基于多分辨率奇异谱熵和支持向量机的断路器机械故障诊断方法研究

根据高压断路器机械振动信号的特点,提出一种基于多分辨率奇异谱熵的信号特征提取方法,并以此特征向量作为支持向量机的输入对断路器机械状态进行识别。多分辨率奇异谱熵是在信息熵模型的基础上,将多分辨率分析和奇异谱分析有效结合的一种信息处理方法,用信号的奇异谱熵作为特征向量更能体现断路器在不同机械状态下的不同特征。利用交叉检验和粒子群优化方法来对支持向量机模型中的参数进行寻优。通过对断路器实际振动信号分析表明,该方法能对断路器故障进行准确诊断分类。     

基于双谱分析的大型汽轮机振动故障特性提取

汽轮机轴系振动通常以与转速同步的频率(基频)及其谐波成分为主,具有典型的亚高斯信号特征,多数轴系故障均表现为某些谐波成分的变化,并且谐波间存在一定程度的非线性耦合作用,使得基于二阶统计量的功率谱分析技术在故障原因分析和特征提取方面受到限制。该文针对大型汽轮机组在实际运行中出现的某种具有半频特征的不稳定振动现象,将高阶谱应用于实测轴系振动信号分析,通过对比分析稳定状态和不稳定状态下振动信号的双谱和1(1/2)分数维谱,确定引起不稳定振动的半频成分的非线性谐波耦合特性。在此基础上,提出采用双谱的边际谱以及1(1/2)分数维谱中对应成分作为特征值,对不稳定振动现象的变化趋势进行监测。分析结果表明,这种特征提取方法可以更加明显地表现异常振动的变化,具有故障反映灵敏度高的特点,并可以有效抑制测量振动信号中的高斯噪声,可以为自动故障诊断提供更有效的特征参数。     

计及高阶统计量和深度学习的抗噪孤岛检测方法

分布式电源持续的规模化接入给微电网运行引入了显著的不确定性与噪声,增加了配电网监视的难度。而孤岛检测设备易受电网扰动干扰而误动作,导致分布式电源被切除运行,孤岛检测装置必须能够在噪声环境中准确区分判别扰动与孤岛情形。文中将基于多尺度高阶奇异谱熵的深度学习概念应用于孤岛检测问题,提出一种结合经验模态分解与高阶奇异谱熵的新型混合深度学习架构。作为经验模态分解后的信号处理方法,多尺度高阶奇异谱熵结合多分辨率高阶统计分析与谱分析并以熵值作为特征提取输出,进而通过深度学习架构对所提取的孤岛与扰动特征量进行训练及测试。仿真结果表明所提方法能够实现孤岛的准确检测,从而避免分布式电源退出运行。     

基于一维卷积神经网络的癫痫发作检测

癫痫是一种最常见的危及生命且具有挑战性的神经系统疾病。癫痫脑电信号复杂多样,人工检测癫痫信号耗时耗力,误判率高,不同的医务人员检测出来的结果也不相同,而且临床的原始脑电数据经常会包含多种噪音和生理伪迹,干扰癫痫检测性能。因此,非常有必要进一步研究高效可靠的癫痫自动检测技术,从而减轻医护人员负担。本文针对来自中国301医院收集的临床原始脑电数据进行分析训练,引入了一种基于一维卷积神经网络具有连续双层卷积结构的模型,可以高效稳定地检测到癫痫信号。结果为灵敏度、特异性、准确率和F1-score分别达到96.8%、99.8%、99.6%和96.1%,而且利用GPU进行模型训练的运行时间比对比模型低2到3倍。结果表明,本文引入的基于一维卷积神经网络模型优于现有方法,在癫痫检测性能上高效稳定,对癫痫的辅助诊断具有重要意义。     

基于机械振动信号的高压真空断路器故障诊断研究

提出一种基于小波-包络谱能量提取振动信号特征并进行故障诊断的新方法。首先应用小波分析对振动信号进行降噪处理,然后与希尔伯特变换相结合,提取振动信号的低频和高频包络,最后对包络信号进行谱分析及能量特征提取。实验结果表明,该方法对提取高压真空断路器机械振动信号的特征是有效的,可为故障诊断提供依据。     

基于回复电压极化谱小波包变换的变压器绝缘老化诊断方法

回复电压法是一种有效的无损时域诊断法。针对回复电压法测量获得的回复电压极化谱隐含了丰富的变压器油纸绝缘老化信息,提出一种基于小波包变换的回复电压极化谱分析方法。该方法通过小波包3层分解获得回复电压极化谱各个频段的信号分量,并构建回复电压极化谱的能量特征矢量来分析变压器油纸绝缘老化状态。为验证该方法的可靠性,通过对2台不同老化状态变压器的回复电压极化谱进行小波包3层分解得到各自的能量特征矢量来分析其绝缘介质老化情况。分析结果表明:基于小波包分解得到的回复电压极化谱能量特征矢量,可以有效地诊断变压器油纸绝缘老化状况,为变压器油纸绝缘老化诊断提供新方法。     

基于VMD和奇异值能量差分谱的风机滚动轴承故障特征提取方法

风电机组轴承处于早期故障阶段时,故障特征信号微弱,受环境噪声及信号衰减的影响较大,因此轴承早期故障特征的提取一直是个难点。为了有效提取风机滚动轴承的故障特征,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值能量差分谱的特征提取方法。首先对轴承信号进行VMD分解得到一系列固有模态函数(Intrinsic Mode Function,IMF),然后选取敏感IMF进行奇异值分解,并利用奇异值能量差分谱选取有效奇异值进行信号重构,最后对重构信号进行包络谱分析,进而提取故障特征。实验分析结果验证了所述方法的有效性。     

基于DT-CWT和SVD的变电站直流系统接地故障检测技术研究

变电站直流系统的状态直接关系到变电站的正常运行,为了对变电站直流系统出现的接地故障快速、准确定位,提出了一种双树复小波变换（DT-CWT）和奇异值分解（SVD）相结合的变电站直流系统接地故障检测新方法。该方法首先利用DT-CWT对支路电流信号进行分解来构建Hankel矩阵;然后对Hankel矩阵进行SVD分解,得到一系列奇异特征值;再次,利用相邻奇异值差值构建奇异值差分谱,通过奇异值差分谱最大峰值来保留有效的奇异值个数;最后,利用保留的奇异值来重构低频信号。算例分析结果表明,该方法能够准确地从支路电流信号中提取出低频交流信号,可以对变电站直流系统接地故障进行准确定位,很大程度上减小对地电容对检测精度的影响。     

基于CEEMD和奇异值差分谱的滚动轴承故障特征提取

针对滚动轴承故障信号非线性、非平稳特征导致的故障频率难以提取的问题,提出一种基于补充总体平均经验模态分解(Complementary EEMD,CEEMD)和奇异值差分谱结合的滚动轴承故障诊断方法。CEEMD分解向原信号成对地添加符号相反的白噪声,几乎消除残留白噪声的影响。首先,对故障信号利用CEEMD算法进行分解,得到若干IMF(Intrinsic Mode Function)分量,然后运用相关系数—峭度准则对IMF分量进行筛选并重构,再对重构信号进行奇异值分解,并求出奇异值差分谱,根据奇异值差分谱理论进行消噪和重构,最后对重构信号进行Hilbert包络谱分析,提取故障频率。实验结果表明,提出的方法,能精确地提取滚动轴承的故障频率。     

变压器绕组短路振动信号的高低频能量分析

该文对变压器振动情况进行理论分析,设置绕组短路故障,在正常和故障两种状态下进行多次实验,测量正常和故障两种状态下的振动信号。提出一种基于小波-高低频包络谱能量分布提取振动信号特征并确定绕组匝间短路故障阈值的新方法。首先应用小波变换对振动信号进行降噪处理,然后与希尔伯特变换结合,提取振动信号的低频和高频包络,最后对包络信号进行谱分析和能量特征提取,比较正常运行状态和短路故障状态下的能量分布。通过实验得到了故障阈值,表明能量法可用于故障的监测和诊断。     

一种面向心电信号处理的奇异谱分析改进算法

心电图(ECG)作为人体的关键生理信号被广泛应用于医疗领域,但在采集过程中心电信号容易受到噪声干扰而影响 信号质量。为此,设计了一种奇异谱分析(SSA)的改进算法用于心电信号降噪处理。奇异谱分析改建算法是在 SSA中的主 元重组(grouping)阶段引入逻辑回归(LR) 算法,将主元重组方式改进为自动重组,实现面向心电信号的 SSA 自监督降噪处 理。使用基于 AD620 的心电信号采集装置,构建53条心电信号测试集进行验证,使用奇异谱分析的改进算法,主元自动选择 的准确性为98.68%,重构的心电信号信噪比(SNR)由10.43 dB平均提高到20.17 dB,能够有效提取出清晰的PQRST 波,使 其在医疗领域心电信号检测与降噪方面具有很好的实用化前景。     

基于SSA-CNN-BiGRU-Attention的超短期风电功率预测模型

针对风电功率预测精度较低的问题,提出一种融合奇异谱分析(SSA)、卷积神经网络(CNN)、双向门控循环单元(BiGRU)及Attention机制的组合预测模型。为抑制风电功率随机波动特性带来的预测功率曲线滞后性问题,采用SSA方法将原始数据序列分解为一系列相对平稳的子分量,并基于各分量模糊熵(FE)值完成各分解分量的有效重构;构建了CNN-BiGRU-Attention模型并用于各重构分量建模预测,其中,CNN网络用以实现各重构分量高维数据特征的有效提取,BiGRU网络用以完成CNN获取的关键特征向量非线性动态变化规律的有效捕捉,Attention机制的引入用于加强对功率数据关键特征的有效学习;通过叠加基于CNN-BiGRU-Attention模型的各重构分量预测值得到最终预测结果。以新疆哈密地区风电场实际运行采集数据为试验样本进行算例分析,结果表明,所提方法可有效缓解风电功率预测结果滞后现象,预测精度全面优于其他预测方法。     

基于COT-SSD的变转速滚动轴承微弱故障诊断

针对背景噪声干扰及转速波动工况下滚动轴承微弱故障识别困难这一问题,提出一种结合计算阶次追踪(COT)和奇异谱分解(SSD)的新型诊断方法。利用COT算法对采集的原始时域信号进行等角度重采样,继而利用SSD算法对重采样角域信号进行处理,通过自适应构建的轨迹矩阵的奇异值分解重组,将角域信号从高频至低频分解为若干个奇异谱分量,利用融合峭度指标筛选最佳奇异谱分量,选定最佳分量后对其进行进一步的包络解调运算,最终通过分析包络阶次谱中幅值突出的成分来准确判定滚动轴承运行状态。滚动轴承内外圈故障实测信号分析结果表明,所提方法能够有效提取出变速工况下滚动轴承的微弱故障特征信息。     

基于SVD和DBN的水电机组故障诊断

针对水电机组早期故障信号信噪比低的问题,本文将奇异值分解(SVD)和深度置信网络(DBN)相结合进行故障诊断。首先,利用包含噪声的振动信号构造Hankel矩阵,对其进行奇异值分解,采用奇异值差分谱法选取有效奇异值进行相空间重构,实现降噪的目的;然后,对降噪后的振动信号进奇异值分解,用所得的整个奇异值序列构造特征向量;最后,建立深度置信网络分类器模型,实现水电机组的故障诊断。同时,将所提方法与BP神经网络,多分类支持向量机进行对比。结果表明,本文所提方法能够更加可靠高效地识别故障类型,具有一定的应用价值。     

采用奇异值梯度信息的暂态电能质量扰动自适应检测方法

为了满足对电网非平稳扰动信号快速、准确分析的要求,提出了一种采用奇异值梯度信息的暂态电能质量扰动检测新方法。通过滑动窗奇异值分解(SVD)方法提取信号的变化特征、降低噪声干扰,并通过奇异值梯度求取扰动指示信号,得到初步定位结果。提出无参自适应阈值,进一步抑制噪声干扰并实现对暂态扰动信号的检测定位。所提算法原理简单,无需进行前置滤波及参数调节。一系列仿真试验的对比分析结果表明,所提算法定位准确、抗干扰能力强,对过零点扰动也有较好的检测效果。通过对变电站实际暂态扰动数据的检测分析,进一步验证了所提算法的有效性。     

基于奇异谱分析和极限学习机的风速多步预测

风速预测对风力发电系统具有重要的影响,为获得更高精度的风速预测结果,针对多步风速预测,成功开发了一种基于奇异谱分析和优化极限学习机的新型预测模型。首先,采用奇异谱分析将风速时间序列分解为一组相对平稳的分量,以降低风速序列的随机性对预测结果的影响;然后,对分解得到的分量分别建立极限学习机预测模型,为进一步提高预测性能,将1种新颖的活性竞争萤火虫算法用于优化极限学习机的输入权值和隐含层偏置;最后,叠加全部分量的预测值得到实际预测结果。仿真结果表明,基于奇异谱分析和活性竞争萤火虫算法优化极限学习机的模型在1步到3步风速预测中实现了较高精度的预测结果。     

基于WAMS和奇异熵矩阵束方法的电网低频振荡仿真分析

分析了用传统的小干扰稳定分析方法研究互联大电网运行特性时存在的不足,提出了基于广域测量系统(WAMS)和奇异熵矩阵束方法的综合分析法。该方法将奇异熵用于模态阶数的提取,既能在有无噪声的情况下都准确确定模态阶数,又能减少计算复杂度。以华中电网2009年6月17日发生的由金竹山B厂开关爆炸导致的电网功率波动事件为例,对比了小干扰稳定分析方法和所提出的综合分析法的仿真分析结果。结果表明,基于WAMS和奇异熵矩阵束方法的综合分析法是以特征值分析法为代表的传统低频振荡分析方法的有效补充,能够较为准确、及时、全面地反映电网的振荡特性,为分析由多重扰动引起的或特殊运行方式下的低频振荡现象提供了有效手段。     

基于降噪时序深度学习网络的风电功率短期预测方法

利用风电场历史功率数据预测未来一段时间内的风功率,对保障电网安全稳定运行具有重要的意义。本文提出一种基于奇异谱分析SSA(singular spectrum analysis)和长短时记忆LSTM(long-short term memory net⁃work)网络的时序特征预测框架用于短期风功率的预测。首先通过SSA对历史风功率原始数据进行降噪处理,然后经过数据转换之后,以LSTM网络为基础进行预测模型的训练,最后通过某风电场提供的两个风机的历史功率数据进行验证。实验结果表明,奇异谱分析对风电场的历史数据具有良好的降噪性,SSA+LSTM模型在测试数据上取得了较好的预测性能,能够有效进行短期风功率的预测。     

基于SDS-SSA-LSTM的变压器油中溶解气体浓度预测

油中溶解气体浓度预测对变压器早期故障检测至关重要。为了提高预测精度,本文提出了奇异谱分析(SSA)结合长短期记忆网络(LSTM)的预测模型。首先针对传统序列分解做法中的数据泄露问题,提出一种基于SSA逐步分解的采样策略,然后基于该策略将特征复杂的原始油中溶解气体浓度序列分解为特征相对单一的趋势分量与波动分量,最后利用LSTM网络对各个分量分别进行单步和多步预测。累加各分量的预测值,得到原气体浓度的预测结果。算例表明,相较于单一LSTM,本文所提模型在实验天数内整体的预测精度更高。