基于EWT-MQE的变压器局部放电特征提取

为了有效提取局部放电信号故障特征,进而对电力变压器故障进行诊断,提出一种基于经验小波变换(Empirical Wavelet Transform, EWT)和多尺度量子熵(Multiscale Quantum Entropy, MQE)的变压器局部放电特征提取方法。首先,该方法利用EWT对局部放电信号进行分解,得到多个不同的固有模态分量(Intrinsic Mode Function, IMF)和残余分量。其次,计算信号分解出的每个IMF的多尺度量子熵序列。然后,对多尺度量子熵序列利用局部切空间排列算法(Local Tangent Space Arrangement, LTSA)进行降维处理。最后,采用层次聚类算法(Hierarchical Agglomerative Clustering, HAC)进行聚类分析,得到不同放电类型的识别结果。通过与不同诊断方法对比,仿真结果及实验数据验证了所提方法的有效性和优越性。     

基于经验小波变换和相关向量机的断路器机械故障诊断

为了更准确的提取断路器故障特性,得到更可靠的故障诊断结果,在振动信号的基础上,提出了一种基于经验小波变换(Empirical Wavelet Transform,EWT)和相关向量机(Relevance Vector Machine,RVM)的断路器机械故障诊断方式。首先提取不同故障振动信号,设置阈值来初始化信号傅里叶频域分解区间,利用EWT分解得到有限带宽的多个模态。然后计算样本熵参数,计算并作为特征向量。最后,将特征向量输入相关向量机(RVM),建立不同故障的模型,对测试样本进行诊断。通过与其他方法实验对比,文中方法具有更高的故障诊断识别率,更快的识别速度。     

改进的 FEWT 及其在滚动轴承故障诊断中的应用

针对快速经验小波变换(FEWT)中使用软阈值函数造成的频谱划分不合理的问题,提出了一种基于折中阈值函数的改进的快速经验小波变换(MFEWT)方法。方法首先通过傅里叶变换及反变换计算信号频谱的趋势谱,使用小波折中阈值函数去噪方法对趋势谱进行优化;然后根据优化后的趋势谱建立滤波带,融合峭度准则和相关系数分量选取原则,完成EWT经验模态分量的重构和特征分量的筛选,并对重构信号进行最小熵解卷积,进而计算频谱特征频率;最后,通过理论特征频率的匹配,完成滚动轴承的故障诊断。实验结果表明,与FEWT相比较,改进的快速经验小波变换能够获得更理想的信号分解结果,包络频谱中的故障特征频率峰值更为明显;改进方法实现了EWT信号分解的性能的改善,提高了滚动轴承故障诊断的可靠性。     

基于EWT及多尺度形态谱的高压并联电抗器故障诊断研究

针对高压并联电抗器故障诊断问题,提出一种基于经验小波变换(EWT)、多尺度数学形态谱进行特征提取,采用KernelK-means聚类进行故障模式识别的诊断新方法。首先,将实测三种工况下的电抗器振动信号经EWT分解得到数个模态分量。然后分别计算每个模态分量与原信号的相关系数并按系数大小降序排列,取前4个模态分量构成有效分量向量。再利用多尺度形态谱对有效分量向量进行分析计算,构成一个四维特征向量。最后利用KernelK-means聚类对样本特征集进行分类识别。实验验证,该方法能有效提取电抗器振动信号特征量,能正确识别电抗器所属的不同工况。     

基于改进经验小波变换的局部放电荧光信号去噪

由于现场环境的复杂性,局部放电(partial discharge,PD)检测伴随着大量噪声干扰,易出现PD漏报与误报现象,影响电力设备后续运维工作。文中采用荧光光纤PD检测法,提出了基于谱峭度和改进经验小波变换(empirical wavelet transform,EWT)的自适应PD荧光信号去噪算法。首先利用快速谱峭度图确定荧光信号傅里叶频谱的紧支撑区域边界,随后对含噪荧光信号进行EWT分解并获得荧光信号所在的有用信号分量,最后对有用信号分量采用小波阈值法去除残留噪声,得到去噪后的PD荧光信号。利用该方法对仿真荧光信号进行去噪分析,并将去噪结果与经验模态分解-小波变换(empirical mode decomposition-wavelet transform,EMD-WT)法和EWT法进行对比,结果表明,该方法在信噪比、均方根误差和归一化相关系数等指标方面都有所提升,证明了该方法具有良好的去噪效果。此外,实测信号的去噪结果表明,该方法的降噪率优于EMD-WT法和EWT法,具有较好的噪声抑制能力。     

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。     

基于改进经验小波变换的电能质量扰动检测新方法

针对经验小波变换(EWT)用于电能质量信号分析时,其频带划分结果易受频谱泄漏和噪声污染干扰的问题,提出一种基于改进经验小波变换(IEWT)的电能质量扰动检测新方法。首先,通过Fourier谱包络动态测度算法确定扰动信号的特征频点,并在原有频带边界的基础上进行延拓;然后,运用IEWT将扰动信号分解为若干调幅-调频(AM-FM)分量之和;最后对扰动分量实施标准希尔伯特变换,以求取扰动幅值、频率和起止时刻。通过算例仿真和变电站实测数据验证了所提方法的有效性,并对其检测结果进行对比分析。实验结果表明,所提方法兼具良好的模态分解能力和抗噪性能,且普适性更强,运算耗时更短,适用于工程实践。     

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。     

基于经验小波变换的变压器振动信号特征提取

为有效提取变压器振动信号特征,提出了一种基于经验小波变换(EWT)的信号特征提取方法。首先利用EWT方法将不同工况的变压器振动信号分别分解为若干经验小波函数(EWF)分量;然后计算各分量Hilbert谱,通过时频表示直观反映不同工况变压器振动信号的频率特征信息;最后计算不同工况振动信号各EWF分量与原信号的相关系数,并提取相关度高的分量,根据其能量构建信号的特征矢量,实现对不同工况变压器振动信号特征提取的量化处理。仿真试验表明,该方法能有效提取变压器振动信号特征,且根据提取的特征矢量能够正确识别变压器绕组所属的不同工况。     

基于EMD奇异值熵的高压输电线路故障选相新方法

在对暂态电压信号进行经验模态分解(EMD)基础上,结合奇异值分解(SVD)及信息熵理论提出了利用高频暂态分量的奇异值熵实现故障选相。此方法对采集到的故障后电压信号求取EMD奇异值熵,并比较三相间熵值的大小来识别故障类型和判别故障相。基于Matlab环境,对一典型500 kV线路进行故障类型选相的仿真,结果表明该方法不受过渡电阻、故障位置、故障初始角和噪声强度等因素影响,能够快速准确识别各类故障。     

基于EMD和PNN的故障电弧多变量判据诊断方法

故障电弧单变量判据诊断法受不确定因素影响大、特征量提取困难,针对此提出一种基于经验模态分解(EMD)和概率神经网络(PNN)的故障电弧多变量判据的诊断方法。利用经验模态分解分析法对电弧电流进行时频分解,并借助信号相关性理论自动提取故障特征信号;同时,通过分析故障特征信号的无量纲指标,形成多变量特征向量集。在此基础上,构建基于概率神经网络的故障电弧诊断模型。通过分析燃弧前后烧水壶、吸尘器、卤素灯、电钻、荧光灯、计算机的电流波形,验证故障诊断模型的准确性。结果表明,所提方法解决了单变量判据故障诊断中出现的特征量提取困难、交叉重复等问题,准确率超过90%。     

声测法和经验模态分解在轴承故障诊断中的应用

提出了一种基于声测法、经验模态分解(EMD)和包络谱分析的轴承故障诊断新方法。声测法是轴承故障诊断最有效方法之一,但在获得的声测信号中含有大量噪声,严重影响了信号处理的结果。采用EMD可以有效地实现对信号的处理,大大地提高信噪比。EMD是把时间序列信号,分解成不同特征时间尺度的固有模态函数(IMF),具有自适应的分析能力,通过选取表征轴承故障的IMF分量进行包络谱分析,可提取轴承故障信号的特征。实验结果表明该方法能有效地诊断轴承故障。     

基于振动信号分析的配电开关机械状态诊断系统

配电开关的振动信号包含有丰富的开关机械状态信息,可以通过合理有效的方法提取振动信号特征量,作为配电开关机械状态诊断的依据。根据数据采集的功能需求,设计了基于Lab VIEW的振动信号采集装置软硬件。利用经验模态分解(empirical mide decomposition,EMD)对振动信号进行时频分解,提取分解所得固有模态分量(intrinsic mode function,IMF)的样本熵作为特征量,最后通过模糊C-均值聚类(fuzzy C-means,FCM)进行机械状态诊断。通过实验,采集并分析了正常状态和典型故障状态下的配电开关振动信号,验证了基于振动信号分析的配电开关机械状态诊断系统的准确性和有效性。     

独立分量分析-经验模态分解特征提取在水电机组振动信号中的应用

提取出水电机组振动信号中故障特征和微弱征兆信号,可以更好地了解机组的运行状态和故障发展趋势,但由于水电机组多源振动信号的相互混叠,信号呈现出非线性、非平稳性,故障特征信号提取是该领域的一个难题。为此该文提出了一种基于独立分量分析(independent component analysis , ICA)和经验模态分解(empirical mode decomposition,EMD)的特征提取新方法(ICA-EMD)。首先,用 ICA 将多通道振动信号分离成为统计独立分量;然后,对这些统计独立分量做自相关分析,消除环境噪声的影响;最后,对消噪后的所有统计独立分量统计逐一进行EMD分解,并将各个统计独立分量内蕴的同频本征模态函数进行累加重构,最终提取出能表征机组故障的本征模态函数。仿真信号和实测信号的试验验证表明,与其他方法相比,该方法在提取故障早期信号、微弱信号和突变信号方面更具优越性和有效性,提取结果更能满足实际工程应用需求。     

氢空PEMFC发动机的几个须关注的问题

针对一个2.5kW氢空质子交换膜燃料电池(PEMFC)堆,研究了不同负载下电堆侧面的温度分布、不同温度下电堆极化曲线、以及不同电流时单电池电压的变化。实验表明,PEMFC发动机设计中以下几个问题应该予以关注(1)电堆温度分布具有明显非均匀性,中心温度一般比边缘高,减小温度不均匀性对于充分发挥电堆性能具有重要意义;(2)低温下电堆性能比高温低很多,并且低温大电流时电堆难以稳定,这增加了发动机低温启动难度;(3)单电池一致性的提高,可以提高电堆性能,减小辅助系统功率和体积。     

基于IEMD和GA-WNN的断路器分合闸线圈故障诊断方法

真空断路器二次回路或操动机构运行状态能通过电流曲线特征反映.首先,通过对真空断路器分合闸线圈铁心卡涩、电压异常(过高或过低)和击穿3种常见故障进行实验室模拟,创建了故障电流曲线特征库.其次,利用故障电流信号经过经验模态分解后的经验模态分量中的能量密度乘对应平均周期为恒定常数的性质,提出一种改进经验模态分解方法来提取分合...     

基于改进掩膜信号优化的经验模态分解算法的有载分接开关机械故障诊断

为了有效在线监测有载分接开关(OLTC)的运行状况,采用基于改进掩膜信号优化的经验模态分解算法和区间最大功率特征矩阵相结合方法对有载分接开关运行过程中产生的振动信号进行分析。通过在采集到的原始信号中加入改进的掩膜信号,有效地消除经验模态分解(EMD)过程中出现的模态混叠现象。然后根据分解得到的固有模态函数(IMF)求得区间最大功率特征矩阵,从而进一步对有载分接开关的实际运行状态进行监测。计算结果显示OLTC在不同运行状态下的区间最大功率特征矩阵有明显的差异,其区间最大功率特征矩阵相似度指标可较好地判别OLTC发生典型故障时振动信号的差异程度。     

基于EEMD及自适应滤波的轧辊磨损振动特征提取

针对电池极片轧机的轧辊磨损故障无法实现准确诊断维护的问题,提出了一种针对低频轧振动特征信号提取的方法,对轧辊故障实现在线诊断。先采用集合经验模态分解(EEMD)对振动电压信号进行固态分析,得出轧辊磨损和整机振动的特征频率并重构,再进行自适应滤波去除掉噪声中的共模干扰并对整机振动进行抑制,最后通过小波变换提取低频信号中的轧辊磨损特征信号。通过模拟极片轧机振动和不同方法的对比实验选出最佳方法,并将其应用到极片轧机振动平台中,结果表明,提出的方法能够有效的抑制50 Hz以下的背景噪声,可以在0~5 Hz频段内提取出极片轧机轧辊磨损的振动特征信号。     

基于小波包分析的风力发电系统中变流器的故障识别

以风力发电系统中背靠背式双脉冲宽度调制(pulsewidth modulation,PWM)变流器中整流状态为例,分析了绝缘栅双极型晶体管(insulated gate bipolar transistor,IGBT)各类开路故障状态下三相PWM整流器直流侧的输出电压信号,提出了基于小波包分析的变流器故障识别方法。该方法利用直流侧输出电压信号的调制特点,从能量谱和功率谱的角度分析了小波包分解后的直流侧输出电压的细节信号,通过频谱特征识别出三相PWM整流器的各类故障。仿真结果验证了该方法的有效性。     

基于信息融合的高压大流量柱塞泵故障诊断试验研究

针对高压大流量柱塞泵依靠单一信息难以进行准确故障诊的等问题,进行了基于信息融合的柱塞泵故障诊断试验研究。采集了柱塞泵正常状态和8种故障状态下的振动信号和压力信号,然后利用经验模态分解(EMD)将振动信号分解到不同的频带并提取能量特征,提取了压力信号的时域特征,再将振动信号特征和压力信号特征进行融合,输入到支持向量机(SVM)中进行故障识别。结果表明,利用信息融合进行故障诊断的准确效果优于利用单一的振动信号和压力信号的诊断效果,可以有效地对柱塞泵的故障进行识别和诊断。