分接开关振动信号EMD熵和小波熵的比较

针对变压器有载分接开关机械故障诊断,引入一种基于经验模态分解EMD(empirical mode decomposi-tion)能量熵的诊断方法,以提取变压器有载分接开关振动信号特征并进行故障诊断。首先进行小波消噪,然后对信号进行经验模态分解,对得出的各阶固有模态函数求能量,最终计算得到信号的能量熵值。运用EMD能量熵作为特征参量,分析了触头正常和烧毁两种情况下分接开关切换时产生的振动信号,并与小波能量熵比较,研究结果表明,分接开关振动信号基于EMD能量熵的方法比基于小波能量熵的方法有效。     

基于参数自适应VMD和SA-ELM的有载分接开关故障诊断

机械振动信号能反映有载分接开关的运行状态。为提高有载分接开关机械故障的诊断准确率,提出了一种基于参数自适应变分模态分解(VMD)和模拟退火优化极限学习机(SA-ELM)的故障诊断方法。首先对振动信号进行VMD分解,根据能量准则自适应确定模态数的取值,得到一组窄带、区分度较好的模态分量。然后求取各模态的能量值,形成特征向量组,不同故障状态的模态特征区分明显。最后将特征向量组输入SA-ELM,实现振动信号的识别和诊断。在模拟试验平台上进行试验并对采集的信号进行分析,结果表明文中故障诊断方法可有效提高有载分接开关机械故障的诊断准确率。     

基于WP_SVD降噪的OLTC振动信号特征识别

为对变压器有载分接开关机械故障进行诊断,提出一种结合奇异值分解SVD(singular value decompo-sition)消噪与小波包WP(wavelet packet)消噪的信号特征提取方法。首先对信号进行小波包消噪,然后进行SVD二次消噪,将消噪信号进行经验模态分解EMD(empirical mode decomposition),对得出的各阶固有模态分量进行希尔伯特-黄变换HHT(Hilbert-Huang transform)。数值仿真表明基于WP_SVD降噪的信号特征提取比小波包或SVD单独降噪的信号特征提取方法有效,并成功地将该方法应用到分接开关实际振动信号分析中。     

基于统计特征与EMD算法的有载分接开关振动信号去噪

有载分接开关(OLTC)切换过程中的振动信号与其机械状态密切相关,是监测分析OLTC运行状态的重要依据。为降低噪声干扰对OLTC振动信号分析结果的影响,本文提出了一种基于统计特征与经验模态分解(EMD)算法相结合的OLTC振动信号去噪方法。首先通过高斯性检测验证了OLTC振动信号中所含噪声干扰的随机性,然后根据OLTC振动信号的EMD分解结果,基于Hurst指数选取了高频本征模态函数(IMF)分量并对其进行了多次乱序重排,通过对重排和滤波后的IMF分量进行重构得到了去噪后的OLTC振动信号。依据去噪评价指标对实测OLTC振动信号的分析结果表明,所提出的去噪方法能有效抑制OLTC振动信号中的噪声干扰,且优于现有的基于EMD算法和小波阈值的去噪方法。研究结果可为提高OLTC机械状态振动监测技术的应用提供重要依据。     

基于小波自适应阈值滤波的VMD降噪方法

本文提出了一种基于小波自适应阈值滤波的可变分模式分解（VMD）降噪方法。该方法降噪过程为：先将含噪声信号进行VMD分解,进而将VMD分解分量中含大部分噪声的高频模态分量进行小波自适应阈值滤波降噪,滤波降噪后的分量与其他模态分量重构降噪信号。三个实例表明：所提方法能有效减低信号噪声,适应性广。 关键字：可变分模式分解（VMD）;小波变换; 自适应阈值     

基于时域特征参数与振动信号分析的有载分接开关故障诊断

由于有载分接开关(on-load tap changer, OLTC)需要频繁切换和具有严格的运行条件，OLTC已成为电力变压器中最脆弱的部分之一，OLTC故障的准确诊断对保障电力系统稳定运行意义重大。基于变分模态分解将OLTC振动信号分解为数个模态分量，基于模态分量提取OLTC振动信号的时域特征参数，并利用一系列故障模拟对OLTC振动信号时域特征参数进行统计性分析。通过这些时域特征参数建立OLTC振动信号数据库，从而实现OLTC故障的诊断。     

基于VMD的去噪算法在套管引线检测中的应用

超声检测套管引线的信号数据中存在大量的噪声干扰,使得回波时间提取精度产生较大误差。针对上述问题提出了一种基于变分模态分解(VMD)与小波阈值的去噪新方法。采用VMD对含噪信号进行分解,通过计算相关系数筛选出固有模态函数(IMF)中的高频分量进行小波阈值降噪,保留高频分量中的回波信息,最后与低频IMF进行信号重构。实测数据的去噪结果表明,去噪效果良好,有效地保留了高频分量中的真实信息,提高了超声回波信号的信噪比,从而增加了超声检测套管引线的测量精度。     

基于振动信号EMD-HT时频分析的变压器有载分接开关故障诊断

把一列时间序列数据通过经验模态分解(empirical mode decomposition,EMD)为本征模态函数组(intrinsic mode function,IMF),然后进行希尔伯特变换(hilbert transformation,HT)得到频谱的信号时频分析方法引用到变压器有载分接开关切换机构的振动信号分析领域。笔者介绍了该方法的理论和算法。首先采用仿真信号对该方法进行仿真验证,然后把一实测的有载分接开关故障振动信号进行基于EMD-HT方法的时频分析。通过仿真和实例信号分析结果说明,用EMD-HT时频分析方法对变压器有载分接开关的振动信号进行故障特征提取是有效的。     

利用窄带噪声辅助多元经验模态分解算法检测换流变压器用有载分接开关机械状态

为有效检测换流变压器用有载分接开关的机械状态,提出一种窄带噪声辅助多元经验模态分解的方法对有载分接开关切换过程中采集到的多通道振动信号进行分析。具体应用时,在原始多通道振动信号中增加若干通道窄带噪声信号,并在统一高维超球面坐标系下进行分解计算,从而在有效抑制经验模态分解过程中模态混叠现象的同时,极大提高了多维振动信号分解的准确性并降低了运算复杂性。进而根据区间最大功率特征计算固有模态函数的功率矩阵,对有载分接开关的机械特征进行描述。对有载分接开关样机正常与典型机械故障时振动信号的计算结果表明,其不同工况下的功率特征有较大区别,所定义的矩阵相似度指标可较好地衡量有载分接开关典型故障时的振动差异程度。此外,触头松动时与正常工况的相似度指标低于绝缘板松动故障,说明触头松动故障对有载分接开关切换过程的影响更为明显。     

基于变分模态分解与特征选择的变压器有载分接开关机械故障诊断

为实现变压器有载分接开关故障的有效诊断,提出了一种基于变分模态分解(variational mode decomposition,VM D)与Fisher-Score特征选择的故障诊断方法。首先对信号进行VM D分解,得到一系列窄带、中心频率区分度较好的模态分量。然后求取各模态的能量与奇异值及重构信号的排列熵与奇异谱熵,并通过Fisher-Score法对多个特征进行选择,筛选出鉴别力较好的特征构造特征向量组。最后将特征向量组输入基于模拟退火优化的支持向量机(support vector machine,SVM),实现振动信号的分类识别与故障诊断。在变压器有载分接开关模拟试验平台上进行试验并对采集的信号进行处理,结果表明该故障诊断方法具有较高的识别精度。     

基于变分模态分解和小波分析的变压器局部放电去噪研究*

为有效去除变压器局部放电信号中大量的电磁干扰,针对现有经验模态分解存在模态混叠等问题,提出将一种新的信号分解算法——变分模态分解结合小波运用在变压器局部放电信号中来抑制窄带周期干扰和白噪声。首先利用变分模态分解将含噪信号分解成若干个以某中心频率波动的模态,在分解过程中自动滤去白噪声;然后提取含局部放电信息的模态进行重构;最后通过小波去除残余窄带周期干扰,进而实现干扰抑制。仿真和实测信号分析结果表明,该方法能很好地抑制两类干扰,保留局部放电信号特征,验证了采用变分模态分解结合小波去除噪声的有效性,为局部放电信号去噪提供了一种新的方法。     

Distributed Sea Clutter Denoising Algorithm Based on Variational Mode Decomposition

In order to improve the detection accuracy of chaotic small signal prediction models under the background of sea clutter, a distributed sea clutter denoising algorithm is proposed, on the basis of variational modal decomposition (VMD). The sea clutter signal is decomposed into variational modal functions (VMF) with different center bandwidths by means of VMD. By analyzing the autocorrelation characteristics of the decomposed signal, we perform instantaneous half-period (IHP) and wavelet threshold denoising processing on the high-frequency and low-frequency components respectively, and regain the sea clutter signals. Based on LSSVM sea clutter prediction model, this research compares and analyzes the denoising effects of VMD. Experiment results show that, the RMSE after denoising is reduced by two orders of magnitude, approximating 0.00034, with an apparently better denoising effect, compared with the root mean square error (RMSE) of the prediction before denoising.     

基于小波迹方法的局部放电信号消噪研究

在检测电力系统变压器稳定性时,通常会发现变压器放电信号存在各种各样的干扰,尤其是噪声干扰。文章提出一种基于传统小波迹方法的平稳小波迹阈值消噪方法,有效消除了信号采样中的噪音。通过重新定义小波迹字典的方法,改进了传统小波方法中的不足。对所要处理的放电信号进行循环平移,有效消除小波基的平移依赖性,提高小波变换在奇异点附近的特殊性,从而达到消除随机振荡的目的。通过与传统小波包消噪和传统小波消噪的比较,选取阈值、小波基和分解层数,得到了信号消噪的最佳值,进而构建一个适用于局部放电信号研究的平稳小波迹阈值消噪方法。结合MATLAB仿真实验信号和部分某变电站变压器局部放电实际信号验证,该方法能有效抑制局部放电噪声干扰,提取有效信号,消噪效果优于传统小波和小波包方法,可以达到识别的需求。     

融合VMD优化和小波包分析的陶瓷检测信号降噪方法研究

针对陶瓷敲击检测信号含有噪声的问题,提出一种融合VMD优化与小波包分析（WPD）相结合的联合降噪方法。首先,应用能量的起始点检测准则提取实际信号的有效信息;其次,遗传算法（GA）选取VMD参数并自适应分解含噪信号;然后,计算各模态分量和原始信号的相关系数,将模态分量分为信号主分量和噪声分量;最后对信号主分量进行小波包分析,重构信息获取去噪后的信号。仿真实验证明：在分别加入10dB、20dB噪声时,该方法信噪比最高（23.81dB、24.75dB）,均方误差最小（0.07、0.01）, 与常用的去噪方法相比,去噪效果均有明显提升。陶瓷试件敲击检测信号测试实验表明,该方法能有效去除不同类型陶瓷试件敲击检测声音信号的噪声,具有良好的去噪性能。     

基于优化变分模态分解的海杂波去噪方法

文章分析了确定变分模态分解(VMD)参数存在的问题,提出了一种基于优化变分模态分解的海杂波去噪方法。利用鲸鱼优化算法(WOA)对模态个数K和惩罚参数α进行寻优,对海杂波原信号自适应分解,去除方差贡献率(VCR)较低模态分量,结合模糊熵筛选出噪声占主导的模态分量,将其进行Savitzky Golay(SG)滤波处理。对滤波后的分量和有用分量叠加重构去噪后的信号,通过最小二乘支持向量机(LSSVM)对海杂波信号进行预测并验证去噪效果。仿真结果表明,本文所提算法能够有效抑制噪声干扰,去噪后的均方根误差(RMSE)为0.000 29,比去噪前的均方根误差0.012 3降低了两个数量级。     

基于POA-VMD-WT的MEMS去噪方法

针对MEMS传感器所测得的加速度和角速度输出信号噪声较大问题,提出一种基于鹈鹕优化算法(pelican optimization algorithm, POA)的变分模态分解(variational mode decomposition, VMD)结合小波阈值(wavelet threshold, WT)的去噪方法。首先利用POA对VMD的参数组合进行优化选择,然后应用POA-VMD将含噪信号自适应、非递归地分解为一系列本征模态函数(intrinsic mode function, IMF)。再通过计算每个IMF的余弦相似度对IMFs进行分类,根据计算结果将IMFs分为噪声主导分量与信号主导分量,对分类后的噪声主导分量进行改进小波阈值去噪处理,最后对处理后的噪声分量与信号主导分量进行重构,获得降噪后的MEMS传感器信号。静态和动态实验结果表明,该方法去噪处理后信号的信噪比分别提高12和10 dB,均方误差分别降低75.5%和46.6%,去噪效果显著,能够提高MEMS传感器的精度。     

基于相空间重构与GSA-LVQ的有载调压变压器分接开关机械故障诊断

针对有载调压变压器分接开关机械故障诊断准确率不高以及潜在机械故障不能及时被发现的问题,提出了一种基于互补集合经验模态分解(CEEMD)、相空间重构结合万有引力搜索法(GSA)改进学习矢量量化神经网络(LVQ)的有载分接开关机械故障诊断新方法。采用CEEMD对振动信号进行时频域分解,然后通过C-C算法确定延迟时间和嵌入维数,对反映不同频率特征的固有模态函数(IMF)进行相空间重构,并提取反映混沌特征的两个特征量李雅普诺夫指数和关联维数构成特征向量。利用GSA优化LVQ,解决网络对初始连接权值敏感的问题,增强网络对有载分接开关机械故障分类识别性能。通过对有载分接开关机械状态的实验分析,证明了相空间重构结合GSA-LVQ算法的可行性和有效性。