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。

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。

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。

基于同步压缩-交叉小波变换算法的齿轮故障诊断研究

齿轮超负荷使用或者在不良环境下使用时,容易造成齿轮失效;齿轮的失效形式主要有断齿故障、齿面点蚀、齿轮磨损等,此外齿轮制造过程中也存在固有误差,传统的齿轮故障诊断通常使用振动加速度传感器或者SCADA数据进行处理,但振动加速度传感器与SCADA通常价格昂贵,且会有大量的数据冗余,不便于后期信号处理;本设计拟采用一种同步压缩-交叉小波变换算法,在齿轮故障机理分析的基础上,设计了故障诊断实验装置,对正常齿轮、断齿和磨损情况下的故障特性进行提取,从而对故障进行准确诊断,经实验验证,该方法在齿轮断齿检测上准确率达100%,对齿轮磨损检测达到98%以上,对齿面点蚀诊断准确率较低,本研究中暂未涉及,后续研究主要集中在对算法改进,提高对齿面点蚀的准确判断。

基于同步压缩小波变换的通信信号调制识别

针对低信噪比条件下正交频分复用(OFDM)信号和单载波线性数字(SCLD)调制信号的调制类型识别问题,提出一种基于同步压缩小波变换的识别方法。通过同步压缩小波变换(SWT)算法提取信号的小波脊线和小波骨架信息,利用差分、中值滤波后的小波脊线方差区分OFDM信号和单载波信号,并利用脊线和骨架特征完成单载波信号的类间识别。仿真结果表明,在信噪比较低的瑞利-加性高斯白噪声信道下,算法具有良好的识别效果。

基于同步压缩小波变换和CNN的滚动轴承故障诊断

以智能诊断为出发点,提出一种基于同步压缩小波变换(SWT)和卷积神经网络(CNN)的诊断方法。首先,对振动信号进行SWT获得时频图,随机划分为训练和测试集;然后,利用CNN强大的特征提取能力提取时频图特征;最后,利用SoftMax层进行故障模式的自动诊断。实验结果表明:该方法在滚动轴承的故障诊断中具有较高的可靠性。

基于同步压缩小波变换的主信号抑制技术

在辐射源个体识别(SEI)技术中,能量较高的主信号往往导致微弱个体特征稳定性降低,进而影响最终的个体识别效果。为了解决该问题并提升辐射源个体识别性能,该文提出基于同步压缩小波变换的主信号抑制技术。首先,利用静态小波变换完成对带噪信号的去噪预处理;然后,利用同步压缩小波变换完成对主信号的检测和抑制,并以均方根误差和皮尔逊相关系数为数值指标,验证算法的有效性;最后,在主信号抑制的基础上,利用分形理论中盒维数完成对信号的特征提取,并利用单核支持向量机验证个体识别性能。实验结果表明,与主信号抑制之前相比,主信号抑制算法下个体识别率提升了10%左右,验证了同步压缩小波变换的主信号抑制算法对辐射源个体识别率提升的有效性。

同步压缩小波变换在油气检测中的应用

地震波在穿过地下含油气区域时会表现为低频能量相对增强,高频能量相对衰减的特征,利用时频分析方法可以准确提取地震资料的低频能量和高频能量,进而据此确定油气分布范围。以东海某工区实际资料为例,进行目的层地震数据的小波变换和同步压缩小波变换,对比分析两种变换方法的频谱图。对比结果表明,同步压缩小波变换具有高时频分辨率的特征。利用同步压缩小波变换提取了该工区地震资料的低、高频能量并进行含气性检测,获得的结果与钻井数据高度吻合。

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%。

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。

基于同步压缩小波变换的旋转机械设备故障诊断

旋转机械设备是能源、化工和国防等各个行业的关键设备,及时诊断出机械设备发生的各种故障,是保障设备连续、安全、高效运行的重要手段。首先,阐述了时频分析方法在旋转机械设备故障诊断领域中的意义,并介绍了同步压缩小波变换的基本原理与算法。在此基础上,针对旋转机械设备运行中产生的非稳态、非线性故障信号,提出了一种基于同步压缩小波变换的旋转机械设备故障诊断方法。最后,应用本特利转子故障模拟试验台对该方法进行了验证。对具有非线性、非平稳特征的无噪和带噪振动信号进行特征提取的结果表明,基于同步压缩小波变换的旋转机械故障诊断方法是有效的,具有较大的应用潜力与价值。

自适应同步压缩小波变换的风电机组传动链故障诊断方法研究

风力发电机组长期处于非稳态、变工况的工作条件下,振动信号时频故障特征的有效提取对其故障诊断具有重要意义。传统时频分析方法在分析过程中容易出现模态混叠现象,从而引起分析误差。针对振动信号,基于瑞利熵获取最优时频参数,提出了自适应同步压缩小波变换的故障诊断方法,提高了时频聚集性和时频能量集中程度;利用最优时频参数计算出瞬时频率,对振动信号进行阶比分析;通过对仿真信号与风电场传动链实测振动信号的分析对比,验证了所提方法的可行性和有效性。

基于同步压缩小波变换的速度频散属性估算方法及应用

随着渤海A构造区油气勘探的不断深入,勘探目标逐渐由构造油气藏转变为构造-岩性复合油气藏。A区构造-岩性油气藏的流体关系复杂,储层非均质性强,导致常规油气检测方法多解性严重,不能为该区油气勘探提供可靠的烃检结果。地震波在含油气储层传播时,不仅会发生较强的能量衰减,同时也会发生较强的速度频散,因此,反映速度频散的属性可作为流体指示因子用于流体检测。基于此,文中提出了一种基于同步压缩小波变换的速度频散属性估算方法,从叠后地震数据中提取出表征速度频散程度的群能量梯度属性,进行油气检测。实际资料处理结果表明:基于同步压缩小波变换的速度频散属性油气检测方法分辨率非常高,对含烃储层具有较好指示效果,降低了油气检测的多解性。

基于SWT的风电汇集地区非同步振荡PMU暂态录波数据分析

考虑风电汇集地区非同步振荡问题对电网安全稳定运行产生的影响,提出一种将同步相量测量装置(PMU)暂态录波与同步挤压小波变换(SWT)相结合的方法,并对非同步振荡问题进行分析。首先介绍PMU装置结构及测量及SWT原理;其次运用SWT算法对含有间谐波的电力信号做连续小波变换,划分频率区间,求时频面内的离散同步挤压,提取各谐波间谐波及基波分量信号;然后以哈密风电汇集地区一次非同步振荡为例进行暂态电压、联络线电流、上网有功分布录波数据分析;最后基于该算例发生的非同步振荡问题,提供治理措施。

基于同步提取变换的钢轨踏面裂纹电磁超声表面SH波B扫成像检测研究

钢轨踏面在车轮的重复载荷作用下,极易产生滚动接触疲劳裂纹,并从轨头向下扩展,甚至导致断轨等重大安全事故,因此开展钢轨踏面裂纹高效准确的无损检测方法研究具有重要意义。对于钢轨轨头有限截面非规则几何体,无法采用解析法求解其频散曲线,采用Floquet-Bloch边界的有限元特征频率法,求解钢轨轨头类水平剪切导波频散曲线,在频散曲线的基础上,分析并确定电磁超声表面水平剪切波换能器的最佳检测频率。建立表面水平剪切波在含踏面裂纹钢轨轨头的传播有限元模型,研究表面水平剪切波在不同角度、深度的踏面裂纹上的反射及透射规律。为实现快速的钢轨踏面裂纹B扫成像检测且得到高信噪比的检测结果,实验对比同步提取变换和同步压缩变换对钢轨踏面检测回波的噪声滤除能力。结果表明:对单次检测回波应用同步提取变换消噪处理后,信噪比提高13.73 dB,比单次采集信号经同步压缩变换处理后的信噪比高4 dB。将同步提取变换用于钢轨踏面导波B扫成像检测,可以减小同步平均次数以满足快速检测的要求。

基于广义交叉阈值同步压缩小波的超声信号特征提取方法

利用超声无损检测技术,对轴的表面裂纹检测时,微小裂纹回波信号常常会被各种噪声掩盖,造成裂纹无法识别和定位。为解决这一问题,提出采用广义交叉阈值同步压缩小波变换方法对超声回波信号进行分析,从时频域中识别裂纹回波信号特征并进行定位。该方法在同步压缩小波变换基础上,利用广义交叉验证估计降噪的阈值水平,不依赖于任何先验知识。具体地,通过添加基于峭度测量的预处理步骤和基于自适应硬阈值处理的后处理步骤,提高了阈值处理的效率和时频域内的降噪效果,从而实现了噪声与特征信号的有效区分。将该方法应用于轴表面微小裂纹超声回波信号的特征识别,并与连续小波变换的结果进行了对比,结果表明所提出的方法能够更精确地识别裂纹并提取裂纹出现时间点,进而判断微小裂纹的具体位置。

基于同步压缩短时Fourier变换的信号瞬时频率提取方法

利用同步压缩短时Fourier变换(SSTFT)方法,改进了其非线性非稳态多成分信号的瞬时频率提取方法。其主要思想是将短时Fourier变换(STFT)之后的时频谱在时频平面上进行压缩重排,重排之后对时频谱上的能量脊线进行提取,再利用压缩重排逆变换,将各脊线对应的时域信号恢复出来,通过时频最优连接,改进了脊线提取不完整的缺点,将零碎曲线连接成完整的频率曲线,并利用该方法提取出了信号的瞬时频率成分。利用改进的SSTFT方法对多成分的模拟信号和高速列车轴箱振动加速度信号进行了分析。结果表明,该方法能有效分离信号的各个成分,并能够完整得到具有物理意义的瞬时频率。

同步压缩小波与极限梯度提升树融合的柴油机失火故障诊断

针对柴油机失火故障诊断特征提取分辨率较低和分类评估容易出现过拟合的问题,提出了一种同步压缩小波变换和极限梯度提升树融合的诊断方法。在不同转速下进行柴油机失火性能试验,采集缸盖振动信号,对信号利用时域统计、同步压缩小波提取特征,再采用局部线性嵌入方法进行特征降维,最后利用极限梯度提升树进行失火评估分类。不同工况与评估方法下的对比实验结果表明,所提方法的分类准确率最高可达99.828%,相比小波包特征提取的评估方法提升至少10%。在低模型复杂度下,所提方法具有最小的模型预测均方根误差,证明了方法的鲁棒性和抑制模型过拟合的能力。