基于改进经验小波变换模型的供能管道移动GIS综合智慧巡检策略

当前供能管道巡检策略由于对管道的缺陷特征提取不够纯净,导致缺陷定位准确度差,因此,提出了基于改进经验小波变换模型的供能管道移动GIS综合智慧巡检策略。利用移动GIS技术采集管道数据,根据管道数据采用改进经验小波变换模型对管道缺陷特征进行提取,其树状结构的子频带自分解能够准确分辨出缺陷源信号与其他干扰信号,提取到更加纯净的缺陷特征,并对缺陷特征向量特征集进行滤波,从而计算出管道缺陷的具体位置。在实验论证中,对提出的策略的定位准确性进行了验证,结果表明,提出的策略应用于供能管道巡检中,对管道缺陷定位的准确性较高。

基于改进经验小波变换和改进多视角深度矩阵分解的直流配电网故障检测方案

为快速检测及可靠识别直流配电网故障,提出一种基于改进经验小波变换和改进多视角深度矩阵分解的直流配电网故障检测方案。通过最小二乘法非线性拟合故障电流局部的相频谱函数,基于此在一定的条件下修改经验小波函数的相频响应,使之尽可能与故障电流的局部相频特性相匹配;运用改进经验小波变换分解电流,计算细节分量c_(3)的模极大值,构造故障检测判据;设计一种权重自学习网络,依据数据对分类任务的重要性分配不同的权重,嵌套于多视角深度矩阵分解模型前端,运用改进多视角深度矩阵分解模型对电流分量c_(1)—c_(3)、极间电压u_(dc)这4个视角的数据进行故障特征提取,通过软分配层实现故障的分类。仿真测试结果表明,所提故障检测方案能够满足故障检测速动性、可靠性的要求,故障分类准确度高,为后续故障处理奠定了良好基础。

基于改进经验小波变换的高压电缆局部放电噪声抑制研究

对高压电缆的局部放电(PD)进行监测,并对其所包含的噪声信息进行抑制,是一种有效的绝缘评估方法。针对PD信号所包含的复杂噪声信息,提出一种基于改进经验小波变换(IEWT)的噪声抑制方法。该方法以IEWT分解为核心,通过将含噪信号分解为按频率顺序排列的经验小波函数(EWF),有效避免复杂噪声信号分解时的模态混叠现象。利用峭度规则对分解得到的EWF进行筛选,最后对筛选出的有用EWF进行重构和降噪处理,达到对复杂含噪信号的噪声抑制效果。模拟仿真以及现场测试表明,与现有基于EWT和基于EMD的降噪方法进行对比,该文所提方法可更有效地抑制PD信号所包含的噪声信息。

基于改进经验小波变换的电能质量扰动检测新方法

针对经验小波变换(EWT)用于电能质量信号分析时,其频带划分结果易受频谱泄漏和噪声污染干扰的问题,提出一种基于改进经验小波变换(IEWT)的电能质量扰动检测新方法。首先,通过Fourier谱包络动态测度算法确定扰动信号的特征频点,并在原有频带边界的基础上进行延拓;然后,运用IEWT将扰动信号分解为若干调幅-调频(AM-FM)分量之和;最后对扰动分量实施标准希尔伯特变换,以求取扰动幅值、频率和起止时刻。通过算例仿真和变电站实测数据验证了所提方法的有效性,并对其检测结果进行对比分析。实验结果表明,所提方法兼具良好的模态分解能力和抗噪性能,且普适性更强,运算耗时更短,适用于工程实践。

改进经验小波变换在齿轮低频微弱故障特征提取中的应用

齿轮振动信号的经验小波变换频谱分割,可能会将啮合频率及其边频带划分到不同频带上,导致频带划分不合理,分离出的调幅-调频(AM-FM)分量不理想。针对上述主要问题,提出了一种采用频谱趋势进行频谱边界划分的改进经验小波变换方法,将齿轮啮合频率与其相应的边频带划分到同一频带内,得到比较理想的AM-FM分量,实现了依据齿轮振动信号频谱局部特征的自适应分解。同时,对提取的AM-FM分量进行自相关分析以进一步增强改进经验小波变换的低频微弱故障特征提取效果。通过仿真与试验分析,验证了提出方法在齿轮低频微弱故障特征提取中的有效性及优势。

改进经验小波变换在风力机齿轮箱故障诊断中的应用

针对强噪声背景下风力机齿轮箱轴承的轻微故障特征易被淹没且提取困难等问题,提出滑移窗口提取子带的连续平均谱负熵(Continuous Average Spectral Negentropy,CASN)对经验小波变换(Empirical Wavelet Transform,EWT)进行改进。首先利用CASN-EWT方法分解风力机齿轮箱轴承故障信号,后利用谱负熵准则对所得分量进行筛选并重构,再开展包络分析,准确提取出故障特征,最后构成特征向量集输入支持向量机进行故障诊断。结果表明:CASN-EWT方法在保留EWT算法自适应性和有效避免模态混叠效应与端点效应的同时,极大提高EWT分解算法对噪声的鲁棒性,有利于准确提取故障特征频率,实现故障识别精度的提高。

改进自适应无参经验小波变换在变压器高频局放电流噪声抑制中的应用

变压器是电力系统中的关键设备,局部放电(partial discharge,PD)是致使变压器绝缘劣化的主要原因,也是绝缘劣化的重要表现形式。针对高频PD信号中窄带干扰和白噪声这些复杂的噪声信息,提出一种基于互信息和样条插值拟合优化频谱分割的改进自适应无参经验小波变换的降噪方法。该方法以无参经验小波变换为基础,计算经无参经验小波变换分解的各个时域分量的互信息值进行合并优化得到新的频谱分割点,然后在各个频段内提取峰值点,将这些峰值点进行三次样条插值拟合得到拟合曲线,将拟合曲线的极小值点作为最新频谱分割点进行划分得到各个时域分量,最后计算各个分量的峭度值,去除峭度值小于3的分量,将剩余分量进行通用阈值降噪重构达到PD信号降噪效果。仿真、实验室和现场测试表明,与现有小波变换降噪和基于经验模态分解降噪的方法进行对比,文中的方法能够更加有效抑制变压器高频PD信号中的噪声信息。

基于改进经验小波变换的桥梁模态参数识别

针对经验小波变换(EWT)傅里叶谱划分易受高强噪声和调制边频带的影响,传统方法划分的频带不准确等问题,提出一种改进经验小波变换(IEWT)并将其用于桥梁结构模态参数识别。首先,利用振动信号的傅里叶谱进行了经验小波变换;去除分解后的高频分量,将剩余分量重构获得EWT趋势谱;然后,将EWT趋势谱代替傅里叶谱来进行频谱分割,以频谱分割得到的频率边界构造经验小波滤波器组对信号进行了经验小波变换,并对经验小波变换获得的单分量信号使用同步提取变换(SET)做去噪处理;最后,结合随机减量技术(RDT)和希尔伯特(Hilbert)变换识别桥梁结构模态参数,即频率、阻尼比和振型。分别以两个典型的仿真信号和实际工程案例对所提方法进行了验证,并且在桥梁加速度响应加入噪声验证该模态参数识别方法在低信噪比下的性能;仿真信号频谱分割和实桥模态参数识别。结果表明:相较于傅里叶谱,基于EWT趋势谱的频谱划分方法能更加精准地确定经验小波变换所需要的频谱边界,避免噪声和边频带的干扰,提高频谱划分精度;引入的同步提取变换能够去除单分量信号中的噪声,消除噪声对模态参数识别的影响;所提改进经验小波变换结合SET去噪、RDT和Hilbert变换能准确识别桥梁结构模态参数,且在低信噪比条件下鲁棒性好。

改进的经验小波变换在滚动轴承故障诊断中的应用

经验小波变换是一种基于Fourier频谱特性,通过构建自适应小波滤波器组来分析复杂多分量信号的方法。该方法能够有效识别信号中的不同模态分量,但由于其Fourier频谱分割问题,在处理噪声及不稳定信号方面有所欠缺。针对这一问题,采用改进的经验小波变换方法,将信号分解为具有物理意义的经验模态。改进的经验小波变换主要考虑被处理信号的频谱形状,通过采用基于顺序统计滤波器(OSF)的包络方法以及遵循三个准则来获取有效峰值的方法,改进Fourier频谱分割过程。将改进的方法应用于滚动轴承故障诊断中,由于改进的经验小波变换能够将振动信号分解为一系列单分量成分,因此在轴承振动信号包络谱中能够清晰的发现故障特征。通过对滚动轴承振动模拟信号和实验信号的分析验证了该方法的有效性。

基于连续平均谱负熵改进经验小波变换的风力机齿轮箱故障诊断

针对经验小波变换(Empirical Wavelet Transform,EWT)对强噪声环境下风力机齿轮箱轴承轻微故障特征提取不足的问题,利用滑移窗口提取子带的连续平均谱负熵(Continuous Average Spectral Negentropy,CASN)对EWT算法进行改进。通过CASN-EWT方法分解风力机齿轮箱轴承故障信号,采用峭度准则对所得分量进行筛选并重构,再开展包络分析,准确提取出故障特征。结果表明:CASN-EWT方法在保留EWT算法自适应性和有效避免模态混叠效应与端点效应优点的同时,能够极大提高EWT分解算法对噪声影响的鲁棒性,有利于准确提取故障特征频率,实现故障精确识别。

基于EEWT的电力系统超高次谐波检测

随着电力系统逐渐电力电子化,导致大量超高次谐波注入电网,引发了新的电能质量问题。为了解决这一问题,首要任务是对其进行精准的测量。此处提出了一种基于改进经验小波变换(EEWT)的超高次谐波检测方法。根据超高次谐波信号的频域特点,对经验小波变换中原有的频带边界划分方法进行了改进,并通过计算过零率和相关系数对信号中的噪声进行有效滤除。再利用经验小波变换技术,实现各超高次谐波信号的分离,从而对幅值和频率的参数进行检测。通过仿真与实验对实际高频光伏逆变器所产生的超高次谐波进行检测。结果表明了理论分析的准确性以及参数检测结果的精度,从而最终验证了所提方法在实际应用中的可行性以及有效性。

基于自适应Autogram+OSF滤波的电机轴承故障诊断

自相关谱峭度图Autogram方法可以对初始信号非周期脉冲与噪声进行限制的方式测定周期性脉冲,获得更精确的最优频带。设计了一种自适应Autogram方法,通过顺序统计滤波(OSF)方法完成电机轴承故障信号傅里叶谱的包络处理。研究结果表明:采用自适应Autogram方法进行处理时具备良好可行性。采用本方法测试佳解调频带的效果比滤波器快速谱峭度方法的性能更优。相对自适应Autogram方法并未形成明显的二倍与三倍频特征频率,产生了众多干扰分量。

改进EWT和Gath-Geva聚类的微震初至拾取算法

准确可靠的初至拾取是微震监测的关键环节之一。为解决低信噪比条件下微震初至拾取难的问题,基于含噪地震信号的S谱计算各频点能量得到能量曲线,以曲线极大值点频率重新确定频谱分割边界进行改进经验小波变换,将信号自适应分解为若干依频率和能量分布的本征模函数,剔除主频在阈值外的本征模函数得到降噪信号。提取降噪信号均值、功率、赤池信息准则值3个特征,将信号分为有效信号簇和噪声簇,利用Gath-Geva聚类分类,将信号簇的首次时间确认为初至时间。以人工拾取结果为参考,偏差20 ms内为正确拾取,仿真实验表明算法能有效降噪,在信噪比-10 dB时正确率71%,5 dB时达98.8%,比模糊C均值聚类算法准确度提高2.5%。实际微震拾取表明算法识别准确率达98%,具有较好的应用价值。

面向波浪能发电的电能质量扰动检测

为了对波浪能发电的电能质量扰动进行有效检测,在传统经验小波变换(EWT)的基础上,提出了改进EWT(IEWT),解决了传统EWT的频谱区间易错分、最高频带划分不合理的缺点,提高了在噪声干扰下有效极大值点及高频分量的检测精度。此外,进一步引入了希尔伯特变换(HT),实现了并网汇流侧电能质量复合扰动的幅值、频率、扰动起止时刻等信号参数的有效提取。实验结果验证了所提算法的有效性。

基于IEWT-MOMEDA-FSC的滚动轴承故障诊断

针对滚动轴承故障信号常伴有噪声干扰且故障特征难以提取的问题,本文提出一种基于改进经验小波变换(IEWT)、多点优化最小熵解卷积(MOMEDA)和快速谱相关(FSC)的滚动轴承故障诊断方法.首先,将原始信号进行快速谱相关分析得到增强包络谱,通过增强包络谱的极值点来自适应地划分频谱,以分割的频谱为边界构建小波滤波器组将信号分解为多个IMF分量,利用相关峭度准则筛选出有效的分量进行叠加;其次,用MOMEDA对其进行降噪处理,将降噪后的信号进行快速谱相关分析,得到增强包络谱图;最后,将增强包络谱图中幅值较高的频率与故障频率对比,判定其失效形式,用所提出的方法对实测轴承故障信号进行分析验证.结果表明,所提出的方法能有效降低噪音干扰且增强信号故障冲击特性,在噪声环境下具有较强的故障特征提取能力.

基于S-EWT的带式输送机声音信号去噪算法研究

针对复杂工作环境下带式输送机有效声音信号提取难的问题,拟提出一种改进经验小波变换算法,利用插值法对傅里叶频谱重建,计算各个频段的局部功率,设置阈值优化分割频段,根据分解的调幅调频信号重构声音信号,提取声音信号特征参数,输入支持向量机进行故障分类验证算法可行性。通过对港口采集的带式输送机声音信号进行仿真实验,结果表明,改进算法在克服原有缺陷的同时,去噪能力上提升了25%左右,故障诊断平均准确率达到96%。

基于自适应自相关谱峭度图的滚动轴承故障诊断方法

自相关谱峭度图通过最大重叠离散小波包变换对信号频谱进行分割,并选取最大峭度值所对应频带内的信号进行诊断分析。针对自相关谱峭度图方法在分割频带时因遵循二叉树结构而导致的频带划分区域固定问题,提出一种基于自适应自相关谱峭度图方法的滚动轴承故障诊断方法。自适应自相关谱峭度图方法以改进的经验小波变换为基础,对原始信号傅里叶谱进行包络与平滑处理后再分割,实现了自相关谱峭度图方法自适应分割频带的目的。通过仿真信号与实验数据分析,并将所提方法与快速谱峭度及自相关谱峭度图方法进行对比,结果表明,所提出方法能够准确地检测到合适的解调频带,同时其故障特征更加明显。

基于IEWT和IWAAE的滚动轴承故障识别研究

通过深度学习实现轴承故障识别时,存在着因信号噪声导致故障识别率较低的问题,针对这一问题,提出了一种基于改进经验小波变换(IEWT)和改进Wasserstein自编码器(IWAAE)的轴承故障识别方法。首先,将轴承振动数据由时域变换到包络谱域,通过包络谱的极值点与自适应阈值的关系对其进行了包络谱自动分割,进而利用经验小波变换,将数据自动分解为不同频段的调幅调频分量,并采用改进峭度指标对选取合适的分量进行了重构,进而对信号进行了有效降噪;然后,针对变分自编码器训练困难的缺陷,引入Wasserstein自编码器,根据Wasserstein自编码器中间层神经元的激活值大小,对神经元进行了自动增加或删减,进而构造了IWAAE;最后,将重构信号输入到IWAAE中,进行了滚动轴承故障特征的自动提取和故障识别。研究结果表明:与其它的轴承故障识别方法相比,采用IEWT-IWAAE方法的故障识别精度更高,准确率可达99.28%,标准差仅0.32;该方法能在一定程度上缓解传统方法对人工特征提取和特征选择的依赖,其对噪声的鲁棒性高,故障识别能力优于其他组合模型方法。

基于SSEC-EWT的地震资料噪声压制算法

高信噪比地震资料是开展油气勘探的可靠基础。针对现行去噪方法大多难以同时压制地震资料中普遍存在的面波和随机噪声,且在去噪的同时易损害有效波的不足,提出基于S谱能量曲线(S-Transform spectrum energy curve,SSEC)与改进经验小波变换(Empirical wavelet transform,EWT)的地震资料噪声压制算法。先对地震记录进行S变换,根据S谱求取各频点能量,以能量曲线极大值点频率及ε邻域法确定频谱分割边界,完成改进的EWT;再通过SSEC确定面波所在本征模函数(Intrinsic mode function,IMF),并构造带通滤波器对面波IMF进行滤波,以保护有效波,实现精准的面波压制;然后计算其余IMF主频,根据有效波频率阈值去除随机噪声IMF,得到最终去噪后记录。仿真测试显示,改进的EWT能精确地根据地震信号的频率和能量自适应地对其进行分解,实现面波与随机噪声的提取与分离,尤其在强噪声背景下仍能精准实现面波与随机噪声的同步分离;实际地震资料处理结果表明,该算法在压制面波和随机噪声的同时能兼顾保护有效波,提高地震资料的信噪比。

基于IEWT和IFractalNet的滚动轴承故障诊断

针对传统滚动轴承故障诊断方法易受噪声干扰,过度依赖专家经验等问题,提出了一种基于改进经验小波变换(IEWT)和改进分形网络(IFractalNet)的诊断方法。改进经验小波变换Fourier谱的分割方式,将轴承原始振动信号自适应分解为若干本征模态分量,并利用基于峭度、相关系数、能量比的综合评价指标筛选出最能反映信号故障特征的本征模态分量(imfs);针对样本集不平衡问题改进分形网络的损失函数和激活函数;将筛选到的imfs重构并输入IFractalNet进行自动特征提取与故障识别。实验结果表明:提出方法能够有效地对滚动轴承进行多种故障类型和多种故障程度的识别,避免了复杂的人工特征提取过程,相较于其他方法具有更高的泛化能力、特征提取能力和故障识别能力。