基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法

为实现滚动轴承故障的精确诊断,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)与峭度准则的包络解调方法。该方法首先利用EEMD将振动信号分解,然后利用峭度最大准则选取EEMD分解后的本征模函数(intrinsic mode function,IMF),将该本征模函数进行包络解调从而获得滚动轴承的故障特征信息。该方法可以有效抑制经验模态分解(empirical mode decomposition,EMD)中的模态混叠问题,同时还避免了共振解调方法中中心频率及滤波频带的选取,具有良好的自适应性。利用该包络解调方法对实际滚动轴承发生内圈、外圈故障进行了分析,证明了该方法可以有效地提取滚动轴承故障特征信息,能够实现滚动轴承故障的精确诊断。     

基于改进频移经验模态分解的低频振荡参数提取

对于规模越来越大的复杂电力系统来说,采用基于量测数据的低频振荡研究方法日益受到重视。经验模态分解(EMD)方法的分解过程具有自适应且适于分析非平稳信号,在低频振荡参数提取方面应用较多,但EMD方法存在模态混叠等现象。当信号中2个单频分量的频率在2倍频内时,频移经验模态分解(FS-EMD)可将2个分量分解开。但当信号中有多个单频分量的频率在2倍频内时,FS-EMD就无法分解。为了提高EMD的频率分辨率并使分解方法具有通用性,文中提出了改进的频移经验模态分解(RFS-EMD)算法。此方法增大了信号中组成分量的频率比,且保证频率不翻转,使之可循环使用RFS-EMD算法分解复杂信号。该方法在应用于电力系统低频振荡模态参数的提取时,能较好地提取多个2倍频范围内的低频振荡模态分量的频率、幅值、相位及阻尼比等参数。数值仿真和实例分析均表明了该方法的有效性。     

基于变分模态分解和谱峭度法的滚动轴承故障特征提取

针对共振解调中带通滤波器参数的选取通常比较困难,以及滚动轴承早期微弱故障信号通常被强烈的背景噪声淹没,为此,提出了使变分模态分解(variational mode decomposition,VMD)和谱峭度法共同作用来处理故障信号的方法。首先要重构故障信号,利用VMD分解得到故障信号的本征模态分量(intrinsic mode function,IMF),再计算各分量对应的峭度值对其自适应重构。然后,对重构信号进行快速谱峭度分析,并据此设计带通滤波器。最后,根据重构信号共振解调后的谱线即可准确判断轴承故障。通过处理实测数据进行诊断,结果表明了该方法较传统共振解调法诊断结果更精确。由此可见,谱峭度法在滤波器参数选择上具有可靠性,以及VMD与谱峭度结合能够降低噪声干扰提取微弱故障信号。     

基于行波固有频率和经验模态分解的混合线路故障测距方法

基于行波固有频率的故障测距方法不依靠识别行渡波头即可进行精确故障测距,测距的关键是正确提取故障行波固有频率的主成分.该方法应用于架空线-电缆混合输电线路时,由于波阻抗不连续,会形成混叠的固有频率频谱,给正确识别和提取故障行波固有频率主成分带来困难.基于此,文中提出一种基于行波固有频率和经验模态分解(EMD)的架空线-电缆混合线路故障测距方法,在提取故障行波固有频率主成分之前先利用EMD进行信号分解,获取故障测距所需的故障行波成分,再对其进行固有频率频谱分析、主成分提取和故障测距计算.对某实际的110 KV架空线-电缆混合输电线路的仿真分析表明,该方法可较好地解决现阶段频域方法进行架空线-电缆混合线路故障测距时存在的频谱混叠问题,具有一定的实用价值.     

自适应噪声均值优选集成经验模态分解及其在滚动轴承故障诊断中的应用

为了提高自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的分解能力和分解精度,解决CEEMDAN方法中噪声残留等问题,提出了一种改进的CEEMDAN方法——自适应噪声均值优选集成经验模态分解...     

计及含光伏发电配电网故障的特征提取方法

基于信息熵理论和变分模态分解理论,提出一种熵-变分模态分量相结合(Entropy-VariationalModeDecom- position,E-VMD)的故障特征提取方法.首先通过含光伏发电的配电网仿真模型获取故障数据,挖掘数据的时域频 域特征,利用VMD对原始信号分解重建出K 个不同的频带分量,将采集到的故障信号通过分解重构放大故障特征, 然后在不同频带上基于信息熵等其他特征进行故障特征提取并构建矩阵.通过分析不同故障类型下的信号分解图,证 明该方法能够有效地进行特征提取.     

CEEMDAN与改进形态差值滤波结合的滚动轴承故障诊断

受电机所处工作环境中诸多因素的影响,轴承故障振动数据通常会混杂大量噪声,使得故障特征被无效噪声信息所淹没。为了将轴承故障冲击特征信息从含噪信号中提取出来,提出了一种CEEMDAN与改进形态差值滤波结合的故障诊断方法。在诊断初始阶段利用CEEMDAN对故障信号加以处理,得到相应的固有模态函数(IMF);用归一化互信息及峭度值作为评判标准,筛选所需的IMFs分量信号,并以此为基础完成信号重构;利用改进形态差值滤波实现对重构信号的去噪处理;求取处理后的信号频谱并加以探究,提取故障特征信息,完成对故障的有效诊断。由实例验证结果可知,该方法可在背景噪声干扰下对故障特征频率进行较好的定位,能够作为滚动轴承故障诊断的有效方法。     

基于多维度特征提取的电弧故障检测方法

针对当前含多种电气故障的复杂电路电弧故障识别率低、训练速度慢的问题,提出一种窗口划分结合小波分解与经验模态分解(empirical mode decomposition,EMD)分别从时域、频域及时间尺度等多个维度提取电流特征量,利用机器学习分类模型进行电弧故障识别的方法.首先,利用搭建的电气故障实验平台采集故障及正常电流数据,并将电流数据进行窗口分段,然后分别使用小波变换与EMD方法对电流信号进行分解并计算不同维度上的特征量,将该特征信息作为分类算法的输入进行电弧故障诊断.经实验验证,该特征提取方法在梯度提升决策树(gradient boosting decision tree,GBDT)上的电弧故障检测准确率高达98％,相比电流不分段的方式分类准确率提升了1.87％,能有效获取电弧故障特征,实现对电弧故障高效率与高准确率检测.     

基于EEMD近似熵的水电机组振动信号特征提取

对于水电机组非平稳非线性振动信号特征提取方法的研究近年来一直是水电机组故障诊断领域研究热点,特征提取的有效性直接关系到故障诊断的准确性。本文提出基于集合经验模态分解(EEMD)和近似熵的水电机组振动信号特征提取方法,将信号经EEMD分解后筛选得到的本征模态分量(IMF)近似熵特征值输入概率神经网络(PNN)进行模式识别。采用经验模态分解(EMD)和近似熵特征提取方法进行对比实验。识别结果表明:采用EEMD和近似熵的特征提取方法,能有效区分机组不同的运行状态,可为实际工程应用提供理论依据。     

基于MVMD和全矢包络谱的滚动轴承故障诊断方法

为全面、准确地诊断滚动轴承故障,提出一种基于多元变分模态分解(MVMD)和全矢包络谱的滚动轴承故障诊断方法.首先,采用正交采样技术获取滚动轴承同一支撑处互相垂直方向上的振动信号,将其组成一个二元调制振荡信号.然后,运用MVMD从二元调制振荡信号中提取一组最佳的二元调制振荡信号,其对应的带宽之和最小.由于MVMD运用统一数学模型对2个方向的信号建模,可确保故障特征被分解到同一层,便于后续的信息融合.最后,运用Hilbert变换对每个二元调制振荡信号解调得到相应的包络信号,利用全矢谱融合2个方向的包络信号信息以得到全矢包络谱,进而诊断滚动轴承故障.仿真和试验结果证明了所提方法的可行性和有效性.     

经验模态分解端点波形延拓改进方法研究

为提高经验模态分解(EMD)的分解精度,针对分解过程中存在的端点效应问题,在对已有波形匹配延拓方法改进的基础上,提出了一种改进后的基于端点波形匹配的经验模态分解方法。通过对齿轮裂纹故障模拟试验结果分析表明,当齿轮转速为600r/min时,5 120个实验数据分解时间约为1.2 s,所得第6个IMF分量的幅值谱峰值频率为10 Hz,对应着系统的回转频率。第2个IMF分量的峰值频率为550 Hz,对应着系统的啮合频率。所提出的方法能够分解出齿轮系统的特征分量,具有较高的分解精度和计算效率。     

基于 ACMD 和脊检测的滚动轴承非平稳故障诊断

针对非平稳状况滚动轴承振动信号易受速度波动、幅值或频率调制、噪声和其他无关分量的干扰,导致生成的时频面复 杂,难以识别滚动轴承故障特征频率等问题,提出一种新的基于自适应调频模式分解和脊检测相结合的方法。 所提出的方法构 建了高分辨率的时频表示,提升了诊断的准确度,而且具有非常强的自适应性。 通过对不同健康状况滚动轴承振动信号分析发 现,所提方法非常适合于变工况下的滚动轴承故障诊断,且诊断效果优于最新发展的时频分析方法。     

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。     

一种组合重构的电能质量扰动特征提取方法

电力系统中电能质量扰动类型较多、扰动特征表征复杂,特征提取的有效性直接影响识别精度。为了保证特征提取的有效性,通常以牺牲特征向量维度作为代价,但特征向量维度过高会增加识别模型的复杂度和降低识别的速度。基于以上考虑,提出了一种基于能量熵和功率谱熵的组合重构特征提取方法。首先根据电能质量扰动信号特性和改进集合经验模态分解(modified ensemble empirical mode decomposition, MEEMD)对电能质量扰动信号进行处理。其次利用能量熵和功率谱熵对扰动特征进行组合提取,构建高精度、低维度的特征向量。最后通过双层前馈神经网络(double-layer back propagation neural network, DBPNN)对扰动信号进行识别。仿真和实验结果表明,与单一特征提取方法相比,所提出的组合重构特征提取方法的特征向量维度、识别模型复杂度和识别难度降低,准确率较高,且具有一定的抗噪性。     

基于经验模态分解法的桥梁应变信号降噪方法研究

针对桥梁应变信号的特点,提出了一种基于经验模态分解法的降噪方法。当信号中噪声分布在某些特定频段且与信号混叠时,现有的降噪方法如小波阈值法无法很好地对其进行处理。本文在对桥梁应变信号进行经验模态分解的基础上,具体分析分解后的本征模函数分量,对含噪较大的本征模函数分量进行特定的阈值滤波处理,并将处理后的本征模函数分量与含噪较小的本征模函数分量以及残余分量进行信号重构,得到降噪后的桥梁应变信号。将此方法用于实际测得的数据,实验结果表明,其能在保留原始信号特征的前提下,消除桥梁应变信号中的噪声,从而达到降噪的目的。     

基于形态优化滤波的轴承故障特征提取方法

针对滚动轴承故障特征难以提取等问题,提出利用判别指标最大准则选择最优形态滤波算子进行轴承故障特征提取新方法,以达到在噪声干扰下更优的故障冲击信号提取效果。首先利用6种形态滤波器以不同尺度结构元素对轴承故障信号进行降噪处理;其次计算滤波信号的判别指标,以判别指标最大原则获取最佳形态滤波算子;然后利用最佳形态滤波算子处理滚动轴承实例故障信号;最后借助特征频率强度系数、峭度和偏斜度评价滤波质量,将该方法与传统方法进行比较。测试结果表明,该方法能够更好地提取轴承故障特征信息,有效抑制噪声实现轴承故障精确诊断。     

基于集合经验模态分解和改进极限学习机的短期风速组合预测研究

提出一种基于集合经验模态分解(Ensemble empirical mode decomposition)和改进极限学习机(Improved Extreme Learning Machine,IELM)的新型短期风速组合预测模型。采用集合经验模态分解将风速序列分解成不同频段的分量,以降低序列的非平稳性。使用改进极限学习机对各分量分别建模预测,为避免极限学习机输入维数选取的随意性和分量信息丢失等问题,先对各分量重构相空间,最后将各分量预测结果叠加得到最终预测结果。实例研究表明,所提的组合预测模型具有较高的预测精度。     

采用优化经验模态分解的电力谐波辨识方法

电力谐波的准确辨识对智能用电具有重要的研究价值和意义。针对基于屏蔽信号的经验模态分解(M-EMD)在谐波辨识中幅值误差较大、模态分解不完整以及屏蔽信号构建参数依赖经验值等问题,提出对待分析信号进行滤波和模态预提取,并采用协同混沌粒子群优化算法(CCPSO)对屏蔽信号的构建参数进行寻优。电力谐波仿真辨识实验证明,与M-EMD算法相比,文中所述的IM-EMD算法在谐波辨识的准确度和可靠性上有了明显提高。