频率矫正广义S变换及在储层含油气性预测中的应用

随着我国油气勘探程度的不断加深,陆相页岩油气等非常规油气逐渐成为我国勘探开发的重点,陆相页岩非均质性强、储层薄且纵横向变化剧烈等典型特征导致含油气性预测精度差,影响后续井位部署和生产等.时频变换方法是储层含油气性预测最有效的工具.为了提高储层含油气性预测的精度,本文提出了一种频率矫正广义S变换(Frequency-Corrected Generalized S-Transform, FCGST),该变换既具有S变换多尺度多分辨率的特性,又可以通过自适应选取窗函数参数以控制窗函数的带宽和主频等,这一特性可以适用于不同工区地震数据的处理与解释.与传统的S变换和广义S变换不同,该变换修正了传统S变换和广义S变换中的尺度因子,改善了S变换和广义S变换等传统方法中时频谱主频向高频方向偏移的问题,有利于精确描述复杂储层含油气性.合成数据算例表明,频率矫正广义S变换提升了地震信号局部时频特征的表征能力;将频率矫正广义S变换应用于鄂尔多斯盆地某工区储层含油气性预测中,实钻结果数据进一步验证了该时频分析方法在储层含油气性解释中的有效性和潜力.

基于同步压缩广义S变换的电力系统次/超同步振荡检测

为实现电力系统次/超同步振荡的快速、准确辨识,提出了一种基于同步压缩广义S变换(synchrosqueezing generalized S transform, SSGST)和改进稀疏时域法(improved sparse time domain method,ISTD)结合的次/超同步振荡辨识方法。该方法首先利用能量比函数对电力系统广域量测信息实时检测,当检测到信号能量发生突变时,利用SSGST对检测到的振荡信号分解得到相应的SSGST时频系数矩阵;然后通过改进的脊线提取方法在时频域实现对各振荡分量的最优轨迹搜索;进一步,结合最优轨迹时频索引重构各振荡分量的时域分量,并利用ISTD辨识方法计算出各振荡分量的频率和阻尼比系数;最后,通过自合成模拟信号、双馈风电场经串补并网系统仿真信号和某实际风电场实测数据验证了所提方法的准确性和有效性。

基于同步提取广义S变换的机械故障诊断方法研究

现有的同步提取变换(synchroextracting transform, SET)窗函数固定缺乏灵活性,在进行故障诊断时很难有效获取到高时频精度和高抗干扰性能的瞬时频率,针对此问题,结合广义S变换可以自适应调节窗函数宽度的优点,提出一种基于同步提取广义S变换(synchroextracting generalized Stransform, SEGST)的机械故障诊断方法。SEGST方法的特点在于将Rényi熵作为度量时频聚集性的标准,通过在高斯窗函数中引入2个尺度调节因子来选择参数的最佳值,对得到的广义S变换二维时频谱构造出同步提取算子来提取时频脊线处的时频系数,该算子能保留与信号的时变特征最相关的TF信息,剔除多余的模糊时频能量,从而得到高时频分辨率的时频能量特征。仿真结果表明,所提方法不论在时频分辨率方面,还是在噪声鲁棒性方面,都优于传统时频分析方法,并且保持了良好的重构性。最后,将所提方法应用于航空发动机高速滚动轴承故障诊断中,结果表明,该方法能够准确识别故障信号中的特征频率。

基于深度学习和广义S变换协同的风速预测

针对实测风速的非平稳性特点,提出一种基于深度学习和时频分析的风速混合预测方法。首先,采用经验模态分解(EMD)将风速分解为若干子层,由此得到趋势分量和脉动分量以降低风速的非线性。根据2个分量的时频特性,采用长短时记忆(LSTM)处理趋势分量,极限学习机(ELM)处理脉动分量。其次,引入广义S变换(GST)来获得预测过程中的时频特性。同时,采用改进的灰狼算法(IGWO)对GST、LSTM和ELM的参数进行优化。最后,以内蒙古某风场实测风速对所提模型进行验证,结果表明该模型具有较高的精度。

基于同步提取增强广义S变换的柴油机气门性能退化状态评估

柴油机在运行过程中气门间隙逐渐增大,其状态会随气门性能退化而发生改变。针对传统状态评估方法难以对其气门性能退化状态进行准确评估的问题,提出基于同步提取增强广义S变换(Synchro Extracting Enhanced Generalized S-Transform,SEEGST)的柴油机气门性能退化状态评估方法。通过传感器采集反映柴油机状态的振动信号;为解决传统信号时频分析方法存在时频分辨率低、能量聚集性弱等问题,基于同步提取算法与广义S变换提出SEEGST时频分析方法,将振动信号转换为二维时频图;利用MLP-Mixer模型提取时频图像特征进行训练,实现柴油机状态评估。通过柴油机状态监测实验台开展气门性能退化实验,将所提方法与SSGST-MLPMixer、GST-MLPMixer、SEEGST-ViT、SEEGST-2DCNN、FFT spectrum-1DCNN 5种传统方法对比。实验结果表明:所提方法的整体评估准确率达到98.96%,可有效应用于柴油机气门性能退化状态评估领域,为开展柴油机气门性能退化状态评估提供一种新的思路。

基于广义S变换的高频地波雷达电离层杂波抑制方法

为了抑制电离层对高频地波雷达回波的干扰,文中提出了一种基于广义S变换(GST)的时频滤波方法,通过GST将受电离层污染的时域数据转换为时频域进行分析和处理,根据相邻时间窗信号和电离层杂波的相关性不同,依次将时间窗内数据构建Hankel矩阵,再进行子空间滤波,最终达到减轻电离层干扰的目的。通过与传统方法比较及实测数据处理分析,回波频谱中的电离层杂波抑制取得了较好的结果,进而验证了本方法在电离层杂波抑制中的可行性和有效性。

基于广义S变换的光伏电站谐波和间谐波分析方法

针对S变换高斯窗函数形式固定不变的问题,引入高斯窗调节因子改进S变换,提出一种基于广义S变换的光伏电站谐波和间谐波分析方法。首先通过MATLAB/Simulink搭建光伏电站的仿真模型,在自然采样双极性SPWM调制方式下采集逆变器的三相输出电压;然后以A相电压为例,采用广义S变换对电压信号处理得到一个模时频矩阵;最后对该矩阵分析实现光伏电站谐波和间谐波参数的准确计算。仿真结果表明,本文方法的幅值计算误差最大仅为3.30×10^(-4)%,频率的平均计算误差为0%,远小于S变换幅值误差35.19%和频率误差2.39%;能满足光伏电站谐波和间谐波检测精度的需要。

基于广义S变换和并联神经网络的结构损伤识别研究

目前在利用CNN网络提取特征的结构损伤识别研究中,仅仅利用1D-CNN和2D-CNN提取的特征进行损伤识别存在准确率低、识别效率不高等问题。提出了一种基于广义S变换和并联神经网络的结构损伤识别方法。为了丰富输入信号的特征维度,利用广义S变换将滤波后的信号转化成时频图,并同时将一维加速度响应信号和二维时频图分别输入1D-CNN和2D-CNN中进行时域和时频域特征提取,并在汇聚层进行特征拼接,然后通过FC层和Softmax层对损伤识别结果进行分类。利用IASC-ASCE SHM Benchmark结构第二阶段试验数据对所提出的并联网络模型进行验证,结果表明,所提出的网络模型与其他同类方法相比具有更高的识别精度和识别效率。

基于局部最大值同步压缩广义S变换识别结构瞬时频率

为提升土木工程结构的瞬时频率识别精度,本文提出局部最大值同步压缩广义S变换方法.该方法首先对响应信号进行广义S变换;然后针对时频系数求取关于时间的偏导,进而估算信号的瞬时频率;最后采用局部最大值同步压缩算子来对时频系数进行重排,以此得到响应信号的瞬时频带.通过一组两层剪切框架模型的数值算例和一个七层钢筋混凝土剪力墙振动台试验验证该方法的有效性和可行性.研究结果表明,与既有的局部最大值同步压缩变换相比,本文方法不仅提升了瞬时频率的识别精度,而且改善了响应信号瞬时频带的时频聚集性.

广义S变换下串联故障电弧的时频分析及识别研究

在当前用户侧负载日益复杂的情形下,故障电弧信号难以有效识别,阻碍了线路隐患监测及预警技术的发展。该文基于广义S变换进行了故障串联电弧的时频分析及识别研究。首先,比较了短时傅里叶变换、小波变换、广义S变换3种电弧时频特征提取方法的区别,阐明广义S变换在处理非线性负载高频特征方面的优势。然后,利用双曲高斯窗的广义S变换对负载信号进行时频特征提取,构建图像特征样本。最后,利用二维卷积神经网络对样本进行训练及分类,通过准确率、识别结果聚类进一步分析和验证识别算法的有效性。该文算法总体识别准确率在96.81%,涉及负载广泛,为后续电弧故障的监测识别研究提供参考。

基于高阶多道同步挤压广义S变换的多属性融合储层预测技术研究及应用

时频域地震精细解释建立在高分辨率时频分析算法的基础上。为适应高精度勘探开发的要求,在多道同步挤压广义S变换(MSGST)的基础上,提出了高阶多道同步挤压广义S变换(HMSGST),进一步聚焦时频分辨率,提高储层预测的精准性。通过理论信号、理论加噪信号对比6种时频算法的计算结果,验证了HMSGST具有高时频分辨率,对复杂信号具有更好的刻画能力。以某三维工区海相砂岩为例,基于HMSGST在时频域沿主要油气储层(T2层)提取时间切片,开展频率衰减梯度、分频相干等属性分析以增强对短轴河道、次级断裂等目标的识别能力和烃类检测能力,进一步结合曲率属性开展RGB多属性融合精细雕刻。对于不同工区、不同地质条件的地震数据,需要进行HMSGST的参数分析,适合的参数是达到更为准确的计算结果的前提。

基于Pearson相关系数与广义S变换的低压直流微电网的故障选线方法

针对低压直流微电网线路的故障选线方法的研究有限,提出一种基于Pearson相关系数与广义S变换的故障选线方法。首先,介绍了低压直流微电网的一般组成。在此基础上,研究了低压直流微电网的单极故障以及极间故障的故障特征,提出选线方法,对各线路正负极首末端电流差进行Pearson相关系数计算来确定故障线路。然后对所选故障线路正负线路首端的电流量进行广义S变换,计算出其能量和的比值判别故障极性或者极间故障。最后,在PSCAD/EMTDC中搭建出低压直流微电网模型以输出各线路电流数据,并利用Matlab对数据进行仿真。结果表明,所提选线方法直接有效,且耐受过渡电阻的能力较强。

广义S变换和阈值分割联合抗频谱扩展-压缩移频干扰

根据频谱扩展-压缩(spectrum spread and compression,SSC)移频干扰信号和回波信号时频分布特性的差异,提出一种基于广义S变换和Tsallis交叉熵阈值分割的干扰抑制方法。分析了SSC移频干扰的干扰原理和干扰信号经过解线调后的信号形式,并利用时频聚焦性较好的广义S变换获取接收信号经过解线调后的时频图像,根据时频图像对应的灰度图像,以Tsallis交叉熵最小化作为目标函数,求出灰度图像的最佳分割阈值,并根据分割阈值构建时频滤波器,实现干扰抑制。仿真结果表明:该方法对于SSC移频干扰产生的假目标具有较好的抑制效果,干扰抑制比可达30 dB以上。

稀疏广义S变换及其在储层地震低频异常检测中的应用

时频分析(TF)是地震资料处理与解释中非常重要的方法之一,时频分辨率是高精度储层预测的关键参数。常规S变换及广义S变换的时频分辨率已难以满足高精度储层预测的需求。为此,将稀疏约束的思想引入TF中,在利用广义S变换参数可灵活调节的基础上,通过优化窗矩阵构建一种稀疏广义S变换方法。合成信号的对比分析结果表明,稀疏广义S变换方法能够获得时频分辨率更高、能量聚集性更好的时频分布,在高频和低频部分均能保持较高的时间分辨率。在实际地震数据的低频阴影检测中,该方法能更清楚地刻画油气储层的空间展布,有利于减小油气储层检测的多解性。

基于广义S变换与数学形态学的局部放电窄带干扰抑制方法

针对高压电力设备局部放电信号受周期性窄带干扰影响大的问题,提出了一种基于广义S变换与数学形态学的局部放电窄带干扰抑制方法。该方法可以从染噪局部放电(partial discharge,PD)信号中分离出原始PD信号和窄带干扰信号的时频谱图,从而在时频域内准确辨识出窄带干扰和原始PD信号,避免强能量的窄带干扰掩盖原始PD信号时频特征的问题。再利用总体最小二乘不变旋转矢量技术准确估计窄带干扰的特征参数,以抑制染噪PD信号中窄带干扰。对仿真和实测PD信号开展窄带干扰的抑制测试,测试结果表明:该文所提方法可以有效分离出染噪PD信号时频谱图中窄带干扰和PD信号,提高了时频分析的准确率;同时相比于传统的快速傅里叶变换(fast Fourier transform,FFT)算法谱最小熵解卷积滤波法和自适应奇异值分解法,该文方法能够有效抑制小幅值的窄带干扰,具备更好的窄带干扰抑制效果,以恢复局放信号的波形特征。

基于褶积原理和改进广义S变换的震动波衰减补偿试验研究

为了恢复震动波能量在传播过程中产生的衰减损耗,提出基于褶积原理求取品质因子Q的方法与改进广义S变换相结合的反Q滤波法。通过震动波衰减补偿模型试验,对试验数据进行改进广义S变换的时频特性分析,得出了信号的能量分布情况以及时间频率对应关系;采用基于褶积原理求取品质因子的方法,得到时变Q值;对试验数据进行反Q滤波处理,使震动波能量得到了补偿。结果表明本文提出的反Q滤波法提高了对震动波能量衰减补偿的效果,拓宽了地震资料的频带,提高了地震资料分辨率,有利于进行高分辨率地震勘探、深部信号增强和油气藏预测工作的开展。

基于广义S变换与隐马尔可夫的滚动轴承性能评估

考虑到滚动轴承故障信号的非平稳性、强噪声性,导致状态评估结果不确定性高,提出一种基于广义S变换特征提取和变分贝叶斯-隐马尔可夫模型的滚动轴承性能评估方法。针对滚动轴承监测获得的振动信号,对其进行广义S变换后,分别进行时间、频率、时频的信息熵特征值运算,提取健康指数作为性能评估的特征向量,并使用变分贝叶斯-隐马尔可夫模型建立实时性能评估模型,用健康样本训练模型,以模型输出对数似然概率值作为性能退化的评估指标。利用数学模型仿真和辛辛那提大学提供的轴承数据验证特征指标和评估模型的可行性,结果表明广义S变换熵值优于常规的特征指标,在轴承早期微弱故障时灵敏度高,性能评估模型仅需要正常数据就可以准确表征轴承性能退化趋势,为设备的维修和故障检测提供了参考。

广义S变换谱分解技术在深层地震弱信号提取中的应用

【目的】探寻适用于强噪声下的深层高速反射层地震弱信号处理的方法。【方法】采用基于离散傅里叶变换的频谱分解方法,根据信号的振幅和频率生成高分辨率地震图像,可有效识别介质特性的横向分布特征。【结果】通过广义S变换,可以自适应调节分辨率,能够有效地压制噪声。结合谱分解技术和广义S变换,在深层强反射层地震剖面的成像中,刻画各个频段的细节和特征更加明显。【结论】广义S变换谱分解技术有效提高了弱反射信号的信噪比和分辨率,细化了叠加剖面上没有体现出的低频特征和细节,获得了更好的成像效果。

基于广义S变换和二维卷积神经网络的油纸绝缘局部放电超声信号识别

超声法是局部放电测量的重要方法。为更有效提取局部放电超声信号中的关键信息,提出一种基于广义S变换和二维卷积神经网络的油纸绝缘局部放电超声信号识别方法。首先,在实验室采集3种典型缺陷的局部放电超声信号,对预处理后的数据进行广义S变换,获得不同放电样本的时频分布图像;然后,构建二维卷积神经网络,将时频图像作为输入,提取超声信号的时频特征;最后,输出对局部放电类型的识别结果。结果表明:该方法对不同局部放电类型的超声信号进行识别,准确率可以达到97.8%,能够更有效地提取超声信号的内在信息并进行局部放电识别。

广义S变换与薄互层地震响应分析

Stockwell等人提出的S变换虽然与Fourier谱能保持直接联系 ,然而 ,由于S变换中的基本小波不适用于地震资料处理 .为此本文采用两个步骤对S变换加以推广 ,得到两种新变换 (统称为广义S变换 ) .首先 ,用带有 4个待定参数的调幅简谐波来代替S变换中的基本小波 ,定义广义S变换 1,给出对应的逆变换 ;然后 ,以第一步中的基本小波的线性组合为新的基本小波 ,定义广义S变换 2 ,并构造其逆变换公式 .最后 ,分别使用S变换及广义S变换对几种典型的薄互层模型进行分析计算 .结果表明 ,后者比前者有更强的探测能力 ,后者可准确地确定厚度为 1 8波长的薄互层中波阻抗界面位置 ,但前者却不能 .文中还用实际资料处理的结果 ,证明了广义S变换方法的有效性 .