基于EMD近似熵和SVM的电力线路故障类型识别

提出了一种基于经验模式分解(EMD)的近似熵和支持向量机(SVM)的电力故障类型识别的新方法.利用EMD良好的局域化特性和近似熵来量化故障特征.再与SVM结合进行故障类型识别.首先,对故障线路的三相电压信号进行EMD分解得到若干个能反映故障信息的本征模式分量(IMF);其次,选取三相电压的前4个IMF的近似熵值作为信号的特征向量.最后将构造的特征向量输入到SVM分类器进行故障类型识别.仿真表明,该方法能有效地提取故障特征,不同的故障类型,其三相近似熵变化明显不同,同一种故障类型,在不同故障位置、过渡电阻和初始相角情况下,其三相近似熵变化规律相似;与传统的BP网络相比,SVM网络具有训练样本少、训练时间短、识别率高的特点.     

基于边界延拓改进EMD的断路器机械故障诊断法

文中针对经验模态分解(EMD)分解结果的准确性对断路器机械故障诊断结果的影响,提出基于边界延拓的EMD和径向基(RBF)神经网络融合的断路器机械故障诊断方法:首先采用最小二乘法进行边界延拓克服EMD分解过程中的端点效应,以减少信号的拟合误差;然后采用改进的EMD分解法将断路器机械振动信号分解为有限个相互独立的IMF函数,并计算包含不同频率成分的IMF包络的能量熵值,将能量熵向量作为RBF神经网络的输入,再采用交替梯度法训练RBF神经网络模型,实现对断路器机械故障的准确诊断;实验结果说明,该方法可以有效的诊断断路器机械故障类型。     

基于SVD-SVM的HVDC换流器故障诊断

换流器结构复杂,其故障信号难以诊断。文中基于奇异值分解(SVD)和支持向量机(SVM)提出了一种换流器故障诊断的新方法,对选取的故障信号矩阵进行SVD分解,所得奇异值的大小反映故障信息量的大小,选取最大奇异值对应的特征矩阵作为样本,用SVM进行训练分类。当换流器发生故障时,对故障信号矩阵进行SVD分解,用训练所得的SVM诊断器进行故障诊断。仿真表明,SVD分解可以有效提取换流器故障特征,通过SVM可以准确诊断换流器各种故障,文中方法快速准确。     

基于振动信号经验模态分解及能量熵的高压断路器故障识别

为了准确地检测出高压断路器的故障类型,笔者首次将经验模态分解(EMD)方法引入高压断路器的振动信号分析当中,并提出将EMD分解得到的固有模态函数(IMF)能量熵值作为表征断路器故障类型的新特征向量。为了证实该分析方法的有效性,笔者在实验室的110 kV SF6断路器上进行了模拟实验,提取了正常和故障状态下振动信号的IMF能量熵值特征向量,并以此作为径向基神经网络的输入向量。最后,引入置信度的概念,对径向基神经网络的输出结果进行评价。该方法基于实验室研究取得了较好的识别效果,并为基于振动信号的断路器故障识别提供了一条新的思路。     

基于多小波包系数熵和人工神经网络的输电线路故障类型识别方法

基于多小波包分解系数和信息熵的概念定义了多小波包系数熵的表达式,并提出多小波包系数熵和人工神经网络相结合的输电线路故障类型识别方法：首先对不同故障工况下采集的故障电流信号进行适当的多小波包分解,计算各频带的系数熵;然后构造多小波包特征向量,将这些向量作为训练样本对径向基函数(radial basis function,RBF)神经网络进行训练;当输电线路发生故障时,将提取的故障电流信号的多小波包系数熵特征向量输入训练好的RBF神经网络,即可实现故障类型的识别。仿真结果表明采用多小波包提取的故障电流特征量比采用传统小波包提取的特征量信息更丰富,对人工神经网络的训练效果更好,网络识别精度具有明显优势。     

基于EMD和ELM的低压电弧故障识别方法的研究

针对低压配电线路负载端电弧故障电压具有较强的信号奇异性波形特征,利用低压串联电弧故障实验平台,采集若干典型的低压配电线路负载端故障电弧电压信号进行分析。采用经验模态分解(empirical mode decomposition,EMD)有效地提取反映电弧故障信号局部特性的本征模态函数(intrinsic mode function,IMF)分量,经分析IMF分量的方差贡献率确定前5阶IMF用于表征各类负载电弧故障主要特征信息,提取前5阶IMF分量能量比为特征向量作为极端学习机(extreme learning machine,ELM)的输入向量,建立不同负载电弧故障识别模型。实验与仿真结果表明,基于EMD分解和ELM相结合的故障电弧诊断方法,在有效提取不同负载电弧故障特征的基础上,实现了不同负载电弧故障的识别。     

EMD融合多重分形的故障诊断研究

本文建立了以EMD分解为基础,将分解信号再多重分形然后用改进BP神经网络训练的水轮发电机组故障诊断模型。该模型先利用EMD分解对振动信号进行识别,得到故障信号的EMD近似系数,再通过多重分形谱算法提取振动故障的特征向量,最后将该特征向量输入BP神经网络进行分类识别。故障信号频谱特性的提取差异很大,不能反应故障特征。该模型直接通过波形提取信号特征,避免频谱提取的提示还结合了多重分形谱进行诊断识别,为水轮发电机组故障诊断提供了一种新的思路。经过现场试验,该方法能够准确识别故障,结果令人满意。     

采用HHT振动分析的低压断路器合闸同期辨识

利用振动信号辨识三相合闸不同期故障,应解决有效的振动信号消噪及其故障特征提取方法.提出一种希尔伯特-黄变换(HHT)的低压断路器振动信号分析方法,采用经验模态分解(EMD)有效地提取反映振动信号局部特性的本征模态函数(IMF)分量,以前5阶IMF分量表征振动信号特性且起到信号消噪作用.通过时域特征分析,得出振动信号的峭度和均方值可作为判别机械特性的辅助特征指标.提出前5阶IMF分量能量比及峭度、均方值为特征向量,建立粒子群优化径向基(PSO-RBF)神经网络的低压断路器合闸不同期故障识别模型.实验与仿真结果表明,基于单个传感器振动特性,综合采用时域分析、EMD分解、粒子群优化神经网络等人工智能的合闸同期性故障识别效果良好,为断路器故障尤其是三相合闸同期性振动分析提供了一种新的诊断方法.     

基于EMD相关去噪的风电机组振动噪声抑制及特征频率提取

针对风电机组振动信号同时受背景白噪声和短时干扰噪声的影响,使得早期微弱故障特征频率难以提取的问题,提出一种结合经验模态分解(EMD)、相关性分析和小波包变换(WPT)的振动信号噪声抑制及故障特征频率提取方法(EMD相关去噪-WPT)。该方法首先利用EMD分解振动信号得到能表征不同频率的固有模态函数(IMF),然后筛选表征故障特征频率的IMF,并重构得到故障特征信号;其次,利用自相关分析去除重构信号中噪声的影响;最后,结合小波包变换(WPT)提取去噪重构振动信号中的特征频率。为了验证所提方法的有效性,以实测和模拟的双馈风电机组轴承故障振动信号为例,对轴承振动信号分别利用小波包变换(WPT)、EMD相关去噪-WPT、小波硬阀值-WPT方法进行特征频率提取分析。通过不同特征频率提取方法比较表明,所提出的基于EMD相关去噪-WPT特征频率提取方法,能够更有效地抑制背景白噪声和短时干扰噪声的影响,提取出早期微弱故障特征。     

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。     

小波包结合PSO-RBF故障测距法

针对传统高压直流输电故障测距方法存在的缺陷,提出了基于小波包分解与径向基函数RBF(radial basis function)神经网络相结合的故障测距算法。通过RBF神经网络拟合逼近能量比与故障距离之间的非线性关系,采用粒子群优化算法进行优化,运用小波包分解算法提取故障暂态电压信号的频谱能量对RBF神经网络进行训练学习,形成PSO-RBF故障测距模型。将反映故障位置的特征数据输入训练后的模型可进行故障测距。大量仿真结果表明,该方法精度较高,耐受过渡电阻能力强,大幅度提高了高压直流输电系统故障测距的准确性。     

VMD多尺度熵和GWO-SVM在扬声器异常声分类中的应用

针对扬声器异常声分类中异常声特征提取以及分类识别两个关键环节,提出一种基于变分模态分解(VMD)多尺度熵(MSE)与灰狼算法优化支持向量机(GWO-SVM)结合的扬声器异常声分类方法。首先,对扬声器声响应信号进行VMD分解得到一系列本征模态函数(IMF),计算各阶IMF与原始信号的相关系数,然后选择相关系数高的IMF提取该IMF的MSE作为特征向量,最后利用灰狼算法优化支持向量机模型识别故障类型。实验结果表明,在5种状态下扬声器单元分类的识别中,较经验模态分解(EMD)多尺度熵、VMD多尺度散布熵(MDE)、EMD多尺度散布熵的特征提取方法,VMD多尺度熵呈现出更高的识别准确率,其识别准确率为99.3%。能更好地表征异常声特征。     

采用EMD谱带通滤波和近似熵识别的配电网单相接地故障区段定位新方法

配电网单相接地故障定位技术,是提高配电网供电可靠性的关键。在研究接地故障暂态特征的基础上,结合经验模态分解(EMD)和近似熵方法,提出了一种基于暂态零模电流的定位新方法。该方法利用故障点上下游暂态电流差异大、故障点同侧暂态电流基本相同的特征,首先用EMD方法把电流信号分解为多个内在的频带分量,然后求取其近似熵值并利用K均值聚类综合判断故障区段。该方法通信传输量小,能够克服幅值小、噪声大等不利因素,很好地实现故障信号特征的定量提取,比传统近似熵算法的定位准确度更高。最后通过仿真和现场录波验证了该方法的有效性。     

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EMD与SVD的齿轮箱分形诊断方法研究

提出了一种基于经验模态分解(EMD)与奇异值分解(SVD)的机械振动系统故障分形诊断方法。该方法首先将EMD和SVD相结合,对信号进行分解和特征筛选,通过重组所得轨道矩阵,实现对机械系统振动信号不同特征信息的提取。然后利用Kolmogorov熵、多重分形等动力学分析方法,对降噪振动信号进行分形诊断。在直齿轮减速箱故障识别中的应用表明,该方法不仅有效提取出了系统的特征信息,而且可实现对系统状态和细微故障差别的有效识别,并可给出定量判据。     

基于EMD奇异值熵和SVM的牵引供电系统故障诊断研究

牵引供电系统发生故障时,如何快速诊断故障,对维护铁路的正常运输秩序有极大影响。为此,提出了一种基于EMD奇异值熵和SVM结合的故障诊断方法。以牵引供电系统发生故障时的现场故障波形为原始数据,首先将故障数据进行EMD分解,将得到的本证模态函数(IMF)和残差作为特征向量矩阵,并对其进行奇异值分解;然后根据信息熵理论定义奇异值熵,并将计算得到的奇异值熵作为特征量输入SVM分类器中进行训练和测试,得到最终的故障分类模型;最后通过分析表明该方法的准确率为93.8%,能对牵引供电系统4种典型故障进行诊断。     

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模糊熵和SVM的高压断路器故障诊断

为了有效提取高压断路器振动信号的特征,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)模糊熵和支持向量机(Support Vector Machine, SVM)的特征向量提取方法,并采用SVM分类器对断路器的故障类型进行识别。首先,使用VMD对断路器的振动信号进行分解,得到若干个模态分量;然后,计算每一个模态分量的模糊熵,将其组成特征向量;最后,将上述特征向量导入到SVM分类器中进行训练,得到训练好的SVM模型,使用该模型对断路器4种运行状态下的样本数据进行故障识别。结果表明,基于VMD模糊熵的特征向量提取方法所提取出的特征向量相对基于经验模态分解(Empirical Mode Decomposition, EMD)样本熵的特征向量提取方法所提取出的特征向量可分性较好;在小样本的模式识别中,SVM相比于BP神经网络,具有更高的识别精度,能够有效识别断路器的故障。     

基于EMD和AR模型的水轮机尾水管动态特征信息提取

提出一种基于经验模态分解(EMD)和自回归(AR)模型的水轮机尾水管动态特征信息提取方法.对经过预处理的信号进行EMD分解,得到包含特征频率的本征模态函数(IMF),对每个IMF建立AR模型,取模型参数作为故障模式识别的特征矢量.以水轮机尾水管压力脉动信号为例,运用此方法进行了尾水管动态特征信息的提取.试验表明,基于EMD和AR模型的特征提取法是故障特征提取的有效方法.     

HHT改进及其在风力发电机故障诊断中的应用

为解决风力发电机轴承故障特征难以提取的问题,提出一种基于相关分析的改进的HHT方法。该方法利用EMD是近似正交分解的特征,将EMD产生的残差分量与原信号间的相关系数作为阈值,对IMF进行自适应筛选,解决了由三次样条拟合误差引发的伪IMF问题。通过仿真分析对该方法进行了验证。使用该方法分析D70型1.5 MW风力机承振动信号,诊断出了轴承故障,进而可以将该方法应用于工程实践中。