模态时频图与ResNet50融合的真空接触器故障诊断方法

针对时频方法用于真空接触器故障诊断存在特征遗漏的局限性，提出一种利用模态时频图描述振动信号特征，并融合ResNet50的故障辨识方法。首先设置故障模拟方案，并采用下采样处理方法，丰富样本数据库。其次采用灰狼优化算法，搜寻变分模态分解(variational mode decomposition,VMD)算法的最佳参数，将复杂振动信号分解成最佳中心频率、有限带宽的固有模态分量。最后，提出一种模态时频图提取特征方法，利用小波变换将模态分量生成模态时频图，充分提取特征，并融合ResNet50辨识故障类型。以ZKTJ–400/1140型真空接触器作为实验对象，故障识别率达到99.38%。通过与其他时频图故障诊断方法对比，所提方法准确率明显提升，为精确感知一次设备状态提供了参考。     

基于知识蒸馏与RP-MobileNetV3的电能质量复合扰动识别

针对复合电能质量扰动(power quality disturbance, PQD)识别中特征提取复杂、识别正确率低和模型难以轻量化等问题,提出一种利用递归图(recurrence plot, RP)对PQD信号可视化方法和基于知识蒸馏的模型训练方法。首先,基于RP挖掘PQD信号隐含特征并构建图像数据集,并利用深度残差收缩网络(deep residual shrinkage network, DRSN)对图像数据集进行更深层次特征提取并完成自主分类。然后,基于知识蒸馏(knowledge distillation, KD)让已训练的DRSN指导轻量化网络MobileNetV3进行训练,通过蒸馏实现知识的跨网络传输。最后,仿真实验和硬件实验表明,利用知识蒸馏训练的MobileNetV3能实现高精度且轻量化的复合扰动识别,同时在30 dB噪声环境下正确率能提升1.06%,对实际扰动信号识别效果良好,具有良好的噪声鲁棒性。     

基于小波分解和数据挖掘中决策树算法的电能质量扰动识别方法

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种基于小波分解和数据挖掘中决策树算法的电能质量扰动(power quality disturbance,PQD)识别方法。建立了正弦信号和6 种常见PQD 信号的数学模型,通过小波分解得到了上述信号的特征量,结合决策树方法实现了对PQD 的自动分类,并通过合理选择小波类型、分类算法和去噪方法提高了PQD 的分类精度。实验结果验证了该识别方法的准确性和高效性。     

基于混合分解多尺度时频图和Res-GRU-AT的电能质量复合扰动识别

能源互联网背景下的电能质量问题越来越凸显,针对传统电能质量扰动(powerqualitydisturbances, PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种混合分量多尺度时频图和残差神经网络(residual neural network, ResNet)、门控循环单元(gated recurrent units, GRU)网络与注意力机制(attention, AT)组合的电能质量复合扰动识别新方法—Res-GRU-AT。首先利用奇异谱分解(singularspectrum decomposition, SSD)和逐次变分模态分解(successive variational mode decomposition, SVMD)对PQDs信号分别进行多尺度分解得到混合分量,再对混合分量进行希尔伯特黄变换(Hilbert-Huang transform, HHT),分析得到多尺度时频图。其次,利用Res-GRU-AT模型对多尺度时频图进行深层次特征提取、强化和识别。Res-GRU-AT模型能够利用ResNet的二维图像空间特征提取能...     

基于S变换和IWOA-SVM的复合电能质量扰动识别

针对目前复合电能质量扰动（PQD）信号特征冗余,分类识别准确率低的问题,提出了一种基于S变换和改进鲸鱼算法支持向量机（IWOA-SVM）的复合电能质量扰动识别方法。首先,利用S变换对7种单一电能质量扰动和生成的13种复合扰动信号进行时频分析,使复杂扰动信号的特征得以凸显。设计特征提取方法,从实频矩阵中尽可能地获取便于分类的信号特征信息;其次,引入自适应权重因子和随机差分变异策略对WOA进行优化,提升其搜索能力;最后建立IWOA-SVM分类预测模型,优化SVM高斯核函数参数,以获得更好的鲁棒性和泛化能力,对提取的特征样本进行自动分类和识别。实验结果表明,所提方法分类识别准确率高,能有效识别多种复合PQD信号,有助于评估与治理电能质量问题。     

基于经验模式分解和概率神经网络的气液两相流识别

针对气液两相流压差波动信号的非平稳特征和BP神经网络学习收敛速度慢、易陷入局部极小值等问题，提出了一种基于经验模态分解(empirical mode decomposition，EMD)和概率神经网络的流型识别方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数trinsic mode function，IMF)之和，再选取若干个包含主要流型信息的IMF分量进行进一步分析。由于流型转变时，压差波动信号各频带的能量会发生变化，因而可以从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别流型。对水平管内空气-水两相流4种典型流型的识别结果表明，EMD能量比小波包能量特征具有更高的流型识别率，可以准确、有效地识别流型。     

基于MEEMD与概率神经网络的贯通式同相牵引直接供电系统故障识别

针对贯通式同相牵引直接供电系统可能发生的雷击故障、雷击干扰和接地故障3种扰动进行建模分析和识别研究。在牵引网仿真模型的基础上,通过实验得到3种扰动的暂态特征。根据以上故障提出了改进总体平均经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)与概率神经网络(Probabilistic Neural Network,PNN)结合的智能识别方法。MEEMD分解故障暂态电流信号得到本征模态函数(Intrinsic Mode Function,IMF),分别用样本熵和排列熵提取IMFs分量特征,结合PNN进行故障识别,通过实验看出,基于MEEMD排列熵与PNN结合的智能识别方法能较好地识别牵引网的3种故障。     

基于二维离散余弦S变换的电能质量扰动类型识别

为获得可靠的高质量电能,提高电能质量扰动(Power Quality Distrubances, PQD)类型识别准确率,提出了一种基于二维离散余弦S变换(2D-DCST)的PQD类型识别方法。首先在数学模型的基础上,生成包括7种复合扰动在内的17类不同的电能质量事件。然后将一维的PQD信号转换成行列相等的二维信号,利用2D-DCST方法从二维信号中得到其振幅矩阵,对振幅矩阵提取基于统计、能量和图像的特征。再使用第二代非支配排序遗传算法(NSGA-Ⅱ)将提取的大量特征降维成少量有用的特征组。最后对所选特征使用支持向量机(SVM)分类器,构建一个分类准确率高、特征数目少的类型识别模型。实验结果表明,该方法能够准确高效地识别17类电能质量事件,并且有较好的抗噪性。同时对复合扰动也有较高的识别准确率,为电能质量扰动类型识别问题提供了新的方法。     

基于POA-VMD-WT的MEMS去噪方法

针对MEMS传感器所测得的加速度和角速度输出信号噪声较大问题,提出一种基于鹈鹕优化算法(pelican optimization algorithm, POA)的变分模态分解(variational mode decomposition, VMD)结合小波阈值(wavelet threshold, WT)的去噪方法。首先利用POA对VMD的参数组合进行优化选择,然后应用POA-VMD将含噪信号自适应、非递归地分解为一系列本征模态函数(intrinsic mode function, IMF)。再通过计算每个IMF的余弦相似度对IMFs进行分类,根据计算结果将IMFs分为噪声主导分量与信号主导分量,对分类后的噪声主导分量进行改进小波阈值去噪处理,最后对处理后的噪声分量与信号主导分量进行重构,获得降噪后的MEMS传感器信号。静态和动态实验结果表明,该方法去噪处理后信号的信噪比分别提高12和10 dB,均方误差分别降低75.5%和46.6%,去噪效果显著,能够提高MEMS传感器的精度。     

提升EEMD降噪方法及制冷机轴承故障诊断应用研究

针对制冷机轴承振动信号被复杂干扰淹没,难以提取有效特征问题,提出一种提升总体经验模态分解(EEMD)的轴承振动信号降噪方法。首先,利用小波包精细分解特性,基于白噪声检验原理提取第一个IMF分量中有用信号;然后,利用噪声和信号主导的本征模态分量(IMFs)与原始信号互相关系数差异巨大的特性,对分解后的IMFs进行区分,分别使用小波包浮动阈值方法和SG滤波算法提取高、低频分量的有用信号,克服了传统EEMD降噪时信号失真、IMFs选择的难题。为了验证方法的有效性,进行了数字仿真与制冷机轴承振动信号应用验证分析,结果表明,所提方法基于一种精细的决策处理方法,可以将淹没在复杂干扰中的有用特征提取出来,为制冷机轴承状态监测提供有效的预处理手段。     

基于EMD和SVM的变压器励磁涌流和短路电流识别

为了正确识别变压器励磁涌流和短路电流,提出一种基于经验模态分解(Empirical mode decomposition,EMD)和支持矢量机(Support vector machine,SVM)的识别方法.该方法首先对原始电流信号进行经验模态分解,将不平稳信号分解为多个平稳的固有模态函数(Intrinsic mode function,IMF)之和,分别计算前五层IMF分量能量并组成能量特征向量;然后以此作为SVM分类器的输入参数来识别励磁涌流和短路电流.仿真结果表明,该识别方法在小样本情况下,能准确、有效地识别励磁涌流和短路电流两类电流信号,而且受噪声的影响小.     

基于分段改进S变换和随机森林的复合电能质量扰动识别方法

各类分布式设备和智能设备接入电力系统,使得电力系统对电能的波动越来越敏感,这导致对电能质量扰动(PQD)的识别和处理变得越来越重要。通过将分段改进S变换(SMST)和随机森林(RF)算法相结合,提出了一种用于复杂噪声环境下PQD识别的新方法。首先,基于检测误差和峰度对SMST的不同频段进行分别调参,并使用SMST提取待检测信号的75种时频特征,构成原始特征集。然后,改进分类回归树(CART)的节点分裂过程,加入了离散值处理策略并使用Gini指数的下降作为新的节点分裂规则。同时,在下次节点分裂前,将基尼指数下降值为零的特征从特征集中删除。最后,使用改进的CART算法构建了RF分类器并对复合PQD信号进行分类。实验证明,在不同的信噪比条件下,新方法均能有效识别多数单一PQD信号和常见的双重复合PQD信号。虽然新方法在运行效率方面仍有一定的改进空间,但其在不同层面上的改进均能有效提升PQD识别精度,且平均分类精度明显高于各类传统PQD识别方法。     

基于多特征组合的电能质量扰动识别方法

为解决电力系统电能质量复合扰动识别困难的问题,同时为电网无功功率补偿提供依据,提出了一种基于多特征组合的电能质量复合扰动识别方法。应用小波包变换和S变换对电能质量扰动信号进行时频分析,提取信号的幅值特征和频率特征,构建电能质量扰动的多特征组合。然后利用概率神经网络构建多特征组合分类器实现电能质量扰动的分类识别。仿真实验证明,该方法能够识别包括两种复合扰动在内的7种电能质量扰动信号,并且具有较高的分类准确度和抗干扰能力,具有工程应用价值。     

改进 CEEMDAN 算法的电机轴承振动信号降噪分析

为提高传统自适应噪声完备经验模态分解算法(CEEMDAN)对电机轴承故障特征信号的精确提取率,降低重构信号失 真,提出了一种改进自适应噪声完备经验模态分解算法。 首先利用传统 CEEMDAN 对原始信号初步分解,获得若干特征分量 (IMFs)和固有模态分量,将若干 IMFs 运用熵权法进行初步故障特征信号消噪和提取,对筛选后的 IMF 分量进行二次分解和二 次筛选,获得典型故障敏感信号,再运用 SG(Savitzky-Golay)平滑滤波进行信号重构,最终实现电机轴承信号降噪。 最后利用凯 斯西储大学轴承数据进行改进算法性能分析,结果表明该方法对电机轴承信号能够有效的进行信号降噪,其信噪比相比于原始 信号提高 2. 2 dB。     

基于自适应调频模态追踪方法的铣削颤振识别

在铣削加工工程中,产生颤振,严重影响产品的加工精度和表面质量。为了有效避免铣削过程中发生颤振,提出了基于自适应调频模态追踪(adaptive chirp mode pursuit, ACMP)的铣削颤振监测和识别方法。该方法综合考虑了振动信号的带宽和微弱特性,ACMP在递归框架中逐个捕获信号模式,在该算法中,不需要输入信号模式的个数,而是可以通过评估残差信号的能量来学习,这样就可以避免由于分解层数不确定带来的模态混叠或者过度分解的问题。首先使用仿真信号验证了该算法对颤振信号具有很高的识别精度;然后基于现场的铣削实验数据证明该方法及时有效地对颤振进行识别;最后从ACMP处理后的信号中提取功率谱熵值作为颤振识别特征。该方法解决了经验模态分解(empirical mode decomposition, EMD)算法的模态混合和伪分量问题,又降低了变分模态分解(variational mode decomposition, VMD)的精度不稳定的影响,可以准确快速地识别到颤振,对提高加工质量具有重要意义。     

装备电力系统电能质量复合扰动识别方法研究

为了提高装备电力系统复合电能质量扰动(PQD)识别能力,提出了构建组合特征集用以全面表征装备电力系统电能质量复合扰动的粒子群优化(PSO)极限学习机(ELM)分类新方法。首先,结合S变换和经验模态分解(EMD)两种特征提取手段,构建组合特征向量集,对复合扰动信号特征边界区分更加明显;然后,优化ELM隐含层神经元数目,平衡其分类的实时性和准确性,在PSO适应度函数与ELM训练误差之间建立联系,设置了PSO初始参数,完成了分类器设计。经装备电力系统实测数据验证,该方法对7类典型装备电力系统电能质量复合扰动信号能够准确识别,且对噪声不敏感,相较于单独使用的ELM,显著地减少了训练及分类时间,进一步提高了分类的准确性。     

基于CEEMDAN与小波自适应阈值的去噪新方法

一维电能质量信号中通常含有不同程度的白噪声,高效去噪是对电能质量信号进行检测与识别的重要前提。为了能有效地消噪并完整还原信号的奇异点等真实信息,提出了基于自适应白噪声的完备总体经验模态分解(CEEMDAN)与小波自适应阈值的去噪新方法。首先通过自相关法对CEEMDAN分解得到的含噪高频固有模态函数(IMFs)进行筛分;然后对这些高频分量进行小波自适应阈值降噪,这样就保留了高频部分的有效信息;最后与低频IMFs进行信号重构。仿真结果表明该方法去噪效果好,有效地保留了高频成分中的真实信息,为电能质量信号去噪提供了新思路。     

改进希尔伯特–黄变换方法提取水轮机动态特征信息

常规的希尔伯特–黄变换(Hilbert-Huang transform,HHT)方法能较好地分析水轮机轴系信号,但经经验模态(empirical mode decomposition,EMD)分解后,在原始信号的低频区易产生虚假的内禀模态函数(intrinsic mode function,IMF)分量,干扰特征信息的提取,引发误判。该文提出基于能量波动的改进HHT方法及其判别条件。该方法利用分量信号能量递减原则并设定判别阈值来跟踪筛选虚假分量。通过仿真信号对该方法进行了有效性验证,并以原型水轮机非最优工况下动态信号为例,进行了应用检验。结果表明,该方法具有良好的虚假分量识别能力,提取真实的水轮机特征参量,更加适合分析复杂而特殊的水轮机动态特征信息。     

基于变分模态分解与图信号指标的配电网高阻接地故障识别算法

为有效检测配电网高阻接地故障(HIF)的发生,本文结合变分模态分解与图信号指标,提出一种全新的HIF识别算法.首先,利用变分模态(VMD)分解得到故障暂态零序电流的多个本征模态分量;其次,根据峭度准则选取对故障暂态突变量最敏感的模态分量,进而计算该模态分量的图信号指标作为故障指标;最后,通过随机森林分类器对故障特征进行...     

结合滑动窗奇异值分解的EEMD暂态电能质量扰动检测法

为了解决噪声、模态混叠等原因造成提取电能质量扰动信号的时频特征不清晰的问题,根据电能质量扰动信号具有非平稳、不确定性以及周期性强的特点,应用总体经验模态分解(ensemble empirical model decomposition,EEM D)的方法对电能质量扰动信号进行分解,基于滑动窗奇异值分解(singular value decomposition,SVD)数据压缩方法对EEMD分解得到的一系列固模函数(intrinsic mode function,IMF)分量组成的矩阵进行了重构,并对重构后的IMF分量作Hilbert变换降维,提取了扰动信号时间、频率、幅值上的特征。对比传统的EEMD算法,新方法能更加准确定量地提取各个扰动成分的起始时刻、幅值、频率等扰动特征,同时能够有效抵御噪声的干扰,克服了以往只能通过人为选取IMF分量来提取扰动时频特征过于主观的缺点。算例仿真的结果验证了该方法的有效性。