采用希尔伯特振动分解的非整数次谐波检测新方法

针对现有电力系统非整数次谐波分析法的不足,提出了一种改进的希尔伯特振动分解(HVD)方法。该方法根据对解析信号瞬时频率的分析,巧妙地通过平滑滤波获得非整数谐波成分中幅值最大分量的频率,由同步检测获得相应的幅值和初相角,通过迭代运算自适应地检测出非整数次谐波的各次频率、幅值和相角。虽然HVD方法和希尔伯特黄变换(HHT)方法这两者均以希尔伯特变换为基础,但HVD方法避免了复杂的经验模式分解(EMD)过程。采用Savitzky-Golay滤波替代平滑滤波,在保留有效频率成分情况下可极大地消除快速变化不对称振荡高频值;提出的新波形特征匹配边界延拓可消除边界效应的影响,使得非整数次谐波分析更准确。仿真实验证明了改进的HVD方法对非整数次谐波检测的有效性。     

基于希尔伯特振动分解的低频振荡在线辨识

利用希尔伯特振动分解(Hilbert vibration decomposition,HVD)算法适于处理时变频率信号的特性,提出一种处理非平稳振荡信号的新算法——结合HVD的信号能量分析法,并应用于电力系统低频振荡在线辨识中。首先,对通过Hilbert变换获得的解析信号进行分析和滤波,得到幅值最大分量的瞬时频率,并由同步检测获得相应的幅值和初相位;然后,通过迭代运算检测出非平稳振荡信号各分量的频率、幅值、相位;最后,运用信号能量法对通过HVD得到的各平稳信号的主导振荡模式进行识别和分离。将该算法与Prony算法、基于经验模态分解(empirical mode decomposition,EMD)的信号能量分析法进行比较,仿真测试和实例分析结果说明,此算法能够有效提取非轴对称振荡信号的主导模式,并且抗噪能力强、计算效率高。     

基于HHT的旋转机械油膜涡动和油膜振荡故障特征分析

将一种新的非平稳信号处理方法,即Hilbert-Huang (HHT)变换方法用于油膜涡动和油膜振荡的检测和时频分析。该方法先用经验模态分解(empirical mode decompo- sition,EMD)提取信号的固有模态函数(intrinsic mode function,IMF)分量,再对IMF作Hilbert变换求瞬时频率和幅值。该方法在早期油膜涡动中能够更加清晰地发现涡动二分频的存在,放大了涡动的故障特征,为早期故障诊断提供了方便。HHT时频分析能够定量刻画转子系统油膜涡动故障的快速发展过程,能够准确检测出油膜涡动故障产生的时间、频率和幅值信息,为故障诊断提供了时间方面的准确信息。试验数据分析验证了该方法的有效性。     

基于平稳小波包分解的水轮机非平稳振动信号希尔伯特谱分析

应用平稳小波包变换对信号进行窄带分解,避免了经验模式分解过程中虚假模式分量的产生以及高频本质模式函数瞬时频率的波动,改善了Hilbert谱对于高频宽带信号的频率分辨率,使其更加适合复杂多分量的非平稳信号分析。针对水轮机过渡过程中转子振动响应的复杂性和非平稳性,应用该方法对停机和起动过程现场测试信号进行分析,识别了信号的时频结构特征,主轴振动响应主要由转速频率及其谐频成分组成,其中主导成分为转速频率。与Hilbert-Huang变换的对比验证了该方法在分析水轮机过渡过程非平稳振动信号方面的有效性。     

基于多尺度线调频基稀疏信号分解的广义解调方法及其在滚动轴承故障诊断中的应用

提出了一种基于多尺度线调频基稀疏信号分解的广义解调方法,并将其应用于非平稳转速下的滚动轴承故障诊断。该方法先采用基于多尺度线调频基的稀疏信号分解方法分解频率呈曲线变化的多分量信号,得到瞬时频率和瞬时幅值都具有物理意义的单分量信号及其相位函数,再基于获取的各分量信号的相位函数对原信号进行广义解调处理,从而将非平稳信号转化为平稳信号。当转速变化时,滚动轴承故障特征频率为曲线变化的非平稳信号,对其包络信号进行基于多尺度线调频基的稀疏信号分解,提取包络信号分量,再对包络信号分量进行广义解调,根据广义解调后分量信号频率成分与转频的关系即可判断滚动轴承的故障部位和类型。仿真信号与轴承内外圈故障振动信号分析结果表明,该方法比传统的包络信号分析方法能更有效地提取滚动轴承故障振动信号特征。     

基于局部均值分解的暂态电能质量扰动检测方法

局部均值分解(LMD)是一种新的非线性、非平稳信号时频分析方法,可以将复杂的多分量信号分解为若干个乘积函数(PF)的线性组合,并通过所有PF分量的瞬时频率和瞬时幅值组合,得到原始信号的时频分布。采用波形匹配延拓对LMD进行改进,改善其端点效应问题,并用直接法求取PF分量的瞬时频率,将其应用于暂态电能质量扰动的检测分析。LMD可以有效地对扰动的起止时刻进行定位,具有较高的瞬时频率和瞬时幅值检测精度。仿真结果表明了LMD方法用于暂态电能质量扰动分析的可行性和有效性。     

基于加窗的CWT灰度矩提取水电机组非平稳征兆

针对非平稳信号中特征分量对应的连续小波变换(continuous wavelet transform,CWT)系数在时间-尺度平面集结为高幅值能量区,构建了一种沿时间-尺度方向加窗的CWT灰度矩,蕴含了CWT系数图像的纹理特征,可成为一个量化征兆描述非平稳信号的时频特征。仿真结果表明,时间-尺度加窗CWT灰度矩能有效的提取非平稳信号中突变分量的时间-频率-幅值信息,并应用到了三峡电厂机组的振动分析实例,获得了非平稳信号的时频信息,为水轮机振动量化征兆获取增加了一个新选择。     

小波变换在电能质量分析中的应用

针对电力系统暂态信号分析提出了一种基于小波变换的解析信号分解方法。该方法将小波变换的时频局部性与解析信号关于信号相位及瞬时频率的描述相结合,可提取暂态信号的奇异点及各尺度分量的幅值包络、相位、瞬时频率等特征信息,为电能质量分析提供了更加丰富的依据。     

Hilbert-Huang变换方法在谐波和电压闪变检测中的应用

将一种新的非平稳信号处理方法,即HHT(HilbertHuang Transform)方法用于检测与时频分析典型的电能质量扰动信号,如谐波、电压闪变与波动信号.该方法由经验模态分解法(EMD)及Hilbert变换两部分组成,先用EMD提取信号的固有模态函数(IMF)分量,再对IMF作Hilbert变换求瞬时频率和幅值.该方法可以从时域和频域两方面同时对信号进行分析,能够准确检测出突变、非平稳谐波和电压闪变信号的时间、频率和幅值信息.仿真分析结果表明了该方法检测非平稳电能质量扰动信号的有效性.     

基于改进HHT的电能质量扰动检测方法*

为了精确检测电网中复杂非平稳扰动信号的时频特性,提高希尔伯特-黄变换(HHT)方法的时频定位能力,本文提出一种基于改进HHT的电能质量扰动检测方法。针对电压暂降与短时间中断、谐波和复合扰动信号,该方法采用移动平均法对HHT得到的瞬时幅频参数进行均值化,进而从Hilbert谱中提取信号在不同时间和频率的能量密度,定位扰动信号的起止时刻。仿真结果表明,该方法能够准确、快速地获取谐波信号的频率成分、幅值及突变时刻,分析电压暂降与短时间中断信号的幅值及起止时刻,同样适用于复合扰动信号检测,相对于传统的HHT方法具有更高的精度及时频分辨率。     

基于自适应多尺度线性调频小波分解的水轮机非平稳振动信号分析

针对在连续参数空间内优化求解线性调频小波(Chirplet)时频参数存在计算量大的问题,构造了离散的多尺度Chirplet字典,以适应信号复杂多变的局部结构,降低计算量。针对自适应Chirplet谱图中的幅值畸变缺陷,应用归一化的最优Chirplet原子的Wigner-Ville分布识别了信号成分,将其作为时频窗口对信号的Wigner-Ville分布进行时频滤波处理,得到的改进的自适应Chirplet谱图不仅具有最佳的时频分辨率,不含交叉干扰项,而且能量分布的幅值变化平滑连续,不存在幅值畸变缺陷。根据时频分析结果,识别了机组起动过程中主轴摆度信号的频率成分及其幅值的时变情况,验证了自适应多尺度Gauss Chirplet分解以及改进的自适应Gauss Chirplet谱图在分析旋转机械转速变化过程中转子非平稳振动信号方面的有效性。     

基于DILCD和SDEO的电能质量扰动检测新方法

针对局部特征尺度分解(LCD)出现的模态混叠现象,提出了基于微积分局部特征尺度分解(DILCD)和对称差分能量算子(SDEO)的电能质量扰动信号分析方法。首先选取电力系统中的暂降、暂升,谐波、间谐波,衰减振荡等单一及其复合扰动信号分别进行DILCD分解可得到若干个内禀尺度分量(ISC);然后利用SDEO解调ISC分量求取瞬时频率和瞬时幅值,定位扰动发生的起止时刻。仿真结果表明,该方法能有效检测分析非平稳电能质量扰动信号,获得的瞬时幅值波动、端部效应小,频率检测精度高,时间定位准确。     

基于ACMD和脊检测的滚动轴承非平稳故障诊断

针对非平稳状况滚动轴承振动信号易受速度波动、幅值或频率调制、噪声和其他无关分量的干扰,导致生成的时频面复 杂,难以识别滚动轴承故障特征频率等问题,提出一种新的基于自适应调频模式分解和脊检测相结合的方法。 所提出的方法构 建了高分辨率的时频表示,提升了诊断的准确度,而且具有非常强的自适应性。 通过对不同健康状况滚动轴承振动信号分析发 现,所提方法非常适合于变工况下的滚动轴承故障诊断,且诊断效果优于最新发展的时频分析方法。     

基于固有时间尺度分解的滚动轴承故障诊断

针对滚动轴承故障振动信号的非线性和非平稳特性的情况,提出了一种基于固有时间尺度分解和样本熵的新型故障特征提取方法,并与Tikhonov支持向量机相结合实现滚动轴承的故障诊断。该研究充分利用了固有时间尺度分解具有提取故障特征明显、计算简单等优点。首先采用固有时间尺度分解方法将振动信号分解为一序列固有旋转分量和一个基线分量之和,并计算每个固有旋转分量的瞬时幅值和瞬时频率。然后,提取上述瞬时数据的样本熵作为特征向量。最后将其作为Tikhonov支持向量机的输入,实现滚动轴承故障精确分类。经过实验验证,本文方法获取的不同类型故障样本特征差别较大,与小波能谱熵、时间小波能谱熵相比能够更精确和快速的识别轴承故障。     

用于多分量信号分析的自适应广义S变换算法研究

时频分析是处理非平稳信号强有力的工具,S变换作为传统的时频分析方法之一,其窗函数的尺度可以随频率改变。但是,其时频窗函数尺度变化是固定的,无法适用不同信号的局部特性,导致能量聚集性较差。本文提出了一种自适应的广义S变换算法,设计了由4个调节参数控制的广义高斯窗函数,采用浓度测量自适应优化调节参数,以寻求最佳的时频表征效果。并针对时频分析结果,采用瞬时频率重组和分量重构方法,得到各个分量的瞬时频率,同时进行平滑处理,最终实现多分量信号的参数估计。仿真实验说明,本文提出的自适应广义S变换算法,结合瞬时频率重组和分量重构信号方法,极大地提升了多分量信号的时频分辨率和信号分离的准确性。     

基于平稳小波包分解和希尔伯特变换的故障特征自适应提取

提出一种自适应地提取信号特征分量的故障检测方法.采用逐层推进的平稳小波包分解算法,运用希尔伯特变换,在对信号进行小波包分解的同时,对分解结果进行瞬时频率和瞬时幅值分析,根据设定的分量提取和信号分解规则,实现信号分解路径的自主搜索,自适应地构建信号的小波包分解树,对信号进行多分辨率的频谱分析,达到信号消噪和特征分量提取的目的.仿真研究表明该方法的分量提取规则简单、目标明确,信号分析结果简洁,具有运算时间少、数据存储量小的特点和良好的抗噪性能,所提取的故障特征分量的时-频-幅值信息清晰、易于检测.     

小波－奇异值分解在异步电机转子故障特征提取中的应用

针对电流信号中异步电机的转子故障特征分量经常被电源频率分量淹没而无法准确检测的缺点,提出了一种基于小波-奇异值分解的转子故障特征提取方法。通过连续小波变换将电流信号中的各特征频率分量转换到时频分布空间中,对该时频空间进行奇异值分解将各特征频率分量分解到不同的正交特征子空间中,对特征子空间的选择重构可以有效地滤除电源频率分量而提取出转子故障特征分量。模拟数据和实际故障信号的应用表明,该方法提供了一种可实际应用的异步电机转子故障诊断方法。     

基于LMD的电压闪变分析

为实现电压闪变的准确检测,提出了基于局部均值分解(local mean decomposition,LMD)的分析方法。将复杂的多分量信号分解为若干个乘积函数(production function,PF)的线性组合,并通过所有PF分量的瞬时频率和瞬时幅值组合,可以得到原始信号的时频分布。首先对电压闪变信号进行LMD分解,用得到的瞬时幅值分量来确定电压闪变的幅值。然后对得到的纯调频信号进行Hilbert变换,求取瞬时频率,由瞬时频率的突变点定位闪变的起止时刻。仿真结果表明了LMD方法用于电压闪变分析的准确性和可行性。     

基于同步挤压小波变换的抗混叠低频振荡模态参数识别

针对经验模态分解法对低频振荡信号模态提取时,存在相邻频率分量混叠而导致分析结果不正确的问题,本文提出基于同步挤压小波变换的抗混叠低频振荡模态参数识别新方法,首先利用同步挤压小波变换将低频振荡信号分解为一组无频率混叠的固有模态分量,实现各固有模态的精确提取;其次对各固有模态分量进行希尔伯特(Hilbert)变换、计算其相对应瞬时幅值、瞬时频率及相位;最后运用瞬时频率、瞬时幅值计算其阻尼比,从而实现对低频振荡模态参数的有效识别,数值仿真及实例分析均表明该方法的可行性和有效性。同时该方法有助于评价阻尼控制器对系统不同振荡模态阻尼特性的影响,为阻尼控制器的设计研究及改进提供理论支撑,具有较好的实用价值。     

基于LMD和TEO的电能质量扰动检测分析

分析了局部均值分解LMD(local mean decomposition)在扰动检测中时间定位不足的原因,提出了基于LMD和Teager能量算子TEO(Tteager energy operator)的电能质量扰动信号检测分析方法。该方法由LMD和Teager能量算子2部分组成。首先利用LMD将电压信号分解成若干个乘积函数PF(product function),再用Teager能量算子解调PF分量得到信号的瞬时幅值包络和瞬时频率。根据时频图频率突变点,可以有效地检测扰动发生的起止时刻。与LMD相比,所提出的方法具有频率、幅值检测准确,定位能力强,端部失真小等优点,能有效检测分析非平稳电能质量扰动信号。