基于小波包Shannon熵的PHM系统故障特征提取

针对同步发电机故障预测与健康管理(Prognostics and Health Management,PHM)系统故障特征提取困难,信号容易受到噪声干扰,诊断结果可靠性低的缺点,本文以故障率较高的轴承故障为例,提出以小波包熵值作为故障特征,提取轴承典型故障的振动信号。通过小波包分析,计算出不同故障、不同故障程度的小波包Shannon熵值。与正常轴承对比进行故障程度预测及故障定位。仿真结果表明小波包Shannon熵值能够清楚地反映出轴承故障程度及故障位置,该方法简单可靠,进行故障预测及诊断效果显著,克服了传统故障特征提取方法的不足。     

Morlet小波对于压缩机故障信号的研究

针对目前压缩机故障信号分析中存在的问题,提出了甩Morlet小波对故障信号进行提取和识别。Moorlet小波是一种连续小波,能够克服时域离散造成故障信号遗漏及尺度二进离散分割过于粗糙的问题,能够使故障信号中的时域和频域信息同时在二维及三维空间上被更加直观的呈现出来。文末在停车情况下,对压缩机故障进行检查,验证了Morlet连续小波在故障信号提取和识别中的可行性和正确性。     

基于自适应神经网络—小波包熵的轴承故障诊断

针对轴承故障诊断时振动信号呈现复杂性和混沌特性,故障特征分量容易淹没在噪声之中。引用自适应线性神经网络(Adaptive Linear Neuron,ADALINE)降噪和小波包Shannon熵(Wavelet Packet Analysis Shannon Entropy,WPASE)相结合的方法诊断轴承故障。首先利用ADALINE对不同故障模式的振动信号进行降噪处理,引用小波包理论对降噪后的信号进行小波包分解,计算各层细节信号的Shannon熵值,以此作为不同故障模式的故障特征量。仿真实验表明ADALINE降噪效果明显,Shannon熵能够清楚区别不同的故障模式。该方法简单可靠,为轴承故障诊断提供了新的思路和方法。     

基于 MPDE-EEMD 及自适应共振解调的轴承故障特征提取方法

针对滚动轴承振动信号具有非线性、非平稳性和非高斯性,并且故障特征往往淹没于系统噪声之中而难于识别的问题, 提出了以多种群差分进化(multiple population differential evolution, MPDE) 算法来改进集合经验模式分解( ensemble empirical mode decomposition, EEMD) 的 MPDE-EEMD 消噪方法,并与自适应共振解调技术( adaptive resonance demodulation technique, ARDT)相结合实现故障特征提取。 首先,为了解决 EEMD 中加入参数依靠人工选择且难以准确获取的问题,建立极值点分布 特性评价函数,利用 MPDE 来寻优获取最佳白噪声幅值,实现 EEMD 自适应分解。 然后,采用峭度与相关性相结合的准则对分 解后的 IMF 分量进行自动筛选,将满足条件的有效信号进行重构,实现对原始振动信号的降噪处理。 最后,采用 ARDT 自动确 定对消噪信号进行带通滤波的带宽和中心频率,再通过包络解调提取出滤波信号的特征频率。 将轴承仿真故障信号与实际故 障信号用于算法的验证,结果表明 MPDE-EEMD+ARDT 能有效提取出轴承故障特征。     

基于Morlet复小波的牵引网故障相量估算法研究

牵引网故障前后稳态相量幅值和相位的估算对测距的精度有着至关重要的影响.提出了基于Morlet复小波的相量估算算法,由于采用具有较好频率特性的Morlet复小波,因此该算法的稳定性优于传统傅里叶算法,同时不受整次、非整次谐波及非周期衰减分量的影响,相量估算精度高,鲁棒性强.进一步讨论了各参数对算法性能的影响以及参数选择方法.最后将该算法应用于牵引网典型故障电流工频相量的提取,仿真分析表明其计算精度高,可充分满足测距的要求,因此有很高的工程实用价值.     

基于自适应小波方法的小电流故障选线研究

分析了小电流接地系统发生单相接地故障时的暂态故障特征,指出了传统小波选线方法的优点和需要改进的地方,提出了一种新型的自适应小波选线方法.该方法定义了2个衡量反映小波分解后各个尺度信息优劣的指标:绝对幅值强度和平均幅值强度,基于这2个指标,该方法能够自适应地选择分解尺度,提高选线结果的正确性.对仿真结果的分析表明了该方法的有效性和可行性.     

Morlet复小波算法在自适应电流保护中的应用研究

自适应电流保护算法中关键之一是实时而准确地计算系统等值参数。一般傅氏算法在计算系统等值阻抗时受短路电流非周期分量和电网频率不稳定的影响,会产生较大的误差。而Morlet复小波算法具有频率特性好,不受非整次谐波、非周期分量及电网频率波动的影响,因此本文提出了采用全周Morlet复小波算法计算系统等值参数的方法,通过选择合理的Morlet复小波函数参数,提取配电网典型故障电流电压的工频分量来计算系统等值参数。经仿真分析表明用该方法实时计算等值参数,精度高,能满足保护性能要求,具有很高的工程实用价值。     

Morlet复小波算法在自适应电流保护中的应用研究

自适应电流保护算法中关键之一是实时而准确地计算系统等值参数.一般傅氏算法在计算系统等值阻抗时受短路电流非周期分量和电网频率不稳定的影响,会产生较大的误差.而Morlet复小波算法具有频率特性好,不受非整次谐波、非周期分量及电网频率波动的影响,因此本文提出了采用全周Morlet复小波算法计算系统等值参数的方法,通过选择合理的Morlet复小波函数参数,提取配电网典型故障电流电压的工频分量来计算系统等值参数.经仿真分析表明用该方法实时计算等值参数,精度高,能满足保护性能要求,具有很高的工程实用价值.     

风电机组叶片裂纹故障特征提取方法

为实现风电机组叶片及时有效地监测和维护,使用声发射技术采集疲劳裂纹信号,从而提取不同裂纹特征。鉴于尺度谱受到Heisenberg测不准原理的极限制约,时频聚集性不佳、干扰强的现象,提出风电机组叶片裂纹声发射信号的优化小波重分配尺度谱分析。基于Shannon熵理论计算裂纹萌生和预制裂纹再扩展的声发射信号的重分配尺度谱小波基函数带宽参数,得到最适合此两阶段裂纹声发射信号的Morlet小波基函数,计算优化基函数的小波重分配尺度谱,获得不同类型裂纹特征成分在时间尺度平面的高幅值能量分布。实验研究表明,优化小波重分配尺度谱的方法具有很好的时频聚集性和抗噪能力,实现了风电机组叶片裂纹声发射信号的时频特征清晰准确的提取,识别风电机组叶片不同阶段裂纹故障。进而可以采用该方法监测风电机组叶片在复杂环境中的退化状态。     

基于逐层最优基小波和贝叶斯估计的电缆瓷套终端红外图像自适应去噪方法

抑制图像噪声是电气设备红外诊断技术的前提。为了有效抑制白噪声,提高诊断的准确性,提出一种用于电缆瓷套终端红外图像的基于逐层最优基小波和贝叶斯估计的自适应去噪方法。该方法首先将红外图像真彩图分解为R、G、B颜色分量图像。对每一颜色分量图像,定义小波分解尺度系数能量百分比,基于能量百分比最大的原则,自适应选取最优基小波对颜色分量图像逐层进行小波分解,并结合Bayes最优估计准则对细节小波系数进行处理,对尺度系数和处理后的小波系数进行逐层小波重构,得到去噪后的颜色分量图像。将去噪后的颜色分量图像进行合成,得到去噪后的图像。该方法能够有效地去除白噪声,并且使去噪后的图像尽可能保留细节信息。数值试验表明,与运用sym4小波进行单一小波分解去噪方法比较,运用该方法去噪后图像的信噪比(SNR)更高,最小均方误差(MSE)更小。     

基于平稳小波变换的光伏直流串联电弧故障检测

光伏系统直流串联电弧故障具有随机性和隐蔽性的特点,且容易受到外部环境和光伏系统内部噪声的影响,难以检测。利用小波变换提取的电流时频域特征对电弧故障有很好的辨识度,但面临小波基选取的问题。在采集大量电弧故障数据的基础上,通过小波变换分析和对比实验,提出一种针对常用电弧故障特征指标提取的最优小波基选取方法。通过此方法确定bior4.4小波基为提取电弧故障特征的最优小波基,并由此构建基于bior4.4平稳小波变换的时频域特征。通过对比试验发现,基于bior4.4的时频域特征对电弧故障的辨识度明显提高,且表现出对正常噪声信号的抑制作用。为从多角度反映电弧故障特征,补充时域特征,并与时频域特征结合构成电流特征库,利用随机森林算法实现电弧故障的诊断。电弧故障检测准确率达到98.58%,正常信号的误判率仅为0.76%。     

基于小波包能量熵和DBN的轴承故障诊断

轴承是旋转机械设备的关键部件,目前已有很多轴承故障诊断方法,但其中一些方法只能针对特定的轴承故障进行诊断,可能不适用于其他轴承故障问题,而且大部分方法的诊断准确率还可以进一步提高。提出小波包能量熵与深度置信网络(DBN)相结合的方法进行轴承故障诊断。首先对轴承振动信号进行小波包变换,然后以能量熵的形式构建特征向量,这些特征向量含有不同频段内的振动能量大小,可以用于区分各种轴承故障。最后利用基于DBN的深度模型对能量熵特征向量进行故障识别。使用两类轴承数据集进行验证,分别获得100%和99.5%的故障识别准确率。实验结果表明,该诊断方法具有较好的通用性,而且可以达到很高的诊断准确率。     

基于小波包和包络线的行波相关法单端故障测距研究

针对行波相关法时间窗不固定导致单端行波故障测距可靠性低的问题,提出将小波包和包络线结合的新方法。首先利用db1小波基对故障行波信号进行小波包多尺度的分解重构,验证了在不同尺度下正反向行波初始波头的宽度都是相同的;以正反向行波初始波头的宽度作为行波相关法中时间窗宽度,使时间窗宽度成为一个定值。其次,利用包络线把正反向行波中前两个不同极性的波头变为单极性波头,最后通过相关算法处理实现单端行波故障测距。所提方法使行波相关法中的时间窗宽度不再受故障距离、过渡电阻等因素的影响,且经包络线处理后的正反向波避开了相关函数出现多余极值。经PSCAD和MATLAB仿真分析,与传统行波相关法相比,所提方法明显提高了单端故障测距的可靠性。     

基于小波包能量熵判别的高压输电线路单相自适应重合闸

提出了利用小波包能量熵来判别故障性质的单相自适应重合闸新方法.介绍了小波包能量熵的概念,引入能量修正因子对能量熵定义进行了改进,以获得更高的判别灵敏度.分析对比了2种故障相电压的特点,从原理上揭示了在二次电弧能量较大的频段,2种电压信号能量时间分布明显不同:计算表明2种故障情况下低频节点熵值M3.0比较接近,而在高频段节点处瞬时性故障的熵值要大得多.最后,提出利用高频节点特征频带的熵值均值作为判别指标.理论分析和基于EMTP/Matlab仿真结果表明:该故障判别方法能快速准确地识别故障性质,且灵敏度不受系统运行方式、过渡电阻、故障位置和振荡电压幅值等因素的影响,对二次电弧模型精度要求也不高,具有较好的适应性.     

基于小波熵的直流系统环网接地故障诊断

针对直流系统中环网对接地故障检测的影响,在传统低频信号注入法的基础上提出了一种新的基于小波熵理论的直流系统环网接地故障检测方法。该方法利用小波分析具有时频局部化特性和熵能对系统状态表征的特点,将小波分析和熵结合起来完成信号的特征挖掘。通过低频信号注入,采集环网状态,计算小波熵作为系统的特征参数,以小波熵来识别不同情况的接地故障。仿真分析证明,小波熵能够反映环网发生接地故障前后的系统变化,用小波熵来提取环网故障信息并进行故障识别是一种行之有效的方法。     

小波理论在直流系统接地故障检测中的应用

分析了低频信号注入法,并且针对其缺陷提出了基于小波变换的检测方案。即当接地故障发生后,向直流系统正负母线注入低频正弦电压信号,利用套在各支路的电流互感器检测出支路中的低频电流信号,通过小波变换算法从中提取出与注入信号同频的正弦电流信号。计算出该电流信号中的阻性分量即可求得该支路的接地电阻值,从而可以判断出故障支路。该文讲述了将小波分析应用于直流系统接地故障检测的基本过程和主要结果,并通过大量的数值仿真和实际的实验研究验证了基于小波变换的直流系统接地检测方法的可行性。     

小波和能量特征提取的旋转机械故障诊断方法

转子系统和轴承是旋转机械中的关键零部件,其长期处于高速、满负荷运行极易出现故障。基于振动信号处理的诊断方法具有可在线、实时诊断的特点,针对频谱分析对非线性振动信号故障特征提取的不足,研究小波包对振动信号进行特征提取。由于传统软、硬阈值量化方法在阈值处分别存在恒定偏差和不连续的问题,设计了一种参数可调的改进连续函数对阈值进行量化。系统首先对振动信号进行小波包分解与去噪,然后采用小波包能量特征提取方法完成对旋转机械的转子不平衡故障、不对中故障、转子动静碰摩故障进行有效诊断。测试结果表明,轴承出现不同故障时,通过小波包分解后不同子带能量的不同,可用模式识别方法有效进行故障识别。     

基于最优小波包的水轮发电机组振动信号特征提取方法

水轮发电机组振动信号的在线监测是实现机组状态检修方法的关键。在分析了水轮发电机的机组振动信号特征后,提出采用db1小波进行振动信号的特征提取,在信号分析中主要应用shannon熵。小波包的构造是基于函数空间的正交剖分;最佳小波包基的选择就是应用最优的分解方法和有效的算法寻找出最小熵标准;给出了机组振动信号特征提取的步骤。根据所构造的最优小波包对机组振动信号进行分解并运用能量特征提取分析方法对机组振动信号进行特征提取。     

基于谐波小波的风力发电并网电压故障信号特征检测

针对风力发电并网对电网电能质量产生影响的问题，深入分析风力发电并网特点及故障特征，提出一种采用谐波小波降噪与时频联合分析相结合的风力发电并网电压故障信号特征提取方法，该方法解决了采用传统的傅里叶变换无法对非平稳电压故障测试信号进行分析处理的问题，充分利用谐波小波降噪技术对强噪声背景下的非平稳电压故障测试信号进行提纯降噪处理，再对降噪后的纯净信号进行时频联合分析，利用时频联合分析结果对风力发电并网电压故障进行精确定位，从而为故障穿越提供必要的参考决策，最后通过仿真和实验验证了该方法的有效性。