局部放电超声信号的自仿射IFS模型

通过仿射变换建立了变压器局部放电超声信号的分段自仿射 IFS模型。该模型用于在线监测中可实现局部放电信号数据的压缩 ,并通过计算 IFS分形维数为局部放电模式识别提供新的特征参数。     

基于IFS的局部放电超声信号的数据压缩和模式识别

变压器局部放电超声信号具有连续不可导和非平稳的特性 ,通过仿射变换建立其分段自仿射IFS (IteratedFunctionSystem)。利用该方法一方面实现局部放电信号数据的压缩 ;另一方面提取IFS分形参数 ,包括IFS分形维数和空缺率 ,为局部放电模式识别提供新的特征参数 ,两者同时进行 ,为实现局部放电在线监测提供一种新的工具。同时进一步把IFS分形参数作为特征参量输入人工神经网络对放电模式进行识别 ,结果表明了利用超声波信号进行局部放电模式识别的有效性。     

基于信号模型参数辨识的变电站局部放电电磁波信号重构

抑制现场噪声干扰、有效提取信号特征是局部放电(PD)信号检测和分析的关键,为此,利用自回归–滑动平均(ARMA)模型对局部放电辐射的特高频(UHF)电磁波信号建模,给出了利用高阶累积量估计模型阶数和参数的理论依据和算法。以混有Gauss白噪声及定频干扰的双指数振荡衰减函数模拟局部放电辐射的UHF信号,利用ARMA模型参数重构信号的Fourier变换幅值,利用双谱估计重构其Fourier变换的相位,最终重构时域信号,以验证该算法重构信号的有效性。利用该方法重构变电站实测的局部放电辐射的UHF信号,验证了该算法在变电站现场干扰情况下,可从现场采集到的含有噪声的信号中重构出只相差常数因子和线性相移的有用信号。且算法辨识得到了信号的ARMA模型参数及重构得到的UHF信号频谱及时域信号,可以给局部放电类型识别等进一步处理提供参数。     

基于小波能量与神经网络的断路器振动信号识别方法

高压断路器出现机械故障不仅会引起振动冲击事件的时间漂移,还会引起时域波形中一些波峰幅值的变化。依据同一类型断路器振动信号相似的特点,在对高压断路器故障振动信号进行特征分析的基础上,提出了一种识别高压断路器振动信号的新方法:将小波包提取算法和径向基神经网络模式识别功能相结合,利用小波包分解与重构原理将断路器合闸振动信号分解到不同频段中,提取每个频带能量作为断路器状态监测的特征向量,作为径向基神经网络的输入向量;基于径向基神经网络的故障诊断方法在系统参数未知的情况下自动建立动态模型,对于线性系统和非线性系统都有很好的跟踪能力,通过实验室断路器典型合闸振动信号的监测及识别分析验证了该方法的有效性。     

一种新的SAR窄带干扰抑制方法

合成孔径雷达易受电视网、通信网等无线设备的电磁干扰,严重影响成像质量。本文在分析SAR受到的干扰特点和信号模型的基础上,提出了一种基于压缩感知的SAR窄带干扰抑制方法。该方法根据SAR回波信号和窄带干扰信号在Chirplet字典上的调频斜率参数不同,在SAR回波信号重构过程中对干扰信号进行筛选并抑制,再把去除干扰后的压缩数据利用常规SAR成像算法进行成像。仿真结果表明,该方法不仅能有效抑制窄带干扰,而且大大减少了SAR系统成像处理的数据量,验证了本文所提方法的有效性。     

基于自回归-连续隐马尔可夫模型的离心泵故障诊断

根据振动与语音信号的相似性和离心泵故障信号的特点,将连续隐马尔可夫模型引入了离心泵的故障诊断中。利用自回归谱不受数据长度的限制,及自回归模型参数对状态变化规律反映敏感的特点,以信号的12阶自回归谱系数为特征矢量,将其输入到各个状态连续隐马尔可夫进行训练,来实现离心泵的故障诊断。为防止数据下溢,引入前向-后向比例因子算法求其对数似然概率,并且采用K-means算法对连续隐马尔可夫进行参数初始化。在给定的观测序列中每一种模型的优化路径通过Viterbi算法实现,用Baum- Welch算法实现参数重估。最后通过2BA-6A离心泵试验系统验证了该方法的有效性。     

基于压缩感知的井下振动高频测量方法研究

井下振动信号的高频测量信息能记录有关钻具动态响应的更具体细节,有益于分析诊断井下的异常振动,但是高频测量会产生大量的测量数据,导致井下振动测量设备的数据存储压力非常大。本文提出了一种基于压缩感知技术的井下振动信号的高频测量方法。通过选择性稀疏采集和存储井下振动数据,并利用信号重构算法,恢复高频测量结果。在该方法实现的过程中,提出一种分层抗频谱泄露的傅里叶字典构建和改进的分层追踪OMP信号重构算法,显著降低了信号重构时间。仿真和实验测试结果表明：该方法对振动信号的压缩感知采集效果较好,系统压缩比为18.9,重构分贝误差为52.1 dB。该方法有效减轻了井下振动测量设备的数据存储压力,为获取井下振动的高频测量数据提供了一种新途径。     

基于振动信号的高压并联电抗器故障诊断方法与监测系统研制

通过研究高压并联电抗器表面振动信号的幅频与分布特性,结合斯皮尔曼相关性分析,寻找并验证能够表征高压并联电抗器机械故障状态的特征参数,将振动信号的分段离散功率谱、主成分系数等参数组成特征向量,综合K-临近算法、支持向量、神经网络等多种机器学习方法实现对高压并联电抗器机械故障的诊断。在此基础上研发了一套在线监测系统,具有信号采集分析、故障诊断预警、数据智能采样存储、特征观察分析等功能。经实验测试表明,该系统诊断准确、性能稳定、方便智能,具有一定的实用价值。     

阵列导波检测数据分段式混合压缩算法研究

针对阵列导波检测中形成的大量数据对后续传输与存储所构成的挑战,本文提出了一种分段式混合压缩算法。基于损伤散射信号的高幅值及相关性特征,将检测数据划分为高、低保真段两部分。在高保真段设计了LOPCM无损压缩方法,在低保真段则应用JPEG有损压缩算法,以此兼顾压缩比与损伤信号的保真度。构建实验平台获取实测信号并实施压缩：对比验证了LOPCM方法的有效性;考察信号整体的误差指标,并结合重构数据成像结果,评估了分段式混合压缩算法对成像精度的影响。结果表明,该算法能够在保证损伤成像精度的基础上有效减少数据量,相较于仅采用无损或有损压缩能更好地满足阵列导波检测中对数据压缩的需求。     

基于 IDBO-ARIMA 的电力变压器振动信号预测

为解决电力变压器振动信号因非平稳特性而导致难以预测的问题,提出一种基于改进蜣螂优化算法的差分整合移动平 均自回归预测模型。 首先,利用 ADF 检验和 KPSS 检验对变压器原始振动信号进行平稳性检验,若不平稳则进行差分处理直至 信号平稳。 其次,通过在蜣螂优化算法中引入周期突变机制以提升算法的寻优能力,并利用改进后的蜣螂优化算法对差分整合 移动平均自回归模型参数 p 和 q 进行定阶,实现对变压器振动信号的预测。 最后,利用某个 0. 4- / 0. 4-kV,15-kVA 三相双绕组 干式变压器实际采集的振动数据,验证所提出模型的有效性。 仿真结果表明,该模型的平均绝对百分比误差可达 3. 77%,而差 分整合移动平均自回归模型、长短时记忆网络、循环神经网络和卷积神经网络的平均绝对百分比误差分别为 5. 34%、4. 74%、 5. 03%、5. 40%。 因此,所提出的模型可以实现变压器振动信号的精准预测。     

输电塔振动状态远程监测系统研究

根据输电铁塔振动监测的实际要求与特点,设计了输电塔振动状态远程监测系统。该系统可以自动采集输电塔的振动状态参数和当地气象数据．并通过无线网络在远端监控中心的主计算机系统上显示、处理测量结果,实现了振动信号的网络化实时采集和传输。现场应用情况表明,系统具有实时性强、可靠性和准确性高、可移植性好等特点。该系统对于特高压1000kV线路以及过江、过峡谷、台风和裹冰多发地区输电塔的远程健康状态监测有一定的参考价值。     

机械振动信号压缩采集重构算法性能研究

对机械振动信号进行压缩采集能够突破奎斯特采样定理的限制,把对信号的采样变成对信息的采样,有效地解决传统采样方式产生大量数据的问题且不造成信息的损失.振动信号重构算法是这一技术中非常关键的一部分,直接影响着振动信号的重构精度.然而目前的一些典型重构算法都是普适性的,有必要对机械振动信号的恢复效果做一系统研究.对当前比较典型的4种重构算法OMP(orthogonal matching pursuit)、StOMP(stagewise orthogonal matching pursuit)、BP(basis pursuit)、GP(gradient projection)针对机械振动信号的重建进行了适应性分析,主要从重建精度和重建时间两个方面进行系统研究并进行仿真实验.仿真实验表明,OMP算法复杂度低但不适于机械振动信号的恢复;StOMP有着较快的运算速度,非常适合于求解大尺度问题;BP复杂程度高,求解速度较慢,但重构精度很高;GP具有非常快的运算速度,但重构精度较差;     

基于相空间重构的高压断路器振动信号特征分析

在高压断路器运行和操作过程中,其振动信号包含了最丰富的关于操纵机构、机械连接和灭弧室内的触头动作信息,有效的信号处理方法和特征提取手段能够将这些信息反映出来,作为诊断及检修的判据。以提取诊断及检修判据为目的,将相空间重构的方法应用于高压断路器的振动信号处理,从一个新的角度对信号进行了分析,提取信号特征并加以整理。通过对相空间重构获得的相空间图直观定性分析,并进一步利用求解振动信号的关联维数的方法定量判断,提出了一种分辨断路器机械机构运行状态的方法。通过对几种工况下高压断路器的振动信号的处理,结合对各种条件下获得的振动信号的关联维数变化规律的分析,证明了该方法提取的关联维数判据能够有效分辨断路器操动机构的正常与异常状态。这表明该判据可以充当分辨断路器操动机构的工作状态是否异常的重要依据,通过与其他故障诊断方法相结合,具有一定的应用前景。     

基于虚拟仪器的机床齿轮箱故障诊断系统的设计

设计了基于虚拟仪器的齿轮箱故障诊断系统,利用图形化编程语言LabVIEW和模块化硬件,对齿轮箱的振动信号实时监测。建立了集参数数据库、故障数据记录库、故障诊断知识库、实时监测及诊断为一体的诊断系统。系统采用压电加速度传感器BZ1185采集齿轮箱振动信号,通过对信号放大、转换和滤波,将信号转换成有限带宽信号,通过数据采集卡AMPCI-9111输入到计算机中。使用开发的虚拟仪器技术开发平台,对CQ9145联合机床齿轮箱振动信号进行了倒频谱和小波分析,实验表明,本系统可以大大提高诊断准确度和效率。     

基于相空间重构与改进GSA-SVM的高压断路器机械故障诊断

断路器机械部件传动、撞击产生的振动信号具有混沌特性,运用常规的信号处理方法很难分析其特性。首先采用互信息法和Cao算法将振动信号重构至高维空间后,计算其排列熵作为特征向量,输入支持向量机对断路器机械故障类型进行诊断,最后用粒子群算法（PSO）改进的万有引力搜索算法（GSA）混合算法优化支持向量机参数,利用断路器实测振动信号进行验证。结果表明：相空间重构与排列熵结合能够准确提取断路器振动信号的特征,采用PSO-GSA改进的支持向量机能快速有效分辨断路器故障类型,解决了现有诊断方法的路径扭曲、能量泄露和模态混叠等问题。     

动力学小波字典驱动的轴承故障个性化稀疏诊断

针对轴承信号稀疏分解方法中因轴承个性化振动行为导致稀疏分解字典与故障信号适配性差,以及因字典参数设置、选取不当而使其在实际应用中稀疏分解效果不佳的问题,提出一种基于动力学小波字典的个性化稀疏诊断方法。该方法基于有限元技术和稀疏分解的思想,根据轴承所处运行工况的不同,建立个性化动力学仿真模型,仿真出振动信号,并从中提取出单个瞬态冲击作为字典原子,将原子进行拓普利兹(Toeplitz)延拓生成动力学小波分析字典,结合正交匹配追踪算法(OMP)对信号进行稀疏分解并重构,提取轴承故障特征频率。动力学模型仿真信号和试验台信号的分析结果表明,相比常用的相关滤波算法(CFA)构造的参数字典、K-SVD自学习字典和快速谱峭度方法,所提出的方法可以更加准确有效地提取故障特征成分,且具有较好的的稳定性和可拓展性。     

基于深度自编码网络模型的风电机组齿轮箱故障检测

为了实现风机齿轮箱的故障检测分析,提出一种基于风电机组齿轮箱的数据采集与监视控制(SCADA)数据和振动信号的深度自编码网络模型。该模型作为一种典型的深度学习方法,通过逐层智能学习初始样本特征,可以获取数据蕴含的规则与分布特征形成更加抽象的高层表示。首先,利用限制性玻尔兹曼机对网络参数进行预训练和反向传播算法对参数进行调优,建立深度自编码网络模型。然后,通过对齿轮箱的状态变量进行编码和解码,计算重构误差并将其作为齿轮箱的状态检测量。为了有效检测重构误差的趋势变化,选用自适应阈值作为风机齿轮箱故障检测的决策准则。最后,利用对齿轮箱故障前、后记录的数据进行仿真分析,结果验证了深度自编码网络学习方法对齿轮箱故障检测的有效性。     

磁悬浮振动测试系统信号分析及振动信号的提取

针对绝对式振动测量方法不易实现较低振动频率的测量问题,设计了磁悬浮振动测试系统。建立了磁悬浮振动测试系统振子的动力学方程,设计了磁悬浮振动测试系统的仿真模型。分析了磁悬浮振动测试系统的固有振动频率。对外加10 Hz和30 Hz的正弦信号情况下进行了仿真及功率谱分析;利用FFT变换和反变换,将被测振动信号和系统的固有信号进行了分离。实测了磁悬浮振动测试系统无振动情况下的固有频率,其结果与仿真结果相似。理论和实验分析表明,磁悬浮振动测试系统的测量灵敏度较高,易于实现较低频率的绝对式振动信号的测量。