中性点柔性接地配电网故障相恢复电压暂态时域特征分析

配电网接地故障过零熄弧后的电压暂态恢复特性决定了系统过电压水平及电弧重燃特性,目前,中性点柔性接地配电网故障熄弧后暂态恢复电压变化机理尚不明确,为此建立柔性接地配电网接地故障暂态等值电路,理论解析故障过零熄弧后故障恢复电压的时域表达式。在此基础上,对比分析配电网谐振接地与柔性接地方式下,系统参数变化对故障相恢复电压暂态峰值与恢复速度的影响,揭示暂态时间尺度下故障相恢复电压特征随注入零序电流值与电流注入时机的变化规律,阐明通过中性点注入可控零序电流抑制故障暂态过电压的机理。在PSCAD/EMTDC仿真环境与10 kV真型配电网实验场中模拟各种运行和故障工况,仿真与真型实验结果均验证柔性接地配电网故障相恢复电压时域解析特征与变化规律的正确性。

基于组合时域特征提取和Stacking集成学习的燃煤锅炉NO_(x)排放浓度预测

为提高火电厂锅炉出口NO_(x)排放浓度的预测精度,提出一种考虑组合时域特征的Stacking集成学习模型。首先,为挖掘数据深层信息,采用时序分析、完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise analysis,CEEMDAN)和统计学计算数据标准差、偏度等特征的方法进行组合时域特征提取以构建重构数据;其次,考虑到重构数据中存在的冗余变量对模型的精度有所影响,利用遗传算法(genetic algorithm,GA)对重构数据进行特征降维;最后,为充分发挥各个模型的优势以提高模型的预测精度,构建以极限学习机(extreme learning machines,ELM)、深度神经网络(deep neural networks,DNN)、多层感知器(multilayer perceptron,MLP)、极限梯度提升算法(extreme gradient boosting,XGBoost)为基模型和以回声状态网络(echo state network,ESN)为元模型的Stacking集成学习NOx排放浓度预测模型。实验结果表明:该预测模型在不同数据集下都有着不错的预测效果,预测误差均小于2%,能够对锅炉NOx排放浓度实现精准预测。

基于脉冲波形时域特征的局部放电识别

建立了一套数字化实时高速局部放电波形测量系统。由简单实验室模型和工业仿真模型取得了不同类型局部放电的脉冲电流波形 ,包括空气中和油中尖板电极放电 ,电机模型线棒内部气隙放电 ,线棒端部沿面放电。用分段的时域数据压缩法提取了脉冲波形特征。采用分级的人工神经网络进行放电模式识别 。

机械故障信号小波包分解的时域特征提取方法研究

本文利用小波包分解机械故障信号 ,对分解后的不同频带内的分解系数进行时域重构 ,分别对重构时间序列用时域分析的方法提取对故障敏感的特征参数 ,实现对往复机械等复杂机械的故障诊断 ,并以某油田往复泵为例。验证了该方法对这类机械进行故障诊断的有效性。

基于超声时域特征及随机森林的磷酸铁锂电池荷电状态估计

荷电状态(SOC)是电池管理系统中的重要监测指标。磷酸铁锂电池因开路电压与SOC曲线过于平坦而导致电信号对SOC变化不敏感,从而难以实现精确估计。超声信号可以检测电极材料物理性质变化,继而建立构效关系来表征电池状态。该文融合高相关性超声特征和低复杂性回归模型提出了一种磷酸铁锂电池平台期SOC估计方法。首先,分析超声波发射频率、电流倍率和温度等不同条件下常规超声特征与SOC的一致性和相关性变化;然后,基于超声结构特征进一步扩展多维高相关性超声时域特征;最后,对比多种数据驱动和模型驱动方法后提出一种基于随机森林的SOC精确估计方法。实验结果显示,不同动态工况下SOC估计的方均根误差和平均绝对误差分别低于1.9%和1.6%,验证了此方法进行SOC估计的可靠性与准确性。

基于声波时域特征的锂离子电池荷电状态表征

许多先进的检测技术已被证实能获取锂离子电池的荷电状态(SOC),然而目前的检测手段未能同时满足精度和效率方面的要求。利用超声波对SOC的表征已经得到初步的认可,该方法检测效率高、对电池损伤小,但存在单个声学指标与电池材料动力学特性不清晰的问题。该文在分析锂离子电池SOC声学表征研究现状的基础上,将振铃计数引入电池SOC评价中,明确SOC与振铃计数的相关性。基于Lemaitre等效应变原理推导了振铃计数与有效杨氏模量的对应关系,提出基于超声纵波的锂离子电池SOC在线检测方法,结合常规的声学指标研究了锂离子电池在充放电循环中有效杨氏模量演化规律。通过将常规的时域声学指标与振铃计数表征结果进行对比,验证了振铃计数对SOC表征的可行性。

基于加速度时域特征的实时人体行为模式识别

针对高精度的实时人体行为模式识别,提出了一种基于加速度时域特征的行为模式识别算法.本算法选取时域特征作为唯一特征量,通过简化特征提取运算实现行为的实时识别,获得了高精度结果.通过在Android智能手机平台进行测试,每项动作识别正确率均可达80%以上.该算法相对于现有算法实时精度有明显提高,在手持终端领域具有较好的应用前景.

基于振动信号时域特征的综放工作面煤岩识别

为提高放顶煤的自动化和智能化水平,实现综放工作面的少人化和无人化,利用自主研制的测振记录仪,获得了不同测点处煤矿井下综放工作面顶煤、矸石与顶板岩石垮落等工况下,液压支架后尾梁与后部刮板输送机的振动信号时域指标,经统计分析发现方差、偏度与峭度指标对工况变化敏感,可作为综放工作面煤岩性状识别的评判依据,其中峭度指标最为敏感,分析了液压支架后尾梁与后部刮板输送机振动信号获取的难易程度,得出液压支架后尾梁更适合作为综放工作面煤岩性状识别的测点。

基于多传感器时域特征的实时人体行为识别(英文)

提出了一种基于加速度计、陀螺仪、气压计输出时域特征的高精度、高实时性的人体行为模式识别算法。该算法选取多传感器输出的时域特征值作为唯一特征量,通过特征提取运算实现行为的实时识别。通过在实验室自主研发的软硬件平台上进行测试,在识别时间缩短到2 s一次的条件下,对于8种人体日常行为模式和4种摔倒模式的平均识别率可达到94%以上。该算法对于现有算法实时精度有明显提高,且拓展了模式识别的种类,在可穿戴智能终端领域具有很好的应用前景。

脉搏波时域特征与血压相关性的研究

目的基于脉搏波的原理和动脉弹性腔理论,研究脉搏波的时间参数、面积参数、主波高度、上升沿平均斜率等参数与血压之间的相关性,确定出相关性较好的参数,为利用脉搏波特征参数检测血压提供理论依据。方法通过高血压患者口服降压药;健康个体运动改变血压,在相同时间间隔内,采集血压以及对应时刻的脉搏波,分析脉搏波时域特征参数与血压之间的相关性。结果血压与脉搏波主峰高度H、波形特征量K、面积参数和时间参数线具有较好的相关性。结论血压与脉搏波特征参数之间存在特定的相关关系,提供了利用脉搏波特征参数检测血压的理论依据。

基于声压信号时域特征的综放工作面煤岩性状识别方法研究

针对综放工作面煤岩性状识别的技术问题,利用YHJ(C)矿用便携式测振记录仪开展煤矿井下综放工作面顶煤放落实验,采集到大量一手试验数据;然后,对选用的声压数据进行信号预处理以消除趋势项;最后,对预处理后的声压数据进行时域特征分析,得到不同工况下后尾梁声压信号的时域特征指标。对比发现,峰峰值、方差以及峭度指标对工况敏感,且方差对煤岩性状具有更高的识别率,据此提出一种以方差作为识别指标的基于声压信号时域特征的分析方法,为提高综放工作面放顶煤的自动化、智能化提供技术支持。

基于改进TOPSIS和时域特征量的油纸绝缘状态分类分级评估

针对目前研究时域特征量评估油纸绝缘老化只对整体状态诊断,并未区分油纸绝缘系统中不同介质的绝缘状态。利用油纸绝缘变压器的回复电压现场测试数据,根据充电时间长短将时域特征量区分处理,形成绝缘油和绝缘纸的标准状态指标;采用标度拓展法与变异系数法确定各指标主客观权重,并根据最小鉴别信息进行最优组合;最后结合一种改进理想解法实现对油纸绝缘不同介质状态的分类分级评估。通过实际油浸式变压器测试数据进行验证,结果表明该方法能实现同一台变压器油和纸绝缘状态的分类评估,通过对比变压器实际状况和绝缘纸聚合度、油中微水量验证了评估结果的准确可靠。

双向时域特征流盲去运动模糊方法

便携式成像设备在日常的生活中已经无处不在,但是因为拍摄时的抖动或者场景中的快速运动物体,所拍摄的图像或视频经常存在模糊现象,造成图像重要细节丢失。为了将模糊的视频图像恢复到清晰的状态,结合近年来的研究热点——生成对抗网络,本文提出了一种新颖的端到端的双向时域特征流盲去运动模糊方法。该方法充分利用时空连续特征信息,在三连帧图像间建立双向的时域特征传输通道。多阶段自编码去模糊网络结构和并行编码-混合解码融合方案能够融合三连帧图像多通道内容信息,并恢复出更加清晰的视频图像。实验结果表明,在不牺牲较大时间代价前提下,本文提出的方法在传统的质量评价指标(峰值信噪比和结构相似性)和视觉质量上均优于现有的去模糊算法。

脉搏波信号时域特征提取与算法的研究

研究脉搏波信号时域特征以及提取算法,针对脉搏波信号中若干有明确生理意义的特征点(如主波、潮波、重搏波等),提出采用极值法从脉搏信号中提取上述特征点,并根据特征点来计算脉搏周期。仿真实验证明,采用极值法与传统的脉搏信号提取法相比,极值法的脉搏特征提取更简明、准确。

多媒质区域中电磁波传播的时域特征波模拟

将时域特征波法用于模拟多媒质区域的电磁波传播。与时域有限差分法相比 ,时域特征波法在处理媒质交界面和吸收边界上具有优越性。

基于时域特征DC-DC电路软故障诊断

针对矿用DC-DC电路软故障模式的高效故障特征参数获取难的问题,基于测点信号的获取便利性、故障特征提取简单性、故障分类高效性,给出基于时域特征的软故障诊断方法。首先分析典型DC-DC电路工作原理及主要元器件参数退化对电路性能的影响,选取便于监测的多个测点信号,计算14种时域故障特征参数,进而根据相似度指标选取最优测点组合,最后利用分类器实现DC-DC电路软故障的高效诊断。该故障诊断方法无需复杂计算及参数设置,简单、便利、高效,实验结果表明其性能优于变分模态分解和模糊熵的故障诊断方法,测试时间短,分类正确率高,较适用于DC-DC电路软故障诊断。

无纸记录仪中时域特征点的寻找

针对现在的数字记录仪主要嵌入的是频域分析软件,而对于时域的特征点重视不够的缺点,着重分析了在时域内寻找这些特征点的方法。为了有效滤去信号中含有的噪声并便于寻找特征点,采取了分段数据拟合的方法。实验结果证明了文章方法的有效性。

提取电子设备冲击响应时域特征参数的方法

针对如何从电子设备冲击响应时间历程中提取时域特征参数的问题,以典型冲击响应时域实测数据为研究对象,将冲击实测数据划分为冲击前、冲击中和冲击后3个分段,明确了冲击响应时域特征参数冲击峰值Ap和冲击持续时间Te的定义,提出了一种提取电子设备冲击响应时域特征参数的方法并编制了计算机程序。对数据实例的处理结果表明该方法是正确、可信的。

深孔镗削加工颤振的多传感器监测与时域特征分析研究

深孔零件广泛应用于国家重点行业,对于精密高效加工工艺、专用刀具设计制造、加工误差在线检测与控制提出了极高要求。加工状态监控是在线抑制加工颤振、提升加工过程可靠性的有效途径。采用电涡流位移传感器、振动加速度传感器和声压传感器,提出一套可行的镗孔颤振监测方案并采集相关信号,研究表明:通过时域图和频域谱阵分析稳定加工阶段、过渡阶段和颤振产生阶段的信号直观变化规律;采用EMD信号分解实现信号的预处理,提取每个IMF分量的能量占比,根据能量占比选取前5阶IMF分量代替原有信号,消除无用的低频噪声,实现信号的去噪;综合考虑均方根、绝对平均值、方根幅值、方差、偏度、峭度、峭度指标等时域特征与频域特征,得到了颤振产生与信号特征之间的关系,随着颤振的产生与幅值相关的时域特征呈现上升趋势;功率谱熵、分形维数和L-Z复杂度指标呈现下降趋势。

滚动轴承故障信号时域特征指标的敏感性分析

构建了一种轴承故障模拟信号对时域特征指标进行了敏感性分析,分别改变模拟信号的冲击幅值、噪声幅值以及谐波幅值,研究这些变化对特征指标的影响情况,以此来判断该特征指标对轴承故障的敏感性强弱。通过分析轴承转速和故障尺寸对时域特征指标的影响,得出:裕度指标和脉冲指标对故障的敏感性较好,可以在工程实际应用中赋予较大的权重。