基于小波预处理的HHT方法在水轮机振动诊断中的应用

提出了基于小波去噪、降采样和HHT变换的方法。该方法先利用小波进行信号去噪,克服噪声对EMD分解的影响。其次,为获得正确的IMF分量和Hilbert谱,采用降采样方法对信号进行重采样,继而得到适当的采样率。最后,进行EMD分解提取具有明确物理意义的水轮机振动模式分量信号,再对各分量信号进行Hilbert谱分析,从而识别信号的异常频率和发生时间。并将该方法应用于某电站1号机组振动信号分析,结果表明,基于小波预处理的水轮机振动信号Hilbert-Huang变换方法能对机组性能做出良好评价,值得推广应用。     

自适应迭代滤波在水轮发电机组振动分析中的运用

水轮发电机组的振动和水轮机压力脉动是衡量机组运行状态稳定性的重要指标,为了确保机组的正常运行,通常采集机组的振动信号进行识别判断。通常,水轮发电机组的振动信号为非平稳信号,并且会参杂着的噪声。针对水轮机振动信号,提出一种基于自适应迭代滤波分解和独立分量分析的水轮机振动信号特征提取方法,介绍其基本原理及求解步骤。先使用独立分量分析对原始信号进行分解,将背景中多余的噪声去除,接着对每个通道的信号进行自适应迭代滤波分解,计算每个模态分量的能量集中度并设定相关的边界值,将超出该值的模态分量去除,并将剩余的分量进行重构,获得除去噪声成分后的重组信号。通过对仿真信号以及实际信号的分析,该方法可以将振动信号中的噪声成分去除,并对相关物理特征进行有效的提取。最后得出结论:1)独立分量分析可将水轮机振动信号中的噪声去除,并突出特征;2)采用自适应迭代滤波分解并以能量集中度作为模态筛选指标,能够将含有少量噪声的模态提取出来,获取相关特征信号。     

小波变换应用于水轮机空化信号检测

水轮机中的空化现象成因复杂,影响水轮机性能和使用寿命,危害很大.通过测量空化噪声信号监测空化发展程度是防止机组在空化状态下运行的一个重要方法.空化噪声信号是典型的突变信号,单纯依靠频谱分析难以确定不同空化程度下对应的噪声信号特点.小波变换良好的时频局部化特性使其能够很好地处理信号突变点.本文尝试应用小波变换处理空化噪声信号,通过小波变换的模极大值来描述空化噪声信号的奇异性,提出了2个新的参数用以描述不同空化程度下噪声信号的特点.将该方法应用于实测数据分析的结果表明:该方法能够提供更多噪声信号中的突变信息,可以更好的帮助判断空化发展的程度,对于监测空化状态是非常有效的.     

三峡水电厂左岸ALSTOM机组尾水管压力脉动分析

对连续小波变换的分析研究,了解到非平稳信号经过连续小波变换后,能够有效地将水轮机非稳态工况下的振动信号很好地分解在有限的时间—尺度范围内而保持信号的信息完整。并应用连续小波变换方法分析了三峡水电厂机组整个升负荷运行中尾水锥管水压脉动情况,准确地获得机组的振动区间以及振动的频率范围,为机组的故障特征提取提供了一种新的选择。     

基于小波包频带分析技术的水轮机空化特性研究

在详细分析水轮机空化信号特点的基础上,总结了适合于空化信号分析的小波基函数应具有的特点;为避免信号小波包分解的盲目性,文中采用了区间小波包分解方式,即有针对性地对空化信号进行深层次分解.结合水轮机模型空化状态观测结果,对相应状态下监测的空化超声波信号进行小波包时频分布特性和频带能量分布特性分析,得出了水轮机空化超声波时域信号幅值调制特性和频域能量分布随空化系数变化的关系,验证了小波包频带分析技术对水轮机空化信号分析的有效性.     

EMD小波变换水轮机故障奇异数据还原研究

水轮机组状态监测数据由于受到传感器、测量条件、环境等因素影响会造成数据失真,产生众多奇异点,对正确分析机组运行状态十分不利。本文提出通过经验模态分解与小波变换相结合的方法来分析水轮机故障信号的奇异性,该方法将原始信号经验模态分解后,利用小波变换检测出信号中的奇异点,并将剔除奇异点的信号重构,通过重构信号对机组进行分析。实例仿真表明,与直接对原信号进行小波分析相比,该方法提取的奇异性特征明显并能准确重构,在采用通用传感器信号准确描述机组状态和正确认识机组故障上有较好的应用价值。     

基于最优小波包的水轮发电机组振动信号特征提取方法

水轮发电机组振动信号的在线监测是实现机组状态检修方法的关键。在分析了水轮发电机的机组振动信号特征后,提出采用db1小波进行振动信号的特征提取,在信号分析中主要应用shannon熵。小波包的构造是基于函数空间的正交剖分;最佳小波包基的选择就是应用最优的分解方法和有效的算法寻找出最小熵标准;给出了机组振动信号特征提取的步骤。根据所构造的最优小波包对机组振动信号进行分解并运用能量特征提取分析方法对机组振动信号进行特征提取。     

基于HHT变换的电动机故障信号频率分析

提出将HHT变换(Hilbert-HuangTransform,HHT)中边际谱理论应用于电动机故障信号的HHT分解和频率跟踪研究的新方法,并通过实例验证Hilbert-Huang变换在电动机故障信号频率分析中的应用。     

基于最小二乘支持向量机回归的HHT在水轮发电机组故障诊断中的应用

水轮发电机组的故障表现为振动信号中出现异常频率成分,Hilbert-Huang变换可自适应地将这种频率成分提取出来并形成时频谱。但变换过程中,当两侧端点不为极值点时,会造成三次样条拟合的极值包络线偏离实际值,并且随着分解的不断进行向内“污染”。提出基于最小二乘支持向量机回归的Hilbert-Huang变换,该方法采用最小二乘支持向量机回归的方法对原信号两端进行拓延,得到附加的极值点,再利用三次样条插值的方法得到上、下包络线,实现了准确的EMD分解。将改进后的Hilbert-Huang变化应用于水轮发电机组故障诊断中,结果表明,该方法有效抑制了端点效应,实现了故障的准确识别。     

基于WP_SVD降噪的OLTC振动信号特征识别

为对变压器有载分接开关机械故障进行诊断,提出一种结合奇异值分解SVD(singular value decompo-sition)消噪与小波包WP(wavelet packet)消噪的信号特征提取方法。首先对信号进行小波包消噪,然后进行SVD二次消噪,将消噪信号进行经验模态分解EMD(empirical mode decomposition),对得出的各阶固有模态分量进行希尔伯特-黄变换HHT(Hilbert-Huang transform)。数值仿真表明基于WP_SVD降噪的信号特征提取比小波包或SVD单独降噪的信号特征提取方法有效,并成功地将该方法应用到分接开关实际振动信号分析中。     

Hilbert-Huang变换在电气化铁路谐波检测中的应用

将Hilbert-Huang变换(Hilbert-Huang transform,HHT)用于电气化铁路谐波检测中,应用该方法可以提取任意频次的谐波信号。为了解决直接应用经验模式分解(empirical mode decomposition,EMD)方法可能出现的模态混叠问题,文中采用基于傅里叶变换(Fourien tranform,FT)的EMD方法对电气化铁路谐波信号进行提取。首先利用傅里叶变换对指定频率部分进行滤波,然后分别进行HHT变换,再重新组合,即可得到信号全部完整的本征模态函数(intrinsic mode function,IMF)分量,进而计算其Hilbert谱,得到谐波信号的Hilbert谱值。对电气化铁路牵引变电站实测谐波电压、电流数据进行了分析,仿真结果表明利用改进的HHT方法可以得到电气化铁路各次谐波的准确时频分布。     

用改进的Hilbert-Huang变换辨识电力系统低频振荡

针对Hilbert-Huang变换(HHT)在辨识电力系统低频振荡模态时易出现的模态混叠问题,提出了利用改进HHT辨识密频电力系统低频振荡模态参数的方法。首先通过Fourier变换确定每个模态频率的大致范围;然后在利用经验模态分解(EMD)求取每个模态时,根据所求得的模态频率的密集程度,或引入屏蔽信号,或通过滤波处理的方式,以分离频率相近的模态;最后通过对每个模态的瞬时幅值和频率进行线性最小二乘拟合,得到每个模态的模态参数。利用传统的HHT和改进的HHT分别对理想信号、仿真信号以及实际录波信号进行了分析,分析结果表明该方法能够准确辨识出低频振荡的特征参数,适用于密频电力系统低频振荡的辨识。     

水轮机空化的小波奇异性检测研究

空化现象是水轮机中难以避免的主要危害。空化噪声的谱分析一般采用功率谱分析，而功率谱分析在研究空化噪声这种具有很强突变性的信号具有明显的缺陷。小波分析具有很好的局部性，在奇异性检测和奇异性定位研究中得到了广泛的应用，文中在小波变换模极大值奇异性检测的理论基础上提出了水轮机空化的小波奇异性检测方法，并提出了小波基选择方案和突变点检测条件。较之以往的基于模极大值线搜索的方法，该方法具有运算量小的优点。分析了实际检测数据，结果表明该方法的有效性，并很好的检测出空化初生和空化形态转变。     

基于EEMD排列组合熵的SVM转子振动故障诊断研究

对汽轮机转子故障状态进行准确判别一直是工程领域研究的重点。在使用支持向量机作为模式识别方法进行故障诊断的过程中,提取能明显区别不同故障的信号特征参数,构建高质量的样本可以较大提高支持向量机（support vector machine,SVM）模型的分类正确率。针对此问题,提出一种总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)、排列组合熵和SVM相结合的汽轮机转子振动多故障诊断方法。方法首先引入有向无环图建立了多故障诊断模型,利用EEMD将振动信号分解成单一无混叠的内禀模态函数（intrinsic mode function,IMF）分量,然后计算对振动信号变化非常敏感的IMF排列组合熵作为特征向量,并应用到有向无环图SVM进行多故障状态识别。实验结果表明,该方法实现了汽轮机转子的振动多故障诊断,同时与基于EEMD能量法提取的特征向量进行对比,通过实验证明,该方法具有更加准确的识别率。     

希尔伯特-黄变换在电力系统故障检测中的应用研究

电力系统中的故障暂态信号多为非线性非平稳信号,希尔伯特-黄变换(HHT)被认为是专门针对非线性非平稳信号的分析方法。将HHT引入到电力系统故障检测中,利用经验模态分解(EMD)获得故障电流信号的本征模态函数(IMF),通过选取IMF并对其进行H ilbert变换,提取出IMF分量的瞬时频率和瞬时幅度。利用合成的IMF分量的H ilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析。仿真研究表明:基于HHT的故障检测方法能充分提取故障信息,故障定位准确,提高了故障检测的可靠性。     

基于数学形态学和HHT的谐波和间谐波检测方法

非线性电力元件的应用使电力系统的谐波污染问题日益突出。为准确检测谐波和间谐波参数,提出了基于数学形态学和希尔伯特–黄变换(Hilbert-Huang transform,HHT)的谐波和间谐波检测方法。为有效抑制多种噪声,对现有数学形态滤波器进行了改进,使之保留了原信号的主要特征,并运用经验模态分解处理消噪后的信号,得到了一组经验模态函数分量。对每个经验模态函数分量进行希尔伯特–黄变换,可准确得到其瞬时频率和瞬时幅值,实现了在噪声背景下对谐波和间谐波的检测。仿真结果验证了该方法的可行性与有效性,表明其可提高谐波和间谐波的检测精度。     

Transformer partial discharge signal reconstruction and feature extraction method based on time–frequency matrix

Effectively extracting power transformer partial discharge (PD) signals is of great significance for monitoring the power transformer insulation state. However, practical and effective extraction methods have been lacking. This paper proposes a novel method for the extraction PD signals feature by the analysis of their time–frequency matrix. First, empirical mode decomposition (EMD) is carried out for raw signals to obtain the complete Hilbert time–frequency spectrum. Second, the frequency band partition is carried out. And the component of raw signals on each frequency band is constructed after filtering by a Hilbert–Huang transform (HHT) band‐pass filter. Then the time–frequency matrix is constructed by different frequency band components, and singular value decomposition is carried out. Using its singular value energy spectrum, the PD signal is reconstructed, further realizing feature extraction. Finally, the analysis result from actual examples indicates that this method can effectively extract PD signal feature frequency spectrum, and meanwhile also can eliminate the strong background interference and retain the higher time–frequency resolution. © 2017 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

轴流转桨式水轮机空化声信号特征研究

影响水轮机使用寿命与性能的一个主要问题是空化空蚀现象,通过声信号检测空化是空化空蚀研究的重要领域,其中主要的难题是确定不同空化程度时声信号的特征。在轴流转桨式水轮机模型空化试验中,用宽频传感器测试不同空化程度下的声信号,分析声信号的频谱特征随空化发展的变化规律,结果表明,随着空化的发展,声信号频谱变化明显,且各个不同频段的变化率不同,揭示了通过声信号各频段的相对幅度来确定空化发展的严重程度的可能性。     

基于改进HHT和决策树的电能质量扰动辨识

为了准确辨识电能质量扰动的类型,以实现电能质量问题的有效治理,提出一种基于改进希尔伯特-黄变换(Hilbert-Huang transform,HHT)和决策树的电能质量扰动辨识方法。该方法先采用改进的基于斜率的方法(improved slope based method,ISBM)抑制希尔伯特-黄变换算法的端点效应,然后利用改进的HHT方法进行电能质量扰动信号的分析;从得到的瞬时频率曲线中提取频率成分、扰动持续时间和扰动持续期间频率3个特征量,并从瞬时幅值曲线中获取扰动期间电压幅值;最后构建分类决策树,将这4个特征量作为判断依据,实现扰动信号的分类和识别。根据各类电能质量扰动信号的数学模型,产生大量的测试样本进行仿真测试,结果证明了该方法的有效性和准确性,并且与现有的2种扰动辨识方法进行对比,结果表明该方法具有更高的识别准确率,能准确辨识出电能质量扰动的类型。     

基于同步挤压小波变换的电力系统时变谐波检测

针对噪声影响下时变谐波检测问题,提出基于同步挤压小波变换(SWT)的检测方法。首先利用SWT算法将混有噪声的时变谐波信号分解为不同的内蕴模态函数分量(IMTs),进而提取出所含谐波分量,然后对每个谐波分量进行Hilbert变换,得到每个本征函数的瞬时频率和幅值及谐波扰动的起止时刻。基于SWT准确的模态分离能力,实现了各谐波的瞬时频率、瞬时幅值和谐波扰动的起止时刻等参数较高精度的获取。与传统的希尔伯特-黄(HHT)方法相比,该方法对于谐波的分离能力更强,对噪声有更强的鲁棒性。仿真及实际数据表明,所提方法在噪声环境下依然能精确提取各个模态,验证了该方法在时变谐波检测分析中的有效性。