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。     

基于MVMD与CMSE的水电机组摆度信号消噪方法

本文提出了一种基于多元变分模态分解(Multivariate Variational Mode Decomposition, MVMD)与复合多尺度熵(Composite Multi-scale Entropy, CMSE)的水电机组摆度信号消噪方法。该方法利用MVMD算法将多传感器同时采集的多通道摆度信号进行了同步分解,有效地提高了多通道数据融合处理能力,同时得到了若干个固有模态分量;采用复合多尺度熵阈值准则确定重构信号的固有模态分量个数,实现水电机组摆度信号的消噪。通过与VMD及小波分解方法进行仿真信号消噪对比,比较相关系数与信噪比,结果表明本文提出的方法具有更好的消噪效果。最后通过实例分析进一步验证了本文所提出的方法具有更好的信号消噪性能。     

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。     

基于EEMD与多分辨SVD的电能质量信号自适应去噪方法

针对电能质量信号去噪问题,提出一种基于集合经验模态分解(EEMD)与多分辨奇异值分解(MRSVD)的自适应去噪新方法。首先对原始含噪信号进行EEMD分解,并对所得固有模态函数按设定阈值进行筛分;然后对符合处理条件的模态函数进行合适层数的二分递推SVD分解,得到相应的近似分量;最后利用处理后分量进行信号重构,完成去噪。通过利用电压暂降信号进行仿真,证明该方法去噪效果较好,且具有自适应性,能有效保留原始信号的特征信息,为电能质量信号去噪提供了新思路。     

基于FFT-EEMD的XLPE电力电缆局放信号去噪方法

针对集合经验模态分解(EEMD)去噪算法在去除周期性窄带噪声时存在严重的模态混叠问题,提出一种快速傅里叶变换(FFT)结合EEMD的信号综合去噪方法。通过分析噪声成分,利用窄带噪声在频域上能量集中的特点,采用FFT对窄带干扰噪声先行去除,同时也解决了EEMD去噪时模态混叠的问题;然后进行EEMD去噪,通过“3σ法则”对第一层IMF分量去噪,其余IMF分量使用自适应阈值处理。最后经过对仿真信号和实测信号去噪,并与小波变换去噪算法和单一EEMD去噪算法对比,证实了该算法的有效性和优越性。     

基于快速EEMD的自适应滤波算法在输电线路激光测距中的应用

为提高输电线路激光测距的精度,提出一种基于快速集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的自适应滤波算法。首先,应用EEMD对含噪的激光测距信号进行分解,得到了激光测距信号的本征模态函数(Intrinsic Mode Function,IMF)分量。同时,对EEMD进行改进,加设阈值筛选IMF分量,提高算法的运行速度。再次,采用基于最小均方算法(Least Mean Square,LMS)的自适应滤波器对分解得到的IMF分量进行去噪。然后,将所得到的IMF分量重构,得到了去噪后的激光测距信号。最后,经模拟试验,结果证明应用该方法得到信号的去噪效果好,确实能提高输电线路激光测距的精度。     

基于EEMD和SOM神经网络的水电机组故障诊断

针对水电机组振动信号的非平稳性和特殊性,提出一种基于集合经验模态分解(EEMD)的奇异谱熵和自组织特征映射网络(SOM)相结合的故障诊断方法。首先采用EEMD对振动信号进行分解,得到本征模态函数(IMF);随后进行奇异谱分解,得到反映振动信号的动态特征向量——奇异谱熵;最后将得到的特征向量输入经过训练的SOM神经网络中进行故障自动识别。结果表明:该方法可以准确地提取机组故障特征,具有更高的识别精度和更快的计算速度。     

改进的EEMD去噪方法及其在谐波检测中的应用研究

针对低信噪比条件下集合经验模态分解(EEMD)在分解过程中产生的模态混叠问题,本文提出改进的EEMD阈值去噪方法。首先利用白噪声经EEMD分解后其固有模态函数(IMF)分量中能量密度与平均周期乘积为常量的特性确定有用信号与含噪信号的分界点,对含噪信号进行"粗筛";进而对粗筛出的含噪模态进行"细筛",在此过程中采用"3σ法则"对第一层噪声信号进行细节处理,从而更好地保留有用信号的细节特征,继而通过能量估算方式对其他各个含噪模态进行阈值处理;最后进行信号重构。选取信噪比与均方误差作为去噪效果评价标准,经与实验对比分析,结果表明本文方法达到了最佳的去噪效果,尤其在低信噪比时优势更加明显。基于以上去噪方法,本文又进一步提出了基于二次EEMD分解的谐波检测方法,结果表明该方法可实现在低信噪比下的谐波检测,进一步证明了所提去噪方法的有效性。     

融合EEMD-CNN的水电机组磨碰故障声纹识别模型

水电机组声纹信号包含大量反映内部机械状态的有效信息,为了准确提取水电机组磨碰故障声纹特征,提出一种基于聚合经验模态分解（EEMD）与卷积神经网络（CNN）相结合的水电机组磨碰声纹识别模型。首先将水电机组噪声信号进行EEMD分解,得到若干本征模态分量（IMF）和残余分量（Res）,然后将得到的IMF和Res与原噪声信号构建融合特征向量;以融合特征向量为输入,碰磨故障输出,正常和碰磨故障试验数据为样本,训练CNN深度学习神经网络,得到水电机组磨碰故障识别器,识别水电机组磨碰故障。结合水机电耦合平台和实际机组试验磨碰数据,验证了所提方法对水电机组碰磨故障识别效果,平均准确率达到99.8%,且该方法识别效果显著优于其他几种识别模型。     

基于EEMD和Prony方法的次同步振荡分析

Prony是电力系统振荡分析中常用的一种方法,但其对噪声数据异常敏感,针对这一问题,提出基于集合经验模态分解(EEMD)与Prony的联合分析方法用于分析电力系统次同步振荡问题.利用EEMD对含噪声信号进行分解,去除其中的高频噪声分量,同时有效解决经验模态分解(EMD)去噪时的模态混频问题,得到平稳信号后利用Prony...     

基于EEMD峰度阈值变压器振动信号降噪方法

针对信号中的噪声影响基于振动信号的变压器早期故障诊断结果,提出一种基于集合经验模式分解自相关系数峰度阈值的降噪方法。该方法将含噪信号分解为多个固有模式分量,其中包括噪声分量和有用信号分量,然后根据两者自相关函数特性的不同,利用峰度值剔除噪声,拾取有用信息。仿真信号和变压器振动信号的降噪结果表明,该方法的降噪性能优于其他方法。     

变压器振动信号模态特征提取及分析

针对变压器故障情况下振动信号具有非平稳、非线性的特点,提出了利用集合经验模态分解(ensemble empirical mode decomposition method,EEMD)变压器振动信号进而选择有效本征模式函数(intrinsic mode function,IMF)的方法。该方法通过计算变压器原振动信号与分解后的本征模式函数的归一化相关系数来选取有效分量。再利用筛选出的本征模式函数构造特征矢量,将其作为变压器绕组状态识别的依据。实验结果证明了该方法可准确诊断变压器绕组的故障。     

基于EEMD排列组合熵的SVM转子振动故障诊断研究

对汽轮机转子故障状态进行准确判别一直是工程领域研究的重点。在使用支持向量机作为模式识别方法进行故障诊断的过程中,提取能明显区别不同故障的信号特征参数,构建高质量的样本可以较大提高支持向量机（support vector machine,SVM）模型的分类正确率。针对此问题,提出一种总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)、排列组合熵和SVM相结合的汽轮机转子振动多故障诊断方法。方法首先引入有向无环图建立了多故障诊断模型,利用EEMD将振动信号分解成单一无混叠的内禀模态函数（intrinsic mode function,IMF）分量,然后计算对振动信号变化非常敏感的IMF排列组合熵作为特征向量,并应用到有向无环图SVM进行多故障状态识别。实验结果表明,该方法实现了汽轮机转子的振动多故障诊断,同时与基于EEMD能量法提取的特征向量进行对比,通过实验证明,该方法具有更加准确的识别率。     

（20期已排）基于聚类经验模态分解和差分熵的输电线路故障测距研究

为提高输电线路的故障测距精度,本文提出了一种基于聚类经验模态分解(EEMD)和差分熵(DE)的输电线路故障行波测距方法。首先利用改进的差分熵信号处理方法对输电线路电流进行熵值计算,通过与正常电流熵值的对比,判断电流是否发生突变。然后采用EEMD分解对发生突变的故障电流进行处理,有效去除故障信号中的噪声,避免模态混叠,获取准确反映故障信息的IMF分量。随后对分量实行差分熵方法中的差分分析,将电流的变化幅度进行有效量化,并建立每个信号点的变化程度与时间的对应关系,从而解决波头位置难以确定的问题,获得故障初始行波到达每个监测点的准确时间。最后利用行波双端法,实现输电线路的故障测距。仿真结果表明,该方法能够较好地解决故障测距时存在的信号噪声和波头测量时间不准确的问题,有效提高故障测距的精度。     

基于经验模态分解的电能质量信号消噪新方法

基于EMD理论,采用一种电能质量信号消噪的新方法,即首先对电能质量信号进行EMD分解,得到一系列的IMF分量和一个剩余分量,根据噪声和信号在不同尺度的IMF分量上的表现特性,分别将其进行阈值处理,再将消噪后的IMF分量重构,从而得到消噪后的电能质量信号.仿真结果表明,该方法的消噪效果较好.     

水电站厂房多源振动信号盲分离研究

引起水电站厂房结构、机组振动的振源繁多,如何有效地识别出各类振源对水电站厂房动力安全评估至关重要。将滤波去噪、源数估计和联合近似对角化方法（JADE）相结合,实现了水电站厂房多源振动信号的盲分离。首先运用滤波方法对信号去噪;然后求解多维观测信号的相关矩阵,利用优势特征值及BIC信息准则估计源信号数目;最后对信号进行预白化处理,并采用JADE方法实现振动信号的分离。模拟仿真信号验证了该组合方法的有效性。采用该方法对一大型地下水电站厂房振动信号进行了分析,准确分离出了尾水涡带、机组转动、涡壳不均匀流场等振源。研究为探究水电站厂房振源特性提供了一种方法。     

EEMD方法在转子碰摩故障诊断中的研究

转子系统发生局部碰摩故障时,故障特征呈现出复杂的高倍频或分数倍频成分。为了实现多频率碰摩故障特征的有效提取,将集合经验模态分解方法(ensemble empirical mode decomposition,EEMD)应用到转子局部碰摩故障诊断中。首先利用仿真碰摩信号,验证了EEMD时频分析方法在碰摩故障诊断的有效性,其次通过对转子系统水平方向碰摩、竖直方向碰摩、水平-竖直同时碰摩和正常4种不同振动状态的EEMD分解,计算基本模态分量(IMF)的振动强度,得出不同状态的振动强度趋势分布图。实验结果表明,EEMD方法能够从强噪声背景信号中提取出微弱碰摩特征,实现转子系统的碰摩故障诊断。     

基于CMF-EEMD的风电齿轮箱多故障特征提取

针对EMD(empirical mode decomposition)模态混叠现象和由于所添加白噪声幅值单一而影响EEMD(ensemble empirical mode decomposition)分解精度等问题,提出了一种新的信号处理方法CMF-EEMD。CMF(combined mode function)将EMD分解得到敏感的IMFs按高低频进行组合,形成两个包含高低频的本征模态函数Ch和CL,然后通过添加不同的白噪声幅值对Ch和CL分别进行EEMD分解,最后对敏感的IMFs进行循环自相关函数解调分析。将提出方法应用于仿真信号和风力齿轮箱试验台的振动信号,成功提取了多故障特征频率,验证了此方法的有效性。并通过与添加单一白噪声幅值进行对比分析,凸显此方法具有更高的分解精度。     

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%。