基于振动信号和同步压缩小波变换的电动机测速方法及实验分析

针对部分工业现场电动机无法安装测速传感器,提出一种基于振动信号和同步压缩小波变换的电动机测速方法。对电动机振动信号进行Hilbert变换得到包络信号,解调出其中与转速相关的振动分量;利用同步压缩小波变换分析计算出包络信号的时频图;引入脊线的四分位距和方差对代价函数法进行改进,并利用该方法提取基频振动分量的时频脊线,得到电动机的转速曲线,达到无转速计测速的目的。实验与仿真分析表明,所提方法无论在稳态还是在非稳态工况下都能准确检测出电动机转速,且误差不超过5%。该方法的研究与实践过程可加深学生对调制解调、时频分析等理论知识的理解,提高理论联系实际的能力。

基于同步压缩变换的电缆缺陷定位研究

由于采集信号为入射波与多反射波的叠加,且多分量信号之间存在耦合不服从线性叠加原理,导致以采用魏格纳分布(Wigner-Ville distribution,WVD)为核函数的传统时频域反射法(time-frequency domain reflection,TFDR)存在严重的交叉项干扰,影响对缺陷的定位和判断。针对这一问题,本文提出一种基于同步压缩变换的电缆缺陷定位方法,该方法采用同步压缩变换(synchrosqueezing transform,SST)替代WVD以消除交叉项干扰,并以高分辨率定位电缆缺陷。同时分析参考信号相关参数,针对不同长度电缆测试,提出参考信号设计原则。该方法的主要步骤包括:通过采用TFDR法获取时域定位信号;然后采用SST求取压缩和重排后的时频谱图,以获取更精确的时频表达并消除交叉项干扰。最后,搭建了10kV交联聚乙烯电缆仿真模型进行研究,并选取了长度为500 m含中间接头的XLPE电力电缆和某地约32km海底电缆对算法进行实验验证。仿真及实验结果表明:SST算法对信号进行重排后能有效消交叉相的干扰,提高了时频域反射法定位精度。

基于多元同步压缩变换的电力系统强迫振荡源定位

为实现电力系统强迫振荡源的快速、准确定位,该文提出一种基于多元同步压缩变换(multivariate synchrosqueezingtransform,MSST)的电力系统强迫振荡源定位方法。该方法首先利用电力系统的广域量测信息构建发电机的多通道量测信息矩阵,采用MSST对多通道量测信息矩阵同步分解得到对应的三维MSST系数矩阵;然后通过能量权重筛选出表征强迫振荡模式的MSST系数矩阵;进一步,构建基于MSST的发电机强迫振荡耗散能量计算模型,通过筛选出的表征发电机强迫振荡模式的MSST系数矩阵计算各发电机的耗散能量;然后,依据所提的强迫振荡源判据,定位出系统的强迫振荡源;最后,通过WECC-179节点测试系统仿真数据和辽宁电网PMU实测数据验证了所提方法的准确性和有效性。

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。

基于同步压缩小波变换的混凝土泵车液压系统故障诊断

混凝土泵车利用液压将混凝土连续长距离输送到施工点,依靠灵活、高效及灵活的机动性能,广泛应用于各种工程施工。而液压系统因原理复杂、液压冲击及多种因素的影响,在施工过程中时常发生故障,有时通过故障现象难以直接判断故障原因影响施工。本文提出了一种基于同步压缩小波变换的液压系统故障诊断方法,首先,于自行搭建的混凝土泵车液压系统故障诊断实验台上分别测试了空泵、正泵、反泵及臂架折叠收展四种典型状态的振动信号;然后对四类典型振动信号进行同步压缩小波分解得到相应分量,利用互相关准则计算各分量与原信号的互相关系数从而筛选出有效分量并计算近似熵得到特征向量;最后将特征向量输入模式识别系统进行识别。结果表明,该方法能够准确地识别出液压系统的4种典型故障类型,与传统的故障诊断方法相比,有效地提高了液压系统故障诊断的准确性和效率。

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.

基于频谱细化和二阶同步压缩变换的船载地波雷达目标检测方法

受船载平台运动、海杂波、多目标聚集以及环境干扰等的影响,海上船只目标的雷达回波极易被遮蔽和淹没,导致船载地波雷达的目标监视监测能力大幅减弱。为提高船载地波雷达对船只目标的检测与发现性能,提出了一种基于频谱细化和二阶同步压缩变换的目标检测方法。该方法首先对船载地波雷达的回波信号进行频率细化处理,提高频率分辨率;然后,通过二阶同步压缩变换的时频分析方法来提取目标的时频分布特征;最终,根据得到的时频分布特征来实现目标检测。实验结果表明:与短时傅里叶变换、小波变换等传统的时频分析方法相比,本文提出的方法不仅具有更好的时频聚集性,而且能有效检测海杂波附近的运动目标以及回波多普勒频率相近的多船只聚集目标。

同步压缩小波变换在电力系统次同步振荡参数提取中的应用

大多数经典的次同步振荡(SSO)模式提取方法都有一些缺点,如模式识别率低,抗噪声性能差。因此,本文提出了一种新的时频分析方法,即同步压缩小波变换(SWT)。SWT结合了经验模态分解(EMD)和小波的优点,具有EMD的适应性,提高了EMD和小波的抗模态混合能力。因此,可以获得更好的抗噪声性能和更高的模式识别。首先,对SSO信号进行SWT变换,得到其时频谱。其次,通过自动识别算法分析每个固有模式类型(IMT)分量在其时频谱中的衰减特性,并确定哪个IMT分量需要重建。然后,重构具有发散特性的选定IMT分量。再次,利用希尔伯特变换(HT)实现了模态参数识别的高精度检测。仿真和应用实例证明了该方法的有效性。

基于同步压缩短时傅里叶变换的毫米波雷达人体动作识别

针对人体动作识别问题,提出一种基于同步压缩短时傅里叶变换的人体动作识别方法。使用毫米波雷达进行人体动作数据的采集,将采集到的数据进行同步压缩短时傅里叶变换得到其时频图;然后使用卷积神经网络对不同动作进行微多普勒特征提取并分类。在数据采集部分,使用毫米波雷达进行数据采集,有效地避免了外界因素的影响;在时频分析部分,使用窗函数优化的同步压缩短时傅里叶变换提高了时频聚集性。实验结果表明,该人体动作识别系统对不同人体动作的识别率可达到91.7%。

迭代时间重排同步压缩变换及其在机械故障诊断中的应用

机械设备常运行在复杂环境下,往往受到时变载荷、时变转速、瞬态冲击等非平稳工况的影响,导致故障时有发生。时频分析技术可以兼顾时间和频率两个变量,得到了广泛应用。然而传统时频分析方法在提高时频聚集性和减弱交叉项之间存在矛盾,为了实现复杂环境下机械设备的故障诊断,提出迭代时间重排同步压缩变换方法。在时间重排同步压缩变换的基础上构造新的群延时估计算子,然后只需进行一次重排操作即可获得更锐利的时频表示。通过仿真信号和滚动轴承加速寿命试验数据验证所提方法的有效性。

基于多分辨率同步提取变换的多分量非平稳信号时频分析

对多分量非平稳信号进行时频分析可以获得信号特征随时间的变化规律,揭示信号的瞬时频率、能量分布和频谱演化。采用传统的时频方法处理多分量信号时,受制于自身算法缺陷,无法对信号进行高分辨率时频表达。逐步衍生出的改进的时频方法,如同步压缩变换(SST)等,在处理噪声干扰下的强时变调频多组分信号时的效果仍然欠佳。调频变换(CT)相对于其他方法,在处理非平稳弱幅值分量时具有较强的适应性与噪声鲁棒性。针对非平稳弱特征信号的时频表示弱这一问题,对CT算法进行了研究。首先,对基于CT衍生出的多分辨率调频变换(MRCT)进行了理论分析;然后,为了进一步提高MRCT的时频分析能力,基于同步提取变换(SET)的原理对MRCT进行了优化,引入了同步提取算子(SEO),并提出了多分辨率同步提取调频变换(MRSECT);最后,为了验证MRSECT在处理复杂振动信号时的有效性,利用MRSECT对数值模拟信号与实验轴承故障数据进行了分析。研究结果表明:MRSECT能够有效提取非平稳信号的时频特性,Renyi熵值在模拟信号处理中提高了25%,其在处理实际轴承故障信号中提高了15.6%。相比于其他时频算法,MRSECT具有更高的时变特征信息提取能力。

基于同步压缩小波变换的检测锚杆参数方法

时频的聚集性是评判信号分析方法效果的主要因素,传统的分析方法已经不能满足时频聚集性要求,因而提出一种高分辨率的分析方法-同步压缩小波变换(Synchrosqueezing Wavelet Transform, SWT)。该方法在频率方向上把小波系数重新挤压和排列,不仅提升时频的分辨率,而且还能实现信号重构。将此方法应用于分析锚杆质量检测数据,与传统的EEMD方法对比表明,SWT能够较为准确地描述信号的频率构成且重构的信号有较好的降噪效果。

基于同步压缩小波变换和ResNet的变压器放电故障诊断方法

为实现电力变压器运行状态的智能监测和有效辨识,文中提出一种基于同步压缩小波变换图谱与残差神经网络(ResNet)的变压器放电故障诊断方法。利用同步压缩小波变换技术将采集得到的原始声纹进行相应的时频变换,进而得到不同状态下的时频图谱数据集;然后利用残差神经网络实现电力变压器不同状态的辨识;最后,搭建包含三种电力变压器设备典型放电故障的试验对系统进行模拟测试。试验结果表明:所提方法不仅能够有效表征变压器不同的工作状态,而且辨识精度有显著提升,相比于常规方法提升约10%。

基于局部最大值2阶同步压缩变换的变工况轴承故障诊断

由于工况变化,机械设备在运行过程中相应的状态监控信号也呈非平稳性。时频分析技术作为处理非平稳信号的有效工具在机械故障诊断应用中起着重要作用。针对2阶同步压缩变换(Second-order Synchrosqueezing Transform,SST2)时频分析技术存在的时频分布能量发散问题,利用SST2局部最大时频系数位置构建局部最大值估计算子,将短时傅里叶变换结果(Short-time FourierTransform,STFT)的时频能量进行重排。结果表明,局部最大值估算算子能够有效增强SST2时频分布的能量集中度,该方法不仅能更准确的捕捉非平稳信号中的时变信息,同时能获得能量更集中的时频分布,减少噪声对时频分布图谱的干扰。通过一组数值仿真信号与一组变速轴承故障实验数据分析验证了该方法的有效性,并结合阶次分析方法实现变工况滚动轴承故障诊断。

基于时间重排多重同步压缩S变换的轴承故障诊断

状态监测信号中的冲击特征往往能够指示旋转机械的故障。为了准确提取振动信号中的冲击分量,提出一种新的时频分析方法—时间重排多重同步压缩S变换(time-reassigned multisynchrosqueezing S-transform,TMSSST)。首先对信号进行S变换得到一个相对模糊的时频分布(time-frequency representation,TFR);然后在时间方向对TFR进行能量重排,同时实施多次迭代以提高时频分布的可读性;最后引入一种脉冲提取算法用于降低信号中的噪声。所提方法结合了S变换自适应调节时频分辨率的优势和多重同步压缩能量集中度高的特性。模拟轴承故障信号和实验信号验证了所提方法在工程应用中的优越性和鲁棒性。

同步压缩短时傅里叶变换和时频脊线增强识别结构固有频率

根据实测结构振动响应准确地提取结构模态特征是评估结构健康状态的关键一环。将同步压缩短时傅里叶变换和时频脊线增强方法相结合,提出了一种新的结构自振频率识别方法。该方法首先对振动响应信号进行了同步压缩短时傅里叶变换,锐化了信号的时频表达,然后采用脊线增强方法对锐化后的时频图提取了峰值序列,获得了结构最可能的能量波动路径。通过对包含间断信号和模态混叠信号的仿真信号以及包含不同信噪比噪声的仿真信号进行验证,证明了同步压缩短时傅里叶变换的可靠性和准确性。接着,通过对比一个4自由度系统在地震作用下的结构响应,分析了不同变换方法的脊线增强效果,进一步验证了脊线增强方法对理解结构能量耗散路径和识别结构自振频率的有效性。

同步压缩小波变换分频谱蓝化在薄层识别中的应用

传统谱蓝化拓频技术由于谱蓝化算子的单一性,蓝化拓频后频谱分布异常,从而导致地震资料高频段存在不合理的现象;同时,蓝化拓频后频谱低频段容易出现震荡,导致拓频效果不佳。为此,提出基于同步压缩小波变换的分频谱蓝化拓频技术。该技术首先利用同步压缩小波变换对频率的分辨率优势,将地震数据精确地分成多个分频数据体;然后,在分频段计算谱蓝化算子过程中,考虑不同频段振幅谱特征,提出一种基于不同频带能量差异加权的改进谱蓝化算子;再依据不同分频段振幅谱占比确定其对应的改进谱蓝化算子权重;最后,将改进谱蓝化算子与地震反射系数褶积,得到优化后的拓频数据。模型试算及实际地震资料测试结果表明:相较于传统谱蓝化技术,联合同步压缩小波变换分频及谱蓝化算子优化进行地震拓频,较大程度提高了地震资料的高频信息,拓频后地震数据分辨率更高,在保证薄层精细刻画下,其低频段信息也得到有效保留,视觉假分辨率得到一定程度的压制。

基于MSST-HT的次同步振荡参数辨识研究

次同步振荡是在电力系统运行平衡点受到扰动后产生的一种异常电磁及机械振荡现象。针对希尔伯特黄变换在次同步振荡分量提取时存在噪声干扰和模态混叠问题,提出一种适用于次同步振荡参数辨识的多重同步压缩变换(MSST)和希尔伯特变换结合的方法。该方法在傅里叶同步压缩变换基础上,对次同步振荡信号时频谱进行多次同步压缩,以此来提高信号时频分布的重构精度和能量聚集程度。通过仿真并结合实际工程录波数据进行验证,首先使用多重同步压缩变换方法对信号进行时频分析,得到信号时频图,然后用多重同步压缩变换变换逆变换分解重构出各个模态分量,最后用希尔伯特变换对提取出来的单个模态分量进行参数辨识,识别其频率、阻尼比、衰减因子等主要参数。仿真结果表明,相比于短时傅里叶变换(STFT)、同步提取变换(SET)和傅里叶同步挤压变换(FSST),MSST能够提高信号时频分布的能量聚集程度和重构精度,能够实现多分量的次同步振荡模态分解。实际数据结果表明该方法能有效克服噪声干扰和模态混叠问题,准确辨识次同步震荡参数,对电力系统安全稳定运行具有一定的参考意义。

基于迭代广义同步压缩变换的时变工况行星齿轮箱故障诊断

同步压缩变换在分析频率恒定的单分量信号时改善时频可读性的效果显著,而在分析多分量频率时变信号时存在时频模糊现象,为了解决这一问题,提出迭代广义同步压缩变换方法。通过迭代广义解调分离出各单分量成分,并将时变频率变换为恒定频率。应用同步压缩变换精确估计瞬时频率和时频分布幅值。将各单分量的时频分布叠加获得信号的时频分布。该方法有效改善了同步压缩变换在分析频率时变信号时的时频可读性,并且将其推广应用于多分量信号。应用该方法有效识别了时变工况下行星齿轮箱振动信号的频率组成及其时变特征,准确诊断了齿轮故障。

同步压缩小波与希尔伯特-黄变换性能对比

经验模式分解(empirical mode decomposition简称EMD)中包络均值代替信号实际均值的算法误差,使其在处理复杂多频振动信号时易出现模式混叠,引起分析误差。针对这一问题,采用同步压缩小波变换(synchrosqueezed wavelet transform,简称SWT)根据时间-尺度平面中各元素模的大小,对平面内的能量进行重新分配,通过映射关系将时间-尺度平面转化为时间-频率平面,获得频率曲线更加集中的时频表达。这一方法的正交性与算法自身良好的数据驱动性降低了模式混叠引起的时频分析误差,多组分仿真信号时频特征提取证明了SWT的优异时频特性,利用旋转机械不对中振动位移信号进行了实测数据分析。结果表明,SWT能够精确描述谐波信号的频率构成,且所获时频能量分布集中,时、频域定位精度高,为机械设备的状态监测与故障诊断提供了一种新的时频分析手段。