EEMD样本熵的扬声器异常音分类方法

为了更准确的对扬声器异常音进行分类,提出一种基于集合经验模态分解(EEMD)与样本熵的扬声器异常音特征提取方法并利用极限梯度提升(XGBoost)算法进行分类。在基频陷波预处理后,对信号进行EEMD,结合相关性分析选取固有模态函数(IMF)分量并计算其样本熵构成特征向量。实验结果表明,针对扬声器异常音分类问题,在小样本的情况下,扬声器声响应信号经基频陷波预处理后,XGBoost算法使用EEMD与样本熵的特征提取方法取得了95. 33%的分类准确率,高于小波包变换和样本熵特征提取方法所取得的准确率,验证了特征提取及分类方法的有效性。     

基于振动信号多尺度熵的发电机故障监测方法研究

将多尺度熵计算方法应用于发电机转子信号的特征提取中,实现了对不同故障的监测与识别。首先论述了多尺度熵的基本算法及其原理,然后以模拟发电机转子励磁绕组匝间短路故障、定子电枢绕组匝间短路故障、气隙偏心故障为例对该算法进行了验证。结果表明,不同故障下转子振动信号的多尺度熵值有所不同,具有一定的可区分性;随着故障程度的增大,转子振动信号的多尺度熵平均值也将增大,可用于对发电机故障程度的监测。     

基于广义尺度小波熵的电网传输电能 质量扰动信号分析

提出了一种基于广义小波熵算法进行电网传输电能质量扰动信号分析和识别的算法。计算多个尺度下不同电能质量扰动信号的小波熵数值分布特点,给出了广义小波熵应用于电能质量分析的尺度选择特点以及分布规律,并结合支持向量机进行了不同电能质量扰动信号的识别与分类,达到了96%以上的分类正确率。     

VMD多尺度熵和GWO-SVM在扬声器异常声分类中的应用

针对扬声器异常声分类中异常声特征提取以及分类识别两个关键环节,提出一种基于变分模态分解(VMD)多尺度熵(MSE)与灰狼算法优化支持向量机(GWO-SVM)结合的扬声器异常声分类方法。首先,对扬声器声响应信号进行VMD分解得到一系列本征模态函数(IMF),计算各阶IMF与原始信号的相关系数,然后选择相关系数高的IMF提取该IMF的MSE作为特征向量,最后利用灰狼算法优化支持向量机模型识别故障类型。实验结果表明,在5种状态下扬声器单元分类的识别中,较经验模态分解(EMD)多尺度熵、VMD多尺度散布熵(MDE)、EMD多尺度散布熵的特征提取方法,VMD多尺度熵呈现出更高的识别准确率,其识别准确率为99.3%。能更好地表征异常声特征。     

基于改进排列熵算法和Yamamoto算法的非侵入式用电设备状态变化检测

非侵入式负荷监测已经成为智能电网负荷监测管理的关键技术之一。用电设备状态变化过程所表现出的暂态特征是进行非侵入式用电设备状态辨识的重要依据,但其精准提取取决于用电设备状态变化的准确检测。为此,提出了一种基于改进排列熵算法和Yamamoto算法的非侵入式用电设备状态变化检测算法。首先对排列熵算法进行多尺度改进,利用多尺度排列熵的差值分析确定状态变化发生的区间,然后利用Yamamoto算法进行区间检测,定位状态变化的时刻。仿真分析结果表明,所提算法可准确检测用电设备的状态变化,有效地提高后续利用暂态特征的设备状态辨识准确率。     

多尺度形态滤波模态混叠抑制方法

针对Hilbert-Huang变换(HHT)中存在的模态混叠现象,依据数学形态学理论,提出多尺度平均组合形态滤波方法,并构建了多尺度平均组合形态滤波器对原始振动信号进行降噪预处理,以实现对模态混叠的抑制。并以滚动轴承的振动信号为原始数据进行故障特征频率提取实验,将所提方法与集合经验模态分解(EEMD)方法对模态混叠的抑制效果进行对比。结果表明,所提的多尺度平均组合形态滤波方法耗时仅为EEMD的1/10,且特征频率提取的误差率比EEMD低0.16%。最后,将多尺度平均组合形态滤波与HHT相结合进行滚动轴承故障特征提取的现场试验,特征频率提取结果与理论值的误差率为0.26%。     

基于多尺度排列熵和IWOA-SVM的滚动轴承故障诊断

针对滚动轴承信号表现出的非线性和非平稳性特征问题，合理的特征选择可提高故障诊断率，提出基于多尺度排列熵(MPE)与改进鲸鱼算法(IWOA)优化支持向量机(SVM)的故障诊断模型。首先，通过变分模态分解(VMD)进行信号降噪预处理，计算多尺度排列熵进行信号特征重构；其次，引入惯性动态权重对鲸鱼算法进行改进，通过训练SVM参数，建立IWOA-SVM故障诊断模型；最后用美国凯斯西储大学轴承数据集进行仿真。结果表明，相较于多尺度熵，MPE可表征的故障特征信息更加丰富，故障识别率提高了2.1%;与同类优化算法相比，采用IWOA对SVM进行优化的故障诊断模型，收敛速度快、训练时间短、故障识别精度高，可对滚动轴承进行有效诊断。     

基于MEMD-MMFE的双馈风电场送出变压器励磁涌流识别方法

双馈风电场低电压穿越过程中,送出变压器发生内部故障时,差动电流中存在较大的2次谐波,会导致差动保护拒动。该文提出基于多元经验模态分解-多变量多尺度模糊熵(multivariateempiricalmodedecomposition-multiscale multivariatefuzzyentropy,MEMD-MMFE)的励磁涌流识别方法。该方法首先将电流经过多元经验模态分解,通过判别分解后的余量函数的单调性,确定是否从原函数中去除余量函数;然后对经过处理的原函数进行多变量多尺度模糊熵变换,得到多变量多尺度模糊熵值面积(简称熵值面积);最后通过或逻辑联立判断变压器两侧电流的熵值面积与给定的制动区面积的大小关系来区分励磁涌流与故障电流。以某风电场接入电网为例,对变压器各种运行工况进行仿真研究,并将该文算法与2次谐波制动等算法进行比较,验证提出算法的有效性。     

基于改进EEMD与GA-BP的谐振接地故障选线方法

针对谐振接地系统发生接地故障,存在暂态信号特征辨识度低,且单一特征作为选线判据易受故障条件影响等问题,提出一种基于改进EEMD与GA-BP神经网络的故障选线方法。首先使用边界局部特征尺度延拓法加集合经验模态分解和多尺度排列熵算法的混合算法（MEEMD）分解暂态电流信号,各项分解指标说明MEEMD能准确区分高频特征分量和基频分量并有效改进端点效应和抑制模态混淆。然后提取重构的高频分量能量、方向以及裕度因子等特征并将其用来训练、测试GA-BP神经网络。结果表明所提出的选线方法有较高的准确率且不受线路类型、接地电阻影响,有较强的鲁棒性和容错性。     

并行EEMD算法及其在局部放电信号特征提取中的应用

波形信号是电力设备监测中常见的数据形式,波形信号处理在大数据背景下成为计算和数据双重密集型问题。集合经验模态分解(EEMD)的自适应性在分析非线性、非平稳信号时具有优势,但高计算量限制了其应用。通过对EEMD算法处理波形信号时的并行性分析,在Spark计算平台下设计并实现了波形分段并行与经验模态分解(EMD)过程并行这两种不同结构的并行EEMD算法。波形分段并行适用于较长的波形信号,但结果存在部分误差,而EMD过程并行能获得与原算法一致的结果,但对内存的需求更大,适于数据量不大的波形信号。将并行EEMD算法用于局部放电(PD)波形信号的特征提取,计算固有模态分量的能量参数与样本熵作为特征量。实验结果表明,利用所提特征量能有效区分多种PD类型,所提并行EEMD算法与现有EEMD算法相比计算效率更高,减少了特征提取过程的耗时。     

基于EEMD和近似熵的水电机组摆度去噪方法

提出基于EEMD和近似熵的水电机组摆度信号去噪方法,将信号进行EEMD分解,得到若干个经验模态分量(intrinsic mode function,IMF),求各分量的近似熵,根据预设的近似熵阈值重构经验模态分量,实现水电机组摆度信号的去噪。分别用小波变换(Wavelet)和EEMD处理含噪水电机组摆度信号,比较它们的均方根误差、相关系数和信噪比。结果表明:基于EEMD和近似熵的去噪过程具有自适应性、有很好的去噪性能,非常适合水电机组摆度信号的在线去噪。     

（20期已排）基于聚类经验模态分解和差分熵的输电线路故障测距研究

为提高输电线路的故障测距精度,本文提出了一种基于聚类经验模态分解(EEMD)和差分熵(DE)的输电线路故障行波测距方法。首先利用改进的差分熵信号处理方法对输电线路电流进行熵值计算,通过与正常电流熵值的对比,判断电流是否发生突变。然后采用EEMD分解对发生突变的故障电流进行处理,有效去除故障信号中的噪声,避免模态混叠,获取准确反映故障信息的IMF分量。随后对分量实行差分熵方法中的差分分析,将电流的变化幅度进行有效量化,并建立每个信号点的变化程度与时间的对应关系,从而解决波头位置难以确定的问题,获得故障初始行波到达每个监测点的准确时间。最后利用行波双端法,实现输电线路的故障测距。仿真结果表明,该方法能够较好地解决故障测距时存在的信号噪声和波头测量时间不准确的问题,有效提高故障测距的精度。     

多分辨信息熵的计算及在故障检测中的应用

介绍了连续小波变换定义、多分辨分析及Mallat快速小波分解算法。基于信号的多分辨分析,定义了一种多分辨信息熵指数作为信号小波分析的一种后处理方法。对动态系统的仿真分析表明,该指数对系统系数微小的变换具有独特的敏感性,对EMTDC仿真分析一实际EHV输电线路故障暂态信号的研究结果表明,多分辨信息熵指数对电力设备、电网故障具有较强的检测能力,同时具有抗干扰能力强、实时性好的特点。     

基于EEMD和Teager能量算子的电能质量扰动检测

针对电能质量扰动检测的问题,结合经验模态分解（EMD）理论和总体平均经验模态分解（EEMD）算法以及Teager能量算子（TEO）,提出基于EEMD和Teager能量算子的电能质量扰动检测方法。利用经验模态分解方法,将电力系统监测信号分解成不同特征时间尺度的单分量固有模态函数（IMF）,用Teager能量算子计算各固有模态函数的瞬时幅值和频率,得到扰动信号的幅值谱。该方法充分利用了EEMD的自适应性与Teager算子的快速响应能力,仿真试验结果验证了该方法的有效性。     

基于EEMD近似熵的水电机组振动信号特征提取

对于水电机组非平稳非线性振动信号特征提取方法的研究近年来一直是水电机组故障诊断领域研究热点,特征提取的有效性直接关系到故障诊断的准确性。本文提出基于集合经验模态分解（EEMD）和近似熵的水电机组振动信号特征提取方法,将信号经EEMD分解后筛选得到的本征模态分量（IMF）近似熵特征值输入概率神经网络（PNN）进行模式识别。采用经验模态分解（EMD）和近似熵特征提取方法进行对比实验。识别结果表明：采用EEMD和近似熵的特征提取方法,能有效区分机组不同的运行状态,可为实际工程应用提供理论依据。     

基于EEMD排列组合熵的SVM转子振动故障诊断研究

对汽轮机转子故障状态进行准确判别一直是工程领域研究的重点。在使用支持向量机作为模式识别方法进行故障诊断的过程中,提取能明显区别不同故障的信号特征参数,构建高质量的样本可以较大提高支持向量机（support vector machine,SVM）模型的分类正确率。针对此问题,提出一种总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)、排列组合熵和SVM相结合的汽轮机转子振动多故障诊断方法。方法首先引入有向无环图建立了多故障诊断模型,利用EEMD将振动信号分解成单一无混叠的内禀模态函数（intrinsic mode function,IMF）分量,然后计算对振动信号变化非常敏感的IMF排列组合熵作为特征向量,并应用到有向无环图SVM进行多故障状态识别。实验结果表明,该方法实现了汽轮机转子的振动多故障诊断,同时与基于EEMD能量法提取的特征向量进行对比,通过实验证明,该方法具有更加准确的识别率。     

变压器振动信号模态特征提取及分析

针对变压器故障情况下振动信号具有非平稳、非线性的特点,提出了利用集合经验模态分解(ensemble empirical mode decomposition method,EEMD)变压器振动信号进而选择有效本征模式函数(intrinsic mode function,IMF)的方法。该方法通过计算变压器原振动信号与分解后的本征模式函数的归一化相关系数来选取有效分量。再利用筛选出的本征模式函数构造特征矢量,将其作为变压器绕组状态识别的依据。实验结果证明了该方法可准确诊断变压器绕组的故障。