基于Park变换和Teager能量算子的晶闸管逆变器保护新方法

在高压直流输电系统中,晶闸管逆变器直流差动保护误动于区外故障,以晶闸管逆变器作为研究对象,提出了基于Park变换和Teager能量算子的晶闸管逆变器保护新方法。首先,利用Park变换分析逆变器交流侧电流,建立和直流侧电流的平衡关系,提出主判据;其次,采用逆变器交流侧接地故障的零序电流和逆变器交流侧电流的Teager能量算子作为辅助判据;最后,通过PSCAD仿真将该保护和传统直流差动保护进行比较。结果表明:该保护可有效解决传统直流差动保护误动于区外故障的问题,对于直流差动保护不能动作区内的相间短路故障,该保护方法可正确动作。

基于小波包-1.5维Teager能量谱图和深度学习的滚动轴承故障诊断方法研究

带式输送机工作环境恶劣、干扰源复杂,受非周期性冲击及谐波干扰,其托辊滚动轴承故障诊断困难。针对此问题,提出了一种基于小波包-1.5维Teager能量谱图和深度学习相结合的滚动轴承故障诊断方法。首先,利用小波包分解对故障信号进行分解,提取能量占比较高的分量进行重构;然后,采用Teager能量算子和1.5维谱处理重构信号滤除周期性谐波干扰,构建出故障特征能量谱图;最后,利用卷积神经网络对能量谱图进行训练和测试,精准诊断出滚动轴承故障类型。仿真与实验分析结果表明,所提方法可有效滤除非周期性冲击和谐波的干扰,并精准诊断出轴承故障类型。所提方法为托辊滚动轴承的故障诊断提供了一种新思路,具有一定的工程应用价值。

一种改进VMD与Teager能量算子的电能质量扰动检测方法

为提高电能质量扰动检测的精度和实时性,提出了基于能量损失比的变分模态分解(variational mode decomposition,VMD)与Teager能量算子(Teager energy operator,TEO)结合的电能质量扰动检测方法。首先通过能量损失比预设置VMD本征模态函数(intrinsic mode function,IMF)的最优取值。然后通过VMD的信号频带划分能力实现扰动信号各模态有效分离。最后利用TEO解调各IMF定位扰动发生的起止时刻,实现对电能质量扰动的检测。分别采用小波变换(wavelet transform,WT)、希尔伯特-黄变换(Hilbert-Huang transform,HHT)和VMD-TEO方法在无噪声和30 dB噪声条件下对不同类型的单一和复合电能质量扰动信号进行对比仿真实验。实验结果表明,VMD-TEO方法能够对电能质量扰动实现准确检测且精度高,并具有良好的抗噪性能和快速响应能力。

基于LMD自适应多尺度形态学和Teager能量算子方法在轴承故障诊断中的应用

为了从故障轴承信号中提取包含故障信号的特征频率,提出了基于LMD(Local Mean Decomposition,LMD)自适应多尺度形态学和Teager能量算子解调的方法。首先,采用LMD将目标信号分解成有限个PF(Product Function,PF)分量,分别对其进行多尺度形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应寻求最优解,最后用Teager能量算子计算各PF分量的瞬时幅值,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。为了验证理论的正确性,进行了数字仿真实验和轴承故障模拟实验,并与EMD形态学和包络解调方法进行了比较,结果表明该算法明显优于其他两种方法,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的频率特征。

基于CEEMDAN与Teager能量算子的谐波检测方法

针对现有的电力系统谐波信号检测方法精度不高的问题,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)和Teager能量算子的谐波检测新方法。首先利用CEEMDAN对谐波信号进行分解,获得不同局部特征时间尺度的固有模态函数(IMF)分量。其次,通过改进的EEMD去噪方法和相关性判据方法分别去除噪声分量和虚假分量得到真实的谐波分量。最后利用Teager能量算子计算出谐波分量的瞬时幅值和瞬时频率,可以准确地获得谐波信号的能量谱信息。该方法充分利用了CEEMDAN的局部自适应性与Teager能量算子的快速响应特点,通过EMD、EEMD和CEEMDAN分别与Teager能量算子相结合的方法进行谐波检测。对比检测结果不仅表明了该方法具有较高的检测精度,而且验证了所提方法的可行性和有效性。

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.

基于Teager能量算子的电能质量扰动实时检测方法

建立一个有效的电能质量监控系统的关键,首先在于实现对扰动的快速、准确检测。通过引入Teager能量算子(TEO),提出基于TEO的实时检测方法。由于Teager能量算子只需要对被测波形相邻的三个采样点进行两次乘法和一次加法运算,使得所提算法快速、简洁,具有优良的时间分辨率,能实时跟踪被测信号波形变化。仿真和实验结果表明,所提算法能够准确、迅速地检测和定位电能质量扰动的发生,具有优良的检测效果。

利用Teager能量算子瞬时能量的模块化多电平换流器多端柔性直流电网保护方法

为提高模块化多电平换流器多端柔性直流电网快速清除和隔离故障的能力,提出了一种利用Teager能量算子提取电压故障分量瞬时能量的纵联保护方法。根据多端柔性直流电网故障后的电压故障分量瞬时能量的不同,利用Teager能量算子对电压故障分量进行处理,提取电压故障分量瞬时能量最大值,构造保护判据,给出整定原则。利用各保护测量安装处的电压故障分量瞬时能量最大值判定故障区间及区内外故障。利用同侧换流站正负极电压故障分量瞬时能量之比进行单双极故障判定,并进行故障选极。在PSCAD/EMTDC仿真平台搭建了±500kV四端柔性直流电网模型进行验证,结果表明,所提方法可在3ms内快速可靠动作,耐过渡电阻能力强,在不同的工况下都可准确进行故障区间及区内外故障判别,并可实现故障选极。

基于复小波变换和Teager能量算子的电压跌落检测方法研究

针对电压跌落的跳变相位、起止时刻和跌落幅值这三个特征量有效检测问题,提出了基于复小波变换和Teager能量算子的电压跌落检测方法。详细研究了复小波的构造原理以及它和Teager能量算子在检测电压跌落上的应用。对于含噪的电压跌落信号,利用Teager能量算子对db4复小波变换后得到的近似信号进行跌落幅值的检测,利用db4复小波变换检测发生跌落前后的两个近似信号的相位,以相位差的形式得出电压跌落发生的起止时刻与跳变相位。Matlab仿真结果验证了算法的抗干扰性与实时性。

基于SSD和Teager能量算子的滚动轴承故障诊断方法

针对滚动轴承早期故障冲击信号较难提取的问题,提出基于奇异谱分解(singular spectrum decomposition,SSD)和Teager能量算子的滚动轴承故障诊断方法。首先,利用SSD分解振动信号得到一组不同频带分布的奇异谱分量(singular spectrum component,SSC);其次,根据峭度准则选取最佳SSC分量,利用Teager能量算子计算该分量的瞬时能量信号并对其进行傅里叶分析,从而得到信号的Teager能量谱;最后,根据能量谱图提取故障特征频率。将该方法运用到仿真信号和滚动轴承实测信号中,并和包络谱、EMD及EEMD方法进行对比分析,结果表明,该方法能有效解调故障特征信息,准确识别轴承故障类型,诊断效果更佳。

基于Teager能量算子和空域相关函数的基音检测算法

结合Teager能量算子和空域相关函数,提出了一种有效的基音周期检测方法。检测前在小波域上用Teager能量算子对语音信号进行清浊音判决,对浊音段采用空域相关函数提取基音周期。实验表明,与传统的小波变换算法和自相关法相比,该方法鲁棒性好,具有更高的准确性。

一种采用B样条插值的改进能量算子在电梯电机轴承故障诊断中的应用

针对传统Teager能量解调算子方法对电梯运行系统中存在的强背景噪声较为敏感的不足,提出了一种改进的能量解调算子方法;采用了B样条技术与传统Teager能量算子方法进行结合,其中建立的B样条曲线对信号进行插值起到滤波作用;然后再利用Teager能量算子对滤波信号进行转换;最后利用傅里叶变换得到转换信号的频谱图从而揭示故障特征;所提出的基于B样条插值的能量解调方法不仅保留了传统能量解调算法的优点,如较高的解调精度和优秀的时间分辨率等,并且可以在强噪声背景下提取出微弱轴承故障特征;经实验验证实现了提高强背景噪声下的轴承故障检测的性能,能够在故障退化的早期检测故障,满足了实际工况下故障诊断上的应用。

基于双通道Teager能量重组的滚动轴承故障诊断方法研究

针对在列车轴箱采集到的故障信号伴随有较强背景噪声干扰这一问题,提出了一种基于双通道IMF(Intrinsic Mode Function)相关重组的滚动轴承故障诊断方法,其依据峭度选取最优共振带,通过EMD(Empirical Mode Decomposition)与相关系数求取合理的IMF分量,以Teager能量算子实现解调并基于相关函数对信号进行重组,削弱噪声干扰的同时强化故障信息。通过铁路轴承综合实验台验证,该方法可有效降噪并提取故障特征频率。

基于VMD-SVD能量标准谱-Teager能量算子的轴承故障诊断方法

对难以提取处于微弱故障状态的滚动轴承非线性、非平稳时变特性振动信号中故障特征频率的问题,提出基于VMD-SVD能量标准谱-Teager能量算子联合诊断方法。首先,对预处理后轴承微弱故障信号进行VMD分解,根据各模态分量(IMF)中心频率确定最优模态数K,再由各IMF分量峭度和相关系数指标确定包含故障信号的敏感IMF。然后,对选取模态分量的Hankel矩阵进行SVD分解,由奇异值能量标准谱确定有效奇异值数量,实现对信号的降噪重构。最后,利用瞬时Teager能量算子及其频谱分析识别微弱故障产生的周期性冲击特征频率。运用该方法处理滚动轴承微弱故障信号,能准确提取故障特征频率及倍频,文中证明了其准确性和有效性。

基于Teager能量算子和1D-CNN的HVDC输电线路故障识别方法

针对HVDC输电线路故障识别率低,远端高阻故障识别困难等问题,提出基于Teager能量算子和1DCNN的HVDC输电线路故障识别方法。该方法利用保护安装处测得的线模分量Teager能量算子和输电线路两侧正负极电流突变量能量比值组成特征向量,利用1D-CNN对特征向量集进行训练和测试,同时实现区内外故障判和故障极选择。仿真实验表明该方法能在不同故障距离和不同过渡电阻情况下有效实现区内外故障识别和故障极选择,采样率能满足现有实际工程需要,具有较强的耐受过渡电阻能力。

基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承的故障特征提取方法

与普通滚动轴承相比,柔性薄壁轴承存在背景冲击载荷,使得故障特征提取难度大。针对这一问题,提出基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承故障特征提取方法。利用多点峭度谱(MKurt)对原始故障信号进行分析,确定柔性薄壁轴承故障周期,然后通过多点最优最小熵解卷积(MOMEDA)处理,再经Teager能量算子增强,最终提取柔性薄壁轴承外圈与内圈的故障特征频率,并与单一的MOMEDA算法、基于MKurt-MCKD与Teager能量算子故障特征提取方法进行了对比,证明了该方法明显增强了故障特征频率的幅值,为柔性薄壁轴承故障特征提取提供了参考。

基于Teager能量算子的语音端点检测算法研究

语音识别中端点检测是很重要的环节,检测的好坏直接影响到后面的语音识别的效果。传统使用的短时能量与短时过零率方法在信噪比较低时,不能有效地检测语音端点,检测准确率较低。利用Teager能量算子的非线性特性,能在抑制背景噪声的同时对平稳和不平稳信号有不同程度的衰减。因此,文中提出一种基于Teager能量算子的端点检测方法,并进行改进检测算法。经过实验证明,改进的算法与短时能量检测的结果相比,该算法在信噪比较低的情况下,能够比较准确地检测出语音的起始端点,同时语音端点检测准确率比较高,验证了该算法的有效性。

基于Bark尺度小波包和Teager能量算子的语音去噪方法

针对小波包分解的高频混叠和频带顺序混乱,采取了一种改进小波包算法,采用一种更精细的Bark尺度小波包对带噪语音进行分解,以模拟人耳的听觉特性.对分解系数计算Teager能量算子(TEO),并使用一种简单的随TEO变化而调节的自适应阈值门限对带噪语音进行阈值去噪,不需要判别清浊音和无声段,实验证明,该方法在多种噪声下都能取得较好语音增强效果,特别是在有色噪声和非平稳噪声下.对于较低信噪比的语音也能获得一定改善.

基于变分模态分解与Teager能量算子的谐波/间谐波检测方法

为了提高电力谐波信号中谐波/间谐波的检测精度,提出一种基于变分模态分解(VMD)与Teager能量算子相结合的检测新方法。利用相关系数法来确定VMD算法中的模态分解个数K;采用VMD对谐波/间谐波信号进行分解,得到一系列IMF分量;利用Teager能量算子对IMF分量进行解调分析,能够得到分量的瞬时幅值和频率,同时根据时频图中瞬时频率突变点,可准确定位暂态谐波/间谐波的起止时刻。在信噪比较低的情况下,将集合经验模态分解(EEMD)、VMD分别与Teager能量算子相结合进行谐波/间谐波检测的对比。仿真实验对比表明文中所提方法能将稳态、暂态谐波信号进行有效的分离,同时具有较高的检测精度和较好的噪声鲁棒性。

基于Teager能量算子和经验模态分解的语音端点检测算法

Teager能量算子是近年来提出的非线性方法,具有跟踪时变信号的特点,该文结合该算子和经验模态分解方法,提出一种新的语音端点检测算法,用于寻找合理的语音起始和终止端点。该算法利用经验模态分解,提出本征模态函数的有效性筛选条件,通过筛选本征模态函数,使得该算法能够处理含噪语音信号,同时分解所得单模态特性正好满足TEO算子对单成份能量跟踪的要求,最后利用Hilbert变换解决了可能存在的模态混叠问题。经过这些处理,算法能够处理语音信号中清音段的端点标识,比直接TEO、双门限法效果好。通过大量实验验证了该算法的有效性。