DOI： 10.11817/j.issn.1672-7207.2021.04.017

基于二维分块自适应阈值小波的地铁塞拉门数据压缩

刘洋，刘东，李城汐，谢乐，李振伟，蒋启龙

(西南交通大学 电气工程学院，四川 成都，610000)

摘 要：

进行PHM故障诊断时海量数据难以存储的问题，提出一种基于二维分块自适应阈值小波压缩算法。为更有效降低数据周期间冗余，该方法以一次塞拉门完整开关门过程为1个周期，将多周期原始数据排列成二维矩阵，经归一化处理形成二维灰度图像，之后根据各部分图像特点提取其局域最大值以及最小值进行自适应分块，通过预设阈值和压缩率等自动调整各块二维小波阈值放大系数，最终使用二维小波完成数据压缩。以江苏某地地铁车辆段段内测试数据为例，使用不同地铁塞拉门状态数据进行实测。研究结果表明：当信噪比为43 dB、均方误差约为0.7%时，压缩比可达到1.5%，同时面对幅值变化较大的波形，使用本文算法在保证压缩率的同时，对幅值较小的区域可保留足够的细节信息，验证了算法的可行性与稳定性。

关键词：

地铁塞拉门；数据压缩；二维小波变换；自适应分块；动态阈值；

中图分类号：TU375            文献标志码：A               开放科学(资源服务)标识码(OSID)

文章编号：1672-7207（2021）04-1213-09

Segmented adaptive wavelet threshold for data compression of metro vehicles plug door

LIU　Yang, LIU　Dong, LI　Chengxi, XIE　Le, LI　Zhenwei, JIANG　Qilong

(School of Electrical Engineering, Southwest Jiaotong University, Chengdu 610000, China)

Abstract: In order to deal with the large amount of data generated during the PHM fault diagnosis of the subway sliding door, a compression method based on two-dimensional block adaptive threshold wavelet was proposed. In order to reduce the redundancy in the periodic data more effectively, the method used a two-dimensional grayscale representation of the original one-dimensional data according to the cycle of opening and closing the door once to form a two-dimensional grayscale image. The grayscale image was adaptively partitioned, and the wavelet threshold amplification factor of each block was automatically adjusted through preset thresholds and compression ratios. Finally, the data were compressed using a two-dimensional wavelet. Taking the test data in a subway depot in a certain place in Jiangsu Province as an example, different subway plug door status data were used for actual measurement. The results show that when the signal to noise ratio is 43 dB and the mean square error is about 0.7%, a compression ratio of 1.5% can be achieved. In the face of waveforms with large amplitude changes, the algorithm used in this work can retain enough detailed information for areas with small amplitudes while ensuring the compression rate, which verifies the feasibility and stability of the algorithm.

Key words: metro vehicles plug door; data compression; 2D wavelet transform; segmented adaptive; dynamic threshold

随着我国高速地铁列车的蓬勃发展，地铁列车运行安全成为人们关注的焦点。地铁塞拉门作为直接关系乘客安全的核心部件，对地铁列车运行安全有着最为直接的影响^[1-2]。为提高地铁列车运行的安全性和可靠性，车门预测与健康管理PHM(prognostics health management)日益受到重视。在塞拉门PHM诊断中，塞拉门开关门过程中的电机电流数据蕴含了丰富信息，是塞拉门PHM相关研究基础。由于采集频率高，开关门过程频繁，产生的海量数据难以直接保存，因此，研究适合于实际工程的数据压缩方法已成为地铁塞拉门PHM的迫切需求^[3]。

国内外学者对数据压缩方法进行了大量的研究，涉及多个领域，鉴于目前当前领域相关研究较少，塞拉门开关门过程数据本质仍是电机电流数据，因此，可借鉴电力系统录波、电能质量监测数据和心电图数据等领域的数据压缩方法。黄纯等^[4-5]采用FFT对数据进行压缩，取得了一定效果，但该方法是基于信号平稳、线性的假设，面对非线性平稳信号具有一定局限性。SANTOSO等^[6-12]采用基于小波系数阈值压缩方法，将数据分解为小波系数，通过设置阈值，去除冗余数据，实现数据压缩。该方法有效处理了非线性、非平稳信号，展示了小波变换在数据压缩中的优越性。但其难以去除周期性数据周期间的冗余，导致压缩比受到很大限制。赵艳粉等^[13-18]将多组周期性的一维数据进行了二维组合，使用二维小波对组合后的二维数据矩阵进行压缩试验，降低了数据周期间的冗余，进而极大提高了数据的整体压缩率，证明了相同条件下二维压缩算法的优越性。但由于其采用全局阈值的处理方式，在面对塞拉门电机电流这样高低幅值变化较大的数据时难以兼顾压缩率和压缩信号的重构精度。

针对以上问题，本文作者提出一种新的压缩算法。将塞拉门一次完整开关门过程电机电流数据作为一个周期，多个周期数据排列为二维矩阵，归一化后转换为二维灰度图像，使用二维小波变换对其进行压缩。压缩过程中，根据灰度图像各部分特点对二维灰度图进行自适应分块，根据预设阈值和压缩率等自动调整各块的小波阈值放大系数。分块之后的图像采用不同的阈值进行压缩。相对于传统二维小波压缩所使用全局阈值处理方式，二维分块自适应阈值小波压缩方法，在具备高压缩的同时，还能尽可能多地保留原始数据的细节，为日后地铁塞拉门故障诊断奠定了良好的原始试验数据基础。

1  二维小波压缩

小波变换是一种对信号的时间-频率的变尺度分析方法，在短时傅里叶的基础上，小波变换通过伸缩平移运算对信号进行多尺度细化，能自动适应时频信号分析的要求。通过小波变换，原始信号被近似系数和细节系数替代，可以在保证重构信号误差的前提下减少数据的存储空间，从而实现数据的海量压缩。

1.1　二维小波变换

二维小波变换是一维小波变换的推广，与一维小波变化不同的是，二维小波变换是对二维数据(行和列)进行处理。图1所示为金字塔式分解示意图。从图1可以看出：经过二维小波变换，可以将二维数据分为低频(LL)、水平高频(HL)、垂直高频(LH)以及斜线高频(HH)4部分。二维小波函数以及尺度函数可以通过一维小波函数以及尺度函数经过张量积变换得到^[19]。

图1　金字塔式分解

Fig. 1　Pyramid-like multi-resolution structure

对于二维小波变换，其尺度函数为

(1)

式中：和为一维小波变换的尺度函数。其3个小波函数为

(2)

式中：和为一维小波函数；，和分别为水平、垂直以及斜线高频部分。二维小波分解步骤如图2所示。

图2　二维小波分解步骤

Fig. 2　2D wavelet decomposition step

图2中：为第层分解的低低频系数；为第层分解的低高频系数；为第层分解的高低频系数；为第层分解的高高频系数；“1□2”为二倍抽取；为低频滤波器；为高频滤波器；行卷积与列卷积分别表示滤波器进行行卷积与列卷积运算。

二维小波重构的过程即为上述过程的逆变换，通过二维小波重构，可以将小波变换得到的小波系数还原为原始信号。

1.2　二维小波压缩流程

通过对二维数据进行二维小波变换可得到二维小波系数，对二维小波系数进行处理可以达到压缩的效果，其压缩过程如下：

1) 根据选取的小波基以及分解层数对原始信号分解得到小波分解系数；

2) 根据实际压缩需要(压缩比、误差比等性能指标)对分解后的小波系数选取适当的阈值；

3) 根据实际情况，选用不同的阈值运算对得到的小波系数进行处理，去除冗余数据，得到新的小波系数；

4) 对新小波系数进行二维小波重构，即可得到压缩后的重构信号。

2  地铁塞拉门数据特点及数据预处理

2.1　地铁塞拉门数据特点

图3所示为地铁塞拉门多次开关门数据三维示意图。从图3可以看出：地铁塞拉门开关门数据具有周期性、幅值变化大等特点。其周期性可以使数据按照周期固定整数倍截断，将截断的相同长度的数据并列排列获得二维数据。其幅值变化大的特点决定了其数据不能采用以往在小波压缩中使用全局阈值的方式。

图3　多组开关门数据

Fig. 3　Multiple sets of door data

2.2　地铁塞拉门数据二维表示

地铁塞拉门数据主要是对电流波形采样的一维数据，不能直接使用二维小波进行压缩。因此，需要对一维的数据进行变换。根据地铁塞拉门数据特点，本文将一次塞拉门开关门数据作为1个周期，将40组开关门数据按200 000个采样点进行截断，将截断的相同长度的数据并列排列获得二维数组，之后通过归一化，将得到的二维数组转换成二维灰度图像。对于平滑图像的压缩，任何压缩工具都可以表现出更好的压缩性能^[20]。

图4所示为40组数组转换得到的灰度图。从图4可以看出：转换为二维灰度图在行和列上的变换比较小，有利于信号的分解。地铁塞拉门数据采集的频率很高，采集间隔小。因此，所形成的二维矩阵在对角线方向上的变化也比较稳定。

图4　二维数据灰度图

Fig. 4　Two-dimensional data gray images

3  二维自适应阈值小波压缩算法

3.1　自适应分块

由于小波压缩时的阈值根据数据的幅值进行设定，而原始数据幅值变化大，若采用不分块处理，全局阈值只有1个，压缩时若阈值较小，则重构精度高，但压缩率低，反之若提高了压缩率则无法保证足够的精度^[21]。

在保证过程数据具有较高压缩率的前提下，尽可能多的保留高幅值和低幅值的数据，使数据重构误差保持在允许范围内。现对经过归一化后的原始数据进行分块处理，设采集到的地铁塞拉门开关门数据，每个周期采样点，共有个周期。将每个周期的个数据作为二维数据的1行，将个周期的数据按照顺序进行排列，即构成了1个如式(3)所示的的二维数据矩阵。

(3)

求取每一行的平均值得到。

(4)

对形成的矩阵中的元素进行判断，当某一段元素的最大值最小值之差没有超过预设阈值时，该部分的数据视为1个数据块，当获得分块的块数以及分块的位置时，即可对获得的灰度图进行分块处理。

3.2　阈值处理

阈值选取是地铁塞拉门数据压缩的核心问题，目前阈值选取的方法众多，本文选择文献[22]中使用的通用阈值法，此方法与其他阈值选取方法相比，具有自适应性强、计算量小等特点，其计算公式如下：

(5)

式中：为阈值；为尺度；为噪声强度；为该尺度下小波系数个数；为阈值放大系数。

当阈值确定之后，需要对其进行阈值运算。阈值运算分为：1) 硬阈值，即将小波系数绝对值与给定的阈值进行比较，当小波系数绝对值大于或等于阈值时，系数保留原值，若小于阈值时，小波系数取值为0；2) 软阈值，如式(6)对于给定的阈值，进行软阈值变换。

(6)

式中：为小波系数。

软阈值法具有自适应光滑的特性，适合于信号去噪以及图像等要求自适应光滑特性的应用，但是，在采用相同阈值的情况下，硬阈值要比软阈值获得更小的均方误差。本文目的在于在获得高压缩的情况下，还能获得较小的均方误差，因此，选用硬阈值法对小波系数进行处理。

3.3　二维分块自适应阈值小波压缩算法

针对数据高低幅值不同不能采用全局阈值的问题，本文采用二维分块自适应阈值小波压缩的新方法，具体流程示意图如图5所示。

图5　二维压缩算法

Fig. 5　Two dimension data compression method

二维压缩算法压缩步骤如下。

1) 前期数据准备。即使用数据采集卡采集地铁塞拉门开关门数据，之后将采集到一维地铁塞拉门数据进行二维表示，构成二维矩阵，经归一化将电流幅值表示为图像的灰度，得到二位灰度图像。

2) 自适应分块。灰度图表示后的数据需通过预先设置的阈值以及相关限制条件对其进行分块，分块之后的灰度图像应具备相似的特征。

3) 二维小波压缩与阈值修正。针对分块后的数据，分别选取不同的优化后的阈值，以获得尽可能大的压缩比，同时将误差限制在一定范围内。之后对每块灰度图各自进行二维小波压缩。通过将得到的小波系数进行保存对比预先计算的压缩率、均方误差、信噪比等判断与否，进行阈值修正，直至其压缩率达到预期的压缩率，最终完成数据压缩。

4  实验结果与分析

4.1　实验环境

本文实验数据来自江苏某地铁车辆现场采集的地铁塞拉门开关门实测数据。随机选用40组数据进行测试，其余数据用于验证。计算机配置如下：处理器采用Intel(R)Core(TM)i5-8265U-CPU@1.6 GHz；内存为8 GB。程序在MATLABR2018A64bit条件下运行。

4.2　压缩性能指标

为衡量重构信号精度，本文选取4个评估参数对压缩算法进行评估^[23-25]。

1) 压缩率(compression ratio)为

(7)

式中：为原始信号；为压缩后最终保留的小波系数。通过压缩率，可以判断算法的压缩性能。

2) 信噪比(signal to noise ratio)为　

(8)

通过信噪比，可以判断压缩对信号失真的影响，信噪比越大，压缩对信号造成的失真越低。

3) 均方误差(mean-square error)为　

(9)

通过均方误差，可以判断压缩产生误差的相对大小，均方误差越大，其产生的相对误差越大。

4) 平均绝对误差为

(10)

平均绝对误差可以避免误差相互抵消的问题，因而可以准确反映实际预测误差。平均绝对误差越大，其实际预测误差越大。

4.3　实验结果与分析

根据文献[26-27]对小波基与分解层数进行选择，通过对比试验，本文选用db3小波作为小波基，分解层数取4。使用硬阈值法对原始信号进行压缩试验，当采用相近数据压缩率时(1.52%左右)，使用自适应分块法将数据分为17块，每块的阈值放大系数如表1所示。

表1　各块放大系数

Table 1　Amplification factors of every segments

原始数据经过压缩算法压缩后，采用不同方式处理得到的重构波形结果及其局部细节放大图分别如图6和图7所示。使用文献[17]中提及的不分块全局阈值二维离散小波压缩算法与文献[24]中的二维DCT压缩算法作为对比实验。各项参数对比结果如表2所示。

图6　原始信号及重构信号波形

Fig. 6　Original signal and reconstructed signal waveform

表2　不同算法实验结果对比

Table 2　Comparison of experimental results by different algorithms

图7　原始信号及重构信号局部细节放大图

Fig. 7　Enlarged view of original signal and partial details of reconstructed signal

从图7和表2可以看出：二维DCT压缩算法可获得较高的信噪比以及较小的均方误差，但其压缩率较低，因此不适宜于地铁塞拉门数据压缩。而在压缩率(约1.5%)、信噪比(约43 dB)、均方误差(约0.7%)、平均绝对误差(约1.2 V)相近的情况下，采用分块自适应阈值分块的重构信号在波形幅值较小的区域，细节部分得到了很好的保留。相对于传统的方法，本文在幅值较小的区域可以保留更多的时频细节信息，系统的局部失真度更小。

为了进一步验证本文算法，采用图8所示实测的不同状态地铁塞拉门开关门数据进行试验，包括采集的A相开关门数据、B相开关门数据、C相开关门数据、单独A相关门数据、B相关门数据、C相关门数据、A相开门数据、B相开门数据以及C相开门数据，结果如表3所示。

图8　地铁塞拉门不同状态数据波形图

Fig. 8　Data waveform diagram of different state of subway plug door

从表3可以看出：在不同状态下，当信噪比约为43 dB、均方误差约为0.7%时，使用本文算法其压缩率基本保持在1.5%左右。基于分块自适应阈值小波压缩的方法效果稳定，具有一定的实用价值。

表3　地铁塞拉门不同状态数据实验结果对比

Table 3　Comparison of experimental results of different state data for subway plug door

5  结论

1) 将一维数据进行二维表示，经归一化形成灰度图进行压缩。降低了数据周期间的冗余，提高了压缩性能。

2) 采用二维分块自适应阈值小波压缩算法，自适应分块，自动调整各块阈值。在压缩率一定的情况下，提高了数据重构精度。

3) 以江苏某地铁车辆现场采集的地铁塞拉门开关门实测数据进行实验验证。实验证明该算法在幅值较小的区域可以保留更多的时频细节信息。

4) 二维分块自适应阈值小波压缩算法效果稳定，对地铁塞拉门PHM故障诊断具有一定的实用价值。

参考文献：

[1] 高伟民, 茅飞. 地铁车门PHM系统应用[J]. 城市轨道交通, 2019, 7(5): 33-35.

GAO Weimin, MAO Fei. Application of PHM system for subway door[J]. Urban Rail Transit, 2019, 7(5): 33-35.

[2] 夏军. 地铁车门系统可靠性分析及应用研究[D]. 南京: 南京理工大学, 2014: 1-2.

XIA Jun. Reliability analysis and application research of metro door system[D]. Nanjing: Nanjing University of Science and Technology, 2014: 1-2.

[3] 张波. 轨道交通装备故障预测与健康管理系统分析[J]. 城市轨道交通研究, 2019, 22(5): 175-177.

ZHANG Bo. Analysis on the prognostic and health management system of rail transit equipment[J]. Urban Mass Transit, 2019, 22(5): 175-177.

[4] 黄纯, 杨帅雄, 梁勇超, 等. 电力系统故障录波数据实用压缩方法[J]. 电力自动化设备, 2014, 34(6): 162-167.

HUANG Chun, YANG Shuaixiong, LIANG Yongchao, et al. Practical data compression method for power system fault records[J]. Electric Power Automation Equipment, 2014, 34(6): 162-167.

[5] 李付亮, 仇新艳. 一种电力故障录波数据压缩算法的研 究[J]. 计算机工程与应用, 2012, 48(21): 217-221.

LI Fuliang, QIU Xinyan. Novel algorithm for compressing recording data of power system[J]. Computer Engineering and Applications, 2012, 48(21): 217-221.

[6] SANTOSO S, POWERS E J, GRADY W M. Power quality disturbance data compression using wavelet transform methods[J]. IEEE Transactions on Power Delivery, 1997, 12(3): 1250-1257.

[7] 何正友, 钱清泉, 刘志刚. 一种基于优化小波基的电力系统故障暂态数据压缩方法[J]. 中国电机工程学报, 2002, 22(6): 1-5.

HE Zhengyou, QIAN Qingquan, LIU Zhigang. An electric power system fault transient data compression method based on optimal wavelet[J]. Proceedings of the CSEE, 2002, 22(6): 1-5.

[8] GEREK O N, ECE D G. 2-D analysis and compression of power-quality event data[J]. IEEE Transactions on Power Delivery, 2004, 19(2): 791-798.

[9] 剧高峰, 罗安. 离散小波变换用于电能质量扰动数据实时压缩[J]. 电力系统自动化, 2002, 26(19): 61-63.

JU Gaofeng, LUO An. DWT application to real-time compression of power quality disturbance data[J]. Automation of Electric Power Systems, 2002, 26(19): 61-63.

[10] 郭彬彬, 黄纯. 基于小波包变换的电能质量扰动数据压 缩[J]. 电力自动化设备, 2005, 25(11): 34-37.

GUO Binbin, HUANG Chun. Power quality disturbance data compression based on wavelet packet transform[J]. Electric Power Automation Equipment, 2005, 25(11): 34-37.

[11] 胡晓新, 王岩飞. 基于小波包变换的SAR原始数据压 缩[J]. 电子与信息学报, 2006, 28(8): 1476-1479.

HU Xiaoxin, WANG Yanfei. SAR raw data compression using wavelet packet transform[J]. Journal of Electronics & Information Technology, 2006, 28(8): 1476-1479.

[12] 林震宇, 李智勇, 吴为麟. 基于嵌入式零树编码的电力系统数据压缩[J]. 浙江大学学报(工学版), 2007, 41(2): 291-293.

LIN Zhenyu, LI Zhiyong, WU Weilin. Power system data compression based on embedded zerotree coding[J]. Journal of Zhejiang University(Engineering Science), 2007, 41(2): 291-293.

[13] 赵艳粉, 杨洪耕. 二维离散小波变换在电能质量检测数据压缩中的应用[J]. 电力系统自动化, 2006, 30(15): 51-55.

ZHAO Yanfen, YANG Honggeng. Data compression method using 2-dimensional discrete wavelet transform for power quality detection[J]. Automation of Electric Power Systems, 2006, 30(15): 51-55.

[14] 赵艳粉, 杨洪耕. 改进非分离二维离散小波的数据压缩算法[J]. 电力自动化设备, 2007, 27(5): 53-57.

ZHAO Yanfen, YANG Honggeng. Advanced non-separable 2-dimensional discrete wavelet transform for data compression[J]. Electric Power Automation Equipment, 2007, 27(5): 53-57.

[15] 李霖, 杨洪耕, 赵艳粉. 基于二维离散平稳小波变换的短时电能质量扰动检测方法[J]. 电网技术, 2007, 31(11): 49-53.

LI Lin, YANG Honggeng, ZHAO Yanfen. Short duration power quality disturbance signal detection method based on two dimensional discrete static wavelet transform[J]. Power System Technology, 2007, 31(11): 49-53.

[16] 高培生, 陈新建, 吴为麟, 等. 二维表示的电能质量故障数据压缩[J]. 浙江大学学报(工学版), 2008, 42(4): 686-690.

GAO Peisheng, CHEN Xinjian, WU Weilin, et al. Compression of 2D representation of power quality event data[J]. Journal of Zhejiang University(Engineering Science), 2008, 42(4): 686-690.

[17] 孙佩霞, 郭庆, 汪谦, 等. 二维离散小波变换电能质量数据压缩算法[J]. 计算机应用, 2014, 34(S1): 234-237.

SUN Peixia, GUO Qing, WANG Qian, et al. Two-dimensional discrete wavelet transform compression algorithm for power quality data[J]. Journal of Computer Applications, 2014, 34(S1): 234-237.

[18] 康忠健, 樊建川, 徐丽. 自适应小波压缩算法在连续录波装置中应用[J]. 电力自动化设备, 2009, 29(10): 116-119.

KANG Zhongjian, FAN Jianchuan, XU Li. Application of adaptive wavelet data compression algorithm in continuous recorder[J]. Electric Power Automation Equipment, 2009, 29(10): 116-119.

[19] 崔旭, 尹为民. 基于9/11小波与EZW算法的电能质量谐波信号二维数据压缩[J]. 舰船科学技术, 2014, 36(2): 90-96.

CUI Xu, YIN Weimin. 9/11 wavelet and EZW algorithm-based power quality harmonic signal 2D data compression[J]. Ship Science and Technology, 2014, 36(2): 90-96.

[20] 李清泉, 秦冰阳, 司雯, 等. 混合粒子群优化小波自适应阈值估计算法及用于局部放电去噪[J]. 高电压技术, 2017, 43(5): 1485-1492.

LI Qingquan, QIN Bingyang, SI Wen, et al. Estimation algorithm for adaptive threshold of hybrid particle swarm optimization wavelet and its application in partial discharge signals de-noising[J]. High Voltage Engineering, 2017, 43(5): 1485-1492.

[21] PAN Quan, ZHANG Lei, DAI Guanzhong, et al. Two denoising methods by wavelet transform[J]. IEEE Transactions on Signal Processing, 1999, 47(12): 3401-3406.

[22] 武文波, 杨志高, 秦前清. 基于小波变换的地震信号压 缩[J]. 石油地球物理勘探, 2005, 40(3): 349-352.

WU Wenbo, YANG Zhigao, QIN Qianqing. Seismic signal compression based on wavelet transform[J]. Oil Geophysical Prospecting, 2005, 40(3): 349-352.

[23] 张明, 龚建峰, 何顺帆. 基于谐波滤波器组的电能质量扰动数据压缩方法[J]. 电力系统自动化, 2016, 40(15): 93-98.

ZHANG Ming, GONG Jianfeng, HE Shunfan. Data compression method for power quality disturbance based on harmonic filter bank[J]. Automation of Electric Power Systems, 2016, 40(15): 93-98.

[24] 胡志坤, 何志敏, 安庆, 等. 基于二维DCT的电能质量监测数据压缩方法[J]. 中南大学学报(自然科学版), 2011, 42(4): 1021-1027.

HU Zhikun, HE Zhimin, AN Qing, et al. A compression approach of power quality monitoring data based on two-dimension DCT[J]. Journal of Central South University(Science and Technology), 2011, 42(4): 1021-1027.

[25] 郑伟彦, 吴为麟. 基于二维小波包和v-SVR的电能质量数据压缩[J]. 电力系统保护与控制, 2010, 38(23): 68-74.

ZHENG Weiyan, WU Weilin. A power quality data compression algorithm based on 2D wavelet packet and v-support vector regression[J]. Power System Protection and Control, 2010, 38(23): 68-74.

[26] 贾毅婷, 张东来, 张斌. 基于小波尺度相关性的暂态数据降噪压缩方法[J]. 电力系统自动化, 2013, 37(5): 68-73.

JIA Yiting, ZHANG Donglai, ZHANG Bin. Power quality disturbance data denoising and compression using signal's scale-dependencies of wavelet coefficients[J]. Automation of Electric Power Systems, 2013, 37(5): 68-73.

[27] 刘志刚, 钱清泉. 基于多小波的电力系统故障暂态数据压缩研究[J]. 中国电机工程学报, 2003, 23(10): 22-26.

LIU Zhigang, QIAN Qingquan. Compression of fault transient data in electric power system based on multiwavelet[J]. Proceedings of the CSEE, 2003, 23(10): 22-26.

(编辑  杨幼平)

收稿日期： 2020 -02 -28; 修回日期： 2020 -08 -18

基金项目(Foundation item)：国家自然科学基金资助项目(61531016) (Project(61531016) supported by the National Natural Science Foundation of China)

通信作者：蒋启龙，博士，教授，从事电力电子技术、电力传动与电力控制、磁浮列车与磁浮技术等研究；E-mail: double_long@126.com

引用格式： 刘洋, 刘东, 李城汐, 等. 基于二维分块自适应阈值小波的地铁塞拉门数据压缩[J]. 中南大学学报(自然科学版), 2021, 52(4): 1213-1221.

Citation: LIU Yang, LIU Dong, LI Chengxi, et al. Segmented adaptive wavelet threshold for data compression of metro vehicles plug door[J]. Journal of Central South University(Science and Technology), 2021, 52(4): 1213-1221.

摘要：针对地铁塞拉门进行PHM故障诊断时海量数据难以存储的问题，提出一种基于二维分块自适应阈值小波压缩算法。为更有效降低数据周期间冗余，该方法以一次塞拉门完整开关门过程为1个周期，将多周期原始数据排列成二维矩阵，经归一化处理形成二维灰度图像，之后根据各部分图像特点提取其局域最大值以及最小值进行自适应分块，通过预设阈值和压缩率等自动调整各块二维小波阈值放大系数，最终使用二维小波完成数据压缩。以江苏某地地铁车辆段段内测试数据为例，使用不同地铁塞拉门状态数据进行实测。研究结果表明：当信噪比为43 dB、均方误差约为0.7%时，压缩比可达到1.5%，同时面对幅值变化较大的波形，使用本文算法在保证压缩率的同时，对幅值较小的区域可保留足够的细节信息，验证了算法的可行性与稳定性。