一种新型变步长自适应滤波算法

为改进目前谐波电流检测方法,针对有源滤波器谐波检测,提出了一种新型变步长自适应算法,取得了比较好的效果。由于谐波检测属于适应噪声抵消技术低信噪比条件下的一种应用,因而在该算法中,没有以误差信号e(n)作为改变步长的自适应回馈量,而是将误差信号和上个工频周期的误差信号的差值△e(n)作为自适应回馈量,从而避免了误差信号e(n)一直较大,导致的自适应算法的稳态误差比较大的缺点;同时通过相干平均估计来避免测试计算过程中随机噪声的影响,调节算法的步长,其优越性在于:谐波检测过程能保证既具有较快的动态响应速度,又保证稳定后步长稳定很小,有较高的检测精度。理论分析和仿真试验证明了该算法的正确性和有效性。     

改进变步长LMS算法在软起动谐波检测中的应用

针对现有自适应变步长最小均方(LMS)谐波电流检测算法在低信噪比环境中易受干扰影响,提出一种改进自适应变步长LMS算法。该算法将误差信号与前一工频周期误差信号的差值作为反馈量,结合箕舌线函数构造出随动的动态因子,将此动态因子也作为调节权值的动量因子,利用自相干估计误差控制步长。该算法折中考虑收敛速度和稳态精度,并有效降低噪声信号的干扰。通过对电机软起动器工作过程中产生的周期重复性谐波进行检测和分析,证明了该谐波电流检测算法的可行性。     

变步长自适应LMS有功电流检测方法研究

传统的基于自适应噪声对消原理的谐波电流检测方法具有实现简单、自适应性强等优点,但算法中步长的选择需要在收敛速度和稳态精度之间折中考虑,降低了算法的实用性。提出一种新的变步长自适应最小均方(LMS)谐波检测算法,将负荷电流中基波有功分量与自适应滤波器输出基波有功分量的差值作为跟踪信号,利用滑动积分提取跟踪信号与电压相位信号乘积的直流分量,再将结果与权系数比值的绝对值作为模糊调整步长的输入量,进行谐波电流检测。该算法在保持高精度谐波检测的同时,又具有较快的收敛速度。仿真结果验证了所提谐波电流检测算法的有效性。     

变步长自适应算法在有源滤波器谐波检测中的应用

对已有改进自适应算法性能进行分析,并尝试将其应用于有源滤波器谐波检测中。实验表明这些变步长算法的性能极易受到系统中噪声信号的干扰,改进效果不明显。该文提出了一种新的变步长自适应谐波检测算法。算法采用归一化的处理方法,以误差信号e(n)在待检测信号中所占比率K(n)作为自适应回馈量,并通过K(n)的相干平均估计来调节算法的步长。其优越性在于:即使在有较大噪声干扰的情况下,谐波检测过程也能保证既具有较快的动态响应速度,又保持较高的检测精度,而不像传统算法那样必需在两者性能上进行折中选择。仿真和实验结果证明了理论分析的有效性。文章还对该算法的收敛性和稳定性进行了分析,并就算法中参数的选取提供了参考标准。     

基于相对变换的ICA故障检测方法

针对传统独立主元分析方法(independent component analysis,ICA)在标准化处理后导致特征值大小近似相等,难以提取有代表性变量等问题,提出了一种基于相对变换的独立主元分析(relative transformation ICA,RTICA)故障检测方法。该方法引入欧氏距离相对变换理论,将原始空间数据变换得到相对空间,然后在相对空间进行独立主元分析,降低相对空间的数据维数,使提取的独立主元特征具有更大的适应性,建立故障检测模型,最终实现在线故障检测。该方法通过田纳西-伊斯曼过程仿真加以验证,并应用到电主轴裂纹故障的状态监测中,实验结果表明该方法能有效减少独立主元个数,简化故障检测模型的复杂度,增强状态检测性能。     

基于感测线圈和KPCA的电机轴承故障检测

在电机定子中嵌入感测线圈并结合核主元分析(KPCA)进行电机轴承的故障检测。8只线圈分别嵌入电机定子的前端和后端,通过分时复用形成6组反应电机状态的差动信号。针对6组感测信号与电机状态间的非线性特征,采用KPCA进行多变量分析。着重介绍分析了KPCA故障检测的算法、监测指标和步骤。最后,用机车变压器油泵电机为对象开展了试验研究,验证了所提电机轴承故障监测方法的有效性和正确性。     

盲信号分离在静止式中频电源故障分析中的应用

针对静止式中频电源故障信号含有间谐波,传统的信号处理方法难以对其进行有效分析的问题,提出将最新的盲信号分离(BSS)运用于电源故障分析中。根据故障信号的特点,采用基于负熵的快速独立分量分析(FastI-CA)算法解决了混叠信号的盲分离问题;采用主分量分析(PCA)进行预白化处理,减小噪声对分离精度的影响,再运用二阶盲辨识(SOBI)算法分离波动电压信号,得到各分离分量的频率估计。在此基础上通过求解超定方程组估算出故障信号分量幅值。仿真结果表明,FastICA和SOBI算法对中频电源故障信号分离的有效性和准确性。     

一种改进的自适应谐波检测方法及其应用

提出了一种改进的变步长自适应算法,将其运用于有源电力滤波器中的谐波电流检测中,取得了很好的效果。在常见的变步长自适应算法中,步长与误差或者输入信号有关,而在自适应的调节过程中,步长存在较大的波动,影响谐波电流检测的准确性。改进的自适应算法首先对误差信号加绝对值,接着对其求均值并以该均值来控制步长的变化,从而克服了步长波动的不足。该算法不但具有较快的动态响应,而且提高了谐波检测的精度。通过MATLAB仿真验证了该算法的可行性和有效性。     

引入动态因子的改进MLMS谐波检测算法

针对原始加入动量项最小均方MLMS (momentum least mean square)算法在低信噪比情况下,容易产生稳态失调,提出一种引入动态因子的改进MLMS算法.该算法采用动态因子来控制步长对瞬时误差信号的敏感性,并且采用当前误差信号e(n)和上一次误差信号e(n-1)的自相关估计来调整步长迭代,增强了算法对噪声的抗干扰性,提高了谐波检测的精度.该算法在稳态精度上优于原始算法,MATLAB仿真结果验证了该算法的有效性和可行性.     

融合 PCA 与自适应 K-Means 聚类的水电机组 故障检测在线方法

灯泡贯流式水电机组在运行过程中,由于受水力因素、机械、工况等因素影响,很容易导致转轮叶片与转轮室发生故障,严重影响水电机组安全运行。在分析灯泡贯流式水电机组转轮叶片与转轮室故障信号特征的基础上,提出了一种基于K均值(K-Means)和莱特准则(Wright′s criterion)的水电机组故障在线检测方法。该方法利用主元分析(PCA)对水电机组振动和噪声信号特征降维后,融合莱特准则改进传统K均值算法,以实现K值的自适应选择,对特征进行在线聚类,能快速准确识别水轮机变负荷状态与金属扫膛故障。将本文方法应用到五凌电力近尾洲水电站灯泡贯流式机组故障检测中,实验结果表明,采用该方法的故障在线检测准确率为100%、变负荷在线检测准确率为96.7%,运行近10个月没有出现故障误报和漏报,表明了该方法的有效性。     

涡轮泵实时故障检测的频段幅值最大值比方法

根据液体火箭发动机涡轮泵出现故障后振动加速度信号的频谱变化,提出了一种基于频段幅值最大值比的故障检测方法用于涡轮泵实时故障检测。该方法采用快速傅里叶变换（fast fourier transformation,FFT）将历史信号从时域变换到频域并进行频段划分,选择两个有代表性的频段并计算其幅值最大值比。将该比值作为故障特征对待检信号进行实时故障检测。用某型号涡轮泵振动加速度信号对故障检测方法进行验证,结果表明对时长20.80 s的待检信号,设定故障特征阈值为3.5,该方法检出故障时刻为20.08 s,比故障真实出现时刻晚0.07 s（在0.5 s之内）,未出现虚警和漏警。该故障检测方法具备了良好的精确性与实时性。     

基于特征判定系数的CSO-SVM的电力变压器振动信号故障诊断

变压器带电故障诊断对于保证电力变压器安全平稳运行具有重要的意义。针对变压器工作环境复杂且单一参数表征变压器故障类型不全面的问题,提出一种基于自适应噪声完备集合经验模态分解（CEEMDAN）和特征熵权法（EWM）进行故障诊断的方法。通过相关系数加权峭度（CCWK）原则筛选CEEMDAN分量并重构信号,实现在剔除冗余分量的同时,提升变压器振动信号特征的表征能力;利用EWM构建特征判定系数（FDC）实现单一数据诊断变压器故障类型;通过主成分分析法（PCA）减小混合域特征尺度,采用鸡群优化算法（CSO）优化支持向量机（SVM）模型进行故障诊断。对某变电站110kV三相油浸式变压器进行分析,结果表明与概率神经网络（PNN）和SVM等变压器故障诊断方法相比,文中方法在提前定性故障类型的同时,能够进一步提高变压器故障诊断准确率与效率。     

基于混合逻辑动态的过程控制实验装置故障检测

通过将故障表示为二进制变量建立混合逻辑动态故障模型,利用滚动时域估计（MHE）方法将故障检测问题转化为混杂预测控制问题。将基于MHE的故障检测方法用于三容水箱过程实验装置进行故障检测仿真研究,建立了实验装置在执行器部件故障下的混合逻辑动态（MLD）模型,研究了利用MHE对实验装置进行状态估计和故障检测的方法。对其中产生的混合整数二次规划问题则利用改进的离散微粒群（DPSO）算法进行求解。控制结果和故障检测结果表明了本文算法的有效性,更有助于对预测控制算法和故障检测技术的理解与应用。     

基于告警信号文本挖掘的电力调度故障诊断

电力调度系统在电力系统故障过程中会收到大量告警信号,若调度员无法在短时间内做出决策,则可能使故障扩大,为此提出基于告警信号文本挖掘的电力调度故障诊断方法,该方法包括告警信号文本预处理和故障诊断2个阶段。在第一阶段,基于隐马尔可夫模型(HMM)对告警信号文本进行分词并去除其中的停用词以构建本体词典,并采用向量空间模型(VSM)使文本向量化;在第二阶段,使用滑动时间窗读取实时告警信号,提出一种2层算法,第一层采用支持向量机(SVM)对滑窗内的告警信号进行分类,若分类结果判断为发生故障,则启动第二层k-均值聚类法提取较高可能性的故障供调度员参考。以某电力调度系统实际告警信号作为算例,验证了所提方法的可行性。     

基于K-L特征提取与支持向量机的油浸式变压器故障诊断模型研究

针对变压器多故障问题,提出了基于Mercer核函数的欧式距离查询策略算法,并建立了基于Karhunen-Loeve(K-L)特征提取与支持向量机的变压器故障诊断模型,利用K-L变换提取信号的特征值,最后通过支持向量机学习算法完成对信号的选择与分类。通过实例应用表明:所训练的SVM分类器较之直接任意选取训练样本作为训练集的传统方法具有更高的诊断率。     

基于瞬时能量熵和SVM的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特性和难以获得大量实际故障样本的情况,提出了一种基于经验模式（EMD）分解的新型故障特征撮方法,并与支持向量机（SVM）相结合实现滚动轴承的故障诊断.该方法首先将振动信号进行小波包降噪,再对去噪信号进行EMD分解,求解分解后各单元的瞬时能量变化,取瞬时能量变化的熵值组成特征向量,最后将其作为支持向量机的输入实现滚动轴承故障分类.经过实验验证,该方法能够有效的识别轴承正常状态、内圈故障、外圈故障以及滚珠故障.     

基于自回归-连续隐马尔可夫模型的离心泵故障诊断

根据振动与语音信号的相似性和离心泵故障信号的特点,将连续隐马尔可夫模型引入了离心泵的故障诊断中。利用自回归谱不受数据长度的限制,及自回归模型参数对状态变化规律反映敏感的特点,以信号的12阶自回归谱系数为特征矢量,将其输入到各个状态连续隐马尔可夫进行训练,来实现离心泵的故障诊断。为防止数据下溢,引入前向-后向比例因子算法求其对数似然概率,并且采用K-means算法对连续隐马尔可夫进行参数初始化。在给定的观测序列中每一种模型的优化路径通过Viterbi算法实现,用Baum- Welch算法实现参数重估。最后通过2BA-6A离心泵试验系统验证了该方法的有效性。     

克隆选择优化的SVM模拟电路故障诊断方法

对基于克隆选择算法的支持向量机(SVM)参数优化、及其在模拟电路故障诊断中的应用进行了深入研究,故障诊断实现步骤为:首先对电路的各种故障模式进行蒙特卡洛仿真分析,利用小波分解提取输出信号的各频段能量,进行归一化处理后得到故障特征样本;然后应用克隆选择算法进行SVM参数优化,并将选定的参数用于SVM的训练;最后采用训练好的SVM对故障样本进行分类,从而实现故障判定。论文以CTSV滤波电路和螺距反馈电路为诊断实例进行了实验验证,结果表明对容差模拟电路的故障定位具有较高的准确率。     

基于差值信号的故障特征提取及应用

以电路软故障作为研究对象,提出了一种基于差值信号做故障特征的方法。首先将被测电路中各状态的信号波形的数据与标准信号波形的数据作差值,差值作为新的数据组,再进行小波包变换提取特征向量,经主元分析后选取具有代表主要信息的作为综合特征向量,最后送到分类器进行诊断。实验结果表明此方法可以有效地将电路软故障区分开来。     

核主成分分析和粒子群优化支持向量机在电力机车笼型异步牵引电机故障诊断中的应用研究

提出了一种采用核主成分分析和粒子群优化支持向量机的电力机车笼型异步牵引电机故障诊断方法。先利用核主成分分析对故障数据进行特征提取,以获得的故障特征子集作为支持向量机故障分类器的训练样本,然后设计和构建了支持向量机多故障诊断系统。其中,支持向量机的参数通过粒子群优化算法进行了优化,最后实现对笼型异步牵引电机的故障诊断。实验结果分析表明,该方法能够有效地应用于电力机车笼型异步牵引电机的故障诊断。