基于VMD的超声波电动机退化特征提取研究

压电陶瓷部件开裂是超声波电动机的主要故障模式之一,压电陶瓷片上的孤极信号能够充分反映定子的振动状态,通过监测孤极信号研究超声波电动机的退化状态。利用变分模态分解(VMD)在处理信号时可以将信号分解成多个频段的良好特性,研究一种基于VMD的超声波电动机退化特征提取方法。通过VMD的方法寻找出孤极信号电机工作频率的高频段,提取均方根值、能量、方差和工作频率处幅值等退化特征,通过支持向量机验证了所提取退化特征的有效性。     

基于S变换和极限学习机的高压断路器机械故障诊断

机械故障是高压断路器最常见的故障,研究高压断路器机械故障诊断方法对于提高电力系统可靠性具有重要意义。为提高高压断路器机械故障诊断的效率,文中提出一种基于S变换和极限学习机(ELM)的高压断路器机械故障诊断新方法。首先,对高压断路器动作期间产生的振动信号进行S变换处理,获得相应的时—频矩阵;然后,对S变换模值矩阵进行时域和频域划分,计算振动信号在不同时段和频段的局部奇异值,并选择各子矩阵的最大奇异值作为故障诊断的特征向量;最后,采用ELM对高压断路器机械状态进行分类。对高压断路器在正常和故障状态下进行诊断实例测试,实验结果表明,该方法能够快速准确地识别断路器机械状态,具有较高的诊断效率。     

基于改进变分模态分解排列熵和极限学习机的汽轮发电机转子故障诊断方法

针对实际转子振动信号的非线性、非平稳性引起的故障类型难以准确识别的问题,提出了一种基于改进变分模态分解(VMD)排列熵和极限学习机的转子故障诊断方法。首先,为克服VMD中惩罚因子和分解个数按经验选择的问题,提出一种基于人工化学反应算法的改进VMD方法,将其用于振动信号分解,得到若干个不同尺度的固有模态分量(IMF);随后计算蕴含主要故障特征信息的前几个IMF的排列熵值;最后将得到的前几个排列熵值作为特征矢量,输入到建立的极限学习机中实现不同状态下转子振动信号的模式识别。将提出方法应用于汽轮发电机转子试验台采集的数据,结果表明:提出的方法能有效实现不同运行状态下的转子振动信号的辨识,提高了模式识别精度。     

基于 CWD 及分块 SVD 的配电开关故障诊断方法

通常,配电开关分合闸操作产生的振动信号中蕴含有体现机械状态的重要信息。提出一种基于振动信号分析的新型配电开关故障诊断方法。首先对振动信号求取乔-威廉斯分布获得二维时频矩阵,然后对时频矩阵作分块奇异值分解,用于表征不同机械状态的时频特性,最后结合极限学习机算法对4类实测振动信号的特征向量进行训练和测试。所提方法的优点是有效提取了配电开关振动信号时频域的特征,并且可以在较少样本的情况下训练诊断模型。基于实测数据的实验表明,该方法具有较高的识别精度和较快的收敛速度。     

一种实时电能质量扰动分类方法

针对电能质量扰动实时分类的需求,提出了一种基于强跟踪滤波器和极限学习机的电能质量扰动分类方法。强跟踪滤波器通过引入渐消因子矩阵克服了扩展卡尔曼滤波器的易发散的问题。强跟踪滤波器不仅可以检测扰动幅值而且还可以提供渐消因子作为特征量,以此识别暂态扰动和谐波。该方法提出使用基波幅值最大值、最小值、波动次数和渐消因子频度均值四个特征量组成特征向量作为极限学习机分类模型的训练样本;最后将分类器用于电能质量扰动识别。为了提高极限学习机分类精度,提出了对少量边界错分样本的类别进行校正的规则校正法。仿真表明改进后的方法能够识别包括两种复合扰动在内的10种电能质量扰动信号,并具有良好抗噪性。与随机梯度下降反向传播方法、最小二乘支持向量机和序贯极限学习机相比,该方法训练和分类速度快,分类准确率高,适合于在线应用。     

超声波电机堵转特性及堵转检测方法研究

对行波超声波电机(TRUSM)堵转特性及堵转检测方法进行了研究.在理论上阐述了TRUSM摩擦磨损机理及堵转的危害,在实验研究基础上得到了TRUSM堵转时的特征信息.提出在TRUSM连续运行时,利用堵转时孤极反馈电压、驱动电流奇异信号,采用小波包分析方法对TRUSM堵转时的奇异信号进行定位并确定持续时间,该方法具有很高的时域分辨率.在TRUSM微步运行时,通过对孤极反馈电压信号排的峰值检测,判断TRUSM是否处于堵转状态,该方法具有较强的通用性和实用价值.设计出的基于Lab-VIEW环境下开发的虚拟电机堵转检测系统,大大提高了在线诊断的效率.     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

采用时频矩阵奇异值分解和多级支持向量机的雷电及操作过电压识别

雷电及操作过电压的识别,对改进和提高电力系统绝缘配合水平具有重要意义.提出了一种基于时频矩阵奇异值分解(singular value decomposition,SVD)和多级支持向量机(support vector machine,SVM)的雷电及操作过电压识别方法,通过对过电压信号的小波分解,构建多尺度时频矩阵,利用 SVD 对该矩阵进行奇异值分解,将信号分解到不同的时频特征子空间,然后获取过电压信号的奇异谱,并计算奇异谱的特征量,将这些特征量作为多级 SVM 的输入,实现雷电及操作过电压的辨识.对变电站实测5种过电压信号的计算表明:提取的特征量维数低,对过电压信号的电磁干扰具有相对稳定性;采用的识别方法训练次数少,识别率高,能够实现雷电及操作过电压的准确分类.     

基于COT-SSD的变转速滚动轴承微弱故障诊断

针对背景噪声干扰及转速波动工况下滚动轴承微弱故障识别困难这一问题,提出一种结合计算阶次追踪(COT)和奇异谱分解(SSD)的新型诊断方法。利用COT算法对采集的原始时域信号进行等角度重采样,继而利用SSD算法对重采样角域信号进行处理,通过自适应构建的轨迹矩阵的奇异值分解重组,将角域信号从高频至低频分解为若干个奇异谱分量,利用融合峭度指标筛选最佳奇异谱分量,选定最佳分量后对其进行进一步的包络解调运算,最终通过分析包络阶次谱中幅值突出的成分来准确判定滚动轴承运行状态。滚动轴承内外圈故障实测信号分析结果表明,所提方法能够有效提取出变速工况下滚动轴承的微弱故障特征信息。     

基于自适应极限学习机的变压器故障识别方法

针对变压器状态数据累积规模和复杂程度均增大的情况,单一智能算法进行数据处理的能力有限、精度低,提出了基于自适应极限学习机的变压器故障识别方法。利用免疫算法(IA)的多样性调节机制和存储机制对粒子种群进行优、劣分类,对优、劣粒子分别采用不同的进化方式。经IA改进的粒子群优化(PSO)算法有效克服了种群容易早熟从而导致进化停滞的缺点,提高了全局寻优能力。在参数寻优的基础上,根据寻优输出结果建立变压器故障识别模型。实验计算结果表明所提方法比极限学习机(ELM)、粒子群优化极限学习机(PSO-ELM)、遗传算法优化极限学习机(GA-ELM)方法的故障识别精度高。     

基于广义S变换和PSO-ELM的电能质量扰动信号识别

电能质量扰动信号识别是电能质量扰动参数分析、扰动源定位和综合治理的前提。针对S变换在电能质量扰动信号分析中特征表现能力不足,以及极限学习机随机设置输入权值和隐藏层阈值造成识别准确率低的问题,提出一种基于广义S变换(generalized S-transform,GST)和粒子群(particle swarm optimization,PSO)优化极限学习机(extreme learning machine,ELM)的电能质量扰动信号识别新方法。首先,将粗调、微调和精调因子引入S变换的高斯窗函数中,并根据扰动信号的频率特点调整各因子值,从而获得更具针对性的时-频分辨率,以增强特征表现能力。其次,利用PSO的寻优能力,获取最大适应度时对应的输入权值和隐藏层阈值,提升ELM的识别准确率。最后,根据GST时-频模矩阵生成特征集,对PSO-ELM进行训练并测试其识别能力。对比实验表明,相较于S变换和ELM方法,本文提出方法识别准确率更高、抗噪性更强,能够满足工业环境下的电能质量扰动信号识别需要。     

基于改进变分模态分解的SRM功率变换器故障诊断方法

为实现开关磁阻电机功率变换器故障诊断,本文提出了一种改进变分模态分解结合奇异值分析的方法,基于经验模态分解自适应特性和中心频率确定变分模态分解的分解数,并对故障相电流进行处理,根据互信息分析选择最佳模态分量构造初始特征矩阵,进行奇异值分解后计算归一化奇异值作为特征向量,输入支持向量机分类器进行故障识别。为验证诊断方法的可行性,建立了仿真模型与其他诊断方法进行了对比;搭建了开关磁阻电机实验台,测试了开路、短路故障状态,仿真和实验结果均表明本文所提方法可减小噪声影响,提高故障识别准确率。     

基于EMD-SVD-KELM与参数优选的励磁涌流辨识

针对变压器差动保护装置易受励磁涌流误动作问题,提出了基于EMD-SVD-KELM与参数优选的励磁涌流辨识方法。首先,以经验模态分解(EMD)和奇异值分解(SVD)为工具,对励磁涌流和故障电流信号进行预处理,提取出识别特征量,并作为后续核函数极限学习机(KELM)学习输入量;然后,因学习机性能受参数C和γ影响较大,以均分训练样本所得多个模型的平均准确率作为适应度评价函数,为KELM参数优选提供评价标准。通过EMTDC仿真计算生成训练样本和测试样本,利用多种优化算法对KELM进行训练和测试。最终,试验结果表明,与网格搜索(GS)、遗传算法(GA)、粒子群算法(PSO)相比,改进粒子群算法(IPSO)能够更加迅捷地搜索到最优参数,同时学习后的IPSO-KELM模型能够正确识别涌流和故障电流,验证了文中所提方法的正确性和可行性。     

基于连续小波奇异熵的模拟电路故障诊断新方法

针对模拟电路的故障诊断和定位问题,为进一步提高故障诊断准确率,提出了一种基于连续小波Tsallis奇异熵和超限学习机的故障诊断方法。首先应用连续小波变换计算被测电路时域响应信号的时频系数矩阵,然后将其分割为8个相同大小的子矩阵,分别计算每个子矩阵的Tsallis奇异熵,组成特征向量,最后将特征应用于超限学习机多类分类器进行区分。仿真结果表明,故障诊断方法能较好地获取故障响应信号的本质特征,并具有较其他现存方法更高的故障诊断正确率。     

基于多尺度排列熵与双核极限学习机的滚动轴承故障诊断方法

针对极限学习机隐含层节点数需人为设定,分类的准确性与稳定性较差,核极限学习机(K-ELM)对核函数选取要求较高,单一核函数难以对非线性样本充分学习、泛化性仍有不足等缺点,提出一种基于多尺度排列熵(MPE)和非线性加权组合的双核极限学习机(DK-ELM)的滚动轴承故障诊断方法并证明了其可行性与优越性。首先,计算不同故障状态轴承信号的多尺度排列熵,获取一系列无量纲特征;然后,利用双核函数计算其高维特征向量集并输入DK-ELM中建立轴承信号状态分类模型,对不同状态的轴承信号进行分类。实验结果证明,核函数的引入可以有效提高ELM分类性能,DK-ELM的分类模型比支持向量机(SVM)、ELM以及各单核极限学习机具有更高的分类精度,而且对训练样本数量较少的情况有更好的分类效果。     

一种改进EMD-SVD算法的暂态电能质量扰动信号消噪研究

针对小波变换在暂态电能质量消噪方面对高频有用信号误滤除,造成消噪后信号失真严重,或毛刺过多现象,提出一种结合经验模态分解(EMD)的改进奇异值分解(SVD)降噪方法,该方法采用EMD将噪声信号进行初步滤除,通过构造Hankel矩阵,利用左右奇异向量确定奇异矩阵,根据奇异值的分布规律,提出一种改进的奇异值差分方法来确定有效奇异矩阵阶次,从而完成消噪后信号的重构.结果 显示该方法去噪效果较好,特别对电压暂降和电压中断的效果最为明显,其信噪比分别提高了2.9 dB和7.3 dB以上,验证了所述方法的有效性.     

超声波电机孤极反馈电压特性研究

超声波电机的性能完全依赖于其驱动控制系统。为了利用超声波电机的孤极特性,驱动系统需要对孤极进行反馈控制。针对超声波电机的孤极反馈,本文首先简要分析超声波电机的孤极电压特性,包括孤极电压的计算以及影响孤极电压的变量,并对现有超声波电机的孤极电压进行测试,然后对孤极电压反馈信号进行处理,并设计反馈控制,最后对增加反馈信号前后孤极电压的测试结果进行分析比较。实验表明,使用孤极反馈电压控制的超声波电机调速后,可以有效降低孤极电压的波动性。     

基于S变换与奇异值分解的有载分接开关机械故障识别

为了及时准确地获得有载分接开关(on-load tap-changer,OLTC)的状态信息,将S变换和奇异值分解(singular value decomposition,SVD)引入OLTC的机械故障识别。通过S变换获得振动信号的模时频矩阵(module time-frequency matrixes,MTFM);对MTFM进行SVD,得到原始矩阵的左右奇异向量组和奇异值;针对前3阶奇异值,提取对应左右奇异向量的重心,得到不同振动模式的时域重心和频域重心;基于奇异值、左右奇异向量重心构成一个9维的特征向量,利用最小二乘支持向量机(least squares support vector machines,LS-SVM)实现OLTC故障的识别。测试结果表明所提出的方法简洁高效,并且能得到较高的OLTC故障识别准确率。     

基于优化极限学习机的电压暂降源识别方法

准确识别电压暂降源对暂降责任分摊和治理决策至关重要。文中提出一种基于优化极限学习机的电压暂降源识别方法。通过直接提取电压暂降波形的时域特征和经S变换提取能量熵和奇异熵2种时频域特征,构建基于时域和时频域的特征向量,弥补现有方法仅采用时频变换提取特征,可能丢失仅存在于时域内的重要信息而影响识别精度的不足。针对极限学习机输入权值和隐含层偏置随机产生的不足,采用遗传算法对其进行优化,构建优化极限学习机模型,解决利用模式识别存在模型复杂和耗时较长,难以实现快速识别的问题。应用仿真数据和实测数据验证了所提特征向量和优化极限学习机模型的有效性;并与其他方法相比,证明所提模型简单、训练和分类识别速度快,识别精度更高,适用于边缘计算,可实现电压暂降源的快速准确识别。     

基于S变换局部奇异值分解的过电压特征提取

针对实测过电压信号波形不规则、不易识别问题,根据矩阵奇异值的特点,提出了一种采用S变换和局部奇异值分解的过电压特征提取方法。首先通过S变换得到过电压发生时零序电压的时频模值矩阵,然后对矩阵进行划分,计算各个子矩阵的最大奇异值,利用最大奇异值在不同频带以及整个时频空间的分布差异来构造过电压特征量。对变电站实测的感应雷过电压等五种过电压信号的计算表明,所提取的特征量维数低,对过电压信号随机扰动具有相对稳定性,能提取出过电压的本质特征。