基于EEMD和近似熵的水电机组摆度去噪方法

提出基于EEMD和近似熵的水电机组摆度信号去噪方法,将信号进行EEMD分解,得到若干个经验模态分量(intrinsic mode function,IMF),求各分量的近似熵,根据预设的近似熵阈值重构经验模态分量,实现水电机组摆度信号的去噪。分别用小波变换(Wavelet)和EEMD处理含噪水电机组摆度信号,比较它们的均方根误差、相关系数和信噪比。结果表明:基于EEMD和近似熵的去噪过程具有自适应性、有很好的去噪性能,非常适合水电机组摆度信号的在线去噪。     

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。     

基于VMD与优化SVM的变压器绕组松动缺陷振动信号诊断方法

随着电力系统中变压器容量的不断增加，变压器绕组松动缺陷引起的影响也愈发严重，故需进行故障诊断。针对利用振动信号进行变压器绕组松动缺陷诊断问题，提出基于变分模态分解（VMD）排列熵（PE）的变压器振动信号特征提取方法与天牛须搜索（BAS）优化支持向量机（SVM）的变压器绕组松动缺陷诊断方法。首先对一台实际110 kV变压器设置不同松动状态，采集绕组正常与不同松动程度状态下振动信号；其次，采用变分模态分解结合排列熵进行变压器绕组松动缺陷特征提取；再次，采用天牛须搜索优化支持向量机算法进行绕组松动状态模式识别。最后将该方法与传统方法进行对比，结果表明，VMD分解效果优于当前主要采用的经验模态分解，排列熵量化故障特征效果优于多尺度排列熵、近似熵等时间序列复杂度计算指标，BAS-SVM运算时间及诊断正确率优于网格搜索优化SVM、遗传算法优化SVM等优化算法；所提方法在所进行的60%～110%额定电流状态试验下变压器绕组松动故障诊断准确率达到98.7%以上。     

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。     

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。     

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Hilbert分析的滚动轴承故障诊断方法研究

滚动轴承在风电机组中广泛应用,其运行状态直接影响整台风机的性能。提出EEMD(总体平均经验模态分解)和Hilbert包络分析相结合的方法对滚动轴承进行故障诊断。经验模态分解具有自适应性,但存在一些不足,易产生虚假分量和模态混叠现象。针对EMD分解方法的不足,引入改进型算法EEMD。首先将振动加速度信号进行EEMD分解,计算各阶IMF峭度值的大小,选择峭度值较大的IMF分量,利用Hilbert变换对其进行包络谱分析,提取故障特征频率,辨识滚动轴承故障。通过对实验采集的滚动轴承振动信号进行分析,证明了该方法的有效性和准确性。     

基于EEMD的水电机组信号分解和频谱分析

采用集合经验模态分解EEMD方法对水电机组多个信号进行分析,结果表明, EEMD分解能够将水电机组信号分解成不同频域内IMF分量分解,各IMF分量与现场振源有一定的关联,具有直观的物理意义,同时对不同工况的信号进行对比分析。     

基于EEMD模糊熵和支持向量机的轴承故障诊断方法

电动机轴承的振动信号具有不平稳、非线性和高噪声等特点.在轴承故障的情况下,通过原始信号或部分时域特征参数不易准确判断故障位置.为解决此问题,在考虑时域特征的基础上,进一步通过集成经验模态分解(EEMD)和模糊熵进行特征参数提取.将轴承在正常、内滚道故障、滚动体故障以及外滚道的三个方向故障状态下的振动信号通过集成经验模态分解和计算模糊熵的方法提取信号特征,并与时域特征相结合得到10维特征向量.使用支持向量机(SVM)分类方法对所提取特征进行训练,最终得到可用于电动机轴承故障诊断的模型.比对发现,经特征提取后的模型训练速度和准确率均有较大提升,表明此方法对电动机轴承故障诊断是有效的,并为电气设备的故障诊断提供一种新思路.     

融合IMF能量矩和BiLSTMNN的水电机组振动故障诊断

针对水电机组振动信号存在非平稳和非线性,提出一种结合IMF能量矩和双向长短期记忆神经网络（bidirection long short term memory neural network,BiLSTMNN）的故障诊断方法。首先采用互补集合经验模态分解（complementary ensemble empirical mode decomposition,CEEMD）方法对正常和故障振动信号样本进行处理,得到频率各异的本征模态函数（intrinsic mode functions,IMF）和剩余分量。然后计算IMF能量矩,并将其作为故障特征。进一步,将故障特征作为输入、故障类别作为输出,训练BiLSTMNN得到水电机组故障识别器。结合故障识别器和实时振动信号IMF能量矩特征,即可识别水电机组运行状态为正常或具体故障类型。最后,结合转子实验台数据和实际电站机组样本数据,设计对比实验,验证了所提方法在挖掘信号特征方面的有效性及较高的故障诊断准确率。     

基于随机共振和多维度排列熵的水电机组振动故障诊断

针对强噪声背景下难以提取水电机组振动故障特征的问题,提出了一种基于随机共振(SR)去噪和多维度排列熵(MPE)提取振动信号特征向量的故障诊断方法。首先,采用随机共振对振动信号进行去噪,增强信号的信噪比;继而利用多维度排列熵提取去噪信号的特征向量,最后将其输入所建立的改进粒子群算法优化支持向量机(PSO-SVM)模型,实现故障的识别与诊断。仿真结果表明,该方法具有较高的诊断精度。     

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。     

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。     

小波包能量谱和功率谱分析在水电机组故障诊断中的应用

小波包克服了小波分析在高频空间分辨率差的缺点,能够给信号提供更加精确的分解。因此在小波包分析的基础上,从能量和功率分析的角度出发,阐述了在水电机组故障诊断中采用小波包能量谱和功率谱分析相结合的信号特征提取的方法。通过对实验及电厂振动故障信号的提取与分析,表明小波包能量谱和功率谱分析相结合的信号特征提取方法准确而高效,是一种应用价值较高的信号特征提取方法,并能为机组故障的准确诊断提供依据。     

基于多尺度模糊熵和STOA-SVM的风机轴承故障诊断

针对风机轴承振动信号故障特征提取困难的问题,提出了一种基于多尺度模糊熵(MFE)特征提取,并结合乌燕鸥优化算法(STOA)优化支持向量机(SVM)的风机轴承故障诊断方法。首先采集原始振动信号并计算其多层次模糊熵,其次构造故障特征向量集合作为SVM的输入,最后采用STOA优化SVM对轴承故障进行分类诊断。通过凯斯西储大学轴承振动数据进行仿真,结果显示轴承故障诊断准确率达到了99.3〖WTB4〗%〖WTBZ〗,证明了所提方法具有较高的准确度和有效性。     

近似熵算法在电力系统故障信号分析中的应用

在分析近似熵算法的物理本质及其在非平稳信号序列分析中所具备的独特优势的基础上，提出将近似熵算法引入到电力系统故障信号的特征提取中，为电力系统故障信号分析找到一个能定量描述故障信号特征的有效特征参数。通过对理想电力信号的仿真分析数据以及近似熵与信息熵的比较，逐一验证了近似熵算法在电力信号分析中的优势。近似熵算法在小电流接地系统故障信号特征提取仿真中的应用表明，该算法能够在短数据、小幅值等不利条件下，很好地实现故障信号特征的定量提取，是表征不同故障信息的有效参数，故将其引入到电力系统故障信号的分析应用中是切实可行的，并在此基础上展望了该算法在电力系统故障诊断领域的应用前景。     

多维度能量熵提取的不同负载下电机轴承故障诊断

为了提高电机轴承故障诊断的准确率,针对电机轴承故障不稳定的振动信号及故障特征提取困难问题,提出了一种基于变分模态分解（VMD）能量熵与卷积神经网络（CNN）相结合的电机轴承故障诊断方法。为了使故障的特征更精确地体现出来,采取三维度的能量熵提取办法,将轴承故障分为内圈磨损、外圈磨损和保持架断裂三类,然后每个类别再细分为负载为0%、25%和50%三种情况,共9种情况。利用VMD方法将故障信号分解得到内禀模态函数(IMF)的分量并提取各个维度IMF的能量熵值从而构成特征向量。结果表明该方法可以有效提高故障诊断正确率。     

基于改进EEMD的高压断路器振声联合故障诊断方法

高压断路器是电力系统中关键的控制和保护设备,针对其故障诊断方法的不足之处,将振声数据级融合和特征级融合应用于高压断路器故障诊断方法。振声特征级融合诊断方法首先将采集到的声波信号通过快速核独立分量分析(Fast KICA)实现盲源分离处理,其次利用改进集合经验模式分解(EEMD)提取振动信号和声波信号的特征向量。振声数据级融合诊断方法首先构建振声联合图像,其次利用改进的BEEMD提取特征向量。最后将两种方法提取的特征向量输入支持向量机模型(SVM)进行故障诊断,实验结果表明,所提方法诊断高压断路器故障能取得良好的效果。