基于奇异值差分谱熵复杂度的生物触电信号识别研究

为解决触电信号由于不确定性而难以识别等问题,引入复杂度概念,并基于奇异值差分谱熵构建复杂度指标,提取触电电流所具有的不确定的潜在规律及关系映射,实现生物触电故障信号识别。首先,通过对触电电流信号进行Mallat变换,建立Hankel矩阵,分析矩阵构造方式与信号奇异值分布规律的关系,得出适用于分离信号成分的矩阵设定准则;随后对矩阵进行奇异值分解,采用奇异值差分谱和信息熵概念相结合的信号处理方法,提取了触电信号的奇异值差分谱熵;最后,为反映观测电流信号奇异值分解后各成分的差异性,进一步放大触电信号特征,提出触电电流Mallat-奇异值差分谱熵复杂度算法,对触电故障进行特征表达。经仿真、分析和验证,结果表明:该复杂度指标对于信号的不确定性较为敏感,可以有效地反映出被测电流信号时频域特征从周期性轨迹到非周期性轨迹的变化,完成触电电流各成分变化的定量化表征,经过对比实验验证所提方案具有较好的抗干扰能力。     

基于COT-SSD的变转速滚动轴承微弱故障诊断

针对背景噪声干扰及转速波动工况下滚动轴承微弱故障识别困难这一问题,提出一种结合计算阶次追踪(COT)和奇异谱分解(SSD)的新型诊断方法。利用COT算法对采集的原始时域信号进行等角度重采样,继而利用SSD算法对重采样角域信号进行处理,通过自适应构建的轨迹矩阵的奇异值分解重组,将角域信号从高频至低频分解为若干个奇异谱分量,利用融合峭度指标筛选最佳奇异谱分量,选定最佳分量后对其进行进一步的包络解调运算,最终通过分析包络阶次谱中幅值突出的成分来准确判定滚动轴承运行状态。滚动轴承内外圈故障实测信号分析结果表明,所提方法能够有效提取出变速工况下滚动轴承的微弱故障特征信息。     

基于麦克风阵列的声源识别研究

基于波束形成的麦克风阵列声源识别技术存在识别低频声源分辨率低、识别高频声源易产生空间混叠的问题,影响了声源识别的准确性.采用改变麦克风阵列中心位置和调整测量距离来提高低频声源识别分辨率,并采用旋转麦克风阵列进行多次测量的方法来抑制高频声源识别中的空间混叠,达到使用较少麦克风提高声源识别性能的目的.     

基于小波包降噪和Hilbert谱奇异值的滚动轴承故障诊断

Hilbert谱奇异值是对振动信号进行Hilbert-Huang变换得到Hilbert谱时频矩阵后,再利用奇异值分解的方法提取矩阵的特征得到的,但对噪声比较敏感。为了消除随机噪声和局部强干扰对特征提取的影响,先利用小波包降嗓,得到振动信号的谱奇异值作为故障特征,并选用SVM来诊断故障类型。试验结果表明,该方法能有效地应用于滚动轴承故障的识别。     

采用时频矩阵奇异值分解和多级支持向量机的雷电及操作过电压识别

雷电及操作过电压的识别,对改进和提高电力系统绝缘配合水平具有重要意义.提出了一种基于时频矩阵奇异值分解(singular value decomposition,SVD)和多级支持向量机(support vector machine,SVM)的雷电及操作过电压识别方法,通过对过电压信号的小波分解,构建多尺度时频矩阵,利用 SVD 对该矩阵进行奇异值分解,将信号分解到不同的时频特征子空间,然后获取过电压信号的奇异谱,并计算奇异谱的特征量,将这些特征量作为多级 SVM 的输入,实现雷电及操作过电压的辨识.对变电站实测5种过电压信号的计算表明:提取的特征量维数低,对过电压信号的电磁干扰具有相对稳定性;采用的识别方法训练次数少,识别率高,能够实现雷电及操作过电压的准确分类.     

基于LCD-Hilbert谱奇异值和多级支持向量机的配电网故障识别方法

准确识别故障类型是配电网故障处理的首要任务。提出了一种基于时频矩阵奇异值分解(SVD)和多级支持向量机(SVM)的配电网故障识别方法。利用局部特征尺度分解法(LCD)、Hilbert变换以及带通滤波算法,构造配电网母线电压、主变低压侧进线电流等波形的时频矩阵,对其进行奇异值分解以获取波形奇异谱,提取相应奇异谱的分布参数(如反映奇异值大小的奇异谱均值、反映信号复杂程度的奇异熵等)作为特征向量。将特征向量输入基于多级SVM的分类器以实现故障识别。各类典型工况下的仿真和实验结果表明该识别方法的正确率均90%,可实现对各类不同故障的有效辨识,且具有很强的适应性和实用性。     

多机电力系统附加励磁控制器的优化配置

针对多机电力系统附加励磁控制器安装位置选择问题,基于奇异值分解的相关理论,利用传递函数矩阵给出附加励磁控制器安装地点的评价指标.该评价指标不需要系统状态矩阵的QR分解和传递函数留数的计算,通过求解系统输入-输出的传递函数矩阵的最大奇异值及其奇异向量来识别每台发电机对振荡模态的贡献程度,从而简化了计算过程和运算量.将该方法应用于多机电力系统,找出了影响每个振荡模态的最小数目的机组及附加阻尼控制器的最佳配置点,验证了该方法的正确性.     

基于小波奇异值和支持向量机的高压线路故障诊断

提出了基于小波奇异值（WSV）和支持向量机（SVM）的电力系统故障类型识别的新方法。利用WSV来量化故障特征,再与SVM结合进行故障类型识别。对故障线路三相电流信号进行小波包变换分解,获取故障信号的小波细节系数;利用相重构技术将小波细节系数向量形成系数矩阵,并对该矩阵作奇异值分解,获取小波奇异值;将小波奇异值向量输入到SVM分类器进行故障类型识别。仿真表明,对于不同的故障类型,其小波奇异值分布明显不同,而对于同一类型故障,其小波奇异值分布在不同的故障位置、过渡电阻的情况下仍保持很大的相似性。SVM具有训练样本少、训练时间短、识别率高等优点。     

基于小波奇异值和支持向量机的高压线路故障诊断

提出了基于小波奇异值(WSV)和支持向量机(SVM)的电力系统故障类型识别的新方法.利用WSV来量化故障特征,再与SVM结合进行故障类型识别.对故障线路三相电流信号进行小波包变换分解,获取故障信号的小波细节系数;利用相重构技术将小波细节系数向量形成系数矩阵,并对该矩阵作奇异值分解,获取小波奇异值;将小波奇异值向量输入到SVM分类器进行故障类型识别.仿真表明,对于不同的故障类型,其小波奇异值分布明显不同,而对于同一类型故障,其小波奇异值分布在不同的故障位置、过渡电阻的情况下仍保持很大的相似性.SVM具有训练样本少、训练时间短、识别率高等优点.     

基于SVD和DBN的水电机组故障诊断

针对水电机组早期故障信号信噪比低的问题,本文将奇异值分解（SVD）和深度置信网络（DBN）相结合进行故障诊断。首先,利用包含噪声的振动信号构造Hankel矩阵,对其进行奇异值分解,采用奇异值差分谱法选取有效奇异值进行相空间重构,实现降噪的目的;然后,对降噪后的振动信号进奇异值分解,用所得的整个奇异值序列构造特征向量;最后,建立深度置信网络分类器模型,实现水电机组的故障诊断。同时,将所提方法与BP神经网络,多分类支持向量机进行对比。结果表明,本文所提方法能够更加可靠高效地识别故障类型,具有一定的应用价值。     

一种改善beamforming"延迟求和"算法精度的方法

分析了传统"延迟求和"波束形成(beamforming)相控空间扫描原理,并进行了仿真实验研究,仿真表明由于旁瓣、栅瓣等问题的存在使信号源方位识别不准确.针对此问题本文提出了一种基于beamforming方向图矩阵进行声源定向的方法,理论分析和实验表明该方法能够有效地提高分辨率,提高定位的准确性,并基于该原理提出了用于工程的算式.     

基于传声器阵列电动汽车用电机系统噪声源识别研究

为了满足电动汽车电机驱动系统工作噪声源定位的研究需要,在基于波束成型理论分析的基础上,利用十字形阵列进行了噪声源识别试验研究,确定了该电机系统工作过程中的的主要噪声源依次为风扇、变速箱和电机本体的部分区域。为了验证试验结果,与基于声强测试理论的分布测点法试验结果进行了对比研究。结果表明,在试验条件下,基于声阵列的电动汽车用电机系统噪声源识别方法比基于声强测试理论的分布测点法更为快捷,而识别效果相同。进一步说明声阵列方法在工作环境中有效实现机械或电气设备噪声源定位的可行性。     

奇异值分解和最小二乘支持向量机在电能质量扰动识别中的应用

基于奇异值分解(singular value decomposition,SVD)和最小二乘支持向量机(least square support vector machine,LS-SVM)提出电能质量扰动类型识别的新方法。通过对电能质量扰动信号的小波包变换系数矩阵进行奇异值分解,将基频、扰动频率分量、噪声分解到不同的正交特征子空间。再与正常电压信号的奇异值作比值以抵消噪声能量的影响,最大限度地体现出扰动类型间的细微差别,以此作为扰动特征向量,作为最小二乘支持向量机分类器的输入参数,来实现电能质量扰动类型的识别。仿真结果表明,该方法识别准确率高,受噪声影响小,算法稳定性好。     

基于奇异值分解的非线性负荷谐波源定位方法

从电力部门运行和管理的角度出发,提出利用负荷的非线性特性定位谐波源及划分谐波责任的方法。该方法通过建立负荷时域等值模型,在不知道系统侧和用户侧负荷参数的情况下,利用公共连接点(PCC)上电压、电流的物理关系建立微分方程,求解负荷等值阻抗参数。根据辨识的负荷等值阻抗参数定位谐波源。采用奇异值分解(SVD)方法对采样的电压、电流数据进行分析,克服测量噪声及量测矩阵奇异的影响,提高参数辨识的精度。应用量化的负荷非线性度,进一步区分各谐波源的谐波责任。仿真表明,该方法简单可行,可准确定位谐波源,且不受背景谐波的影响。     

基于EMD奇异值熵的高压输电线路故障选相新方法

在对暂态电压信号进行经验模态分解(EMD)基础上,结合奇异值分解(SVD)及信息熵理论提出了利用高频暂态分量的奇异值熵实现故障选相。此方法对采集到的故障后电压信号求取EMD奇异值熵,并比较三相间熵值的大小来识别故障类型和判别故障相。基于Matlab环境,对一典型500 kV线路进行故障类型选相的仿真,结果表明该方法不受过渡电阻、故障位置、故障初始角和噪声强度等因素影响,能够快速准确识别各类故障。     

断路器操动状态声音辨识的优化算法的研究

为解决基于声信号分析的高压断路器在线诊断故障中外界环境干扰问题,提出了一种声音扰动信号辨识的盲源分离方法。首先利用改进的势函数法进行源数估计,然后通过集合经验模态分解(EEMD)算法得到多个IMF分量,重构形成符合聚类源数的多维信号,并利用拟牛顿法优化快速独立分量分析算法,实现声音信号的盲源分离;最后根据包络特征比对获取断路器状态辨识的合闸声音信号分量。实验结果证明,文章提出的方法能够在信源信息未知情况下,从混叠声音信号有效地提取断路器操动产生的有用声信号。     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。     

EMD和LS-SVM相结合的高压水射流靶物材质识别方法研究

为了利用靶物反射声有效识别靶物材质,提出了一种新的基于经验模态分解(EMD)和最小二乘支持向量机(LSSVM)相结合的靶物材质识别方法。首先应用模极大值算法识别靶物边界点,提取边界点内的反射声信号进行小波降噪预处理,对预处理后的信号进行EMD分解,并计算获得各个本证模态(IMF)分量的短时能量比,作为对应不同靶物材质的特征值输入到利用LS-SVM建立的多分类模型。介绍了上述方法的基本原理,设计了试验装置和靶物材质识别影响因素分析试验方案。实验结果表明:靶物的内部结构和外形大小因素对靶物材质识别率影响小,利用上述方法进行的四种靶物材质探测,平均识别率达到85.83%,比BP神经网络提高了18.83%,且运算速度也得以提高,因此该方法可以用于靶物材质的识别。     

利用S变换局部奇异值的同调机组识别方法

文中提出一种利用S变换局部奇异值的同调机组识别方法.将广域测量系统(Wide Area MeasurementSystem,WAMS)采集到的系统发电机功角信息进行S变换,得到每台发电机的时频信息模值矩阵,将矩阵分割成块,计算各个子块的最大奇异值,利用时频信息模值矩阵中各个子块最大奇异值构造机组特征矩阵,采用分布聚类法对特征矩阵进行聚类分群.IEEE-39节点系统算例表明,该方法能够有效提取功角信息特征,具有很强的抗噪性,能够在不同故障类型下准确识别同调机组.