小波变换幻灯片.ppt

正交多分辨小波分解及其时-频特性 图中，H和G分别可以看成低通滤波器和高通滤波器，分别对信号滤波提取信号缓变和细节或突变特征。MRA所确定的小波分解既对信号进行整个时间域的平移扫描，又在多尺度范围(各了频带)内提取细节信息，能很好地再现原始信号的全部特征。 基于多分辨率分析的快速小波变换是利用正交小波基将信号分解为不同尺度下的各个分量，其实现过程相当于重复使用一组高通和低通滤波器对时间序列信号进行逐步分解，高通滤波器产生信号的高频细节分量，低通滤波器产生信号的低频粗略分量。滤波器得到的两个分量所占的频带宽度相等。每次分解后，将信号的采样频率降低一半，下一步对低频分量重复以上的分解过程，得到下一层次的两个分解分量。 设信号 经上述变换后，在第j分解尺度下k时刻的高频分量系数为 ，低频分量系数为 ，进行单支重构后得到的信号分量 。则原始信号 可表示为各分量的和，即 Fs为采样频率 小波变换非常适合分析非平稳信号.小波分析较好地解决了非平稳信号分析的问题。具有良好的时频局部性、多尺度性和“数学显微”特性。它可以聚焦到信号的任意细节，对突变信号具有很强的识别能力,为故障诊断提供了新的方法。 根据有用信号和随机噪声在小波变换域中不同的模极大值系数特征.不但能提取信号和噪声在多尺度分辨空间中的波形特征.而且能根据表征小波系数模极大值传播特性的不同.实现对信号波形的有效检测。在信号奇异点检测、噪声抑制、频谱分析等都有非常好的优势，尤其是在构造故障诊断所需要的特征或提取有用信息时优势更为明显。 传感器故障是指传感器在工作过程中经某一瞬间后偏离其正常工作状态的现象。在突变型故障中，即使故障很小也会在传感器输出信号中产生突变，而信号的奇异性可以通过小波变换的模极大值检测出来，对故障发生时刻可以准确定位。在缓变型故障中，对故障信号进行M RA小波分解提取粗尺度下信号缓变特征并进行微分求导，通过微分的突变可以实现对故障的准确定位。 首先，我们假定传感器输出用下列公式表示 其中， 是噪声信号， 是传感器输入， 设 为某一小波函数，并具有大于k阶的消失矩，则有 在尺度a下对其进行小波变换 在用小波方法进行状态检测的应用中，最常见最直接的方法就是利用小波系数的突变点来进行故障的识别。由小波方法的特性可知，当信号有奇异点出现时，其对应的小波分解系数上会出现突变，可利用系数的极大值进行故障的检测。 而小波系数突变点方法存在以下两个缺点: (1)小波系数突变点的具体突变数值与信号故障的幅值相关。因此，对同种故障类型而言，随着故障幅值的变化，其小波突变值也发生变化。故无法对同 种故障建认一个统一的阈值来进行判断。 (2)小波系数突变点方法在周期性故障的检测上具有一定的障碍。周期性故障的变化的突变度不高，同时在小波系数存在多个极大值，故无法根据小波突变极大值处对应故障突变点的方法正确得到故障突变发生的时刻。 为了可以更好的检测故障问题，关于小波分析又出现了大量对于小波熵的探 讨，进行了小波分解的信号原始信号序列可以表示为各分量的和： 式中 ，J为最大分解尺度。 。 在信息论中, 熵用于表示信源输出的平均信息量的大小,它能提供信号潜在的动态过程的有用信息,其大小是对信号平均不确定性和复杂性的度量。香农( Shannon)信息熵的定义如下: 式中, 代表信号取值的概率。信息熵值是对信号不确定度的度量,可以用来估计信号的复杂性,越不确定、越复杂的信号其熵值越大。小波信息熵是小波分析和信息熵原理相结合的产物,其基本思想是将小波系数矩阵处理成一个概率分布序列,用该序列的熵值来反映这个系数矩阵的稀疏程度,即被分析信号概率分布的有序程度。信号经过小波变换后,假设每一个尺度为一个信源, 那么, 每个尺度上的小波系数相当于一个信源发出的消息。这样,根据小波变换系数, 可以计算信号的小波熵, 即多尺度下的小波熵。 将信号分解为J 层,在尺度j下,多分辨率分析的离散小波系数为 ,在此小波系数上定义一滑动窗口,短时窗长为L,滑动步长为δ, 然后计算每个尺度下某一时窗内的信号能量为: 时窗内信号的总能量等于各尺度分量能量之和，即： 时窗内每个尺度信号的相对能量为： 式中， Pj表征了不同尺度能量分布情况。 满足了广义分布条件，用其替换式中香农熵里的概率对数以2为底，则可得到信号在时窗内的小波