基于数据降噪的冷轧板形调控功效系数获取

 针对轧制过程实际数据噪声大、难以获取准确板形调控功效系数的问题,提出了一种融合集成经验模态分解(EEMD)和小波变换(WT)的数据降噪方法。将含有噪声的实际生产数据经过EEMD分解后,利用小波变换方法对噪声主导的本征模态分量(IMF)进行降噪处理,处理后的噪声分量与其余分量重构得到降噪后数据,并结合结构方程模型(SEM)计算得到板形功效系数。利用1 450 mm五机架冷连轧生产线实际数据进行试验,结果表明,EEMD-WT-SEM方法可以有效降低数据噪声,有效提升板形调控功效系数的准确性。     

超声信号的改进EMD阈值方法降噪研究

在进行工业超声无损检测的过程中,由于环境、仪器等原因产生噪声,对后续缺陷分析等工作形成一定干扰,不利于完成后期数据分析。因此为了使信号的信噪比有所提高,提出了一种改进的经验模态分解阈值降噪算法。同时对比小波软阈值降噪法与经验模态分解清除重复间隔阈值的方法,在MATLAB仿真软件中建立超声回波数学模型并进行算法验证。实验结果表明,经验模态分解降噪方法优于小波阈值降噪,改进后的经验模态分解阈值降噪方法在信噪比、均方误差、光滑度3个方面均有所提高,达到了较好的降噪效果。     

基于分形维数的PMSM局部退磁故障诊断

为了实现永磁同步电机(PMSM)永磁体局部退磁故障诊断,首先建立计及永磁体局部退磁故障的PMSM数学模型,实现永磁体局部退磁故障电气特性的定性与定量描述。在此基础上,提出了集成自适应基波提取和经验模态分解(EMD)于一体,基于分形维数的永磁体局部退磁故障诊断方法。最后,通过PMSM驱动系统稳态和动态运行工况对所提出的永磁体局部退磁故障诊断方法进行仿真测试和实验验证,综合系统仿真和实验验证结果证实了该方法的可行性和有效性。     

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。     

配电网安全域的实证分析

完成了具有一定规模的实际配电网安全域(DSSR)实证研究,并应用于该电网的夏季大负荷分析。首先,简要介绍了现有的DSSR概念和理论,并针对调度部门需求对安全评价方法与安全控制方法进行了实用化改进。其次,在天津市核心城区选择了一个4.82km2的完全配电自动化覆盖的配电网,根据电网数据计算出该电网的安全边界方程,再进一步验证了该安全边界在电网运行中是实际存在的。最后,基于DSSR对夏季大负荷数据进行了安全分析,并将分析结果与已有安全分析报告对比。对比表明,计算得到的安全边界准确地反映了该电网的N-1安全运行范围,对于夏季大负荷的分析结果也与实际情况相符。     

EEMD在激光测云仪后向散射信号处理中的应用

激光测云仪后向散射信号是典型的非线性、非稳态信号,容易受噪声污染。针对该问题采用集成经验模态分解(EEMD)去噪算法进行处理,首先对含噪信号进行经验模态分解(EMD),将分解后的IMF分量进行自相关性分析,找出含噪占有量较大的IMF分量,对其进行SG(savitzky-golay)滤波,最后将滤波后的IMF分量和剩余分量进行信号的重构。经仿真实验结果表明,与传统的EMD方法相比,EEMD方法处理含噪信号后的输出信噪比提高了1.695 dB,均方误差平均降低了30%以上,说明该方法可以适用于非线性、非稳态的后向散射回波信号去噪处理,能为激光测云仪下一级的云底高度反演提供高信噪比的初始数据。     

改进的激光雷达回波信号去噪方法

激光雷达回波信号的强度随距离的平方衰减,当探测距离较大时,信号将淹没在较强的噪声之中。因此,如何有效地从强背景噪声中提取出有用信号至关重要。利用经验模态分解将激光雷达回波信号进行分解,根据本征模态函数与回波信号之间的相关性,结合软阈值与粗糙惩罚技术,有效地提高了激光雷达回波信号去噪的效果。实验结果表明,当加入5 dB高斯白噪声时,该方法的输出信噪比为16.67 dB,均方根误差为1.49×10~(-11)。相比于其他去噪方法,该方法具有较高的信噪比及较低的均方根误差,从而证明了此方法的有效性。     

基于Hilbert边际谱和IPSO-SVDD的滚动轴承故障诊断

滚动轴承是旋转机械状态监控及故障诊断的重要研究内容。为了更加高效的对轴承故障位置及故障程度进行诊断,提出了一种基于Hilbert边际谱和改进粒子群算法(IPSO)优化支持向量数据描述(SVDD)相结合的滚动轴承故障诊断方法。该方法首先求取轴承振动信号的本征模态函数,在此基础上得到信号的边际谱以及信号的AR模型参数,积分求取边际谱的能量特征函数和AR模型参数相结合构成系统特征向量。然后针对传统网格搜索法或凭经验确定SVDD核心参数的缺点,提出利用基于动态因子的粒子群算法对SVDD的核心参数惩罚常数C及核函数宽度σ进行优化,利用优化后的SVDD模型对滚动轴承各状态信号进行智能诊断。人工数据集及真实数据集实验结果表明,该方法可以有效识别各故障状态信号,并且优化后模型的诊断效率及诊断精度高于传统网格搜索法确定的模型。     

Levy噪声中EMD降噪的随机共振研究

经验模态分解(empirical mode decomposition,EMD)降低噪声的同时也削弱信号能量,并会产生虚假信号,导致信号检测存在缺陷,针对这一问题,提出Levy噪声环境下经验模态分解随机共振检测方法。通过将含噪信号进行EMD分解,对分解后信号进行叠加取平均二次采样等处理方法,使其满足随机共振要求,利用自适应算法优化系统参数,进而使处理后信号能够在双稳系统中产生随机共振,达到精确检测的目的。理论分析及实验证明在Levy噪声下,此方法能实现同一特征指数下单频信号与多频信号检测,实验表明在单频信号信噪比为-28 dB情况下能有14 dB的提高,特征指数为1.8下多频信号5 Hz频谱幅值从311.8增加到724,10 Hz频谱幅值由138.9增加到143.2。此方法对在复杂噪声环境中降低剩余噪声能量同时,提高信号能量,减少虚假信号,相对于仅仅进行EMD分解无法判断信号成分,能更好的达到检测效果。     

考虑风电非线性相关性的配电网概率潮流研究

风电之间具有非线性相关的特性,研究其对配电网概率潮流的影响,对提高系统的安全性、可靠性和经济性具有重要意义。提出一种考虑风电之间非线性相关性的配电网概率潮流计算方法,该方法基于经验Copula函数生成风电功率样本,与常规的基于高斯分布、t-分布等概率分布函数的方法相比,基于经验分布函数可以较好地反映风电功率的随机特性。建立含风电的配电网潮流模型,介绍PQ节点、PV节点以及PQ(U)节点的处理方法,并采用前推回代法进行解算。最后,将所提方法应用于纯辐射型配网和弱环型配网概率潮流计算中,对比分析不考虑风电相关性、考虑线性相关性以及考虑非线性相关性的结果。对比结果表明,考虑非线性相关性的结果与实际情况更为接近,可为电力系统运行调度提供更为准确的参考信息。