基于Intrinsic Time-scale Decomposition算法的扰动信号特征量提取问题研究

由于电能质量扰动信号具有非线性的特点,当下算法无法有效提取电能质量扰动信号,采取Intrinsic Timescale Decomposition算法,可以有效提取电能质量扰动信号的频率、幅值、相位等特征量。利用Intrinsic Time-scale Decomposition算法提取电能质量扰动信号的Proper Rotation Component分量,后对Proper Rotation Component分量进行Hilbert变换以求得电能质量扰动信号的相位和瞬时频率,再根据电能质量扰动信号的高频突变点得到电能质量扰动信号的起止时间;根据envelope函数求得衰减因子。利用软件开发程序MATHEMATICA对电能质量扰动信号进行分析,结果表明,Intrinsic Time-scale Decomposition算法可以很好地提取电能质量扰动信号特征量,并且具有极佳的抗噪性能。

ITD结合参数优化MOMEDA的滚动轴承故障特征提取

针对固有时间尺度分解(Intrinsic time scale decomposition,ITD)方法在强背景噪声影响下难以提取轴承故障特征的问题,提出了一种ITD与参数优化的多点最优最小熵解卷积(Multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)相结合的滚动轴承故障特征提取方法。首先根据包络谱峰值因子最大原则提取包含丰富故障信息的ITD分量,其次对该分量进行MOMEDA降噪处理。对影响MOMEDA滤波效果的两个参数——故障周期T与滤波器长度L分别以多点峭度和平方包络谱的基尼指数进行优化,最后进行包络谱分析提取故障特征频率。通过仿真信号与实测信号分析表明该方法能在强噪声干扰下有效提取故障特征。

基于VEITD和OSMHD的风电机组轴承损伤识别

针对风力发电机轴承损伤信号易被强噪声干扰导致损伤特征提取困难的问题,提出了一种基于可变熵加权融合的固有时间尺度分解和优化稀疏最大谐波噪声比解卷积法相结合的风力发电机轴承损伤识别方法。采用固有时间尺度分解方法对原始信号进行分解,得到若干个固有旋转分量。利用可变熵对固有旋转分量进行加权融合。使用优化稀疏最大谐波噪声比解卷积法对加权融合信号进行处理,提取轴承损伤特征频率。试验台数据和风力发电机现场数据分析结果表明,所提方法对轴承损伤信号中的噪声抑制效果明显,能够准确提取风力发电机轴承损伤特征频率,实现风力发电机轴承的损伤识别。

基于IITD样本熵与改进深度置信网络的轨道电路故障检测

针对轨道电路故障检测实时性差且故障位置不确定等问题,提出了一种基于改进固有时间尺度分解(Improved intrinsic time-scale decomposition,IITD)和样本熵值作为特征值输入以改进深度置信网络(Deep belief network,DBN)识别的轨道电路故障检测方法。首先,采用IITD方法对故障信号进行分解,筛选包含主要故障特征信息的PR分量。其次,计算其样本熵值作为信号的特征值。最后,将特征值输入至改进的DBN网络中,进行故障检测。以180组轨道电路历史故障数据为输入,本算法准确率达97.22%,较BP神经网络、PMFCC-DTW、模糊神经网络以及未经优化的DBN,其检测准确率分别提高7.12%,4.98%,6.34%和3.82%,可以作为轨道电路的故障检测的有效方法。

CS自适应随机共振与ITD相结合的轴承弱故障诊断

为了解决轴承早期弱故障诊断的问题,提出将固有时间尺度分解(intrinsic time-scale decomposition,ITD)与布谷鸟自适应随机共振(cuckoo adaptive stochastic resonance,CASR)相结合的方法进行滚动轴承早期弱故障特征频率提取。针对采集到的滚动轴承振动信号复杂且信噪比(SNR)低、故障特征难以提取的问题,结合ITD能抑制端点效应、运算复杂度低等优势,该方法将信噪比作为随机共振的目标函数,通过仿真信号分析及实例验证,将ITD作为CASR处理信号的前处理,使滚动轴承故障信号显著加强,信噪比提高2.17倍,故障特征得到有效提取。

基于ITD-MFCC与卷积神经网络的核电电气设备异音检测技术

针对核电设备小样本异音数据集无法训练出高效预测模型难题,提出一种基于ITD-MFCC和卷积神经网络的电气设备异音检测方法。首先,利用固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)强化信号特征,增强特征辨识度;然后,利用梅尔频率倒谱系数(Mel-frequency Cepstral Coefficients,MFCC)提取与人耳听觉特性关联的时频特征,进一步增强异音特征辨识度;最后,融合所提取特征指标,并利用卷积神经网络对融合特征进行训练,建立异响与数据特征映射关系,实现异音检测。试验结果表明:所设计的模型在小样本数据中准确率达到97.63%,相比于现有的支持向量机(Support Vector Machine,SVM)和BP神经网络模型准确率分别提升10.43%和12.86%。

基于ITD-ELM的发电机转子绕组轻微匝间短路故障诊断

针对转子绕组匝间短路早期故障不易检测的问题,本文提出一种基于本征时间尺度分解ITD(intrinsic time-scale decomposition)和极限学习机ELM(extreme learning machine)的发电机转子绕组轻微匝间短路故障诊断方法。首先,采用ITD算法将同步发电机的运行数据分解为若干旋转PR(proper rotation)分量,并根据峭度准则进行信号重构;然后将重构后的信号作为输入量,诊断结果作为输出量,构建基于ITD-ELM的发电机匝间短路故障诊断模型;最后以一台型号为MJF-30-6的同步发电机数据为样本,对其轻微匝间短路故障进行诊断,结果表明:基于ITD-ELM模型的故障诊断准确率较单一的ELM模型显著提高,验证了本文所提故障诊断方法的有效性和准确性。

基于振动特征优选和极限学习机的滚动轴承故障诊断

为解决滚动轴承故障诊断存在的振动信号故障信息提取模糊,诊断精度较低的问题,提出一种将改进的固有时间尺度分解(improved intrinsic time-scale decomposition,IITD)算法与极限学习机(extreme learning machine,ELM)相结合的故障诊断模型,记为COA-ELM.利用IITD算法分解振动信号获取其固有旋转(proper rotation,PR)分量,并基于多尺度熵理论计算各PR分量的多尺度熵值重构特征向量.利用郊狼优化算法(coyote optimization algorithm,COA)对ELM网络的输入权值和隐藏层阈值进行寻优.采用最优ELM网络对7种滚动轴承状态进行诊断,结果表明,本研究所建COA-ELM模型的滚动轴承故障诊断精度能够达到96.4%,相较于传统的故障诊断模型性能有着显著的提升.

基于ITD-ELM的变压器绕组微弱匝间短路故障诊断

为了解决油浸式变压器内部绕组绝缘故障检测难度大的问题,提出了一种基于本征时间尺度分解(ITD)和极限学习机(ELM)的变压器绕组微弱匝间短路故障诊断方法。首先,将采集到的变压器可听声信号利用ITD算法分解为若干旋转(PR)分量,并将峭度值较大的分量信号相加,对可听声信号进行重构;其次,将重构后的变压器可听声信号作为模型输入层,故障诊断结果作为模型输出层,构建了基于ITD-ELM的变压器绕组微弱匝间短路故障诊断模型;最后,以一台110 V变压器搭建实验模拟平台,对其微弱匝间短路故障进行训练并诊断。结果表明:基于ITD-ELM模型的微弱匝间短路故障诊断精确率为98%,较传统的ELM故障诊断精确度提升了3%,验证了所提变压器绕组微弱匝间短路故障诊断方法的准确性。研究所提出的故障诊断方法准确性较高,可应用于现场运行的不同电压等级的油浸式变压器。

基于ITD分解和孪生支持向量机的电能质量扰动识别方法研究

电能质量扰动信号的识别与分类是电能质量分析、评估和治理的基础和关键。针对电能质量扰动信号种类复杂、识别速度慢且准确率低等问题,提出一种基于ITD分解和孪生支持向量机的电能质量扰动识别方法。首先,对电能质量扰动信号做ITD分解,得到一系列固有旋转分量(PRC),并通过云模型的熵和超熵筛选出有效的PRC分量,减少特征冗余;其次,计算有效的PRC分量的模糊熵和能量熵,并根据模糊熵和能量熵求得混合特征矩阵;最后,基于混合特征采用麻雀优化的孪生支持向量机对扰动信号进行分类。仿真分析结果表明,该方法能识别多种电能质量扰动信号,且提高了对单一电能质量的识别准确率,进而为电能质量的分析、评估和治理提供辅助决策,以进一步提高供电质量。

局部特征尺度分解方法及其分解能力研究

在研究内禀时间尺度分解(Intrinsic Time-Scale Decomposition,ITD)方法的基础上提出了一种新的自适应时频分析方法——局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法,该方法可以自适应地将一个复杂的多分量信号分解为若干个瞬时频率具有物理意义的内禀尺度分量(Intrinsic Scale Component,ISC)之和。对LCD方法的基本原理进行了阐述,通过建立分解能力研究模型分别研究了分量信号的频率比、幅值比和初相位差以及单个分量迭代次数对LCD方法分解能力的影响,并给出了多分量信号可由LCD方法分解的大致条件。

改进ITD和能量矩在齿轮故障诊断中的应用

固有时间尺度分解(intrinsic time-scale decomposition,简称ITD)方法是一种新的自适应时频分析方法,其与经验模态分解(empirical mode decomposition,简称EMD)方法一样也有端点问题,且其分解得到的分量波形失真比较严重。为此,对ITD方法进行了改进,改进的ITD方法克服了上述缺点,并通过仿真信号的分析结果验证了改进后的ITD方法的有效性。把改进后的ITD方法与能量矩相结合应用于齿轮的故障诊断,首先,用改进的ITD方法将齿轮振动信号分解为若干个内禀尺度分量(intrinsic scale component,简称ISC);其次,将ISC分量进行基于时间轴的积分,得到ISC能量矩特征向量;最后,把特征向量输入支持向量机,从而判断齿轮是否有故障。实验数据的分析结果表明,该方法能有效地应用于齿轮的故障诊断。

基于ITD-形态滤波和Teager能量谱的轴承故障诊断

针对强背景噪声下滚动轴承振动信号故障特征信息难以提取的问题,提出了结合固有时间尺度分解(ITD)-形态滤波和Teager能量谱的滚动轴承故障特征提取与诊断方法。首先对滚动轴承振动信号采用ITD方法分解,得到若干个固有旋转分量;考虑到噪声主要分布在高频段,取前2个高频的固有旋转分量进行形态滤波,并将滤波后的信号与剩余固有旋转分量重构;对重构信号计算Teager能量算子并绘制Teager能量谱,从Teager能量谱中可以识别出故障特征。将本方法应用于滚动轴承的内圈故障和外圈故障诊断,结果表明ITD-形态滤波可以有效去除振动信号中的背景噪声并保留冲击特征,Teager能量谱可以直观并准确显示出故障特征。

基于固有时间尺度分解的风电机组轴承故障特征提取

针对风电机组调心滚子轴承故障振动信号非平稳、非线性的特点,提出了基于固有时间尺度分解(ITD)的轴承故障特征提取方法。ITD方法可以将复杂信号分解成若干个固有旋转分量和一个趋势分量之和,能准确地展示非平稳信号的动态特性,有较高的拆解效率和频率分辨率。分析结果表明,ITD方法能有效地提取风电机组轴承故障特征,可用于在线故障诊断。

基于SR-ITD的故障行波检测方法

针对变电站提取行波信号存在强噪声干扰的现状,提出了一种基于随机共振-固有时间尺度分解(SRITD)的行波信号检测方法。该方法利用随机共振法处理检测信号,有效提高了行波信号的信噪比,再利用固有时间尺度分解方法分析行波信号,实现行波信号特征信息的准确检测。理论分析和仿真结果表明,所提方法在变电站强噪声干扰下能有效提取行波信号,准确检测行波信号包含的故障特征信息。

基于改进的本征时间尺度分解和基本尺度熵的齿轮故障诊断方法

针对齿轮振动信号的非线性、非平稳特征和难以获取大量故障样本的问题,提出改进的本征时间尺度分解方法(IITD)和基本尺度熵(BE)的齿轮故障诊断方法。采用IITD方法对齿轮振动信号进行分解,再对得到的前4个有意义的合理旋转(PR)分量计算其基本尺度熵,并将熵值作为特征向量输入支持向量机分类器,从而实现齿轮故障类别的诊断。实验结果表明,该方法能有效地实现齿轮故障类型的诊断。

基于改进的ITD和模糊熵的滚动轴承故障诊断方法

提出了改进的本征时间尺度分解方法(improved intrinsic time-scale decomposition,IITD)。针对从滚动轴承的非线性和非平稳振动信号中提取故障特征难的问题,在IITD基础上,结合模糊熵的概念,提出了一种新的滚动轴承故障诊断方法。首先采用IITD方法对滚动轴承振动信号进行分解,再对得到的前几个有意义的合理旋转分量计算其模糊熵,并将熵值作为特征向量输入支持向量机分类器,从而实现滚动轴承故障类别的诊断。实验数据分析结果表明,所提出的方法可有效地实现滚动轴承故障类别的诊断。

局部特征尺度分解方法及其分量判据研究

在研究内禀时间尺度分解(ITD)方法的基础上提出了一种新的自适应时频分析方法——局部特征尺度分解(LCD)方法,该方法可以自适应地将一个复杂的多分量信号分解为若干个瞬时频率具有物理意义的内禀尺度分量(ISC)之和。对LCD方法的基本原理进行了阐述,并对其分量判据进行了研究,将经验模态分解(EMD)方法中的标准差判据应用于LCD方法。标准差判据的阈值会因自适应时频分析方法的不同而有所差异,因此标准差判据不具有自适应性,针对标准差判据的这一缺陷,提出了一种新的具有自适应性的分量判据——极值单调性判据,该判据无需设定任何阈值。信号分析结果表明了这两种判据的有效性,而极值单调性判据的适用性更强,可直接应用于EMD方法。另外,对比分析了LCD方法和EMD方法的计算效率,分析结果表明LCD方法在计算效率方面要优于EMD方法。

基于ITD的齿轮磁记忆信号特征提取方法的研究

针对低速重载齿轮潜故障状态下磁记忆信号特征信息难以获取的问题,提出了一种基于固有时间尺度分解法(ITD)的磁记忆信号特征提取方法。首先利用ITD方法将原始磁记忆信号分解为若干固有旋转分量PRC和一个单调趋势项,然后将前四阶PRC分量重新组合重构,剔除磁记忆信号自身的大周期成分和磁场噪声,最后再利用周期平均和局部统计法提取出该齿轮每个齿根的磁信号强度。实验结果表明,该方法非常适用于信号有效成分的精确拾取和判断,能有效实现信号的特征提取,对低速重载齿轮潜故障早期诊断领域具有重要的应用价值。

基于ITD的跳频信号跳速估计算法

非合作情况下,跳频信号参数准确快速的估计对于获取对方通信参数、产生跟踪式干扰等具有重要意义。提出了一种基于固有时间尺度分解的跳频信号跳速的快速估计算法,该算法迭代地分解跳频信号成一系列固有旋转分量,并求出由各层旋转分量信号包络瞬时幅度的最大值所构成的一个分析序列,对该序列进行傅里叶变换即可估计出跳频信号的跳速。该算法具有运算复杂度低、不受时频不确定性原理影响、时频定位精度高的优点。仿真结果显示,该算法能够有效地估计出跳频信号的跳速。