基于HHT变换的起动电动机特征信号时频分析

针对车辆起动电动机电气和机械故障发生时特征信号的时变不平稳特性,进行了时频域分析处理,提出了利用现代信号处理方法对故障信号提取特征向量的方法,主要对起动电动机的电枢和轴承故障进行诊断。在构建电机故障测试实验平台的基础上,利用破坏性实验构造了故障类型,测取了电枢电流和振动信号,分别采用小波分析理论和HHT变换对信号进行分析,通过分解再重构的方式将信号分解成了频率由高到低的不同分量,并获得了故障的特征频率,提取了特征向量。实验结果表明,基于HHT变换的现代信号处理方法在处理时变非平稳信号方面比小波分析理论更具有自适应性,更易识别。     

LNG船电力系统故障检测的仿真研究

研究电力推进LNG船电力系统故障有效识别的问题.LNG船电力系统中含有大功率推进电机,其随机变化易造成电力系统故障,产生的故障暂态信号蕴含大量噪声,具有随机、非平稳的特点.传统方法不能有效提取这类故障信号特征,故障检测准确度低.为解决上述问题,提出了一种基于聚类经验模型分解(Ensemble Empirical Mode Decomposition,EEMD)的希尔伯特-黄变换(Hilbert-Huang Transform,HHT)故障检测方法.首先,将故障时刻的电网电压信号进行EEMD分解,得到固有模态函数分量;然后,将上述分量的希尔伯特边际谱进行时频分析,提取较为准确的故障特征信息.仿真结果表明,HHT方法能弥补传统信号分析方法的不足,最大限度的抑制噪声和保留故障信号特征,提高故障检测准确率.     

基于小波变换及HHT的轴承故障诊断应用研究

为研究滚动轴承故障问题,将小波变换及HHT(Hilbert-Huang变换)相结合的分析方法,应用于强噪声背景下轴承信号故障的提取.首先将轴承故障信号利用小波变换进行降噪处理,然后应用HHT得到希尔伯特边际谱,从中提取故障特征信息.为准确诊断故障,将方法应用于分析采集的分别具有外圈和内圈损伤的滚动轴承振动信号,并与直接运用HHT分析作比较.结果表明,方法降低了噪声对HHT对振动故障信号分析的干扰,能够更有效的提取轴承故障特征信息,提高轴承故障诊断率.     

基于改进希尔伯特黄变换的电机故障特征提取方法研究

电机的故障特征信号一般为非平稳信号,而基于线性、平稳假定的传统故障特征提取方法不能准确提取非平稳信号的时频变化特征,针对这一问题,本文采用了更适于分析非线性非平稳信号的希尔伯特-黄变换（HHT）,提出了结合集合经验模态分解（EEMD）与灰色关联度的方法进行电机故障特征提取,验证了EEMD抑制模态混叠问题的可行性以及灰色关联度方法识别虚假分量的有效性。并进一步对实际电机故障信号实验分析,利用BP人工神经网络对提取的特征向量进行故障识别,证明了该方法可以有效提高电机故障特征提取的准确性。     

希尔伯特-黄变换在电力谐波分析中的应用

电力系统中的故障暂态信号多为非线性非平稳信号,希尔伯特-黄变换(HHT)被认为是专门针对非线性非平稳信号的分析方法.将HHT引入到电力系统谐波检测中,利用经验模态分解(EMD)获得谐波信号的本征模态函数(IMF),通过选取IMF并对其进行Hilben变换,提取出IMF分量的瞬时频率和瞬时幅度.利用合成的IMF分量的Hilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析.仿真研究表明:基于HHT的故障检测方法能充分提取故障信息,故障定位准确,提高了故障检测的可靠性.     

基于有理双树复小波和SVM的滚动轴承故诊断方法

滚动轴承故障类型被支持向量机(SVM)智能识别的关键是故障特征的提取。为了提取最优的故障特征,提高SVM的分类识别精度,提出了基于有理双树复小波和SVM的滚动轴承故障诊断方法。首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量,然后对每个分量求能量并作归一化处理,最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型。研究结果表明该方法可以有效、准确地识别轴承的故障模式。     

基于特征融合的提升机逆变器故障诊断

矿井提升机逆变器故障诊断的难点在于提取表征故障的特征,目前主要利用信号处理方法得到故障统计特征,或通过神经网络提取故障深度特征。提升机逆变器在实际工作环境中,受背景噪声和负载变化等因素影响,运用单一的特征提取方法难以获得能有效表征故障的特征,导致提升机逆变器故障诊断准确率低。针对上述问题,提出了一种基于统计特征与深度特征融合的提升机逆变器故障诊断方法。首先,利用希尔伯特-黄变换(HHT)对逆变器输出电流信号进行优化集合经验模态分解(MEEMD),提取故障统计特征,同时利用压缩激励密集连接卷积网络(SE-DenseNet)提取输出电流信号的深度特征;然后,利用局部线性判别分析(LFDA)对2种特征的组合进行融合降维处理,得到统计特征和深度特征的低维融合特征;最后,将低维融合特征输入极限学习机,实现逆变器故障分类。针对提升机逆变器中单个IGBT开路故障进行实验,结果表明,该方法得到的低维融合特征比单一特征的故障表征能力更强,有效提高了故障识别准确率。     

基于特高频和CNN-LSTM-Attention算法的高压电缆故障诊断方法

随着高压电缆的加速发展和老化,由局部放电(partial discharge, PD)引起的故障问题亟须解决。为此,提出了一种基于特高频(UHF)局放技术与CNN-LSTM-Attention算法的高压电缆故障在线智能诊断方法。首先,对高压电缆的PD产生机理,以及UHF局放技术的实现过程进行描述。其次,利用巴特沃斯(Butterworth)对PD信号进行高通滤波,采用小波变换对信号进行去噪,IPLR算法对PD信号进行降维处理,进而实现特征量的准确提取。最后,建立由CNN-LSTM-Attention算法构成的智能诊断模型。模型中卷积层(CNN)提取轮廓特征,长短期记忆层(LSTM)提取信号时序特征,注意力层(Attention)学习信号重要时序部分。通过实际数据仿真表明：相比传统神经网络方法,CNN-LSTM-Attention神经网络检测方法能够准确识别高采样率的异常放电信号特征,且故障识别准确率明显提高。     

基于HHT与PNN的输电线路故障分类

针对电力系统输电线路一系列的短路故障,把希尔伯特黄变换(HHT)完成对暂态信号特征量的提取与概率神经网络(PNN)作为诊断故障分类器相结合的方式,作为对输电线路故障分类的方法.利用HHT能够充分反映局部暂态信号的特点,对集合经验模态分解(EEMD)后的故障信号进行小波阈值降噪,运用HHT进行重构,得到三相电流以及零序电流4组特征能量函数值,并作为4组特征量输入到经遗传算法优化过平滑因子的PNN中进行训练,最终得到分类器.经Matlab仿真实验显示,该方法能够有效优化信号波形并提高故障分类精度.     

HHT和神经网络结合的血细胞识别算法

多形态血细胞信号影响细胞分类与计数。提出了一种希尔伯特黄变换（Hilbert-Huang Transform,HHT）和神经网络相结合的血细胞识别算法。利用经验模态分解（Empirical Mode Decomposition,EMD）和Hilbert变换提取血细胞信号能量特征,与时域特征一起构成特征向量;建立神经网络模型进行训练与仿真,以实现对多形态血细胞信号的识别。仿真结果表明,该算法识别准确率高,具有良好的识别效果。     

基于SSTDR技术的战机电缆隐性故障检测仿真分析

飞机尤其是战机电缆故障会造成重大事故和财产损失,实际飞机制造、维护和修理中电缆隐性故障的发现和排除是一项重要而又困难的工作。首先对国内外电缆隐性故障检测技术进行综合分析论述。断路故障和短路故障是航空电缆中最为常见的故障类型,但由于战机线缆多段、多接头的特性使得检测信号会发生衰减和扰动变形,传统的信号时域反射(TDR)方法对电缆的故障定位存在误差。针对航空电缆中断路和短路这两种故障类型提出了扩展频谱时域反射的方法(SSTDR),该方法利用检测信号反射的延迟特性来定位系统中故障点,从而有效避免测试信号衰变对故障定位的影响。最后使用仿真技术对不同损伤状态进行仿真分析,形成理论结果,供相关技术人员学习参考。     

一种基于SoPC技术的煤矿井下电缆故障定位片上系统

提出以脉冲电源作用下的故障相与健全相的电流差为测量信号,运用小波变换对其作多尺度分解,并利用SoPC技术构建的煤矿井下电缆故障定位片上系统。系统具有具有体积小、成本低、灵敏度高、扩展容易、易于操作等优点,在不同程度上解决了目前煤矿井下电缆故障测定方法存在的问题。     

基于大数据的地下电缆精益化管理关键技术研究与应用

随着城市缆化率的不断提升,现有的地下电缆的数据管理缺乏对有效的技术手段,针对地下电缆移动巡检以及实时在建监测尚未形成有效的解决方案。地下电缆受政策滞后和技术条件的限制,其精益化管理一直是电力行业生产管理的薄弱环节,为了解决地下电缆数据采集、数据管理、移动巡检、在线监测等问题,提出地下电缆精益化管理关键技术研究与应用方案,基于大数据管理理念,建立地下电缆全息数据模型；利用RFID电力标签解决一线班组人员电缆移动巡检难题；统一地下电缆在线监测设备规格与数据传输接口,真正实现地下电缆实时在线监测,为地下电缆运维管理部门提供“标准、可用、可视、可查”的地下电缆大数据资源,建立“自动化、智能化、精细化、立体化”的地下电缆精益化管理体系,保障电网安全稳定运行。     

基于小波分析和神经网络的井下电缆故障测距方法

针对现有的井下电缆故障测距方法存在可靠性差、精度低的问题,介绍了一种基于小波分析理论和神经网络的井下电缆故障测距方法,并比较了BP神经网络和RBF神经网络用于该方法的测距性能。该故障测距方法采用3次B样条半正交小波对暂态零序电流信号进行小波变换,得到特定频带内的暂态零序电流模极大值,并将该模极大值作为神经网络的输入信号,根据模极大值与故障点位置的映射关系实现故障定位。仿真结果表明,该故障测距方法能够较好地进行井下电缆故障测距,且RBF神经网络的测距误差及训练速度均优于BP神经网络。     

多型号电缆故障诊断的设计与实现

针对某武器系统故障诊断装置缺少电缆故障诊断功能的问题,通过对其内部电路板的改制实现电缆故障诊断;采用对电缆的某一芯加高电平信号,测量其它各芯是否有高电平信号的方法,来判断电缆是否存在短路或断路故障,并给出了具体的软件实现流程;使用多路输出选择器件,解决I/O口数量不足的问题;使用双向开关,实现与原诊断装置共用面板接口的问题;改进后的诊断装置能够快速、准确地诊断出不超过41芯的多种型号电缆的短路和断路故障,缩减了开发时间和研制费用。     

Cable installation simulation by using a multibody dynamic model

A major concern when installing the cables into the underground conduit is minimizing the tensile forces exerted on the cables as they are pulled. This knowledge makes it possible to avoid over conservative design practices and to achieve substantial saving during construction. A general computing algorithm of predicting the tensile force of the cable pulled through the underground conduit with an arbitrary configuration is presented in this paper, which is based on multibody system dynamic formulation. The presented multibody dynamic model for this problem consists of the cable, the underground conduit, and the interaction between the cable and the conduit. In this paper, the cable is modeled by the finite cable element based on an absolute nodal coordinate formulation. The interaction between the cable and the underground conduit is described by the Hertz contact theory. Numerical examples are presented to illustrate the effectiveness and efficiency of the proposed method for estimating the cable tension.     

Fault diagnosis of rolling element bearing with intrinsic mode function of acoustic emission data using APF-KNN

This paper presents a fault diagnosis technique based on acoustic emission (AE) analysis with the Hilbert–Huang Transform (HHT) and data mining tool. HHT analyzes the AE signal using intrinsic mode functions (IMFs), which are extracted using the process of Empirical Mode Decomposition (EMD). Instead of time domain approach with Hilbert transform, FFT of IMFs from HHT process are utilized to represent the time frequency domain approach for efficient signal response from rolling element bearing. Further, extracted statistical and acoustic features are used to select proper data mining based fault classifier with or without filter. K-nearest neighbor algorithm is observed to be more efficient classifier with default setting parameters in WEKA. APF-KNN approach, which is based on asymmetric proximity function with optimize feature selection shows better classification accuracy is used. Experimental evaluation for time frequency approach is presented for five bearing conditions such as healthy bearing, bearing with outer race, inner race, ball and combined defect. The experimental results show that the proposed method can increase reliability for the faults diagnosis of ball bearing.     

井下电缆在线故障选线及定位方法研究

针对煤矿井下供电系统发生单相接地故障时故障点位置难以确定、现有离线测距方法测距精度低的问题,分析了井下电缆供电系统单相接地故障特征,提出了一种煤矿井下电缆在线故障选线及定位方法。该方法利用供电系统单相接地故障时暂态零序无功功率在选线频带内的极性选出故障线路,利用有些频带的暂态高频信号与故障距离成一定映射关系的特点,将不同条件下发生故障时得到的系统母线零序电压和线路零序电流作为输入样本对小波神经网络进行故障测距训练,从而实现故障定位。Simulink仿真结果验证了该方法的有效性和精确性。