关于低频振荡分析方法的评述

为更好地梳理概念,将低频振荡分析方法分为两大类,即针对系统模型平衡点的特征根方法以及沿着系统受扰轨迹的模式提取方法。平衡点特征根方法可进一步按采用的系统模型分为确定性的线性化模型、确定性的非线性模型和概率模型。这类方法与具体扰动无关,但只能反映系统在该平衡点附近的动态行为,故不适用于包含强非线性、变系数、相继故障或有离散控制的系统。受扰轨迹模式分析方法则从特定扰动下的时间响应曲线中提取振荡信息的时间序列,包括系统模型未知情况下(如实测轨迹)的信号处理法和系统模型已知情况下(如仿真轨迹)的分时段定常线性化法。在评述各种方法的基础上,提出改进的思路及有望突破的研究方向。

基于改进MFCC和3D-CNN的变压器铁心松动故障声纹识别模型

为了准确提取变压器铁心松动故障时的声纹特征,提出一种基于改进的梅尔频率倒谱系数(MFCC)和三维卷积神经网络(3D-CNN)的变压器声纹识别模型。首先对变压器噪声信号进行分帧加窗处理,提取梅尔频率倒谱系数(MFCC);然后运用局部线性嵌入算法(LLE)对现有的MFCC特征向量降维改进;最后使用三维卷积神经网络对变压器铁心松动故障进行识别。以某10 kV变压器为对象进行空载试验,采集铁心在不同松动程度下的声纹信号。计算结果表明,使用改进后的MFCC特征向量提取算法及3D-CNN模型具有良好的识别效果,准确率可达到98.33%,且平均迭代的时间可降至8.511 26 s。最终研究结果可为变压器的噪声治理提供依据。

基于APIT-SA-MEMD和FLLE的齿轮故障识别

齿轮往往处于恶劣的工作环境,其振动信号具有非线性和非平稳性的特点,研究出适用于齿轮的故障诊断方法具有重要意义。针对这一问题,提出了一种基于自适应投影本质变换正弦辅助多元经验模式分解(APIT-SA-MEMD)和Floyd局部线性嵌入算法(FLLE)的智能故障诊断方法。自适应投影本质变换多元经验模式分解存在模态混叠现象,因此,提出自适应投影本质变换正弦辅助多元经验模式分解来减轻传统经验模式分解存在的模态混叠现象。首先,采用APIT-SA-MEMD方法对齿轮振动信号进行分解,获得能够表征齿轮振动信号的IMF分量;在此基础上,提取所选取IMF分量的时域和频域特征,获得高维特征矩阵;最后,利用FLLE对高维特征矩阵进行降维和聚类分析,实现齿轮故障模式的识别。实验结果表明,提出的方法能够准确识别齿轮的不同故障类型。