基于小波奇异熵和相关向量机的氢气传感器故障诊断

针对氢气传感器故障问题,提出了一种智能化的传感器故障诊断方法,可以对自身故障状态进行诊断和识别。提出了一种基于小波奇异熵(wavelet singular entropy,WSE)和相关向量机(relevance vector machine,RVM)原理的氢气传感器故障诊断方法,将小波变换和奇异熵两种分析思想相结合,提取信号的完备故障特征;利用小生境粒子群优化算法(niche particle swarm optimization,NPSO)对相关向量机的核参数进行优化,提高故障诊断的准确率。将提出的方法与其他成熟算法进行了比较,实验结果表明所提方法故障诊断识别率达到98%以上,解决了非线性、小样本条件下的传感器故障诊断问题,提高了传感器的可靠性。     

基于EFPI传感器的GIS局部放电模式识别研究

非本征法布里-帕罗干涉(EFPI)光纤超声传感器可用于气体绝缘全封闭组合电器(GIS)内部的局部放电超声信号检测及模式识别研究,相较于传统的压电式传感器,具有灵敏度高、抗干扰能力强等优点。基于此,文中在充有0.4 MPa SF₆气体的GIS腔体内设置尖端、金属颗粒、悬浮和沿面4种典型的局部放电模型,创新性地利用EFPI传感器对放电超声信号进行检测,提取单次超声脉冲信号波形特征形成特征参数数据库,分别应用概率神经网络(PNN)算法和支持向量机(SVM)算法进行模式识别并比较分析。EFPI传感器检测到的超声信号特征突出,在提取特征参数的基础上,2种模式识别算法均能达到85%以上的平均识别率,且SVM的识别效果要优于PNN。     

基于多尺度熵分析与改进 SVM 的变压器故障识别

为解决传统变压器故障识别方法提取故障特征难度大、识别准确率低等问题,提出基于多尺度标准差模糊熵( SDMFE) 和哈里斯鹰算法(HHO)优化支持向量机(SVM)的故障识别方法。 首先,采用基于模糊熵的多尺度分析法量化变压器振动信号 复杂的动态特性,提取多时间尺度下的故障特征。 随后,将利用 SDMFE 获得的故障特征输入 SVM 分类器识别变压器不同的故 障。 同时,为了提升 SVM 的识别性能,引入 HHO 算法以自适应、准确地选择 SVM 参数。 最后,利用变压器实测振动信号进行 了对比试验。 与不同的信息熵、不同的优化策略和不同的分类器相比,所提方法取得 98. 56%的最高识别准确度和最好的识别 稳定性。 结果表明所提方法能够有效提取故障敏感特征和准确识别变压器故障状态。     

气体传感器阵列混合气体检测算法研究

针对传统模式识别算法对混合气体定性和定量检测准确率较低的问题,提出了一种基于机器学习的新型混合气体定性识别和浓度定量检测算法。算法首先构造传感器阵列数据特征图,然后利用卷积神经网络(CNN)提取特征,根据特征提取后的特征图,使用不同分支网络对不同气体进行定性识别,得到气体种类和相应气体所处浓度区间;根据前面的气体识别结果,使用核主成分分析(KPCA)与梯度提升树(GBDT)对混合气体的组成成分进行定量估计;最后采用加州大学机器学习数据库的动态混合气体气体传感器阵列数据集进行对比验证。实验结果表明,算法在乙烯和甲烷定性识别中准确率达到了98.7%,定量检测平均相对误差小于4.1%。通过与传统模式识别算法对比,所提出的基于机器学习的混合气体检测算法具有更高的精度和泛化能力。     

基于ICA盲源分离的声表面波无线传感器信号抗干扰方法

针对声表面波传感器无线信号易受环境中同频信号干扰的问题,设计了基于独立分量分析(ICA)盲源分离的抗干扰算法。该算法对传感器和同频干扰的混合信号进行分离,然后基于分离信号波形的衰减和等幅特征对信号进行判别。MATLAB仿真结果表明,算法能够有效分离混合信号并且保留了源信号的时域波形特征和频域信息。将抗干扰算法在基于数字信号处理器的信号采集和处理平台上实现并进行分离实验,设置不同的传感器信号和干扰信号强度并记录分离和判别结果,实验结果表明,在源信号的信号强度较为接近(信扰比在0.8~1.4范围内)且噪声影响可忽略的情况下,可达到95%以上的传感器信号准确判别率,有效地抑制了同频干扰。     

考虑水平和竖直方向振动作用的导线疲劳损伤检测方法研究

针对架空导线振动损伤检测方法计算精度不高的问题，提出一种更为精确的导线损伤检测方法。该方法以不同风速和张力下具有水平和竖直动力的不对称双跨导线结构响应特征为基础，研究水平和竖直方向振动作用的导线疲劳损伤程度。通过薛氏模型识别出水平和竖直加速度信号，利用深度孪生神经网络(deep Siamese convolutional network, DSCN)架构将水平和竖直方向加速度信号输入标准化时间窗，然后经过希尔伯特黄变换-支持向量机(Hilbert Huang transform-support vector machine, HHT-SVM)算法求解导线疲劳损伤值，并与主流算法对比验证。不同风速条件下的数据结果显示，HHT-SVM方法较遗传算法、卷积神经网络(convolutional neural network, CNN)算法两种方法更为优异，计算的疲劳损伤值总体精度分别提高了22.77%、8.06%,模态阶数精度提高了23%、4%,迭代次数减少了45%、17%。最后，通过HHT-SVM方法，结合三维颤振稳定性检测图，得出导线振动与疲劳损伤值的关系与推导出的比例关系一致，从而再次验...     

基于模糊聚类算法的油纸绝缘缺陷识别

采用典型模糊聚类算法(FCM)对电力变压器油纸绝缘缺陷进行诊断,研究不同绝缘缺陷的局部放电超高频信号特征识别问题。根据变压器内部绝缘缺陷特征,文章构建典型油纸绝缘缺陷模型,通过提取局部放电超高频信号特征量,构建综合识别矩阵,对缺陷进行识别。采用模糊C-均值聚类算法分别对信号小波去噪前后两种综合特征矩阵进行聚类分析及识别。对比结果表明,小波包多尺度超高频网格维数和能量参数能有效区分4种绝缘缺陷;小波去噪方法提高了正确识别率、最小识别率、识别稳定性、算法稳定性和收敛性。验证了模糊C-均值算法对油纸绝缘缺陷识别的适用性。     

基于形态学–小波的传感器故障诊断

基于输入输出信号趋势分析,提出基于形态学–小波的传感器故障检测与诊断的新算法。由不同宽度结构元素构成的改进型广义形态滤波器对输入输出信号进行滤波;采用小波多分辨分析对滤波后的信号进行分析,对故障的突变点进行准确定位;利用小波变换模极大值在多尺度上的表现与李普西兹(Lipschitz)指数的关系,对传感器各个类型故障进行识别。该文针对传感器死区、恒偏差、恒增益及漂移故障进行了仿真,仿真结果证明了该算法的有效性。     

多传感器特征决策融合的钢轨裂纹识别方法

随着高速铁路的快速发展,钢轨裂纹的有效检测对于铁路安全运行具有重要的意义.针对基于漏磁信号的钢轨裂纹识别问题,采用多传感器特征决策融合技术,在对漏磁信号进行了时域和频域的多特征提取与融合的基础上,同时对多传感器信号进行决策融合,设计了一种基于支持向量机(SVM)的多传感器信息融合分类器.利用人工裂纹的实测漏磁信号进行实验,相比于提取单一特征和利用单一传感器信号进行识别,提出的方法取得了更好裂纹识别效果,平均识别率达到98％.     

基于多特征量的油中局放超声直达波识别研究EI北大核心CSCD

电气设备油中局部放电超声阵列定位是将阵列信号处理技术应用于局放超声检测中的一种新方法,其实质是通过相应的算法得到信号的方位信息,继而对局放源进行定位。研究表明,当超声传感器接收到直达信号时,可对局放源进行准确定位;当接收到混叠(多路径)信号时,会导致定位成功率和定位精度下降,甚至产生虚假定位。因此,有效识别超声直达波与混叠波信号是局放定位成功的关键。该文选取峰值因数、分形盒维数和李雅普指数作为局放超声直达波信号的特征参量;分别基于各特征量进行超声直达波识别的仿真研究,结果表明超声信号的混叠程度会对识别结果造成很大影响,利用BP人工神经网络,提出一种基于多特征量的电气设备油中局放超声直达波识别方法,仿真结果显示其识别成功率接近100%;最后在设定环境下进行油中局放超声直达波识别的实验研究,结果表明,采用单个特征量识别直达波和混叠波的成功率约为90%,基于多特征量的识别成功率为95%,验证了所提方法的有效性。     

基于VEITD和OSMHD的风电机组轴承损伤识别

针对风力发电机轴承损伤信号易被强噪声干扰导致损伤特征提取困难的问题，提出了一种基于可变熵加权融合的固有时间尺度分解和优化稀疏最大谐波噪声比解卷积法相结合的风力发电机轴承损伤识别方法。采用固有时间尺度分解方法对原始信号进行分解，得到若干个固有旋转分量。利用可变熵对固有旋转分量进行加权融合。使用优化稀疏最大谐波噪声比解卷积法对加权融合信号进行处理，提取轴承损伤特征频率。试验台数据和风力发电机现场数据分析结果表明，所提方法对轴承损伤信号中的噪声抑制效果明显，能够准确提取风力发电机轴承损伤特征频率，实现风力发电机轴承的损伤识别。     

PMU小扰动信号下的综合负荷模型参数辨识方法

电力系统日常运行过程中时刻存在类似噪声的小扰动信号，利用小扰动信号开展负荷参数辨识可解决传统总体测辨法无法处理的负荷时变性和分布性难题。基于PMU实测小扰动信号提出一种“Z+IM”综合负荷模型参数辨识方法。该方法采用PMU量测数据滚动识别框架，滚动识别主要包括数据处理和负荷参数辨识两个步骤。首先，针对PMU量测小扰动信号的特点，通过厂站初筛、预处理、可辨识集粗筛和去噪等步骤得到较为优质的PMU小扰动数据集。然后，基于预报误差思想通过两阶段辨识策略辨识负荷时变参数、电磁参数和机电参数。所提方法得到的负荷参数无需折算可直接应用于PSASP、BPA等国内主流仿真程序，具有实际工程应用价值。最后，算例通过3机9节点系统仿真和湖南实际电网验证所提方法的有效性和鲁棒性。     

基于L1正则化反演的电压行波高精度检测方法

针对电压行波传感器二次侧故障行波信号不能真实反映电网一次行波波形特征的问题,提出了一种基于L1正则化反演的电压行波高精度检测方法。首先,分析了行波传感器的非理想传变特性,揭示了一、二次行波信号的波形差异性。在此基础上,提出利用小波包变换对观测信号进行多尺度分解,并对各频段信号分别进行反演的方法,从而减小由行波传感器引起的畸变误差。其次,在反演模型中引入L1正则化约束对模型进行稀疏性刻画,使反演结果更能体现真实故障波形特征。最后,利用快速迭代收缩阈值算法(fast iterative shrinkage-thresholding algorithm, FISTA)进行迭代求解,将各分量的反演波形线性叠加,实现故障行波信号的精确还原。仿真和实验结果表明：与直接反演相比,所提方法能够实现故障行波在时域和频域上的高精度真实测量,在微弱故障和噪声环境下也能获得较为精确的反演结果,具有一定的工程应用价值。     

基于无线通信的两线制红外光电传感器测频系统设计

设计了一种基于NRF24L01无线通信的两线制红外光电传感器测频系统。为了减少三线制传感器的用线数量以及改进信号的稳定性,设计一种两线制光电传感器。在设计过程中,首先对三线制传感器的电路进行深入研究后设计了改进后的两线制传感器电路,设计了信号处理电路,将传感器的脉冲信号转换为频率信号,通过RS-485总线传给无线发送模块,再通过无线通信发送给无线接收模块,最后通过上位机软件将所测数据显示出来。经过实验证明,它能够稳定准确地采集信号。经过对两种传感器得到的数据进行比较后得出,两线制传感器所测得的数据的确更稳定,波动小、且只需要两根线,达到了实验的目的。     

基于 FCN 的阀门内泄漏声发射信号识别方法

针对石化工业中输气管道阀门的内泄漏故障,将声发射检测技术与深度学习技术相结合,提出了一种基于全卷积神经 网络(FCN)的阀门内泄漏声发射信号识别方法。 该方法利用声发射技术采集阀门内泄漏的声发射信号,基于 FCN 搭建阀门内 泄漏分类诊断模型,充分发挥了声发射技术在阀门内泄漏检测领域的优越性,以及 FCN 在时间序列分类任务上的高性能。 该 方法相较于传统的识别方法,无需对原始采集数据进行特征提取或繁重复杂的预处理,而是将特征提取的任务也交于神经网络 模型来学习和完成,可实现端到端的阀门内泄漏声发射信号分类识别。 搭建阀门内泄漏检测实验平台,采集并制作阀门内泄漏 声发射信号数据集,建立了基于 FCN 的阀门内泄漏声发射信号的二分类模型,实验结果表明,该模型的分类识别准确率可达 98. 72%,相比较于其他先进的分类模型在数据集上表现出了更加优越的分类识别性能和训练效率,同时对环境噪声具有良好 的抗干扰性能。     

MEMS传感器数据漂移抑制技术研究

针对惯性测量系统中MEMS加速度传感器存在信号漂移而导致测量误差的问题,采用时间序列的分析方法,对MEMS加速度传感器测量的数据进行分析。将MEMS加速度传感器测量的数据通过DSP读取后,通过ADF准则进行平稳性检验,传感器数据满足平稳时间序列条件。根据传感器数据的自相关函数与偏自相关函数特征,判断出序列满足AR(p)模型。通过AIC准则进行随机性检验,同时进行时间序列模型识别与参数估计,传感器数据在使用AR(1)模型进行建模时达到最优。建立MEMS加速度传感器信号漂移AR(1)模型,并依据模型设计卡尔曼滤波器。结果表明,在滤波前加速度传感器零偏稳定性为0.3032mg,卡尔曼滤波后的加速度传感器零偏稳定性为0.0247mg,测量稳定性能有效提高,并且运算阶数较低,能很好的应用于嵌入式系统。     

基于CNN的轴承变工况故障识别系统

为了保证工业机械设备运行安全,避免轴承损伤引起的设备严重损害,实现对机械设备上滚动轴承的变工况故障诊断,设计了基于卷积神经网络的变工况滚动轴承故障诊断系统。该系统使用格拉姆矩阵方法将一维时序数据转换为二维特征图,卷积神经网络训练最大化的学习数据中的特征信息,将训练好的模型部署于LabVIEW编写的上位机中实现实时故障诊断,将所提方法在美国凯斯西储大学轴承数据中心数据集进行实验,实验验证：在美国凯斯西储大学轴承数据集上,所使用的方法变工况下无故障运行数据识别准确率达到99.85%,变工况下综合识别准确率达到91.67%,实验结果表明该方法取得了较为准确的识别效果且具有不错的泛化能力,为变工况下滚动轴承的故障诊断积累了应用经验。     

基于STM32的地震动信号检测识别系统设计

地震动信号检测识别在边防预警、军事战争、石油管道监护、安全监控等领域有广泛应用,对此,设计了地震动信号检测识别系统。系统主要有以下4部分：地震检波器检测震动信号;STM32处理器进行A/D转换、识别算法的实现;GPS北斗定位模块实现目标的定位;无线传输模块进行数据无线传输。通过大量实验验证,该系统使用方便、性能可靠,能够准确识别人员和车辆目标。     

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。     

一种基于卷积神经网络的电涡流金属辨识方法

为实现对主要金相组织同为铁素体和珠光体的3种碳素结构钢的辨识,提出一种基于卷积神经网络的金属辨识方法。卷积神经网络可以很好地处理环境信息复杂、推理规则不明确和样品本身有缺陷情况下的分类,利用涡流无损检测技术和卷积神经网络算法搭建了该金属辨识平台,首先在涡流传感器的工作频率范围内随机选取8个高频点,并通过该传感器分别采集各个频点下金属的信息;然后通过傅里叶变换、坐标变换等数据处理使得每种金属的信息图像化;最终通过卷积神经网络训练来获得辨识模型。结果表明,该方案对比传统方式可在不损伤金属的情况下识别金属;对比现有的BP神经网络算法(86.20%),对3种金属的正确识别率都达到了92.33%。