An Improved Chirplet Transform and Its Application for Harmonics Detection

The chirplet transform is the generalization form of fast Fourier transform , short-time Fourier transform, and wavelet transform. It has the most flexible time frequency window and successfully used in practices. However, the chirplet transform has not inherent inverse transform, and can not overcome the signal reconstructing problem. In this paper, we proposed the improved chirplet transform (ICT) and constructed the inverse ICT. Finally, by simulating the harmonic voltages, The power of the improved chirplet transform are illustrated for harmonic detection. The contours clearly showed the harmonic occurrence time and harmonic duration.

经验小波变换和改进S变换结合的电能质量检测与识别方法

为分析不确定干扰因素影响下的实际电力网络电能质量问题,提出一种经验小波变换(EWT)和改进S变换相结合的电能质量检测与识别方法。该方法一方面利用EWT联合归一化直接正交(NDQ)算法和奇异值分解(SVD)算法准确提取调幅-调频分量的频率、幅值和时间参数,另一方面考虑到EWT算法在高噪声环境下瞬时幅值波动的问题,引入改进S变换提取高噪声干扰下的电能质量扰动时频信息,最后,基于EWT和改进S变换提取的扰动特征向量,利用基于改进粒子群优化算法(IPSO)优化支持向量机(SVM)的电能质量扰动识别分类器实现扰动类型的精确识别。仿真和实验表明所提方法在复合扰动识别分类时平均识别准确率为93.23%,且能够准确识别4种实测扰动信号。

基于IGWO算法优化LSSVM的电能质量扰动识别方法

为了提高电能质量扰动(power quality disturbance,PQD)识别结果的准确性,笔者提出一种基于改进灰狼优化算法(improved grey wolf optimization,IGWO)优化最小二乘支持向量机(least squares support vector machine,LSSVM)的PQD识别方法。通过采用收敛因数指数调整、自适应位移和权重动态修订等措施对灰狼优化算法进行改进,得到IGWO算法;以PQD信号的9个特征量为支持向量、7种PQD类型为输出量,利用IGWO算法寻找LSSVM的最优参数,建立基于IGWO-LSSVM的PQD识别模型并进行仿真分析,且与其他模型的识别结果进行对比。结果表明,相比算例中列出的几种对比模型,IGWO-LSSVM模型识别结果的正确率更高,验证了所提PQD识别方法的有效性和实用性。

基于S变换和IWOA-SVM的复合电能质量扰动识别

针对目前复合电能质量扰动(PQD)信号特征冗余,分类识别准确率低的问题,提出了一种基于S变换和改进鲸鱼算法支持向量机(IWOA-SVM)的复合电能质量扰动识别方法。首先,利用S变换对7种单一电能质量扰动和生成的13种复合扰动信号进行时频分析,使复杂扰动信号的特征得以凸显。设计特征提取方法,从实频矩阵中尽可能地获取便于分类的信号特征信息;其次,引入自适应权重因子和随机差分变异策略对WOA进行优化,提升其搜索能力;最后建立IWOA-SVM分类预测模型,优化SVM高斯核函数参数,以获得更好的鲁棒性和泛化能力,对提取的特征样本进行自动分类和识别。实验结果表明,所提方法分类识别准确率高,能有效识别多种复合PQD信号,有助于评估与治理电能质量问题。

基于褶积原理和改进广义S变换的震动波衰减补偿试验研究

为了恢复震动波能量在传播过程中产生的衰减损耗,提出基于褶积原理求取品质因子Q的方法与改进广义S变换相结合的反Q滤波法。通过震动波衰减补偿模型试验,对试验数据进行改进广义S变换的时频特性分析,得出了信号的能量分布情况以及时间频率对应关系;采用基于褶积原理求取品质因子的方法,得到时变Q值;对试验数据进行反Q滤波处理,使震动波能量得到了补偿。结果表明本文提出的反Q滤波法提高了对震动波能量衰减补偿的效果,拓宽了地震资料的频带,提高了地震资料分辨率,有利于进行高分辨率地震勘探、深部信号增强和油气藏预测工作的开展。

基于快速傅里叶变换和改进T-S模糊神经网络集成模型的逆变器开路故障诊断方法研究

针对受负载扰动和测量噪声影响,逆变器开路时的故障边界间、故障与特征间存在交叠和模糊性问题,在对逆变器功率管开路故障特征的分析基础上,提出基于快速傅里叶变换和改进T‑S(Takagi‑Sugeno)模糊神经网络集成模型的逆变器开路故障诊断模型。首先,依据快速傅里叶变换分析逆变器的三相输出电流波形,提取功率管发生不同类型开路故障时的故障特征;其次,采用规则自分裂技术和模糊C均值设计T‑S模糊神经网络的前件网络的隶属函数层;然后,依托自适应Levenberg‑Marquardt算法对T‑S网络参数进行训练;最后,利用训练后的T‑S网络实现逆变器功率管的多种故障类型与位置的诊断。实验结果表明,所提出模型的诊断准确率高达96%,能够显著改善逆变器功率管开路故障诊断时所存在的问题。

基于IIST与SVM的串联故障电弧诊断方法研究

针对S变换的时频分辨能力不足导致串联故障电弧特征难以准确提取的弊端,以中心频率测度为标准筛选低频和高频段的主要频率点,分别引入低频和高频段对应的高斯窗口系数,形成一种改进的不完全S变换(im-provement incomplete S-transform,IIST)时频分析方法。首先,依据标准搭建串联电弧故障试验采集平台,采集不同负载情况下的电流信号;其次,采用IIST对信号进行时频分析并提取低频和高频段的对应特征量,形成特征向量样本集;最后,在此基础上构建故障电弧诊断模型,对样本集进行分类识别。结果表明,该特征提取方法在支持向量机(support vector machine,SVM)中识别准确率达到98.29%,能有效地提取电流故障特征,通过增设对照实验,探究不同特征提取方法、不同核函数的SVM对诊断结果的影响,进一步验证了IIST与SVM故障诊断方法是有效的。

基于改进S变换的高压真空断路器机械故障诊断方法研究

目前,一种新型电磁斥力机构已在高压真空断路器中获得应用。为了对电磁斥力机构中发生的故障类型进行诊断,文章提出了一种基于改进S变换和支持向量机的故障诊断方法。首先,通过电磁斥力机构在高压真空断路器的两个不同位置获得了运行过程中的振动信号。然后,使用改进S变换对振动信号进行时频分析,并基于归一化能量熵来提取特征量,再使用主成分分析来降低特征向量的维数。最后,将特征量输入SVM训练模型进行故障分类,并与小波包分解进行比较。结果表明:所提故障诊断方法性能良好,能够快速准确地识别出电磁斥力机构中发生的故障。

基于改进的广义S变换求取地层品质因子Q值

地层的品质因子Q值对衡量地震波传播过程中的能量衰减以及地震资料的处理、解释有重要意义。在实际生产中求取品质因子最实用的方法是频谱比法,但传统的频谱比法面临时窗选取等问题。本文利用改进的广义S变换时频特性及与傅里叶谱相联系的特性,提取地层上、下界面对应的瞬时频谱,并通过拟合振幅比与频率的关系得到地层的品质因子Q值。数值模拟及实际资料处理均证明了该方法的有效性。

基于广义S变换地震高分辨率处理方法的改进及在流花11-1油田的应用

相比较早的小波变换和傅氏变换,广义S变换具有更好的时频局部性,但也存在低频信息易损失、弱反射层易丢失等问题。对基于广义S变换的地震高分辨率处理方法进行了改进,提出了新的处理思路。这种基于广义S变换的高分辨率处理技术,在提取并补偿高频信号的同时,也对低频信号进行了有效的保持。该项技术在流花11-1油田取得了良好的应用效果。

基于改进PSO-BP神经网络和D-S证据理论的大型变压器故障综合诊断

阐述了已有变压器故障诊断方法的不足,并将信息融合的基本思想引入变压器故障诊断中。针对电力变压器故障综合诊断的特点和要求,运用改进粒子群优化-反向传播(PSO-BP)算法训练神经网络并结合D-S证据理论,提出了一种基于信息融合技术的变压器故障综合诊断决策模型。该模型以油中溶解气体色谱分析为基础,结合变压器常规电气试验结论与现场运行、维修经验,得出了较为可靠的诊断结果,实例验证也证明了该方法的有效性。

基于改进不完全S变换与决策树的实时电能质量扰动分类

提出了基于一种改进不完全S变换(Improved Incomplete S-transform)与决策树的实时电能质量分类方法,其主要关注分类准确性与运算时间。根据主要频点所在频段,采用独立的高斯窗来处理不同的信号成分以减小海森堡测不准(Heisenberg's uncertainty)带来的时频分辨率限制,增强了对扰动的抗噪能力同时减小了响应时间。然后通过动态测度对改进不完全S变换结果进行特征提取。通过5个区分度强的特征量,采用优化决策树对电能质量扰动进行分类。通过一个基于DSP-FPGA的硬件平台来验证该方法。仿真与实验证明了该方法具有良好的应用前景。

基于S变换和改进SVD的滚动轴承智能诊断方法

对于滚动轴承而言,工程实际中存在诊断样本与训练样本故障类型相同(如均为滚动体故障)但故障程度却不同的现象,同时滚动轴承发生故障时其振动信号表现出明显的非平稳性,因此文中提出一种基于S变换和改进奇异值分解的滚动轴承故障程度鲁棒的智能诊断方法。首先利用S变换得到滚动轴承振动信号时频分布矩阵,再利用改进奇异值分解方法对时频矩阵进行降维进而得到约简的特征向量,最后将提取到的故障特征向量作为支持向量机的输入,利用支持向量机识别轴承所属的故障类型。实验结果表明,该方法能有效地解决滚动轴承训练样本与测试样本故障程度不一致时的诊断问题,效果优于传统滚动轴承诊断方法。

基于改进S变换的电压暂降起止时刻检测

电压暂降起止时刻是重要的暂降特征量,在分析改进S变换基础上提出一种改进S变换基频幅值向量和基频差分平方向量相结合的暂降检测方法。首先通过改进S变换基频幅值向量判断信号是否发生暂降,再利用改进S变换基频差分平方向量检测暂降信号起止时刻,最后依据基频幅值向量和暂降起止时刻的检测误差曲线来确定改进S变换高斯窗宽调节因子,达到更优时频分辨率。所提方法能更准确地检测发生在不同持续时间、不同波形点和不同幅值深度的暂降所对应的起止时刻。仿真和实测结果验证了方法的有效性。

基于改进数学形态学与S变换的暂态电能质量扰动检测

针对电能质量扰动信号检测受噪声影响大且特征值定位不准确的问题,提出一种改进数学形态学方法对电能质量扰动信号中存在的噪声干扰进行预处理,并选取S变换频谱标准差、S模矩阵时间幅值平方和均值以及S模矩阵等高线这3种时频域的特征值,实现了6种单一扰动信号和2种复合扰动信号的检测和定位.仿真结果表明,与传统的数学形态学滤波和卡尔曼滤波方法相比,改进的数学形态学方法去噪效果好,而且可以加强原信号中的有用信号,S变换中选取的特征值从时域和频域共同体现扰动特征,使电能质量扰动信号的检测定位更加准确.

基于小波和改进S变换的电能质量扰动分类

针对电能质量分析中的电能质量扰动信号快速精确检测及分类重要内容,提出基于小波变换结合改进S变换的电能质量扰动分类方法.通过小波变换得到高低频分量,并选取低频分量做改进的S变换提取特征向量,既保持原信号特征,且得到的S变换模矩阵维数只有原信号直接做S变换的模矩阵维数的1/4.通过概率神经网络(probabilistic neural network,PNN)对信号进行分类.仿真结果证明,所提方法有效,能很好实现分类,且减少分类时间.

广义S变换在背景噪声数据处理中的应用

广义S变换解决了标准S变换中基本小波形态固定的缺陷,在分析非平稳信号时能更好地刻画其时频特性。编写广义S变换的计算程序,并用它对地震背景噪声数据进行去噪处理。结果显示:广义S变换处理过的数据信噪比大大提高,可以为数据反演提供更精确的数据。

水泵水轮机全特性曲线的改进Suter变换

水泵水轮机的全特性曲线在水泵工况和反水泵区表现出"S"型特征,曲线存在交叉和重叠现象,这种流量和转矩的多值性会给过渡过程分析带来不便.采用改进的Suter曲线变换方法,将水泵水轮机在四象限内的全特性曲线转换为2组周期性变化的曲线,即WH(x,y)线和WM(x,y)线;在保持原有数据曲线特性不变的基础上,对水泵水轮机的全特性曲线进行了变换处理,然后采用最小二乘曲面拟合数学模型对变换后得到的WH曲线和WM曲线进行曲面拟合,得到了2组曲线的三维曲面拟合图.变换后的WH曲线和WM曲线平滑光顺,成为2组近似平行的曲线,消除了Suter转换曲线的分布不均匀和插值多值性等缺陷,从而消除了水泵水轮机全特性曲线在水泵和反水泵区的交叉和重叠现象以及曲线两端的分布不均匀现象,为水泵水轮机的过渡过程分析提供了方便.

基于改进S变换的语音信号时频分析

STFT分辨率固定,小波变换会出现局部相位信息且时间-尺度关系不适合直观视觉分析。提出基于改进S变换的语音信号时频分析。样条小波作为小波变换母小波乘以相位因子得到改进S变换,具有多分辨率和相位因子,并适合直观视觉分析。仿真实验得到的时频分布结构图与STFT、小波变换分布比较,显示改进S变换时频结构更加细致。

基于改进S变换技术的轧钢厂电机电压检测方法

由于电压暂降补偿方法是准确获取电压暂降的主要特征,基于深入分析电压暂降问题,将改进的S变换技术用于电压特征检测,提出一种新的电压暂降特征检测方法。该方法在介绍S变换的基本原理基础上,提出改进的S变换技术,进而提出基于改进S变换技术的电压暂降特征检测方法和实现步骤。以达州钢铁集团轧钢厂感应电动机为研究对象,利用改进的S变换技术,计算电机电压暂降幅值、相位跳变和持续时间等特征向量。通过大量的仿真实验,结果表明提出的电压检测方法具有计算量小、准确度高、抑制噪声干扰效果好等优点。