基于稀疏自适应S变换的特种设备故障振动信号检测研究

鉴于特种设备的特殊性,其故障的检测尤为重要,而检测特种设备振动信号是发现故障的一种重要手段,基于此种原因,本文提出基于稀疏自适应S变换特种设备故障振动信号检测方法。从特种设备的振动信号时频特征出发,通过稀疏自适应S变换提取特种设备振动信号时频特征图;构建深度卷积神经网络模型,将经过稀疏自适应S变换提取的时频特征图作为网络模型输入样本,经深度学习后,完成特种设备故障振动信号检测,获取设备故障诊断结果。实验结果表明:该方法提取到振动信号特征较好,可清晰表达故障频率,特征表达能力强;可明确检测出特种设备故障发生时间以及故障原因,且检测准确率高。

基于稀疏自适应S变换的储层流体流度计算

反射地震数据中的低频信息包含了丰富的与流体流度相关的信息,据此可以从中提取相关储层的流体流度属性,从而可以利用地震数据的低频信息识别流体。因此,为了提高分辨率以及工作效率,将稀疏自适应S变换引入储层流体流度的计算,该方法开发了基于稀疏性的窗参数优化,以用于自适应地调控对不同频率分量的窗函数,应用该方法计算时频谱信息并求取流度可得到较高的分辨率和能量聚集性,此外也省去了参数调节的步骤。相较于常规的时频分析方法,该方法在具有较高分辨率的同时,克服了测不准原理对信号可分辨的限制。因其对不同的频率分量都自适应地获取最优窗参数,通过仿真信号,合成楔形记录试算,稀疏自适应S变换有更高的分辨率和能量聚集性。实际地震数据的试验表明,稀疏自适应S变换可有效地求取流体流度,并较常规时频方法所求流度有更高的分辨率。

基于稀疏自适应S变换的变压器短路冲击绕组状态声信号检测

针对变压器遭受短路冲击时的声信号,该文提出一种基于稀疏自适应S变换的变压器绕组状态检测方法。首先依据变压器短路冲击声信号的幅值谱确定了稀疏自适应S变换的窗函数,然后采用双向2维主成分分析对声信号时频特征矩阵进行了降维处理,据此定义了特征能量变化率来评判变压器的绕组状态。对某220kV变压器短路冲击声信号的计算结果表明:基于稀疏自适应S变换得到的声信号优化时频域特征具有分辨率高、能量聚集性强的优点,所定义的特征指标能有效反映变压器绕组状态变化。研究结果可为变压器短路冲击绕组状态检测提供重要依据。

一种基于稀疏窗S变换的分频-重构波阻抗反演方法

常规波阻抗反演一般使用全频带叠后数据进行反演,大多数反演结果受地震波主频控制,数据中有效频带的高频与低频部分的潜力没有得到充分利用,很难达到理想效果。本文提出了一种基于稀疏窗S变换的分频-重构波阻抗反演方法,首先对窗参数进行基于振幅谱的稀疏优化,根据不同信号的振幅谱作不同适应性窗参数优化,然后利用稀疏窗S变换对井数据进行处理,最后将分频井曲线反演与分频地震反演方法相结合,建立新的分频-重构波阻抗反演流程。模型试算、方法验证及实例应用表明,基于稀疏窗S变换的时频分析方法具有高分辨率和能量聚集的特性,分频-重构波阻抗反演结果与井吻合度更高,能够有效提高对断层及薄层的识别精度,具有良好的应用潜力。

基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法

复杂滚动轴承振动信号存在非线性、非平稳等问题,传统信号处理方法难以实现故障特征的有效提取和高精度的故障分类。针对此问题,从轴承振动信号的时频特性出发,提出一种基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法。首先将采集的振动信号进行稀疏自适应S变换,得到轴承不同工况下的时频图像特征;然后构建深度残差网络结构,并合理的选取优化器、初始学习率等网络参数,提出基于深度残差网络的轴承故障诊断模型。对某滚动轴承振动数据集的计算结果表明,基于稀疏自适应S变换的时频分析方法具有较高的时频分辨率,所构建的深度残差网络模型能够准确识别不同故障状态及其严重程度下的轴承运行信息,为滚动轴承的故障状态诊断提供了技术支撑。