基于小波变换去噪预处理的EMD谐波检测方法

将经验模式分解(empirical mode decomposition,EMD)作为电网谐波的检测方法。通过EMD法分解,把含谐波的正弦信号分解成为包含各阶次谐波的IMF分量和工频分量,从而检测出电网中的谐波分量。研究发现采样信号中的噪声会对EMD的分解产生较大影响,提出了一种基于小波变换去噪预处理的EMD谐波检测方法。此方法首先用小波变换减少随机白噪声对信号的影响,随后对含少量白噪声的信号进行EMD分解。经MATLAB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EMD谐波检测的精度与适用性。     

水电机组振动信号去噪的小波技术研究

概述了水电机组振动信号处理技术的现状,着重介绍小波技术中小波分析、小波包分析、第二代小波变换等特点及在水电机组振动信号去噪处理中的应用,并分析了水电机组振动信号去噪技术中的问题和前景。     

基于EMD分解在电火花数据分析的应用

经验模态分解(empirical mode dccomposition,EMD)是处理非平稳、非线性信号一种有效的新方法。运用EMD分解法将脉冲典型负荷—电火花信号中本征模态函数(intrinsic mode function,IMF)分量逐级分离出来,得到原信号的多尺度振荡特性;分析各个分量与原序列的显著性检验和相关系数以及各个分量自身的周期性。用IMF分量和趋势项合成原序列并作误差分析,得到信号的总误差率通过理论计算为4.3%。利用bior4.4和db2两种小波基在3层分解系数基础上对电火花数据展开小波包变换。最后借助MATLAB平台对EMD和小波包分解方法进行仿真并做理论对比分析。结果表明,EMD分解法在提取机床运行放电特性及不同工况下信号更具优越性和有效性,提取结果更能满足实际工程应用需求。     

基于EMD的图像信号去噪的改进算法

根据EMD对图像信号进行分解,本文讨论了采用硬阀值去噪声和软阀值去噪的方法的优劣性,并提出了EMD＋SG滤波器组合去噪的方法,对前N／2个IMF采用SG滤波器对每一数据点的一个邻域（长度为n的滑动窗口）进行滤波,用一元P阶多项式根据最小二乘法准则,拟合出邻域内的最佳值作为去噪后的数值,再与后N／2个IMF进行图像重构。实验表明,该算法比其它算法具有较好的去噪效果。     

基于ICEEMDAN与小波包分解的脉搏信号联合去噪

针对脉搏信号非线性、非平稳,且难以去噪的问题,提出了一种基于改进的自适应噪声集合经验模态分解(ICEEMDAN)与小波包分解(WPD)相结合的联合去噪方法,对采集的脉搏信号进行去噪处理。首先对噪声信号进行ICEEMDAN模态分解,产生一系列的固有模态函数(IMF),再将这些IMF分量分别与原信号进行相关系数的计算,比较相关系数的值,然后进行信号的重组,最后对重组后的信号进行小波包分解,提取得到降噪后的脉搏信号。利用仿真数据、实际采集的脉搏信号进行实验分析,将该方法与集合经验模态分解(EEMD)进行了对比,并比较了这两种方法的信噪比(SNR)和均方根误差(RMSE)。实验结果表明：基于ICEEMDAN-WPD的联合去噪方法能更有效地去除噪声,并更好地保留脉搏信号的特征。     

基于EMD连续几何分布的水电机组振动信号降噪

考虑到水电机组在电力系统中更多的承担调峰、调频、备用等任务,开展复杂工况下的机组振动信号降噪算法研究对早期故障辨识和电网稳定运行意义重大。因此,本文提出了一种基于经验模态分解连续几何分布相似性的水电机组振动信号降噪算法。首先,对经验模态分解筛分得到的不同固有模态分量进行重构,并利用非参数核密度估计理论对不同分量重构信号的概率密度函数进行拟合。其次,引入豪斯多夫距离建立概率密度函数几何分布之间的相似性评价指标,并根据豪斯多夫距离的变化趋势实现水电机组振动故障信号分量与噪声分量之间的最优界定。最后通过仿真实验和工程实例对算法的可行性进行了验证。结果表明所提出算法对于低信噪比下的水电机组振动信号有着良好的降噪效果。     

基于MCKD-EMD的风电机组轴承早期故障诊断方法

风电机组轴承处于早期故障阶段时,特征信号往往比较微弱,并且受环境噪声及信号衰减的影响严重,因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用,但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题,考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲,非常适用于轴承早期故障信号的降噪处理,因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪,然后对降噪后的信号进行EMD,选取敏感本征模态函数(IMF)并计算其包络谱,通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。     

一种基于相关系数的EEMD局部放电去噪方法

电力设备绝缘裂化常常伴随着局部放电,如何提高电力变压器局部放电的检测精度对于研究其绝缘状态具有重要意义.集合经验模态分解法(ensemble empirical mode decomposition,EEMD)在局部放电的去噪过程中得到良好的应用,然而对于如何准确的选取EEMD分解过程中的固有模式函数(intrinsi...     

基于新模态-小波包分解的超宽带雷达生命体征信号去噪算法

超宽带雷达具有高分辨率,穿透能力强,低功耗等优势,工作时人体无需接触任何电极或传感器,可以穿透衣服、废墟等非金属介质在较远的距离内检测人体生命体征信息,在非接触式生命体征检测方面具有很重要的应用价值。由于人类心跳信号容易被呼吸谐波和其他噪声干扰,为了准确提取人体生命体征信号,提出一种基于改进的自适应噪声集合经验模态分解（ICEEMDAN）与小波包分解（WPD）结合的生命体征信号去噪方法。先通过超宽带雷达测量待测者的生命体征,获取人体所在空间位置提取出体表微动信号,对体表振动信号进行补偿与欠采样处理;利用ICEEMDAN-WPD的阈值去噪方法对微动信号进行模态分解,选取合适的模态分量去噪并进行重构,获取人体心跳微动信号的时频特征。实验结果表明,该算法相较于传统的去噪算法将相关系数提高到了0.940 5,信噪比提高到了9.093 8 dB,保留更多的生命体征信息的同时拥有更高的信噪比,可有效应用于生命体征检测领域。     

基于经验模态分解的局部放电去噪方法

在简单介绍经验模态分解(EMD)的基础之上，将经验模态分解用于局部放电的信号分析。根据含噪声信号分解后固有模态函数(IMF)的统计特征，提出了一种基于向量阈值的新去噪算法，相比于常规的小波去噪算法，该算法具有形式简单、应用方便灵活、不受傅里叶变换及小波函数选择的限制等特点。实际处理结果及与小波的对比表明，新算法可以有效地抑制白噪声，取得和小波变换几乎一致的效果。     

基于电气阻尼-刚度控制的双馈风电机组轴系扭振抑制策略

针对现有扭振控制中,难以平衡抑振效果和响应速度的关系,以及高、低速轴的阻尼比变化速率不同导致整体阻尼比难以调节的问题,提出了一种双馈风电机组轴系扭振抑制策略。首先推导了机械扭转角与电磁转矩的传递函数,通过引入等效阻尼和刚度分析了高低速轴机电耦合阻尼比的差异。其次对电气刚度抑制轴系扭振的机理进行分析,根据阻尼和刚度的协调作用,提出基于电气阻尼-刚度控制的轴系扭振抑制策略,得到电气阻尼-刚度控制下的轴系阻尼比变化趋势。最后在搭建FAST-MATLAB/Simulink联合仿真双馈风电机组模块的基础上,引入湍流风与电网暂降激励,对所提策略的抑振效果进行仿真验证。结果表明,相较于传统的阻尼控制,所提策略能够充分发挥传动链的机电强耦合作用,在保证响应速度的同时具有更好的抑振能力。     

基于增量式相对熵的风电机组实时状态监测

针对风电机组的实时状态监测问题,提出了一种基于增量式相对熵的残差分析方法。首先,通过分析滑动窗口数据特点,推导了适用于实时运算的增量式相对熵的计算公式,其时间复杂度为O(1),要低于常规计算方法的O(n)。接下来,提出了一种基于数据驱动和正常行为建模的风电机组实时状态监测方法,并将增量式相对熵作为实时残差分析的指标。最后,用某2 MW风电机组的实际齿轮箱故障数据为算例,验证了该方法的有效性。结果表明,相对熵残差分析能够至少提前8～10 d实现故障预警,优于常规的统计量;增量式相对熵的计算时间仅相当于常规方法的0.4%～1.9%,在实时性上有显著优势。     

基于EEMD-RVM风力发电机故障诊断方法研究

针对风力发电机早期故障表征不明显、能采集有效数据量较少、诊断结果精度较低等问题,文中提出一种运用综合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)结合相关向量机的方法对风力发电机多类故障进行早期诊断。首先,利用EEMD结合灰色关联度的方法对风机各类故障的振动信号进行预处理,提取最优故障特征;再通过相关向量机(Relevance Vector Machine,RVM)对提取的故障特征训练,并建立相应的故障诊断模型进行诊断。在实例中将文中所提方法 EEMD-RVM与小波包分解(Wavelet Packet Decomposition,WPD)结合RVM以及EEMD结合最小二乘支持向量机LS-SVM(Least Square Support Vector Machine,LS-SVM)方法的诊断结果作对比,结果表明,EEMD-RVM方法具有可行性,且具有耗时短、精度高等优点。     

基于DCT和EMD的滚动轴承故障诊断

根据轴承故障振动信号特点,提出了一种离散余弦变换和经验模态分解相结合的轴承振动信号故障诊断新方法。将离散时间序列经过离散余弦变换处理成对应的系数向量,在阈值处理的基础上,重构信号提高故障信号的信噪比;对重构信号进行经验模态分解,通过相关系数计算去除伪分量,并进行频谱分析。仿真信号和轴承故障信号的分析表明,该方法提高了信噪比,降低了EMD运算成本,减少了IMF的数量,保证了IMF的物理意义,成功完成微弱故障诊断。     

基于内模原理的海上风电机群干扰抑制研究

海上风力发电系统在运行中,因非线性电力电子设备使用等受到非谐波干扰的影响,对风电机组受非谐波干扰问题进行控制研究。首先,基于Hamilton能量理论,对单机系统进行Hamilton实现;其次,针对单机系统模型,设计内模控制器,使得风电机组在输入扰动的情况下能够稳定运行;然后,考虑受扰风电机群的网络化模型,在内模控制的基础上,设计分布式控制策略,调节系统稳定输出,保证整个风电机群在受非谐波干扰情况下,能够保持稳定运行。最后,通过仿真验证了基于内模的分布式协同控制策略能够有效地抑制干扰,提高风电机群的稳定性及可靠性。     

基于CEEMDAN和HT的谐波检测新方法

经验模态分解(EMD)作为希尔伯特-黄变换(HHT)的重要组成部分,为了克服其在谐波检测中出现的模态混叠、端点效应问题,提出采用自适应噪声完备集合经验模态分解(CEEMDAN)和希尔伯特变换(HT)相结合的谐波检测新方法。文章首先在理论上对比分析了EMD、EEMD以及CEEMDAN算法,研究CEEMDAN算法的特性。再用CEEMDAN算法对原始信号进行分解,得到固有模态函数(IMF)。最后用HT算法对每阶IMF分量进行分析,检测到谐波中包含的瞬时幅频信息。算例仿真结果表明,相对于HHT算法对信号的处理能力,文中提出的方法在谐波检测中有效地克服了EMD算法的弊端,提高了信号分解精度。     

基于出力相关性的风电机组非正常运行状态及故障诊断

为了解决风电机组运行状态及故障诊断中外界环境因素对出力情况的影响,引入风电机组出力相关性信息,对机组运行状态进行判别。实现了在不增加传感器和测点的情况下,提高判别机组非健康状态或故障状态的可靠性。将相关性分析与模糊故障Petri网相结合,以此判别风电机组的运行性能并诊断故障。采用风场实际数据的验算结果表明了该方法的有效性。     

基于GRU和注意力机制的海上风机齿轮箱状态监测

海上风电机组齿轮箱运行状态的有效监测和及时预警对海上风机运维工作具有重要意义。为此,提出一种基于门控循环单元(Gated Recurrent Unit, GRU)和注意力机制的海上风电机组齿轮箱状态监测方法。在训练阶段,通过注意力机制自动提取海上风电SCADA数据集输入参量与目标建模参量间的关联关系,同时采用GRU网络提取数据间的时序依赖关系,进而建立风电机组齿轮箱的正常行为模型。在测试阶段,采用指数加权移动平均值(Exponentially Weighted Moving-Average,EWMA)控制图对目标建模参量实际值和模型预测值间的输出残差进行监控,实现海上风机齿轮箱运行状态的实时监测和预警。最后基于东海大桥海上风电场真实数据对所提方法的有效性和优越性进行了验证。结果表明：所提方法对故障和正常运行条件下的海上风电机组齿轮箱状态均可进行有效监测,且相比现有陆上风机状态监测方法具有更高的精度和可解释性,并能更早地揭示故障趋势。