基于ITD-AR模型的故障诊断方法研究

消减噪声干扰,提取振动信号故障特征是旋转机械设备故障诊断的关键问题,为此本文提出了基于固有时间尺度分解(Intrinsic Time Scale Decomposition,ITD)-自回归(Auto Regressive,AR)模型的故障诊断方法.首先用ITD将振动信号分解成一系列的固有旋转(Proper Rotation,PR)分量;然后通过峭度准则对PR分量进行筛选,并对峭度值大的PR分量建立AR模型;最后对AR模型进行Teager能量算子(Teager-Kaiser Energy Operator,TKEO)分析,绘制Teager能量频谱,提取振动信号的冲击特征.将该方法应用于滚动轴承的故障诊断,实验结果表明,该方法能够准确地提取故障特征信息.     

基于EMD的电能质量扰动检测与分类方法

针对电能质量扰动信号的检测和分类问题,提出了一种基于EMD的电能质量扰动检测与分类方法,并对常见的几种扰动信号进行仿真。应用该方法检测扰动发生时间、持续时间以及扰动的频率与幅值。仿真结果表明,所提算法简洁有效,能够准确分析电能质量扰动信号,可以估计电压凹陷、电压凸起以及电压中断等扰动信号的变化幅度和频率。     

基于S变换和决策树算法的电能质量扰动识别

提出一种基于S变换和数据挖掘中决策树算法的电能质量扰动识别的方法.该方法首先用S变换对电能质量扰动波形进行时频分析,并使用统计方法提取相关特征量,然后用决策树算法对提取的特征量样本进行分类,并获得明确的分支规则.仿真结果表明,该方案正确率高,抗噪声能力强,训练样本少,响应速度快.     

基于动态测度和神经网络的电能质量扰动识别

提出一种基于动态测度和神经网络的电能质量扰动识别方法.首先对电能质量扰动数据进行预处理,然后用动态测度算法提取特征向量,最后输入到神经网络分类器实现扰动类型的自动识别.动态测度算法能准确检测信号的所有极值点,并根据信号畸变点与峰谷点之间较大的动态测度差别有效识别信号畸变点.特征向量的元素包括能量特征值、持续时间特征值、幅值范围特征值和幅值变化特征值.神经网络分类器采用并行结构,每个子网络可识别一种扰动,它由BP网络构建,并采用动量-自适应学习BP算法改进其收敛性能.仿真和测试结果验证了新方法是正确和有效的,且具有较高的正确识别率.     

基于db4小波变换与BP神经网络的暂态电能质量扰动分类方法

电能质量扰动信号的分类识别是进行电能质量扰动分析和治理的重要前提.提出一种应用小波变换与神经网络相结合的暂态电能质量扰动分类方法.首先,针对暂态电能质量扰动信号的特点,选择db4小波变换来获得各层上的能量值,以提取不同扰动信号的特征参量.再通过确定适当的BP神经网络模型,对输入的扰动特征参量进行分类识别.仿真结果表明,...     

电能质量暂态扰动信号的Prony辨识

针对电能质量的暂态扰动信号,提出一种基于Prony算法的信号辨识方法。算法通过对有限个指数函数的最小二乘拟合,可辨识出各振荡模式的幅值、衰减因子、频率、初相位等信息。仿真结果验证了Prony算法对分析此类问题的有效性。     

基于卷积神经网络的电能质量扰动分类

为了减小在设计电能质量扰动分类器时人工选取扰动特征存在的困难,基于对样本数据进行深度学习提出一种采用卷积神经网络(Convolutional Neural Network,CNN)的电能质量扰动分类算法,利用CNN从原始扰动图像中自适应地提取特征并加以分类.首先将一维电能质量扰动数据映射为二维灰度图,并分析各类扰动在二维灰度图形式下的特征;然后以LeNet-5为基础构建适用于电能质量扰动分类的CNN网络结构,并采用随机梯度下降法训练分类网络对电能质量扰动进行分类.仿真结果表明卷积神经网络能有效收敛,且在不同噪声情况下能准确地进行扰动分类,具有较好的噪声鲁棒性,是电能质量扰动分类的一种可行方法.     

基于高阶累积量的暂态扰动Mahalanobis距离分类

为实现对脉冲暂态和振荡暂态2类暂态电能质量扰动的分类,提出一种基于高阶累积量的暂态电能质量扰动Mahalanobis距离分类法.该方法利用高阶累积量提取暂态扰动的高阶统计特征,选取其2,3,4阶累积量最大值和最小值构成扰动信号的6维特征向量,计算测试样本特征向量与标准模板之间的Mahalanobis距离,以“距离最小”作为分类判据,实现对2类暂态电能质量扰动的分类.仿真结果表明,低阶累积量不能单独用于区分不同类型暂态电能质量扰动;特征向量维数越高,对分类过程越有利.所提方法分类原理简单、准确率高,是暂态电能质量扰动的有效分类方法.     

优化核参数的SVM在电能质量扰动分类中的应用

针对短时电能质量变化和暂态扰动现象的不同特点,建立常见电能质量扰动的数学模型.运用小波变换对暂态电能质量扰动现象的内在特征进行提取,将扰动电压变化率绝对值、扰动能量变化量作为暂态电能质量扰动的特征向量.根据支持向量机的基本原理,给出一种推广误差上界估计判据,利用此判据进行最优核参数的自动选取,利用支持向量机进行训练和测...     

基于双随机相位估计的无功补偿方法

为了解决实时无功补偿问题,提出了一种基于双随机相位估计的无功补偿方法.对采样电能信号进行傅里叶变换,通过频谱峰值定位算法确定电能信号的基波、各阶次谐波的频率信息.采用同频率不同相位信号调制,得到调制后信号,再经过低通滤波得到滤波后信号.结合滤波信号的比值和随机相位三角函数数值得到所要估计的信号相位信息,辅助无功补偿.通过仿真电能信号和实际采集的电能信号验证了该算法的有效性,结果表明信号相位估计相对误差在1‰以下,无功补偿能够有效提升电路的能量利用效率.     

基于压缩感知的电能质量扰动信号分析

电能质量扰动信号是衡量电能质量的一个重要指标,因此对电能质量扰动信号进行准确检测是提高电能质量的前提。针对传统采样方法中采样数据量大、采样时间较长以及压缩复杂度高的问题,本文基于压缩感知理论对电能质量扰动信号进行重构,首先证明电能质量扰动信号的稀疏性满足压缩感知的必备条件;采用自适应测量矩阵对电能质量扰动信号数据进行压缩采样,同时,采用谱投影梯度实现了对电能质量扰动信号的精确重构。仿真结果表明,本文采用的压缩感知恢复算法不但可以降低采样数据量和压缩复杂度,其重构误差小,压缩性能指标比较好。     

基于能量特征估计的电能质量扰动消噪方法研究

电能质量扰动识别过程中噪声的存在会增加误判,为了提高分类的正确率,消噪对于电能质量扰动识别是一项非常重要的工作。论文应用Daubechies小波时频分解的噪声能量保持特性来估计扰动信号中不同分解尺度上的噪声能量,从而由含噪声信号能量分布和所估计的噪声能量确定实际扰动信号的能量特征,完成了消噪,对消噪处理后电能质量扰动信号应用数据挖掘中的决策树算法进行识别。仿真计算表明,该消噪方法能提高识别精度,是一种非常有效的电能质量扰动信号消噪方法。     

基于HHT的电能质量多扰动信号检测方法

传统的时频分析方法在处理复杂故障信号时存在一定的局限性,无法满足电力系统发生故障和复杂扰动时的电力信号实时分析的需求。提出基于Hilbert-Huang变换(HHT)的电能质量暂态多扰动信号分析方法,先利用经验模态分解得到电能信号的固有模态函数,再对固有模态函数进行HHT变换,准确刻画电能扰动信号的时间、幅值与频率。Matlab仿真分析结果表明,该方法可有效确定干扰信号的类型、持续时间以及瞬时频率和幅值,方法简便,分析精度高,具有一定的工程实用价值。     

基于EMD的时频分析方法的电力故障信号检测

提出电力系统故障信号的经验模态分解(Empirical Mode Decomposition,EMD)时频分析方法.通过对检测点获得的故障电流信号进行EMD分解,得到一系列的本征模态分量(Intrinsic Mode Function,IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析相应瞬时频率及其振幅,对故障信号进行时间-频率-幅值的联合分析.分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率,为进一步故障检测提供了依据.仿真试验证明了结论的正确性,表明EMD时频分析方法能准确地检测故障时刻,提取故障信息.     

基于压缩感知的三相电能质量扰动信号压缩及分类新方法

首先,选取傅立叶基作为压缩感知中的过完备字典、高斯随机矩阵作为观测矩阵、正交匹配追踪(OMP)算法作为重构算法,对电能质量扰动信号进行压缩采样。然后,采用灰度共生矩阵纹理特征中的能量特征值、灰度值出现概率两种方法对压缩感知重构信号进行分类检测。试验结果表明:本文方法可以同时实现对三相电能质量信号的压缩重构,也可以实现对信号的准确分类,并减少了信号压缩采样过程中的数据量。     

基于相空间重构的电能质量扰动特性提取方法

将相空间重构方法引入电能质量领域,对电压暂降、电压瞬升、电压中断、电压尖峰、谐波及闪变6类电能质量扰动事件进行研究.利用相空间重构将实域的扰动信号映射到二维相平面,构造不同扰动的信号轨迹.将轨迹幅值归一化进行编码,将信号轨迹转变为二进制图像.针对该图像,定义了最大偏差、载体相似度、扰动覆盖区域和平均幅度4项特性指标.对6类扰动波形分别进行特性计算,结果表明,尖峰波形的最大偏差、谐波波形的载体相似度、闪变的扰动覆盖区域特性明显与其它扰动不同,利用平均幅度特性可以分辨暂降、瞬升和中断.通过提出的4项指标可以有效提取特性扰动进行识别.     

异步电机转子断条故障诊断研究

针对异步电机转子断条故障诊断中,原始信号包含的故障特征成分能量微弱,其提取过程较为繁琐,给断条故障的及时诊断带来不便,提出一种基于经验模态分解(Empirical Decomposition Mode,EMD)能量熵,主成分分析(Principal Component Analysis,PCA)和支持向量机(Support Vector Machine,SVM)相结合的新诊断方法,无须提取信号中的故障特征频率就能对电机断条故障做出准确的判断。该方法选取振动信号经过PCA处理后的EMD能量熵作为新的故障识别分类的特征量,然后支持向量机模型便可以根据断条故障前后振动信号EMD能量熵内在变化规律对转子正常和断条故障时的两种振动信号进行准确分类。通过实验分析表明,该方法操作便捷且简单,能够将转子正常和发生断条故障时的两种振动信号数据全部准确的识别分离,达到对转子断条故障进行有效识别诊断的目的,验证了方法的实用和有效性。     

基于S变换的电能质量扰动分析

针对电能质量扰动信号的特征,提出一种基于S变换模矩阵的信号检测与分类方法,并对电能质量扰动信号进行分类.对电能质量扰动信号的电压凹陷、电压尖峰、暂态随机干扰等现象应用S变换分析,构造等值时频图,从而清晰直观地显现出电压干扰.     

改进HHT算法及在心音信号分析中的应用

HHT(Hilbert-Huang Transform)是一种具有自适应性的、新型的、基于模态分解的时间序列数据处理方法。心音信号是一种典型的非平稳信号,传统信号处理方法来处理心音信号有一定的局限性。为了研究心脏的动力学特征,将HHT算法引入到心音的信号分析中。提出了一种改进的HHT算法,针对仿真信号进行了分析,验证改进的算法可以正确地提取出信号中的各个分量IMF(Intrinsic Mode Function);使用该算法对一例正常心音信号进行分解处理,表明该算法能按不同的时间尺度对心音信号信号进行分解     

基于多项式变换的自适应Chirp信号参数估计

提出了一种新的基于多项式变换的RLS(recursiveleastsquare)算法。利用多项式变换将多项式相位信号(PPS)转变为具有线性相位的谐波信号,这一谐波信号满足AR(Autoregressive)模型且其频率对应于多项式相位的最高次项系数。然后利用RLS算法对AR模型的AR系数进行自适应估计,通过AR系数求解谐波信号频率,便可以获得多项式相位中最高次项的系数。本算法速度快,计算量小,并且在较低的信噪比(SNR)下估计性能依然良好。Monte Carlo仿真实验证明了本方法的有效性。