基于小波包Tsallis奇异熵的磁浮列车辅助逆变器故障诊断研究

针对中低速磁浮列车辅助逆变器的绝缘栅双极性晶体管(insulated gate bipolar transistor,IGBT)开路故障,提出了一种基于小波包Tsallis奇异熵的故障诊断方法。首先,利用快速傅里叶算法对辅助变流器输出电流故障前后的频率成分进行分析,获取故障的基本特征;其次,对输出电流信号进行小波包分解,并对各个节点进行重构,计算相应的小波包Tsallis奇异熵,获取可用于诊断的故障特征;最后,通过计算故障电流的直流分量来区分上下桥臂的故障,实现故障的定位。在MATLAB/Simulink中搭建了相应的仿真模型,对单个IGBT故障以及两个IGBT故障的情况进行了仿真。结果表明,所提算法可以有效地对故障IGBT进行检测与定位。

输电线路故障层次化变步长Tsallis小波奇异熵诊断方法

为提高熵方法输电线路故障信号时-频域的特征提取能力,提出层次化变步长Tsallis小波奇异熵(Tsallis Wavelet Singular Entropy,TWSE)方法用于电力系统故障诊断。首先,对采集到的电压信号进行小波分解与单支重构,构建时-频矩阵;之后,将奇异值分解与Tsallis熵理论相结合,对该时-频矩阵求滑动步长为1的Tsallis奇异熵,确定故障发生时刻;然后,对故障发生后1周期内的三相电压重构系数求滑动步长为1/4周期的TWSE,构建用于故障诊断的特征向量;最后,将TWSE特征向量输入到极限学习机(Extremly Learning Machine,ELM)分类器中,实现输电线路故障诊断。仿真结果表明,新方法具有更好的故障暂态信号特征表现能力,且分类结果不受故障时间、过渡电阻和故障位置等因素影响,相较基于小波奇异熵的线路故障诊断方法具有更好的诊断效果。

基于连续小波Tsallis奇异熵的航空交流电弧故障检测

为了有效提取航空交流电弧故障的电流信号特征,提出连续小波变换Tsallis奇异熵与极限学习机相结合的航空交流电弧故障判别新方法。对发生电弧故障线路的电流信号进行连续小波变换分解,对获得的时频系数矩阵进行奇异值分解(SVD),得到被测线路电流信号的Tsallis奇异熵,构建特征向量,采用极限学习机对TSE特征向量进行训练,得到适用于航空交流电弧故障检测的分类模型,应用该模型对不同负载下的特征数据进行识别分类。根据试验结果可以看出,连续小波变换Tsallis奇异熵结合极限学习机能够准确识别电弧故障状态与正常运行状态。

基于小波包奇异谱熵和WOA-SVM的GIS放电故障诊断

为实现气体绝缘开关设备(GIS)放电故障诊断并提高诊断正确率,提出了一种基于小波包奇异谱熵和鲸鱼优化算法优化支持向量机(WOA-SVM)的GIS放电故障诊断方法。首先,提取GIS放电时的特高频信号的小波包奇异谱熵作为特征向量;然后,采用WOA寻优找到SVM的最优参数,建立准确的分类模型;最后,通过试验模拟GIS典型的放电故障,采用网格搜索参数的SVM、粒子群优化参数的SVM以及所提的WOA-SVM三种算法对GIS放电故障类型进行识别。结果表明所提的WOA-SVM算法故障识别正确率更高、适应度更好且收敛速度更快。

基于小波包Tsallis熵和RVM的模拟电路故障诊断

针对模拟电路故障难以识别等问题,提出一种基于小波包Tallis熵和多分类相关向量机(Relevance Vector Machine,RVM)的模拟电路故障诊断方法。该方法采用脉冲信号仿真模拟电路,应用小波包变换对采集到的故障响应信号进行分解,通过提取不同频带内的Tsallis熵作为故障特征值,利用相关向量机对各种状态下的特征向量进行分类决策,实现模拟电路的故障定位。实验结果表明,提出的故障诊断方法相较于现有的故障诊断方法能较好地提取故障特征,极大地提高模拟电路故障诊断的效率。

结合小波包奇异谱熵和SVDD的滚动轴承性能退化评估

针对设备的视情维修,提出一种将小波包奇异谱熵和支持向量数据描述(SVDD)相结合的滚动轴承性能退化评估方法。先提取轴承全寿命周期内振动信号的小波包奇异谱熵作为轴承状态的特征矢量,然后以轴承正常状态下的特征矢量训练SVDD,得到正常状态下的基准超球体,再计算轴承全寿命周期内的特征矢量与基准超球体之间的相对距离,作为性能退化过程的定量评估指标,并对失效阈值和早期故障阈值进行设定。结果表明,与基于小波包和SVDD的性能退化评估方法相比,该方法的早期故障检测能力更强,对轴承性能退化各个阶段的描述更加准确。最后,利用基于EMD的Hilbert包络解调方法对评估结果的正确性进行了验证。

基于自适应TQWT与小波包奇异谱熵的滚动轴承早期故障诊断

滚动轴承早期故障诊断可有效地保证机械设备的运行安全,针对滚动轴承早期故障特征微弱,故障特征提取不佳的问题,提出可调品质因子小波变换(Tunable Q-factor wavelet transform,TQWT)与小波包奇异谱熵相结合提取特征的滚动轴承早期故障诊断方法。针对滚动轴承早期故障信号的冲击性与周期性特征,提出峭谱积(峭度和包络谱峰值因子的乘积,KEc)的新指标。以KEc为优化指标,采用网格搜索法确定TQWT最佳的品质因子Q,同时以中心频率比为优化指标,确定最佳的分解层数J。通过最佳参数Q和J对原始信号进行TQWT分解并单支重构,选择KEc最大的重构分量作为最佳分量。提取最佳分量的小波包奇异谱熵值作为故障特征向量,最后运用支持向量机(SVM)进行模式识别并进行早期故障诊断。为验证所提方法的有效性,以XJTU-SY滚动轴承加速寿命试验平台研究对象,运用加速度传感器获取的试验数据集进行验证,识别结果准确率为94.5%。同时,与优化指标为峭度等的SVM识别结果进行比较,所提方法识别率提高了约1%~7%。对比结果表明,运用所提方法对滚动轴承早期故障进行识别,可以准确有效地诊断出轴承的故障类型,具有一定的实用价值。

基于小波包奇异谱熵和IWOA-ELM的列车轴承故障诊断

为了有效提高多工况下地铁列车滚动轴承故障诊断精度,基于轴承振动数据,提出一种基于小波包奇异谱熵和改进鲸鱼优化算法(IWOA)优化极限学习机(ELM)的故障诊断方法。针对轴承振动信号的非平稳性和非线性特点,采用小波包提取样本特征,使用奇异值分解提取小波包数据集的样本信息熵,获得样本特征集。其次,针对模型参数难以确定,优化速度慢且容易陷入局部最优问题,采用变异算子和混沌动态权重因子改进鲸鱼优化算法(WOA),使用IWOA优化ELM参数获得故障诊断模型。最后,使用美国凯斯西储大学的轴承故障数据验证了模型的可靠性和稳定性,在多工况下不同类型组合的300组测试样本中,模型诊断准确率为99.33%。同时与同一数据源的其他诊断模型进行对比验证模型的优越性。结果表明,基于小波包奇异谱熵和IWOA-ELM的轴承故障诊断模型诊断可靠性强、准确率高。

基于声波信号小波包奇异谱熵和支持向量机的断路器故障诊断研究

在断路器投切时伴随着较强的声波信号,它包含了大量断路器状态信息,通过分析声波信号能够特征提取方法,能够为后续故障诊断提供依据。断路器声波信号易受环境因素影响,且包含非线性、非平稳成份,文中利用小波包奇异谱熵的信号特征提取方法对其进行处理,同时使用支持向量机进行故障识别判断。

基于小波奇异熵与SOFM神经网络的电机轴承故障识别

提出一种用小波奇异熵(WSE)和自组织特征映射(SOFM)神经网络进行电机轴承故障识别的建模方法。首先通过对电机驱动端和风扇端采集的故障振动信号的小波奇异熵的计算和比较来识别故障轴承的端位;在此基础上以故障端信号的小波包分解底层各结点能量为特征向量输入建立自组织特征映射神经网络模型来识别故障轴承内部的具体点蚀破坏位置。小波奇异熵和SOFM神经网络的结合实现了故障轴承端位及其内部点蚀位置的联合识别。分别对含有内外圈和滚动体点蚀故障的轴承进行建模和识别试验,结果表明:该模型可以有效地识别电机故障轴承的端位及其内部点蚀破坏位置;与传统支持向量机和BP神经网络识别模型相比,该模型故障识别准确率更高,识别稳定性更好,更适宜于故障识别这样的多分类问题。

基于连续小波奇异熵的模拟电路故障诊断新方法

针对模拟电路的故障诊断和定位问题,为进一步提高故障诊断准确率,提出了一种基于连续小波Tsallis奇异熵和超限学习机的故障诊断方法。首先应用连续小波变换计算被测电路时域响应信号的时频系数矩阵,然后将其分割为8个相同大小的子矩阵,分别计算每个子矩阵的Tsallis奇异熵,组成特征向量,最后将特征应用于超限学习机多类分类器进行区分。仿真结果表明,故障诊断方法能较好地获取故障响应信号的本质特征,并具有较其他现存方法更高的故障诊断正确率。

小波包熵在设备性能退化评估中的应用

开展设备性能退化评估研究,是制定主动设备维护策略、降低设备维护费用的基础。在设备性能退化过程中,信号成份会逐渐复杂化。本文提出利用小波包熵监测信号的复杂性变化,从而为设备性能退化评估提供可靠的特征向量。为了研究性能退化过程中振动信号的小波包熵的变化规律,使用裂纹转子动力学模型模拟了转子裂纹逐渐增加的过程,并使用仿真数据计算了各个状态下的小波包能量熵和小波包奇异值熵值。分析结果表明,随着转子性能退化程度的加深,小波包熵值逐渐增加,且对于性能恶化的突变较为敏感。

基于小波包分解和奇异谱分析方法的立铣加工颤振监测

在立铣加工过程中,颤振是加工过程失稳的一个最重要的原因。颤振将会严重影响工件表面质量和材料去除率,加剧刀具磨损和恶化工作环境。虽然大部分颤振监测系统可以监测到颤振发生,但颤振发生时已经对工件和刀具产生了严重的损伤,因此,需要提前监测到颤振特征。在颤振发生过程中,振动信号具有在时域中不断增大,在频域中能量频移的特性。考虑这两个振动信号特征,提出了一种颤振特征提取方法。提取颤振发生频带中振动信号的能量比和奇异谱熵系数作为两个颤振特征,并通过人工神经网络模型实现切削颤振的识别。文中提出的颤振监测系统包括特征提取和分类,能够精确辨识立铣加工中的稳定、过渡和颤振状态。

结合奇异值分解的小波包图像隐藏

图像隐藏技术的发展为军事隐蔽通信提供了新的实施途径。提出基于奇异值分解和小波包变换的图像隐藏算法,利用小波包变换低频子带抗干扰性强和图像矩阵奇异值的稳定性,对秘密图像做位平面分解并对载体图像做小波包分解,将包含重要信息的位平面隐藏在小波包分解低频系数矩阵的奇异值矩阵中,将包含次要信息的位平面隐藏在熵能量较大的其他剩余子带图像系数矩阵中,次要位平面的隐藏位置根据载体图像的内容自适应确定。实验表明,该算法可实现图像信息的安全隐藏,不仅具有较强的抗几何攻击的能力,且对高斯、剪切和滤波等攻击的鲁棒性也较好,同时具有较好的不可见性,隐藏容量大。

基于小波包Tsallis熵和FCM的滚动轴承性能退化评估

鉴于小波包Tsallis熵和模糊C均值(FCM)的优点,提出了一种将两者相结合的滚动轴承性能退化评估方法。该方法首先提取正常数据和失效数据的小波包Tsallis熵,并利用FCM建立性能退化评估模型。然后提取待测数据的小波包Tsallis熵,并以待测数据隶属于失效状态的程度作为轴承性能退化中的定量评估指标,同时设定了早期故障阈值。实验分析表明,与基于小波包熵和FCM的评估方法相比,该方法得到的评估指标能更及时地发现早期故障,对噪声的鲁棒性也更强,且其变化范围为[0,1],可解释性强。

基于熵测度的地铁弓网燃弧电流扰动分析

城市轨道交通大多采用弓网(受电弓与接触网)接触方式向电力机车供电。当弓网分离时,将造成燃弧发生和牵引电流扰动,恶化机车受流。针对地铁直流牵引电流特征,提出了一种改进的小波包奇异熵算法,并用于燃弧牵引电流处理分析,得出牵引电流扰动指标Γ。根据非接触式弓网燃弧检测系统采集广州地铁现场试验数据,分析结果表明:改进后小波包奇异熵能直观、有效地提取牵引电流扰动特征;扰动指标Γ能有效反映牵引电流扰动程度,衡量机车受流质量;牵引电流扰动指标Γ与燃弧紫外能量呈幂函数关系,燃弧紫外能量越大,扰动越严重,特别当燃弧紫外能量超过400 m J时,牵引电流扰动Γ急剧上升,机车受流受到严重影响。

基于改进小波包分解的相关功耗攻击降噪方法

侧信道攻击中功耗数据纯净度影响功耗攻击效率和密钥破解准确率,通常采用小波变换或小波包变换等降噪方法进行功耗预处理,但小波变换方法在表征数据时易忽略高频信息,而小波包变换方法的降噪阈值不具备普适性。针对上述问题,提出一种将小波包分解与奇异谱分析相结合的相关功耗攻击降噪方法。使用小波包变换方法分解功耗数据,利用奇异谱分析处理低频和高频信息,并根据奇异熵分布趋势自适应地提取功耗信息以提高数据质量。采用SM4算法进行选择明文攻击的实验结果表明,与改进前小波包降噪方法相比,该方法能有效提升功耗数据的信噪比和相关功耗攻击效率,降低密钥破解所需功耗。

基于改进小波包变换的音频指纹提取算法

数字音频指纹技术在音频信号分析和处理中起着重要作用。针对传统基于时频分析的音频指纹提取算法中仅使用信号能量作为特征参数,而无法全面表征出信号的复杂度和不规则性问题,提出了基于小波包分解与重构,将小波包系数的奇异值熵和样本熵相结合,作为音频信号的特征参数提取指纹。实验证明,该算法提取的指纹提高了音频识别的准确率,在常见信号处理下能保持较强的鲁棒性,并具有明显的区分音频和定位音频篡改位置的能力。

反激式开关电源故障非侵入式AI诊断方法研究

将人工智能技术应用到故障诊断领域可以实现电力设备的自动化、智能化诊断,提高诊断精度和效率。以单输入多输出的反激式开关电源为例,针对其因脆弱元件失效而引起的电路工作性能异常的问题,通过分析不同故障模式的信号特性和可分性,提出了融合输入电流和输出电压信息的非侵入式开关电源故障诊断方法。构建了由时域特征及频带小波包奇异熵特征组成的融合时频域信息的多维特征矢量,建立了故障特征与故障模式之间的映射关系。进而,提出了基于人工智能技术的深度神经网络(DNN)故障诊断方法,实时监测反激式开关电源的运行状态,并通过数据分析及时识别故障位置,对潜在故障进行预警。实验结果表明,所提出的方法对单故障和多故障模式均具有良好的诊断效果,诊断准确率可达97.9%,并且,在不同工况下,该方法均可表现出较高的诊断准确率和较强的抗干扰性能。

多端柔性直流输电线路单极接地故障定位方法

精准可靠的输电线路故障定位方法对于维持多端柔性直流系统稳定运行至关重要。为解决过渡电阻、行波色散对线路测距的干扰,有效提高输电线路故障定位精度。以先定区段再定位的思想,提出一种采用小波包奇异熵和一维卷积神经网络(Convolutional Neural Networks,CNN)的多端柔性直流输电线路单极接地故障定位方法。在接地故障发生时,提取不同区段线模电压组成特征向量,结合1D-CNN分类模型完成区段识别。故障区段确定后,利用小波包奇异熵提取故障区段双端线模电压的深层故障特征,并基于特征提取结果建立1D-CNN回归模型进行故障定位。为避免模型训练时陷入局部最优,采用麻雀搜索算法(Sparrow Search Algorithm,SSA)对1D-CNN模型进行参数寻优。利用PSCAD/EMTDC建立±500KV四端柔性直流仿真系统模型,进行了多种工况的单极接地故障仿真与定位性能测试。仿真结果表明,所提定位方法具有良好的耐过度能力,在50kHz的采样频率下定位误差保持在0.22km以内。