CN111964889A - 一种用于铁路信号继电器时间参数的有效信息提取方法 - Google Patents

一种用于铁路信号继电器时间参数的有效信息提取方法 Download PDF

Info

Publication number
CN111964889A
CN111964889A CN202010845704.4A CN202010845704A CN111964889A CN 111964889 A CN111964889 A CN 111964889A CN 202010845704 A CN202010845704 A CN 202010845704A CN 111964889 A CN111964889 A CN 111964889A
Authority
CN
China
Prior art keywords
imf
component
components
curve
sequence
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
Application number
CN202010845704.4A
Other languages
English (en)
Inventor
赵正元
李文华
姜惠
吕树远
潘如政
祝贺军
高勇
裴喜春
都丽娟
董芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Railway Signal Co Ltd
Original Assignee
Shenyang Railway Signal Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang Railway Signal Co Ltd filed Critical Shenyang Railway Signal Co Ltd
Priority to CN202010845704.4A priority Critical patent/CN111964889A/zh
Publication of CN111964889A publication Critical patent/CN111964889A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种用于铁路信号继电器时间参数的有效信息提取方法，包括以下步骤：整理电参数实验得到的所有时间参数序列，对参数序列进行数据预处理；将数据预处理后得到的时间参数序列分解成能够代表不同信息的分量；对所有分量进行自相关函数求解，得到各分量的自相关函数图像，根据自相关函数图像确定信噪分界点；对含有噪声的分量进行小波阈值去噪处理，再将处理后的IMF分量与未被去噪的IMF分量和残余分量进行重构，得到降噪后的参数序列，从中提取参数的有效信息。本发明将能够自适应地对时间参数序列进行降噪；利用改进的小波阈值去噪方法进行降噪处理，体现了本方法对于铁路继电器时间参数降噪以提取参数的有效信息的优越性。

Description

一种用于铁路信号继电器时间参数的有效信息提取方法
技术领域
本发明涉及一种信号继电器检测技术，具体为一种用于铁路信号继电器时间参数的有效信息提取方法。
背景技术
铁路信号继电器是实现控制目标、信号传递、电路隔离的关键设备，在铁路系统中发挥着重要的作用，它的可靠性能影响整个系统的稳定和安全，因此对铁路信号继电器参数进行有效分析是十分必要的。
继电器的时间参数是反映其工作特性及可靠性的一项重要指标，对时间参数的有效分析，不仅有助于分析继电器失效的机理，还可为其性能分析和寿命预测提供重要数据支持。因此对时间参数进行数据预处理是十分必要的，且电磁继电器低电平运行测试设备控制系统在实际运行时存在着环境噪声干扰，所以滤波降噪方法的选择正是数据预处理的重中之重。
目前在继电器时间参数的降噪上常用的方法是小波阈值去噪，小波降噪能够降低高频噪声干扰，同时小波降噪后能够较好地保留原有信号特征，具有特征提取和低通滤波的作用。图1是小波阈值去噪的流程图。但是小波阈值去噪对高信噪比信号较为有效，当信噪比较低时，在噪声主导的区域，小波基的搜索只是为了描述噪声，反而不利于去噪。
经过电寿命实验测量得到的时间参数有：触动时间、吸合时间、释放时间、动合超程时间、动断超程时间、吸合自由运动时间、释放自由运动时间，这些时间参数的变化反映了继电器运行状态的变化，但由于测试系统本身的误差与测试环境的影响，试验平台采集的继电器电参数会受到一定的污染。噪声会影响最终的试验结果，需要对铁路信号继电器的时间参数进行合理降噪以提取参数的有效信息。
因此，如何对铁路信号继电器的时间参数进行合理降噪以提取参数的有效信息，已经成为本领域技术人员亟待解决的问题之一。
发明内容
针对现有技术中铁路信号继电器的时间参数无法实现有效信息提取等不足，本发明要解决的问题是提供一种用于铁路信号继电器时间参数的有效信息提取方法。
为解决上述技术问题，本发明采用的技术方案是：
本发明提供一种用于铁路信号继电器时间参数的有效信息提取方法，包括以下步骤：
1)整理电参数实验得到的所有时间参数序列，对参数序列进行数据预处理；
2)将数据预处理后得到的时间参数序列分解成能够代表不同信息的分量；
3)对所有分量进行自相关函数求解，得到各分量的自相关函数图像，根据自相关函数图像确定信噪分界点；
4)对含有噪声的分量进行小波阈值去噪处理，再将处理后的IMF分量与未被去噪的IMF分量和残余分量进行重构，得到降噪后的参数序列，从中提取参数的有效信息。
步骤2)中，将数据预处理后得到的时间参数序列分解成能够代表不同信息的分量，具体为：
201)提取原始时间参数序列x(t)极值，拟合为与曲线极大值相切的曲线max1[x(t)]和与曲线极小值相切的曲线min1[x(t)]；
202)原始时间参数序列x(t)的均值曲线为
Figure BDA0002642984610000021
203)从原始时间参数序列x(t)分离出均值曲线得到一个去掉低频的新数据序列，即h1(t)＝x(t)-m1(t)；
204)重复进行步骤201)～203)k次，直到序列的局部极大值和极小值定义的曲线max1[x(t)]和曲线min1[x(t)]的均值为零，得到第1阶固有模态分量：IMF1(t)＝h1k(t)＝h1(k-1)(t)-m1k(t)，其中，t为继电器动作次数，IMF(t)为第1阶固有模态分量，h1k(t)为第k个去掉低频的新数据序列，m1k(t)为使曲线max1[x(t)]和曲线min1[x(t)]的均值为零的均值曲线；
205)从原始时间参数序列x(t)分离第1阶固有模态分量IMF1得到一个去掉高频组分的差值数据序列r1(t)，重复步骤201)～204)得到其他各阶IMF分量r2(t)＝r1(t)-IMF2(t)，…，rm(t)＝rm-1(t)-IMFm(t)；
206)原始时间参数序列x(t)经过分解后表示为：
Figure BDA0002642984610000022
其中，IMFp为第p个IMF分量，m为IMF分量的总个数，rm(t)代表分解后剩余的分量和序列的平均趋势，每个IMF分量对应不同的特征尺度且分量频率逐渐降低。
步骤3)中，对所有分量进行自相关函数求解，得到各分量的自相关函数图像，根据自相关函数图像确定信噪分界点，具体为：
301)求解IMF分量在两个不同动作次数时的相关程度：
Figure BDA0002642984610000023
其中，t1和t2代表继电器不同的动作次数，n为继电器总动作次数，x(t1)和x(t2)代表动作次数为t2时的参数值，Rx(t1,t2)为IMF分量在t1和t2动作次数时的相关程度。
302)根据自相关函数图像衰减特性，提取Rx(t1,t2)的前5％和后5％，计算其相关程度信息的比值：
Figure BDA0002642984610000031
其中，n为继电器总动作次数，Rx(i)为自相关函数的第i个函数值，kq为第q个IMF分量的相关程度信息比值。
303)采用下式衡量突变情况：
Figure BDA0002642984610000032
为确定噪声分量与有用分量的分界点，采用第q个IMF分量与其前两个分量的相关程度信息比值的平均值进行比较，当hq明显大于前两个相关程度信息的平均值时，即为突变点。
步骤4)中，小波阈值通过以下步骤确定：
401)对前两个分量的自相关函数进行直线拟合；
402)计算在当前IMF分量的相关程度信息比值；
403)计算其前两个IMF分量的相关程度信息比值的中误差；
404)以当前IMF分量的相关程度信息比值加上3倍的中误差为阈值，当实际值超过该阈值时，作为“明显超限”的标志。
本发明具有以下有益效果及优点：
1.本发明将时间参数序列分解成能代表不同信息的分量，在分别对各个分量进行分析，选择需要进行降噪处理的分量，能够自适应地对时间参数序列进行降噪；利用改进的小波阈值去噪方法进行降噪处理，体现了本方法对于铁路继电器时间参数降噪以提取参数的有效信息的优越性。
2.本发明采用不同的时间参数、不同的样本数量的进行处理，可以明确地展示出本发明的优势，即可以对不限数量、不限参数的数据进行降噪处理，以提取参数的有效信息。
附图说明
图1为小波阈值去噪的流程图；
图2为本发明用于铁路信号继电器时间参数的有效信息提取方法的总体流程图；
图3为本发明对参数序列进行分解的流程图；
图4A为动作100万次吸合时间序列IMF1-IMF4分量图像；
图4B为动作100万次吸合时间序列IMF5-IMF8分量图像；
图4C为动作100万次吸合时间序列IMF9-IMF12分量图像；
图4D为动作100万次吸合时间序列IMF13-IMF16分量图像；
图4E为动作100万次吸合时间序列IMF17-IMF20分量图像；
图4F为动作100万次吸合时间序列残余分量R图像；
图5A为动作100万次吸合时间序列IMF1-IMF4分量的自相关函数图像；
图5B为动作100万次吸合时间序列IMF5-IMF8分量的自相关函数图像；
图5C为动作100万次吸合时间序列IMF9-IMF12分量的自相关函数图像；
图5D为动作100万次吸合时间序列IMF13-IMF16分量的自相关函数图像；
图5E为动作100万次吸合时间序列IMF17-IMF20分量的自相关函数图像；
图5F为动作100万次吸合时间序列残余分量R的自相关函数图像；
图6A为动作20万次的吸合时间序列有效信息提取前后对比图；
图6B为动作100万次的吸合时间序列有效信息提取前后对比图；
图6C为动作200万次的吸合时间序列有效信息提取前后对比图；
图7A为动作20万次的动合超程时间序列有效信息提取前后对比图；
图7B为动作100万次的动合超程时间序列有效信息提取前后对比图；
图7C为动作200万次的动合超程时间序列有效信息提取前后对比图。
具体实施方式
下面结合说明书附图对本发明作进一步阐述。
如图2所示，本发明提供一种用于铁路信号继电器时间参数的有效信息提取方法，包括以下步骤：
1)整理电参数实验得到的所有时间参数序列，对参数序列进行数据预处理；
2)将数据预处理后得到的时间参数序列分解成能够代表不同信息的分量；
3)对所有分量进行自相关函数求解，得到各分量的自相关函数图像，根据自相关函数图像确定信噪分界点；
4)对含有噪声的分量进行小波阈值去噪处理，再将处理后的IMF分量与未被去噪的IMF分量和残余分量进行重构，得到时间参数的有效信息。
步骤1)中，假设存在一时间参数序列x(t)(x(t)为n行1列的一维列向量)，对各个参数序列进行异常值处理，主要是零值处理，取其前后5个数值的均值代替，将数据补充完整。若xi(t)＝0(xi(t)为x(t)的第i行数值)，那么则令
Figure BDA0002642984610000051
其中i＝1,2,L,n，缺失值和异常值的处理方式与零值处理方式相同。
如图3所示，步骤2)中，将数据预处理后得到的时间参数序列分解成能够代表不同信息的分量，具体步骤如下：
201)提取原始时间参数序列x(t)极值，拟合为与曲线极大值相切的曲线max1[x(t)]和与曲线极小值相切的曲线min1[x(t)]；
识别参数序列x(t)的局部极大值和极小值，连接极大值得到与所有极大值都相切的曲线max1[x(t)]，连接极小值得到与所有极小值都相切的曲线min1[x(t)]。
202)原始时间参数序列x(t)的均值曲线为
Figure BDA0002642984610000052
通过曲线max1[x(t)]和曲线min1[x(t)]得到均值上述曲线m1(t)。
203)从原始时间参数序列x(t)分离出均值曲线得到一个去掉低频的新数据序列，即h1(t)＝x(t)-m1(t)；
204)重复进行步骤201)～203)k次，直到序列的局部极大值和极小值定义的曲线max1[x(t)]和曲线min1[x(t)]的均值为零，得到第1阶固有模态分量：IMF1(t)＝h1k(t)＝h1(k-1)(t)-m1k(t)，其中，t为继电器动作次数，IMF1(t)为第1阶固有模态分量，h1k(t)为第k个去掉低频的新数据序列，m1k(t)为使曲线max1[x(t)]和曲线min1[x(t)]的均值为零的均值曲线。
对于非平稳非线性参数序列而言，仅仅经过一次“筛选”是不可能使序列局部极大值和极小值定义的曲线max1[x(t)]和曲线min1[x(t)]的均值为零的，这时需把h1(t)作为待处理序列重复上述操作，h2(t)＝h1(t)-m2(t)。重复k次操作，直至hk(t)满足IMF条件，即序列的局部极大值和极小值定义的曲线max1[x(t)]和曲线min1[x(t)]的均值为零。h1k(t)＝IMF1(t)
为第一个固有模态分量(IMF分量)：
h1k(t)＝h1(k-1)(t)-m1k(t)
205)从原始时间参数序列x(t)分离第1阶固有模态分量IMF1得到一个去掉高频组分的差值数据序列r1(t)，重复步骤201)～204)得到其他各阶IMF分量r2(t)＝r1(t)-IMF2(t)，…，rm(t)＝rm-1(t)-IMFm(t)；
将IMF1从原始时间参数序列分离出来，剩余量r1(t)作为一个新的序列，循环执行步骤(1)。第m次迭代计算后，得到m-1个剩余量，当rm(t)趋于单调函数时，分解终止。剩余量分别为
Figure BDA0002642984610000061
206)原始时间参数序列x(t)经过分解后表示为：
Figure BDA0002642984610000062
其中，IMFp为第p个IMF分量，m为IMF分量的总个数，rm(t)代表分解后剩余的分量和序列的平均趋势，每个IMF分量对应不同的特征尺度且分量频率逐渐降低。
步骤3)中，对所有分量进行自相关函数求解，得到各分量的自相关函数图像，根据自相关函数图像确定信噪分界点，具体为：
301)求解IMF分量在两个不同时间点的相关程度：
Figure BDA0002642984610000063
其中，t1和t2代表继电器不同的动作次数，n为继电器总动作次数，x(t1)和x(t2)代表动作次数为t2时的参数值，Rx(t1,t2)为IMF分量在t1和t2动作次数时的相关程度。
302)根据自相关函数的衰减特性，提取Rx(t1,t2)的前5％和后5％，计算其相关程度信息的比值：
Figure BDA0002642984610000064
其中，n为继电器总动作次数，Rx(i)为自相关函数的第i个函数值，kq为第q个IMF分量的相关程度信息比值；
303)采用下式衡量突变情况：
Figure BDA0002642984610000065
为确定噪声分量与有用分量的分界点，采用第q个IMF分量与其前两个分量的相关程度信息比值的平均值进行比较，当hq明显大于前两个相关程度信息的平均值时，即为突变点。
为了自适应地确定分界点，先对前两个数据进行直线拟合，计算在当前动作次数后的值，再计算前两个数据的中误差，以当前动作次数后的值加上3倍的中误差为阈值，当实际值超过该阈值时，作为“明显超限”的标志。
步骤4)中，对含有噪声的分量进行小波阈值去噪处理，再将处理后的IMF分量与未被去噪的IMF分量和残余分量进行重构，得到降噪后的参数序列，提取参数的有效信息，具体如下：
401)含噪分量的小波分解
根据具体的含噪分量选择适合的小波基以及分解层数N，然后将含噪信号进行N层小波分解，得到相应的小波分解系数，小波包分解算法的数学表达式为
Figure BDA0002642984610000071
其中
Figure BDA0002642984610000072
和
Figure BDA0002642984610000073
为小波包系数；p为变换系数；l为分解等级；q为子带；as-2l和bs-2l为滤波器系数求导；
402)阈值处理
对分解得到的小波系数选用合适的阈值函数进行阈值处理，对细节系数进行去噪，小波阈值处理方法主要分为硬阈值和软阈值，其中硬阈值能够较好保留信号局部特征，但是其不连续性会导致消噪后阈值附近噪声明显；为防止信号失真，本发明选取硬阈值方法，其数学表达式为
Figure BDA0002642984610000074
式中α为变量；β为阈值。
本发明选用斯坦恩无偏估计作为阈值准则，阈值β为
Figure BDA0002642984610000075
403)信号重构
对阈值处理过后的小波系数进行重构，可得降噪信号；重构算法的数学表达式为
Figure BDA0002642984610000076
式中μl-2s和νl-2s是一组正交共轭系数；
404)对降噪后的分量
Figure BDA0002642984610000077
以及无需降噪的分量IMFy+1-IMFm和剩余分量R进行重构，得到提取有效信息的参数序列x*(t)。
使用本发明方法时，温湿度不限定，参数的种类不限定，铁路信号继电器的样本数量也不限定。
本实施例别选取动合超程时间和吸合时间的20万次、100万次和200万次参数数据进行分析，首先对原始数据进行异常值处理，由于继电器在动作过程测量的这些时间参数，所以时间参数是大于零的，首先去除小于等于零的数据，取其前后5个数值的均值代替，将数据补充完整，缺失值和异常值的处理方式同上。
选取继电器动作100万次动作后的吸合时间参数为例进行介绍，首先对去除异常值后的参数序列进行分解，可以得到20个固有模态函数分量和1个残余分量，各分量图像如图4A～4F所示。接下来对20个固有模态函数分量进行自相关函数求解，得到IMF分量自相关函数图像(以动作次数为横轴)，如图5A～5F所示。噪声主导的高频分量IMF1－IMF12的自相关函数呈现高频振荡，时间间隔越长，其数据量越少，振荡幅度越大，随着动作次数的增加，迅速减小到0位置上下，这是典型的噪声自相关函数图像。而IMF12之后的8个分量则出现了明显的放缓，说明其中的相关性越来越强，也就是信号越来越强。由此可知前12个分量符合随机噪声特征，说明前12个分量信息中主要含有随机噪声，将这12个分量进行阈值降噪，降噪后与剩余的8个分量和残余分量R进行重构。其提取有效信息后的参数序列图像与原始序列图像对比图如图6B所示。
利用相同的方法分别对20万次、200万次的吸合时间序列和20万次、100万次、200万次的动合超程时间序列进行处理，得到的结果如图6A、6C、7A～7C所示。
接下来为了可观地显示本发明在铁路信号继电器时间参数降噪上的优越性，引入SSIM指数和SNR指数来对比本发明所用方法与小波阈值去噪方法的降噪效果。
图像的结构携带了图像最主要的信息，结构相似度(SSIM)从图像组成的角度解释结构信息，图像的结构信息由亮度、对比度和结构度3个要素组成。SSIM指数在[0,1]范围内，指数越大两个图像越相似。SSIM可建模如下:
SSIM(x，y)＝[l(x，y)]ρ[c(x，y)]θ[s(x，y)]γ
其中：
Figure BDA0002642984610000081
其中x、y分别为原始数据折线图和滤波后数据折线图，l(x，y)为亮度比较函数，c(x，y)为对比度比较函数，s(x，y)为结构对比函数，c1、c2、c3为常数。μx、σx为原始数据折线图的亮度均值和标准差，μy、σy为滤波后数据折线图的亮度均值和标准差，σxy是原始数据折线图和滤波后数据折线图的相关度。
铁路信号继电器时间参数的信噪比公式定义如下式，信噪比越大，说明降噪效果越好。
Figure BDA0002642984610000091
式中，Xsignal为铁路信号继电器时间参数的信号功率，Xnoise为噪声的功率(原始信号功率_降噪后信号功率)。
在进行SSIM指数求解时，主要对图像进行结构对比，考虑到图例和坐标轴等内容的影响，输入的折线图只保留折线进行SSIM指数的求解。利用本发明所用方法和利用小波阈值去噪方法得到的SNR及SSIM指数求解结果如表1所示。
表1 SNR及SSIM指数求解结果
Figure BDA0002642984610000092
通过SSIM和SNR指数的求解，发现采用本发明的有效信息提取方法，不同动作次数、不同时间参数序列的信噪比和结构相似度指数都有所提高，可见本发明所用方法能更好的提取铁路信号继电器的时间参数的有效信息。

Claims (4)

1.一种用于铁路信号继电器时间参数的有效信息提取方法，其特征在于包括以下步骤：
1)整理电参数实验得到的所有时间参数序列，对参数序列进行数据预处理；
2)将数据预处理后得到的时间参数序列分解成能够代表不同信息的分量；
3)对所有分量进行自相关函数求解，得到各分量的自相关函数图像，根据自相关函数图像确定信噪分界点；
4)对含有噪声的分量进行小波阈值去噪处理，再将处理后的IMF分量与未被去噪的IMF分量和残余分量进行重构，得到降噪后的参数序列，从中提取参数的有效信息。
2.根据权利要求1所述的用于铁路信号继电器时间参数的有效信息提取方法，其特征在于步骤2)中，将数据预处理后得到的时间参数序列分解成能够代表不同信息的分量，具体为：
201)提取原始时间参数序列x(t)极值，拟合为与曲线极大值相切的曲线max1[x(t)]和与曲线极小值相切的曲线min1[x(t)]；
202)原始时间参数序列x(t)的均值曲线为
Figure FDA0002642984600000011
203)从原始时间参数序列x(t)分离出均值曲线得到一个去掉低频的新数据序列，即h1(t)＝x(t)-m1(t)；
204)重复进行步骤201)～203)k次，直到序列的局部极大值和极小值定义的曲线max1[x(t)]和曲线min1[x(t)]的均值为零，得到第1阶固有模态分量：IMF1(t)＝h1k(t)＝h1(k-1)(t)-m1k(t)，其中，t为继电器动作次数，IMF1(t)为第1阶固有模态分量，h1k(t)为第k个去掉低频的新数据序列，m1k(t)为使曲线max1[x(t)]和曲线min1[x(t)]的均值为零的均值曲线；
205)从原始时间参数序列x(t)分离第1阶固有模态分量IMF1得到一个去掉高频组分的差值数据序列r1(t)，重复步骤201)～204)得到其他各阶IMF分量r2(t)＝r1(t)-IMF2(t)，…，rm(t)＝rm-1(t)-IMFm(t)；
206)原始时间参数序列x(t)经过分解后表示为：
Figure FDA0002642984600000012
其中，IMFp为第p个IMF分量，m为IMF分量的总个数，rm(t)代表分解后剩余的分量和序列的平均趋势，每个IMF分量对应不同的特征尺度且分量频率逐渐降低。
3.根据权利要求1所述的用于铁路信号继电器时间参数的有效信息提取方法，其特征在于步骤3)中，对所有分量进行自相关函数求解，得到各分量的自相关函数图像，根据自相关函数图像确定信噪分界点，具体为：
301)求解IMF分量在两个不同动作次数时的相关程度：
Figure FDA0002642984600000021
其中，t1和t2代表继电器不同的动作次数，n为继电器总动作次数，x(t1)和x(t2)代表动作次数为t2时的参数值，Rx(t1,t2)为IMF分量在t1和t2动作次数时的相关程度。
302)根据自相关函数图像衰减特性，提取Rx(t1,t2)的前5％和后5％，计算其相关程度信息的比值：
Figure FDA0002642984600000022
其中，n为继电器总动作次数，Rx(i)为自相关函数的第i个函数值，kq为第q个IMF分量的相关程度信息比值。
303)采用下式衡量突变情况：
Figure FDA0002642984600000023
为确定噪声分量与有用分量的分界点，采用第q个IMF分量与其前两个分量的相关程度信息比值的平均值进行比较，当hq明显大于前两个相关程度信息的平均值时，即为突变点。
4.根据权利要求1所述的用于铁路信号继电器时间参数的有效信息提取方法，其特征在于步骤4)中，小波阈值通过以下步骤确定：
401)对前两个分量的自相关函数进行直线拟合；
402)计算在当前IMF分量的相关程度信息比值；
403)计算其前两个IMF分量的相关程度信息比值的中误差；
404)以当前IMF分量的相关程度信息比值加上3倍的中误差为阈值，当实际值超过该阈值时，作为“明显超限”的标志。
CN202010845704.4A 2020-08-20 2020-08-20 一种用于铁路信号继电器时间参数的有效信息提取方法 Pending CN111964889A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010845704.4A CN111964889A (zh) 2020-08-20 2020-08-20 一种用于铁路信号继电器时间参数的有效信息提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010845704.4A CN111964889A (zh) 2020-08-20 2020-08-20 一种用于铁路信号继电器时间参数的有效信息提取方法

Publications (1)

Publication Number Publication Date
CN111964889A true CN111964889A (zh) 2020-11-20

Family

ID=73389718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010845704.4A Pending CN111964889A (zh) 2020-08-20 2020-08-20 一种用于铁路信号继电器时间参数的有效信息提取方法

Country Status (1)

Country Link
CN (1) CN111964889A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113515671A (zh) * 2021-07-01 2021-10-19 河北工业大学 继电器时间参数异常值识别方法、服务端及存储介质
CN113589159A (zh) * 2021-07-30 2021-11-02 沈阳铁路信号有限责任公司 一种用于铁路信号继电器多维度特征参数相关性分析方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113515671A (zh) * 2021-07-01 2021-10-19 河北工业大学 继电器时间参数异常值识别方法、服务端及存储介质
CN113589159A (zh) * 2021-07-30 2021-11-02 沈阳铁路信号有限责任公司 一种用于铁路信号继电器多维度特征参数相关性分析方法

Similar Documents

Publication Publication Date Title
CN108845250B (zh) 基于振动信号特征提取的有载分接开关故障识别方法
Satish et al. Wavelet-based denoising of partial discharge signals buried in excessive noise and interference
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
CN108804832B (zh) 一种基于vmd的间隔阈值局部放电去噪方法
CN109633431B (zh) 基于振动信号特征提取的有载分接开关故障识别方法
CN108446632A (zh) 一种局部放电脉冲边沿寻找与局部放电确认方法
CN107179486A (zh) 一种gis设备在线监测特高频信号降噪方法
CN112014692A (zh) 基于主成分分析的局部放电特高频信号盲源分离去噪方法
Chang et al. Denoising of partial discharge signals in wavelet packets domain
CN111680785B (zh) 基于稀疏特性与对抗神经网络相结合的ecg信号处理方法
CN115700544A (zh) 一种联合经验模态分解及小波软阈值的色谱信号去噪方法
Jin et al. An efficient color-impulse detector and its application to color images
CN108416740A (zh) 一种消除椒盐噪声的迭代自适应中值滤波算法
CN112084845B (zh) 基于多尺度小波系数自相关的低频1/f噪声消除方法
CN113486750A (zh) 一种基于改进vmd算法和小波包去噪算法的油浸式变压器局部放电信号去噪方法
CN109783767A (zh) 一种短时傅里叶变换窗长的自适应选择方法
CN113268924B (zh) 基于时频特征的变压器有载分接开关故障识别方法
CN112528853B (zh) 改进型双树复小波变换去噪方法
CN113589253A (zh) 一种基于伪时域的小波变换算法对微弱回波信号进行检测的方法
CN113033323A (zh) 一种基于滤波分解组合指标的齿轮故障识别方法
CN117158999A (zh) 一种基于ppmcc和自适应vmd的脑电信号去噪方法及系统
CN109100009A (zh) 基于经验模态分解emd的分接开关振动信号降噪方法
Alak et al. Speech Denoising with Maximal Overlap Discrete Wavelet Transform
CN113375065B (zh) 管道泄漏监测中趋势信号的消除方法及装置
CN110703089B (zh) 一种用于低频振荡Prony分析的小波阈值去噪方法

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