无交流电流传感器PWM整流器电流重构

由于省去了三相交流电流传感器,所以PWM整流器的无交流电流传感器控制必须采用一定算法对交流电流进行重构。一般是基于空间矢量脉宽调制(SVPWM)算法,该方案存在的问题是在扇区切换处附近重构电流会发生波形畸变。针对该问题提出一种基于坐标变换和一阶低通滤波的重构处理策略,将重构电流进行坐标变换和低通滤波,解决了无交流电流传感器控制重构电流的波形畸变问题,简化了控制系统。仿真和实验结果验证了电流重构处理策略的正确性。     

基于频谱估计的频域稀疏压缩采样信号重构

压缩采样理论突破了采样定理对稀疏信号采样频率的限制,在保证信号重构精度的条件下能够显著降低采样频率,能够在采样过程中对数据进行压缩。在频域稀疏信号的压缩采样中,由于所处理数据长度的有限性,存在频谱泄漏现象,即稀疏表示基失配,从而导致信号重构性能降低。为克服这种表示基失配引起的重构误差,提出一种基于频谱估计的频域稀疏压缩采样信号重构算法。该算法采用root-MUSIC算法对被测信号的表示基进行自适应地构造:用root-MUSIC算法对频率进行估计,用自适应的基向量构造稀疏表示基矩阵。通过实验对该重构算法的可行性进行验证。与传统信号重构算法相比,该重构算法具有更高的信号重构精度。     

机械故障诊断的稀疏特征提取方法

针对旋转机械的周期性稀疏故障特征提取问题,提出了一种周期重叠簇稀疏信号优化特征提取算法．该算法根据机械故障诊断周期性特征提取问题构造了有效的稀疏优化目标函数,该目标函数中的正则项(惩罚函数)选用非凸惩罚函数来增强周期性特征的稀疏性,并且证明了非凸可控化参数在一定约束条件下可以保证目标函数整体为凸．基于优控极小化方法求解所构造的优化问题,推导出高效的快速迭代收敛数值算法,该求解算法最终收敛于优化问题的全局最优解．将所研究的周期重叠簇稀疏信号优化特征提取算法应用于仿真信号,定量分析了其相对于对比算法的优越性．最后,将所研究的周期重叠簇稀疏信号优化特征提取算法应用于轴承故障特征提取中,结果表明,该算法其可以有效地提取稀疏微弱故障特征．     

基于Fisher-SVM特征选择的负荷辨识研究

针对当前非侵入式负荷辨识中不同设备特征选择上主观性、盲目性的问题,提出基于Fisher-SVM特征选择的非侵入式负荷辨识算法。首先,基于高频采样终端提取入户侧电流、电压原始数据,使用傅里叶变换对原始信号分解得有功、无功及谐波时间序列;其次,将负荷波形分为4个阶段并计算得到负荷波形暂稳态特征;然后,通过Fisher-SVM算法在不同分类器中对特征进行选择,得到最优分类特征子集,并利用Sigmoid函数对结果进行概率校准;最后,根据贝叶斯理论对各分类器进行融合从而实现对不同负荷的辨识。以3类台区831户实际用户进行算法测试。结果表明,该算法能够有效利用不同电器负荷印记的独特性,克服特征选择上的盲目性,提高负荷辨识能力。     

基于聚类-压缩感知理论的电力现货市场用户电量数据修复方法

电能计量是电力市场改革的技术基础,随着我国电力现货市场的逐步展开,市场交易对用户侧的计量条件提出了更高要求.为解决现货市场环境下用户分时电量数据缺失的问题,引入压缩感知理论,通过研究其矩阵稀疏变换方法以及重构算法对电量时间序列进行压缩重构,提出了一种基于k-means聚类分析的压缩感知电量数据修复方法.应用该方法对某冶...     

基于压缩感知的语音信号编码算法

针对语音信号在离散余弦变换基上的稀疏性,提出了一种基于压缩感知的语音压缩编码算法。算法在编码端采用随机高斯矩阵直接对语音波形进行观测,并采样均匀量化技术对随机观测进行量化。解码端利用未饱和的观测值通过Lasso算法实现语音信号的重构。仿真结果表明,该算法具有良好的重构性能。     

基于包络和极值约束的超声混叠信号稀疏分解

稀疏分解由于其在解决信号混叠问题中的出色效果,近年来常被用于多层焊接缺陷的检测中。此类方法的第1个关键步骤是对一维超声数据进行分割,以对主要信号特征进行识别和处理。基于正交匹配追踪算法,对超声检测信号使用Hilbert包络检波绘制信号上包络,同时引入极值约束条件过滤噪声,利用工件参数进一步实现对目标界面波信号段的自适应截取。该方法降低了人工预处理成本,提升有效目标信号截取准确性,从而有助于后续的稀疏分解。经过对实测信号的实验分析,证明了该方法能够准确定位目标信号,消除干扰波形影响,同时提升了超声信号稀疏分解的效果。     

载频不同分布方式下RSF波形稀疏重构性能分析

鉴于当前基于压缩感知理论的稀疏重构方法大多针对的是载频服从离散均匀分布的随机步进频率信号,而对于载频服从其他分布的随机步进频率波形稀疏重构性能研究较少的实际,对载频不同分布方式下的随机步进频率波形稀疏重构性能进行了分析比较.首先,构建了随机步进频率波形统一的稀疏重构模型;然后,基于感知矩阵互相关系数的统计特性对不同载频分布下的重构性能进行了分析,得出载频分布方式决定了波形重构性能的结论.最后,为验证上述结论,提出了一种基于遗传算法的随机步进频率波形载频优化设计方法,提升了随机步进频率波形的稀疏重构性能.仿真结果对上述分析以及波形优化方法进行了验证.     

数据驱动的GMC稀疏增强诊断方法

在机械故障诊断中,针对传统方法提取微弱故障特征时易受强背景噪声干扰而精度低的问题,提出了一种基于数据驱动的广义最小最大凹惩罚函数增强的稀疏特征提取方法。该方法利用非凸的最小最大凹惩罚函数建立无约束优化问题目标函数来提高故障特征的提取精度。该惩罚函数非凸可加强特征的稀疏性,并且证明了保持目标函数整体呈现严格凸性所需要满足的约束条件。将近端算法用于所构造的无约束优化问题的求解。此外,研究了数据驱动的正则化参数设置准则,保证所提出的稀疏特征提取方法具有参数自适应性。在仿真信号和实际故障实验中验证了所提出的自适应稀疏增强的特征提取方法,结果表明所提出的方法可以精准地提取出故障特征且效果更稀疏。     

基于迭代加权l1正则化的分布式联合稀疏优化

多测量向量模型中的联合稀疏信号重构是压缩感知理论中的重要研究内容。针对分布式网络中的联合稀疏优化问题,给出了一种基于迭代加权l1正则化的分布式联合稀疏优化算法。该算法采用迭代加权l1正则化算法提高稀疏信号的重构质量,然后将与联合支撑相关的加权向量作为一致性约束,采用交替方向乘子法求解一致优化问题来更新加权向量。该分布式联合稀疏优化算法通过每个节点的稀疏优化以及单跳邻居节点间的信息交换达到集中式优化的性能,避免了数据集中带来的网络通信负担。仿真结果表明,给出的分布式联合稀疏优化算法具有良好的重构性能和较快的收敛速度。     

最小L1范数实现周期非均匀采样与重构研究

根据周期非均匀采样需要多个采样通道的特点,利用联合子空间理论将采样与重构转换为矩阵向量运算。结合最小L1范数算法,提出了一种针对稀疏信号的周期非均匀采样与重构方法,分析了最小L1范数算法在周期非均匀采样系统中的完整重构条件。最后,以多带正弦信号为例,分别从可完整重构概率和系统整体验证两个方面证明了该方法能够实现稀疏信号的采样与重构。     

基于迭代加权正则化的分布式联合稀疏优化 

多测量向量模型中的联合稀疏信号重构是压缩感知理论中的重要研究内容。针对分布式网络中的联合稀疏优化问题,给出了一种基于迭代加权l1正则化的分布式联合稀疏优化算法。该算法采用迭代加权l1正则化算法提高稀疏信号的重构质量,然后将与联合支撑相关的加权向量作为一致性约束,采用交替方向乘子法求解一致优化问题来更新加权向量。该分布式联合稀疏优化算法通过每个节点的稀疏优化以及单跳邻居节点间的信息交换达到集中式优化的性能,避免了数据集中带来的网络通信负担。仿真结果表明,给出的分布式联合稀疏优化算法具有良好的重构性能和较快的收敛速度。     

采用压缩感知的阵列失效单元诊断方法

针对现有阵列单元故障诊断方法随阵元数目增多而存在的采样数量大、诊断时间长、计算复杂度高等缺陷,提出了一种采用压缩感知理论的故障诊断方法．该方法基于故障单元数目固有的稀疏性,利用完好阵列和实际阵列激励的差值构造稀疏信号．根据目标方位信息设计测量矩阵的网格划分准则,并通过测量矩阵以随机欠采样方式获取少量测量数据．结合平行坐标下降算法对该稀疏信号进行精确重构,从而实现故障单元的准确诊断．理论分析和仿真实验表明,文中提出的方法不仅明显减少了采样数量,有效缩短了诊断时间,大幅降低了计算复杂度,而且进一步提高了故障信息的重构精度．     

基于排列熵算法的电力系统故障信号分析

电网故障的快速准确诊断对加快事故处理和系统恢复进程、保证电力系统的安全运行具有至关重要的作用。分析了目前应用于电力系统故障诊断的数据来源,提出采用广域量测的电气量信息进行电力系统的快速诊断方法。首先将广域量测系统采集的数据进行小波变换,通过相关系数法滤噪处理,以此来重构信号,采用排列熵算法对重构的信号进行排列熵分析。由于排列熵反映了一维时间序列的复杂度,对信号变化具有较高的敏感性,可以应用于电力系统故障信号分析方面。相比传统的小波分析方法,该方法不存在选取小波基问题,且算法简单,编程易实现,能够满足在线故障诊断条件。通过对IEEE10机39节点标准测试系统的故障仿真分析,结果表明了该方法的有效性和实用性。     

一种叶片裂纹检测的稀疏共振解调算法

针对强相干噪声干扰下叶片振动信号中裂纹故障微弱特征的提取问题,提出了一种基于稀疏共振解调的诊断方法。首先,利用从中心集化多分辨分析处理机组上取得的原始振动信号进行子空间重构;其次, 对小波子空间信号进行希尔伯特包络解调,选取故障特征频率及其倍频成分能量占优的子空间;再次, 根据周期性故障稀疏模型,采用梳形滤波器分离故障特征频率及其倍频成分,构造故障分量参考信号;最后,结合故障参考信号对子空间重构信号进行小波降噪, 从而提取与叶片裂纹相关的微弱特征。在出现叶片裂纹故障的发电机组增压风机故障诊断案例分析中,仅采用多尺度分解无法在时域上得到周期性冲击故障特征。而采用所提出的基于稀疏共振解调方法进行信号处理后,强相干噪声得到了有效抑制, 从而突出了故障特征。     

步进频率波形参数设置对稀疏重构性能的影响分析

鉴于基于压缩感知理论的步进频率波形稀疏重构性能与信号的参数设置有关,首先构建了步进频率波形稀疏重构模型;然后利用感知矩阵性能作为稀疏重构性能衡量指标,推导出影响感知矩阵互相关性能的信号参数;最后得出在相同合成带宽条件下子脉冲步进方式对重构性能没有影响,增加发射子脉冲个数可以得到更好稀疏重构结果的结论.仿真结果验证了所得到的结论.     

基于压缩感知的双连续超松弛迭代算法研究

压缩感知理论是在已知信号具有可压缩性或通过变换具有稀疏性的条件下,对其信号进行采集,稀疏和重构的新理论.其中稀疏信号重构算法是其中关键的一部分,对信号恢复的精确性及时效性验证有着重要的意义.该文在总结目前已有的重构算法的基础上,提出了一种新的基于压缩感知的双连续超松弛迭代重构算法.该算法通过参数估计自适应的寻找合适的稀...     

一种非负稀疏近邻表示的多标签学习算法

针对训练数据中的非线性流形结构以及基于稀疏表示的多标签分类中判别信息丢失严重的问题,该文提出一种非负稀疏近邻表示的多标签学习算法。首先找到待测试样本每个标签类上的k-近邻,然后基于LASSO稀疏最小化方法,对待测试样本进行非负稀疏线性重构,得到稀疏的非负重构系数。再根据重构误差计算待测试样本对每个类别的隶属度,最后实现多标签数据分类。实验结果表明所提出的方法比经典的多标签k近邻分类(ML-KNN)和稀疏表示的多标记学习算法(ML-SRC)方法性能更优。     

非重构压缩样值跳频信号时频联合估计算法

针对宽带跳频信号的参数进行精确快速的估计,提出一种非重构压缩样值跳频信号时频联合估计算法。首先在非重构原始信号的前提下,通过研究信号的压缩数字特征,发现信号频率发生改变的位置,然后对该位置所在的数据段进行重构得到其频域系数,即可达到估计跳频频率、跳频周期以及跳频跳变时刻的目的。仿真结果表明,当信噪比为10d B,压缩比为1/4时,该算法估计出跳频信号的跳变时刻与Wigner算法达到相同误差条件下,所需处理的采样点个数为Wigner算法的1/4;比完全重构信号后估计算法误差小,所需重构的采样点个数为完全重构的1/4。该算法相对于传统的时频特征算法和基于压缩感知的完全重构估计算法,运算复杂度低,实时性较好。     

永磁同步电机驱动系统电流传感器容错控制

为实现永磁同步电机矢量控制系统中电流传感器的故障诊断及其容错控制,确保系统的安全性,基于矢量旋转的概念提出一种新颖的故障诊断及容错控制方法. 建立3个不同轴定向的坐标系,将坐标系下α轴定子电流分量的指令值和测量值比较,判断3个电流传感器的故障信息;基于Lyapunov稳定性定理设计自适应反推观测器进行电流估计;根据3个坐标系设计逻辑判断机制,故障发生时以恰当的估计电流取代测量电流进行反馈以重构系统,保证电机在故障发生时稳定运行. 仿真和实验结果证明：该策略能够有效实现永磁同步电机驱动系统中三相电流传感器的故障诊断、准确判断故障相,在重构电流过程中,αβ坐标系电流分量的选取正确而稳定,测量电流与估计电流的不同组合能够保持较高性能,维持系统的稳定性,具有较高的可行性和可靠性.