和验证样本数据,应用SVM算法对训练样本数据进行正确的分类.为评估SVM分类准确性,引入BP神经网络算法进行对比分析,2种算法对验证样本进行分类预测,结果证明SVM方法对小样本试验数据进行模式分类具有更高的准确率.对十字加筋板的损伤模式进行分类研究,可对船体局部结构的维修和管理提供更好辅助决策支持.

摘要： 在不影响行波检测精度的前提下,提出一种基于电场探针的行波检测方法以降低检测成本.该方法根据输电线路周围的空间电场情况,利用镜像法理论对输电线路附近的电场分布进行分析,选择恰当的检测位置安装探针以检测空间电位.探针不与输电线路直接接触,可在不停止运行的情况下进行安装与检修,通过接地线得到该电位产生的感应电流,再利用固有时间尺度分解方法分析感应电流信号以提取故障行波信号.仿真结果表明,利用探针感应电流表征输电线路上的电压信号的方法是可行的.此外,该方法定位误差较小,精度高,能够实现跨度较长输电线路的故障检测.

摘要： 为解决光伏微电网中电弧故障检测问题,设计了一种EEMD-MITD-CNN联合的多特征融合故障检测方法。针对采集电流数据时可能因为设备等原因造成的噪声,提出了基于相关系数的EEMD去噪法,对含有噪声的电流信号进行去噪并重构;针对传统ITD的缺点,提出了改进ITD的定义,将改进ITD与传统ITD进行对比,结果表明改进ITD分解效果较好。使用改进ITD方法对重构的信号进行分解并提取特征,经过特征选择后将筛选出的特征与原始电流数据融合成特征矩阵后放入卷积神经网络(CNN)中训练并测试,以检验所提方法的精确度。为评估提出的故障检测方法的性能,对基于IEC-61850标准搭建的光伏微电网进行了评估研究,实验表明所提方法相较于传统ITD检测方法精度更高。

摘要： 为解决无线复杂环境下同型号通信电台发送的信号识别问题,针对传统时频方法处理杂散细微特征存在不足,提出了一种基于固有时间尺度分解(intrinsic time-scale decomposition,ITD)的信号细微特征识别方法.首先通过ITD方法将稳态状态下信号分解,计算分量瞬时参数并得到信号的时频谱,然后提取频谱特征作为细微特征,最后使用SVM分类器进行模式训练以实现信号的识别.仿真结果表明,该算法能够解决传统方法的实时性和准确性差等问题,取得较好的识别效果.

摘要： 为了克服现有技术在大地电磁(MT)数据处理过程中的盲目性,从矿集区采集到的大地电磁数据中进一步精准甄辨、分离出微弱的大地电磁有用信号.文中将改进的固有时间尺度分解(IITD)和模糊c均值聚类(FCM)相结合，通过提取经IITD分解得到的旋转分量(PR)的样本熵和模糊熵进行FCM聚类，定量辨识强干扰波形，并仅对辨识为强干扰的时间序列采用小波阈值法进行噪声压制。方法将为在矿集区开展大地电磁信噪辨识及分离提供新的技术支持。

摘要： 滚动轴承故障信号具有非线性、非平稳性的特点,为有效提取其故障特征,实现轴承典型故障识别,提出了基于固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)和广义分形维数的轴承故障诊断方法.首先,利用ITD方法将包含噪声的振动信号分解为多个分量,应用Teager能量算法选取有效分量获得重构信号,从而实现信号的降噪;其次,采用广义分形方法获得降噪信号维数,作为故障识别特征参量:最后,通过求取待测信号与样本信号的分形维数距离函数,实现故障模式的识别.分析结果表明:对于复杂的轴承故障状态信号,广义分形维数可以从多个测度来描述振动信号的分形特性,该方法可有效识别轴承典型故障.

摘要： 为精确提取行波信号包含的故障信息,提高电网故障行波特征检测的准确度,提出了一种提取暂态行波信息的新方法.该方法采用固有时间尺度分解原理分析故障行波信号,将其分解成若干固有旋转分量和趋势余量,提取故障分析所需高频分量,计算各个分量的瞬时相位和频率,精确确定初始行波到达的时间.算例对比和仿真分析结果表明,该方法在局部特征信息保留和分解速度上比经验模态和局部均值分解有优势,用于电网故障定位具有较高的精度和效率.

摘要： 滚动轴承发生故障时，其振动信号常呈现出强烈的非平稳特性。本文提出了一种基于小波变换和固有时间尺度分解(Intrinsic Time-scale Decomposition，ITD)的滚动轴承故障诊断方法。首先对滚动轴承原始振动信号进行小波分解，选择合适的频带进行重构以剔除噪声成分，然后对重构后的信号进行ITD分解得到若干个固有旋转分量(Proper Rotation component，PRC)，再对包含有调制信息的PRC分量进行包络解调。仿真信号和实验结果表明，以小波与ITD分解相结合的信号特征提取方法，能够准确有效地提取滚动轴承的故障特征。

摘要： 非合作通信条件下估计未知直接序列扩频信号的伪随机(PN)码是截获直接序列扩频信号信息内容的关键。本文提出一种基于固有时间尺度分解(ITD)的时域波形处理算法,可以在很低信噪比的条件下准确地估计直接序列扩频信号的PN码。该算法充分利用ITD时频分辨率高和适于实时处理的优势,直接分解直扩信号波形,借助于多个周期的伪随机码信号的相干累加提高信噪比,通过对载频处瞬时幅度累加值与第一上过零点频率处瞬时幅度累加值的差分信号波动特性的分析,找到一个PN码周期内相邻码片极性变化的位置,从而揭示PN码,而不必猜测其代数结构。与已有PN码估计算法相比,该算法具有采样精度要求低,对载频估计误差不敏感,适用于各种类型PN码等优势。计算机仿真验证了所提算法的可行性。

摘要： 提供一种具有时间可伸缩性的视频编码方法和设备以及一种具有时间可伸缩性的视频解码方法和设备。所述视频编码方法包括：将包括在画面序列中的画面划分为时间子层；基于在时间层访问画面之后被编码的并属于与时间层访问画面相同的时间子层或属于比时间层访问画面更高的时间子层的画面是否能够参考在时间层访问画面之前被编码的画面，将时间层访问画面分类为第一时间层访问画面或第二时间层访问画面；将用于标识第一时间层访问画面和第二时间层访问画面的类型语法信息添加到包括时间层访问画面的传输单元数据。

摘要： 本发明涉及用于产生具有时间交叉的模数转换系统通道间配对误差的数字信号表示的一种方法，用于抑制这样计算出来的误差的方法以及使用这些方法的时间交叉模数转换系统。本发明提出一种不那么复杂的数字解决方案，因为不需要在转换器的输出端提取信号的误差。本发明通过直接产生这些误差的数字信号表示，并从转换系统输出端的数字信号中将其减去，来实现对配对误差的校正。本发明的目的之一是一种方法，用于产生每个通道上包括一个模数转换器(CAN

摘要： 本发明涉及一种用于将差分输入信号转换为单端输出信号的放大器。具体地，本发明涉及一种所述转换的固有时间常数减小的放大器。本发明提供了一种放大器，所述放大器包括转换电路，用于将差分输入信号转换为单端输出信号，所述转换电路包括：输入部分，用于接收所述差分输入信号；输出部分，包括用于提供所述单端输出信号的输出端口，其中，所述输出部分包括电容元件，用于减小所述转换电路的固有时间常数。

摘要： 本发明公开了一种抑端固有时间尺度分解的管道缺陷识别方法，针对固有时间尺度分解容易产生端点效应的问题采用对称延拓来处理极值序列，处理完的极值序列采用固有时间尺度分解来获得固有旋转分量。将原始信号减去端点延拓处理获得的固有旋转分量获得新的极值序列，重复以上步骤得到一系列固有旋转分量和一个单调趋势项，引入端点效应评价指标θ来定量分析端点效应，结合峭度判定选取重组管道量磁信号的固有旋转分量和单调趋势项。对重组的量磁信号和固有旋转分量进行包络处理，对包络信号进行梯度处理并求取管道变形指标，将重组的量磁信号和固有旋转分量进行频谱分析，通过分析梯度异常信号和频谱分析结果来判定管道缺陷。

摘要： 一种基于集合固有时间尺度分解算法的滚动轴承故障诊断方法，包括以下步骤：利用位移传感器采集滚动轴承的振动信号；利用集合固有时间尺度分解算法对采集到的振动信号进行分解，生成若干个旋转分量和残差信号；从所有旋转分量中选取能够反映故障信息的敏感旋转分量；对敏感旋转分量进行包络谱分析；通过分析故障特征频率对应的包络谱幅值判断故障类型。本发明解决了固有时间尺度分解算法的模态混叠问题，为特征提取奠定了良好的基础，通过计算峭度，选取了对故障较为敏感的旋转分量，最后通过分析故障特征频率对应的敏感分量包络谱幅值判断故障类型。本发明可以准确的识别滚动轴承故障，适用于滚动轴承故障诊断。

摘要： 本公开公开了基于固有时间尺度分解的风功率短期预测方法及系统，包括：将获取的待预测数据集中的历史风功率时间序列，基于固有时间尺度分解算法进行分解，得到固有旋转分量和残差分量；将滑动窗口内若干个历史时间点的各个固有旋转分量后向差分数值和残差分量的后向差分数值，均输入到预训练好的分类模型中，输出待预测时间点各个固有旋转分量后向差分预测值和残差分量的后向差分预测值；根据预测值，得到待进行风功率预测时间点的风功率预测值。

摘要： 本发明一种基于固有时间尺度分解、相空间重构和神经网络的膝骨性关节炎诊断系统，包括步态数据获取模块、步态特征提取模块、基于RBF神经网络的建模模块、训练步态模式库、动态估计器模块和诊断模块；基于提取的膝关节角度和位移的步态运动学数据，通过固有时间尺度分解，提取出有效旋转分量信号，对其进行相空间重构，计算出欧氏距离，获取有效的步态特征变量，对健康正常人和患有膝骨性关节炎的训练患者的步态系统动态进行神经网络建模、辨识；利用常值神经网络构建动态估计器，实现对膝骨性关节炎的辅助诊断。本发明与磁共振成像、关节镜手术等诊断手段相比，具有无创、省时、省费用等优点。

摘要： 本发明公开了一种抑端固有时间尺度分解的管道缺陷识别方法，针对固有时间尺度分解容易产生端点效应的问题采用对称延拓来处理极值序列，处理完的极值序列采用固有时间尺度分解来获得固有旋转分量。将原始信号减去端点延拓处理获得的固有旋转分量获得新的极值序列，重复以上步骤得到一系列固有旋转分量和一个单调趋势项，引入端点效应评价指标θ来定量分析端点效应，结合峭度判定选取重组管道量磁信号的固有旋转分量和单调趋势项。对重组的量磁信号和固有旋转分量进行包络处理，对包络信号进行梯度处理并求取管道变形指标，将重组的量磁信号和固有旋转分量进行频谱分析，通过分析梯度异常信号和频谱分析结果来判定管道缺陷。

摘要： 本发明提出一种基于固有时间尺度分解的心房颤动自发终止预测方法，有效地实现对阵发性和持续性房颤的准确分类。其实现的步骤如下：1、房颤患者心电信号预处理，消除心电信号QRS波，从心电信号中提取房颤信号；2、对提取的房颤信号进行一次固有时间尺度分解，得到两个分量信号；3、由短时傅里叶变换分别得到两个分量的时频谱图，计算时频谱图的平均功率谱密度，搜索平均功率谱密度的谱峰频率值。4、计算固有旋转分量与基线分量的方差，样本熵。5、将两个分量的谱峰频率值，方差和样本熵组成6维特征向量，输入SVM分类器，实现阵发性和持续性房颤的分类。通过对房颤信号进行分解细化，同时提取房颤信号的时域和时频域特征，有效地提高了对心房颤动自发终止预测的精确度。

摘要： 一种基于集合固有时间尺度分解算法的滚动轴承故障诊断方法，包括以下步骤：利用位移传感器采集滚动轴承的振动信号；利用集合固有时间尺度分解算法对采集到的振动信号进行分解，生成若干个旋转分量和残差信号；从所有旋转分量中选取能够反映故障信息的敏感旋转分量；对敏感旋转分量进行包络谱分析；通过分析故障特征频率对应的包络谱幅值判断故障类型。本发明解决了固有时间尺度分解算法的模态混叠问题，为特征提取奠定了良好的基础，通过计算峭度，选取了对故障较为敏感的旋转分量，最后通过分析故障特征频率对应的敏感分量包络谱幅值判断故障类型。本发明可以准确的识别滚动轴承故障，适用于滚动轴承故障诊断。