基于Stockwell变换的滚动轴承故障诊断方法

针对滚动轴承产生磨损时振动信号表现出非平稳的特点,采用继承短时傅里叶变换和小波变换优良性质的Stockwell变换特征提取方法。为解决Stockwell变换后得到的二维矩阵阶数过高问题,采用奇异值分解方法对结果进行降维,并进一步矢量化,然后构成特征矩阵。将特征矩阵分别输出至多分类支持向量机、神经网络和近邻算法模型进行训练。对比测试结果,表明多分类支持向量机在准确率和识别速度上均有优势,从而证明基于Stockwell变换的滚动轴承故障诊断方法的有效性。

改进Stockwell变换法识别碳酸盐岩溶洞——以鄂尔多斯盆地奥陶系溶洞发育段为例

鄂尔多斯盆地奥陶系碳酸盐岩比较发育,主要储集空间为溶蚀孔洞,但其尺度较小,因地震数据分辨率较低,直接利用地震资料预测溶蚀孔洞发育段比较困难。首先对Stockwell变换(S变换)引入调节因子,使高斯窗随频率的变化减慢,从而提高S变换时频谱的时间分辨率。在此基础上,对改进S变换时频谱进行子波谱拟合,得到聚集性更好的时频谱,从中提取地层吸收属性剖面,对碳酸盐岩溶蚀洞穴进行预测。通过实际资料的处理分析结果看出,对改进S变换的时频谱进行子波谱拟合后,不论是左斜率还是右斜率法,均能获取稳定的吸收属性剖面,而且都能够清晰地刻画出溶洞发育段的位置。

增强同步挤压Stockwell变换和改进集成深层极限学习机的轴承工况识别方法

针对传统基于“时频谱图—深层网络”的电机轴承工况识别方法存在时频谱能量聚集性差、深层网络收敛速度慢等缺陷,提出一种增强同步挤压Stockwell变换(ESST)和改进集成深层极限学习机(IEDELM)的电机轴承工况识别方法。首先,对采集到的电机轴承振动信号进行ESST变换得到时频谱图并转化为列向量;其次,利用9种不同的激活函数构造9种深层极限学习机,并引入自组织策略和卷积策略以提高深层极限学习机的鲁棒性;最后,将ESST时频谱列向量输入不同的深层网络进行自动特征学习,并通过集成平均法输出识别结果。实验结果表明,ESST-IEDELM方法的工况识别准确率达到99.87%,标准差仅0.12,相比于其他方法,在电机轴承振动信号特征提取和工况识别准确率方面更具优势,可用于电机轴承工况识别工程中。

基于分数低阶Stockwell变换时频的机械轴承故障特征提取

时频分布是机械滚动轴承故障信号的有效分析方法,特殊情况下的机械故障信号或噪声属于非高斯 Alpha(α)稳定分布,传统的 Stockwell 变换( S 变换)时频方法性能退化甚至失效。基于 S 变换时频和分数低阶矩提出了一种分数低阶 S 变换时频分布算法,为了减少计算量及在线及时分析信号,提出了一种快速分数低阶 S 变换时频算法。仿真结果表明,所提出的分数低阶 S 变换时频算法及其快速算法能很好地工作在高斯噪声和α稳定分布噪声环境,性能优于已有的 S 变换时频。在实际应用中,所提出的时频算法能够较好的提取机械轴承故障信号的故障特征。

基于离散正交Stockwell变换的微电网故障分类与定位

针对微电网故障分类和定位问题,文中提出了一种基于离散正交Stockwell变换(DOST)优化多核极限学习机(MKELM)的微电网智能故障分类与定位识别方法。利用DOST从微电网发送端继电器中获取故障后电流信号的一个周期,提取有用的统计特征进行标准化处理并将其作为MKELM的输入,结合遗传算法(GA)确定MKELM的最优参数。在微电网测试系统中测试了所提出方法在不同运行条件和故障情况下的性能,测试结果验证了该方法在高性能微电网中对任何类型的故障进行分类和定位的有效性。与传统的核极限学习机(KELM)和支持向量机(SVM)方法相比,所提出的方法具有更高的性能,并且对测量噪声保持较高的鲁棒性。

基于稀疏信息差值的集电线路故障精准定位方法

针对集电线路多分支网络结构故障定位过程时精度易受测点数量和行波波速影响的问题,提出一种基于稀疏信息差值的集电线路故障定位方法。按照集电线路划分故障区域。首先,通过变分模态分解从初始行波信号中提取第一本征模函数信号,并通过Stockwell变换将其进一步分解为S矩阵。然后,通过S矩阵计算其模矩阵Q,并计算所有模矩阵之间的能量相似性,建立区域决策矩阵来识别故障区域。最后,在确定的故障区域内设置虚拟故障点,根据故障区域首末端初始行波到达时间,计算测量行波和虚拟故障点之间的信息差异度,采用离散-连续粒子群实时修正故障分支和故障位置。仿真结果表明,该方法无需集电线路所有分支行波信息,大幅降低监测设备数量,消除波速影响,实现多分支集电线路的精准故障定位。

基于广义S变换的动态滤波技术及应用

分频解释技术已广泛应用于地震资料综合解释流程中。以广义Stockwell变换时频谱为基础,提出了一种针对瞬时谱的动态滤波技术,该方法分别对各时刻瞬时谱进行频率域滤波,且各时刻滤波参数由该时刻瞬时谱动态决定。详细介绍了该方法的原理及实现流程;通过单道地震信号分析了动态滤波技术的优势;并结合实际工区和衰减梯度含油气性检测技术,对比了滤波前后检测的衰减异常,得出利用动态滤波方法处理后的地震数据能够更准确的检测气藏的衰减异常,更符合工区实际情况,证实了该方法的可行性和实用性。动态滤波方法为地震信号分频处理提出了一种新思路。

SWT及其在分数阶滤波器设计中的应用

为解决受噪声干扰的非平稳信号的滤波问题,最大化地保留有用信号,提出了由Stockwell-Wigener变换(SWT)辅助设计的分数阶滤波器方法。提出了SWT,它是结合了S变换多分辨率和Wigner-Ville分布高清晰度优点的一种新的信号时频方法,并将SWT用于辅助设计分数阶滤波器,从而进一步最小化被滤波截止线包围的含噪信号时频表示面积,提高滤波后的信噪比。理论分析和仿真实验结果表明,该方法有效且可行,可使恢复信号的归一化均方差得到进一步减小。

基于离散S变换和改进深度残差网络的轴承故障诊断

为了提高滚动轴承故障诊断的准确率,提出基于离散S变换和改进深度残差网络的轴承故障诊断方法。首先,对采集到的滚动轴承数据进行二维特征挖掘;分别用时域重组(TDR),小波变换(CWT)和离散S(Stockwell)变换制作出图片数据集,充分地提取蕴含在振动数据中的时域和频域特征。其次,使用多种神经网络,如Resnet残差网络、VGG网络、AlexNet网络等多种卷积网络对图片数据进行训练,训练中采用小批量梯度下降算法。最后,通过对变载和变速的公开数据集进行不同网络不同预处理方法的训练,并计算模型在测试集的准确率和标准差指标。结果表明,基于离散S变换和改进深度残差网络的轴承故障诊断方法有着更高的识别精度和更好的鲁棒性,训练效果明显优于其他训练方法。证明了该方法在滚动轴承故障诊断中的有效性。

配电物联网架构下基于云边协同的有源配电网故障定位方法

针对含分布式发电的配电系统故障定位难度大、精度不高的问题,提出了一种基于云边协同的有源配电网故障定位方法。首先,在边缘侧对端侧的故障电流信号进行Stockwell变换(Stockwell transform,ST),并通过不同故障馈线计算出总谐波畸变率,然后通过故障信号的ST系数提取特征,实现对线路故障检测就地预处理。最后,通过云侧的深度信念网络学习提取不同故障的特征属性对故障进行属性分类,然后求出不同故障的特征属性模型,根据属性分类因子调整ST系数的权重均方根值,以适应不同类型的故障特征处理与定位。IEEE 13-bus试验仿真结果表明,所提方法在复杂故障场景下具有较高的定位精度。