CNN-GRU 和 SSA-VMD 在扬声器异常声分类中的应用

为了提高扬声器异常声分类的平均准确率,提出用卷积神经网络加门控循环单元(convolutional neural network plus gated recurrent unit, CNN-GRU)和麻雀搜索算法优化变分模态分解(sparrow search algorithm optimization variational modal decomposition, SSA-VMD)模型进行扬声器异常声分类。在特征提取方面,用SSA-VMD模型,确定VMD中二次惩罚因子(α)和模态分解数(k)的最优取值问题,借此提高特征提取精度,减少提取时间,最后再利用VMD提取扬声器响应信号的特征;在分类网络方面,用CNN-GRU网络来进行扬声器异常声分类,以CNN为基础特征提取网络,再用GRU网络进行更深层特征提取,达到提高扬声器平均分类准确率的目标。试验结果表明,经SSA-VMD模型优化参数后,VMD可以更有效提取特征,且分解时间缩短59.8%;CNN-GRU模型具有更高和更稳定的识别率,其平均分类准确率为99.2%。     

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。     

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。     

多工况下基于EEMD-ICNN的输油管道泄漏识别

针对多工况下管道泄漏信号预处理繁琐、误报率高的问题，提出了一种集合经验模态分解(EEMD)结合改进卷积神经网络(ICNN)的泄漏识别模型。所用识别方法采用EEMD将泄漏信号分解成若干个具有稳态性能的固有模态分量(IMF),通过相关系数划分出噪声主导向量并予以去除实现信号重构；提取重构信号的一系列指标特征作为ICNN模型的输入进行特征提取，实现管道多工况分类；ICNN在每个卷积层和池化层之间加入批量归一化层，以此加快网络训练速度。结果表明：所提模型能够快速准确识别出停泵、调阀、泄漏、正常工况，且在较少训练数据下平均识别准确率可达98.25%。与未改进的CNN和SVM分类识别模型相比，该方法有效提高了识别准确率。     

基于EEMD和多元多尺度熵的变压器故障检测方法

对EEMD算法进行了理论分析,介绍了多尺度样本熵特征提取方法,提出了一种基于EEMD和多元多尺度熵的故障检测算法,并进行了仿真对比试验。     

基于CEEMDAN与样本熵的高压断路器机械故障诊断

依据高压断路器振动信号特性,提出一种自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与样本熵相结合的高压断路器故障特征提取方法。首先利用CEEMDAN将分闸振动信号分解成一系列内禀模态函数(intrinsic mode function,IMF),然后利用相关系数法与归一化能量筛选包含信号主要特征信息的前7阶IMF分量,求取其样本熵作为特征量,最后采用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)分类器,对断路器不同故障类型进行分类识别。实验结果表明该特征提取方法能准确提取振动信号特征量,输入PSO-SVM诊断高压断路器故障能取得良好的效果。     

基于时频特征分析的变压器有载分接开关运行状态识别

为了对变压器有载分接开关的运行状态进行识别,该研究首先对其运行状态和故障特征进行总结分析,针对分接开关运行过程中产生的振动信号,利用集合经验模态(EEMD)分解为多个固有模态函数分量(IMF),再经过希尔伯特变换法,结合能量熵提取得到基于时频分析的特征向量。将特征向量输入自适应遗传算法(AGA)优化的BP神经网络模型中进行故障识别,并进行数据仿真,与相空间重构后提取的特征向量(PPDC)进行对比,验证不同网络模型下,所提方法的识别准确率和收敛速度。结果表明,以PPDC故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为81.68%和88.32%,收敛次数为981和363,当以基于时频特征提取的故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为91.66%和96.68%,收敛次数为349和159,AGA算法可显著提高BP神经网络模型的性能。由此可见,可将时频特征提取方法与AGA-BP神经网络结合,实现有载分接开关运行状态的有效识别。     

基于MEEMD-KF-散布熵的油气管道工况识别

针对油气管道泄漏检测过程中,泄漏信号包含大量噪音、特征提取困难等问题,提出一种改进的总体平均经验模态分解联合卡尔曼滤波算法的管道信号去噪方法。首先采用改进的总体平均经验模态算法对采集到的管道负压波信号进行分解,其中利用排列熵和卡尔曼滤波算法对分解后的固有模态分量进行筛选和处理,最后得到重构后的削噪信号。并且提出基于散布熵和峭度的特征提取法,将提取的特征参数作为支持向量机的输入来对输油管道的工况进行分类识别。经采集到的数据验证,改进的总体平均经验模态分解、卡尔曼滤波、散布熵与峭度结合的组合识别方法可以较准确的对管道信号进行分类识别,结果显示其总平均识别准确率达到98.89%,为管道的工况识别研究提供了一种新的途径。     

基于CEEMDAN样本熵与FWA-SVM的高压断路器机械故障诊断

针对振动信号判别断路器机械故障过程受干扰影响的特征提取问题,提出一种自适应白噪声完整集合经验模态分解(CEEMDAN)与样本熵相结合的故障特征提取方法。通过CEEMDAN提取若干反映断路器操动过程机械状态信息的本征模态函数(IMF)分量,依据各IMF相关系数与能量分布,将前7阶IMF分量进行小波包软阈值去噪,计算其样本熵作为特征量,最后采用基于免疫浓度思想的烟花算法(FWA)优化支持向量机(SVM)分类器,对断路器不同运行状态进行分类识别。实验结果表明:基于CEEMDAN样本熵特征对于信号干扰不敏感,FWA-SVM诊断方法对于高压断路器分闸操动过程故障辨识效果良好。     

基于NGO-VMD-DE的单相接地故障信号特征提取

针对电力系统输配电线路发生单相接地故障时,电气设备的电磁环境干扰,故障零序电流成分复杂等原因导致故障特征信息提取困难,变分模态分解参数人为确定导致其对零序电流分解效果差,常用的熵运算慢,鲁棒性差,进而后续选线准确率低的问题,提出了一种新的基于NGO-VMD-DE的单相接地故障的零序电流故障特征提取方法。首先,通过北方苍鹰优化算法(NGO)优化变分模态分解(VMD)实现零序电流信号的自适应分解,建立了自适应相关系数的本征模态函数(IMF)分量选取准则选取有效分量,然后对选取的分量进行重构,最后对重构后的信号进行散布熵(DE)计算以提取单相接地故障的零序电流故障特征,通过搭建模型进行仿真实验,并与近似熵、样本熵、模糊熵、排列熵等其他特征熵值指标进行对比表明,所提出的故障特征提取方法可以更加准确、有效地表征发生单相接地故障线路的零序电流故障信息。     

基于EEMD模糊熵和支持向量机的轴承故障诊断方法

电动机轴承的振动信号具有不平稳、非线性和高噪声等特点.在轴承故障的情况下,通过原始信号或部分时域特征参数不易准确判断故障位置.为解决此问题,在考虑时域特征的基础上,进一步通过集成经验模态分解(EEMD)和模糊熵进行特征参数提取.将轴承在正常、内滚道故障、滚动体故障以及外滚道的三个方向故障状态下的振动信号通过集成经验模态分解和计算模糊熵的方法提取信号特征,并与时域特征相结合得到10维特征向量.使用支持向量机(SVM)分类方法对所提取特征进行训练,最终得到可用于电动机轴承故障诊断的模型.比对发现,经特征提取后的模型训练速度和准确率均有较大提升,表明此方法对电动机轴承故障诊断是有效的,并为电气设备的故障诊断提供一种新思路.     

基于VMD和排列熵的水轮机压力脉动信号去噪算法

水轮机尾水管压力脉动信号十分复杂,在水电机组故障诊断中表现出强烈的不平稳性。基于此本文提出结合可变模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的水轮机压力脉动信号去噪新方法。该方法首先将压力脉动信号进行VMD分解,获取若干BIMF分量,求取各模态分量的排列熵,利用排列熵对信号随机性的敏感特性,对压力脉动信号筛选并重构,完成对信号的去噪。对比仿真和实例结果分析,该方法优于目前的EEMD滤波算法,能有效去除噪声,具有良好的去噪效果,为水电机组故障特征提取提供了新思路。     

转子断条与静态偏心复合故障诊断方法

为了探究笼型异步电动机中,转子断条和静态偏心两种故障的影响因素和耦合规律,提高转子断条与静态偏心复合故障识别的准确率,基于多通道自适应陷波和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)两种算法对转子断条与静态偏心复合故障进行诊断分析。首先采用自适应陷波技术滤除定子电流中的工频及奇次谐波,再对信号进行EEMD分解获得若干固有模态分量(intrinsic mode function,IMF)。然后对IMF分量进行包络分析,解调出故障特征频率,甄别故障类型。实验结果表明,该方法对转子断条与静态偏心复合故障能够准确识别。     

基于集合经验模态分解样本熵和LIBSVM的离心风机故障诊断方法

针对离心风机故障信号非平稳、非线性的特征以及应用过程样本少等特点,提出基于集合经验模态分解(EEMD)样本熵和LIBSVM的离心风机故障诊断的新方法。首先采用总体平均经验模态将传感器信号分解成若干个平稳的本征模态函数(IMF)分量;其次通过相关系数准则对IMF分量进行选择去除虚假模式分量,对于筛选出的IMF分量分别计算样本熵并将其作为特征向量;最后将特征向量输入LIBSVM和BP神经网络进行模式识别。实验验证了该方法的可行性、有效性和优越性。     

基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法

为可靠地进行万能式断路器机械故障诊断,在基于振动信号故障诊断的基础上,提出了一种多特征融合与改进量子粒子群(QPSO)优化的相关向量机(RVM)相结合的万能式断路器分合闸故障振声诊断方法。首先,对振声信号进行小波包软硬阈值结合去噪预处理,并利用互补总体经验模态分解算法对处理后的振声信号进行分解,提取固有模态函数能量系数、样本熵、功率谱熵,并组成多特征参数;然后,通过组合核函数核主元分析对多特征参数降维,并将其特征融合组成特征向量作为RVM的输入,解决单一特征识别断路器分合闸故障的低准确率和低稳定性;最后,利用改进QPSO优化分类模型参数,建立基于RVM的次序二叉树模型对断路器故障进行辨识。实验结果表明,该方法能有效提升不同故障状态下诊断结果的可靠性。     

基于经验模态分解及支持向量机的高压隔离开关机械故障诊断方法

文中将K-means聚类算法和经验模态分解(empirical mode decomposition,EMD)相结合,对隔离开关机械故障进行诊断。为验证方法的有效性,搭建隔离开关运行状态在线监测系统,在某252 k V隔离开关的操动机构上选定位置安装了传感器,采集了机械振动等信号在模拟故障下的大量数据。首先利用小波包降噪方法对信号进行预处理;其次,应用EMD和谱分析方法对振动信号进行经验模态分解,得到IMF分量并将其能量熵作为特征量;然后,通过K-means聚类算法验证了特征提取方式的有效性;最后,通过支持向量机算法(support vector machine,SVM)对样本进行训练,实现了机械故障的准确诊断,验证了该方法的有效性。     

提升EEMD降噪方法及制冷机轴承故障诊断应用研究

针对制冷机轴承振动信号被复杂干扰淹没,难以提取有效特征问题,提出一种提升总体经验模态分解(EEMD)的轴承振动信号降噪方法。首先,利用小波包精细分解特性,基于白噪声检验原理提取第一个IMF分量中有用信号;然后,利用噪声和信号主导的本征模态分量(IMFs)与原始信号互相关系数差异巨大的特性,对分解后的IMFs进行区分,分别使用小波包浮动阈值方法和SG滤波算法提取高、低频分量的有用信号,克服了传统EEMD降噪时信号失真、IMFs选择的难题。为了验证方法的有效性,进行了数字仿真与制冷机轴承振动信号应用验证分析,结果表明,所提方法基于一种精细的决策处理方法,可以将淹没在复杂干扰中的有用特征提取出来,为制冷机轴承状态监测提供有效的预处理手段。     

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EEMD和CICA的风电机组轴承故障特征提取

针对风电机组轴承故障振动信号具有高噪声、非线性、非平稳的特性,提出一种集成经验模态分解(ensemble empirical mode decomposition,EEMD)和约束独立分量分析(constrained independent component analysis,CICA)的故障特征提取方法(EEMD-CICA)。首先对采集的轴承振动信号进行预处理,消除噪声信号的影响,并利用EEMD进行分解,得到一系列本征模态函数(intrinsic mode function,IMF);然后利用邻近奇异值插值法估计源信号个数,并根据互信息准则选取IMF分量作为参考信号;最后根据选取的参考信号,利用CICA方法提取轴承故障中包含的信号特征,并进行包络解调得到包络谱。算例分析表明,此方法能有效提取轴承故障特征。     

一种基于新型小波阈值去噪预处理的EEMD谐波检测方法

为了提升经验模态分解(EMD)用于谐波检测的效果,用集合经验模态分解(EEMD)消除了EMD谐波检测的模态混叠问题。通过研究发现采样信号中的噪声会对EEMD的分解产生较大影响,提出了一种基于新型小波阈值去噪预处理的EEMD谐波检测方法。该方法首先采用变换小波系数精确选取小波阈值,然后采取软硬阈值相结合的方式,以消除随机噪声,再将去噪后的信号进行EEMD分解。经仿真分析,所提方法可以有效地消除随机噪声对谐波检测的影响,提高了EEMD谐波检测的精度与适用性。同时与原有EEMD算法相比,所提方法在分解速率上平均提高了大约3.8倍,有效分量与原始信号的相关度平均提升了22.5%。