基于CEEMDAN-HT的永磁同步电机匝间短路振动信号故障特征提取研究

由于长时间处于高负荷运行状态,永磁同步电机(permanent magnet synchronous motor, PMSM)定子绕组线圈匝与匝之间的绝缘性能容易降低,导致出现匝间短路,此时电机的振动强度会发生改变。针对此现象,提出将自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)与希尔伯特变换(Hilbert transform, HT)结合,构成一种CEEMDAN-HT非线性信号分析方法,并将其应用于提取振动信号故障特征。首先,利用CEEMDAN算法分解振动信号,得到一系列本征模态函数(intrinsic mode function, IMF),并将主元分析中的方差贡献率用于识别包含故障特征信息的IMF。其次,使用HT对方差贡献率较高的IMF进行分析,并以三维联合时频图呈现时间、瞬时频率与幅值,得到了主要故障特征。最后,使用ANSYS有限元软件建立了电机短路故障模型,并搭建了短路故障试验平台,通过对比有限元仿真结果与试验结果,对提出的方法进行了有效性和准确性验证。

基于单通道盲源分离的结构模态参数识别

针对基于传统盲源分离算法的结构模态参数识别需要满足传感器数目不少于源信号数目的问题,提出一种基于单通道盲源分离的结构模态参数识别方法,该方法利用单个通道信号即可完成结构模态参数识别。利用同步提取变换(synchro extracting transform,SET)对单通道观测信号进行时频分析以确定变分模态分解(variational mode decomposition,VMD)参数K的取值;将观测信号利用VMD分解形成K个本征模态函数(intrinsic mode function,IMF);将K个IMF进行线性混合形成2维观测信号并与原单通道观测信号重构形成3维观测信号,利用基于信号稀疏性的源信号分离算法分离得到各单模态信号;利用单模态识别技术识别结构模态参数。仿真和实测信号数据表明所提方法的有效性。

基于二阶同步提取变换的次同步振荡参数辨识

针对电力系统频发的次同步振荡现象,以及因为振荡频率接近在参数辨识中造成的误差,文章提出一种适用于次同步振荡参数辨识的二阶同步提取变换和希尔伯特变换结合的方法。首先使用二阶同步提取变换方法对信号进行时频分析,得到信号时频图,然后用二阶同步提取变换逆变换分解重构出各个模态分量,最后用希尔伯特变换对提取出来的单个模态分量进行参数辨识,识别其频率、阻尼比、衰减因子等主要参数。分别用理想测试信号与录波数据对其进行验证,仿真结果表明,对比短时傅里叶变换等方法,该方法在计算各模态频率,模态分量重构以及参数辨识上有更高的精度。

基于自适应Fourier分解-同步提取变换的机械故障诊断方法

传统的同步提取变换方法(synchronous extraction transform,SET)用于机械故障诊断时,要求多分量信号满足各相邻模态的瞬时频率差大于所选取的SET窗函数频率支撑范围的2倍,否则容易产生频率混叠,实际信号往往无法满足该条件。此外,信号受到噪声的影响,难以获得故障的瞬时频率。针对传统的同步提取变换在机械故障诊断中存在的不足,结合自适应Fourier分解(AFD)和同步提取变换的各自优点,提出了一种基于AFD-SET的机械故障诊断方法。该方法能够有效处理频率接近的非平稳信号,准确地表达信号的瞬时频率,并且具有很快的收敛速度。仿真结果表明,提出的方法能够有效解决传统SET方法中的频率混叠,并具有更高的时频聚集性。将提出的方法应用到滚动轴承故障诊断中,诊断结果表明,该算法正确有效,能够有效提取出故障信号的频率特征。

基于SET-CNN的紧凑型地波雷达弱目标检测方法

紧凑型高频地波雷达发射功率较低且采用小孔径阵列,导致雷达回波中的弱目标增多,进而引起基于距离-多普勒谱的目标检测方法性能降低,目标探测能力减弱。为提高紧凑型地波雷达对弱目标的检测性能,本文提出一种基于同步提取变换-卷积神经网络(Synchroextracting Transform-Convolutional Neural Network,SET-CNN)的紧凑型地波雷达弱目标检测方法:首先在时频谱处理中,利用信噪比方法抑制信号中的海杂波,减少杂波时频脊线对目标检测的影响;然后基于SET时频谱构建时频脊线样本数据库,再通过卷积神经网络进行时频脊线分类,并基于分类结果的后处理完成船只目标检测。通过仿真和实测数据验证提出的目标检测方法,结果表明,本文提出的方法能够有效检测到弱目标,提高紧凑型地波雷达的目标检测性能。

基于高阶傅里叶同步挤压变换与希尔伯特变换的次同步振荡分析

针对次同步振荡分量提取存在噪声干扰和模态混叠问题,提出一种结合高阶傅里叶同步挤压变换(high-order Fourier synchrosqueezed transform,HFSST)与希尔伯特变换(Hilbert transform,HT)的次同步振荡分析方法。该方法在傅里叶同步挤压变换(Fourier syn-chrosqueezed transform,FSST)基础上,通过信号幅值和相位的高阶泰勒展开,定义一种调制算子对瞬时频率估计进行修正,从而提高信号时频分布的能量聚集程度和重构精度。然后,将所提方法应用于次同步振荡分析中,利用该方法对次同步振荡进行时频分析和模态分解,并与HT结合得到各分量振荡参数。通过仿真实验和实测数据分析,并与短时傅里叶变换(short-time Fourier transform,STFT)、重排方法(reassignment method,RM)、经验模态分解(empirical mode decomposition,EMD)等对比,结果表明:所提方法能抑制噪声干扰,得到更好的次同步振荡时频分布,同时可实现多分量的次同步振荡模态分解,准确辨识次同步振荡参数,对电力系统安全稳定运行具有一定的参考意义。

面向ETL的数据起源追踪系统

提出一种面向提取-转换-加载(ETL)过程的数据起源追踪系统,讨论实现的关键技术,包括转换分类、元数据设计、转换序列构建、追踪流程设计以及不同转换的追踪方法。系统将追踪所需的元数据设计在包文件结构中,在逆向追踪时抽取元数据进行相关处理,构建各个层次的转换起源信息图,从而实现数据起源的追踪。

基于自相关和Hough变换的丢失同步信息的视频图像还原

随机视频信号是指同步信息不明确的视频信号,其同步信号的频率和格式未知或随时间变化。同步信息的缺失对随机视频图像的还原造成了一定的困难。针对计算机视频信号简单分析了其组成及视频帧结构;在缺失同步信息的情况下,基于视频图像行与行之间的强相关性,提出了基于自相关的视频图像还原方法,并在视频图像基本还原的情况下利用Hough变换的方法对图像进行了校正优化。通过实测数据实验表明,提出的方法能够有效、可靠地还原随机视频图像,实验结果对随机视频信号处理和应用具有重要意义。

改进的多变量同步指数脑机接口分类算法

近年来,稳态视觉诱发电位(steady-state visual evoked potential,SSVEP)范式脑机接口(brain-computer interface,BCI)得到了日益广泛的研究。如何选择不同的分类特征,对于提高频率识别的准确率,改善SSVEP-BCI系统至关重要。针对少目标刺激范式的SSVEP-BCI系统,提出了小波包变换(wavelet packet transform,WPT)同多变量同步指数(multivariate synchronization index,MSI)相结合的方法,对10名被试者的400组SSVEP数据进行特征提取并分类。在分类过程中,讨论了导联数量和数据长度两个参数对改进算法的影响。实验结果表明:在数据长度为1.5 s,导联7导的条件下,基于WPT-MSI的SSVEP算法的分类准确率达到98.94%,信息传输率为76.24 bit/min。明显优于典型的MSI算法和其他改进算法,具有显著提高的频率识别正确率。

基于变分模态分解和同步提取变换识别时变结构瞬时频率

针对同步提取变换(SET)不能分离频率成分间隔相近的多分量信号的问题,提出了一种结合变分模态分解(VMD)和同步提取变换识别时变结构瞬时频率的方法。首先,通过傅里叶变换确定预设模态数量,利用VMD对多分量信号进行分解得到多个模态分量;然后,采用SET对每个模态分量进行时频分析获取瞬时频率;最后,将各模态分量的时频谱图叠加得到完整的多分量信号时频谱图。针对多分量时变信号和两自由度时变结构自由振动响应信号的瞬时频率识别结果,验证了基于VMD和SET结合方法识别时变结构瞬时频率的有效性和正确性。结果表明,该方法具有较好的噪声鲁棒性和能量聚集性,克服了SET处理频率成分间隔相近的多分量信号的不足,能有效识别具有近距离频率成分的时变结构瞬时频率。索力线性和正弦变化时拉索瞬时频率识别的试验验证了该方法的适用性。

基于SSEWT与经验包络解调技术的低频、超低频混合振荡信号参数辨识

异步联网后,水电机组渗透率高的系统中陆续会出现低频与超低频混合的振荡现象,给电网的安全及稳定运行带来很大危害。针对混合振荡信号特征参数辨识不精准的问题,提出采用二阶同步提取小波变换(second-order synchroextracting wavelet transform,SSEWT)的方法分解混合振荡信号,并与经验包络(empirical envelope,EE)解调技术相结合,进行振荡信号实时模态参数辨识。SSEWT将现有的同步提取变换扩展到小波变换,并引入二阶瞬时频率估计量,对信号进行分解;然后结合EE解调技术对分解得到的每组振荡分量进行参数辨识。最后通过自合成信号仿真、10机39节点系统仿真和实测信号仿真,证明所提方法的可行性与准确性。通过与经验模态分解(empirical mode decomposition,EMD)算法和Fourier同步压缩变换(Fourier synchrosqueezed transform,FSST)算法进行仿真对比,表明所提方法能够有效抑制噪声与端点效应,准确地辨识出混合振荡信号的特征参数,在处理精度与运算时间上较传统方法有一定优势。

基于同步提取变换与阶比分析的轴承变转速故障诊断

针对基于瞬时频率估计的阶比分析方法中,瞬时频率难以估计的问题,提出一种基于同步提取变换(SET)的阶比分析方法,对轴承的变转速振动信号进行分析。该方法利用SET良好的能量集中特性,提取强噪声环境下轴承振动信号中的瞬时频率,通过对计算瞬时频率的鉴相时标,对时域信号进行等角度采样,从而得到稳态的角域信号。通过分析轴承实验台的变转速振动信号表明,该方法能够有效抑制噪声的干扰,精确地提取出变转速信号的瞬时频率,成功地实现变转速状态下轴承的故障诊断。

基于同步提取变换和DRSN的滚动轴承故障诊断研究

针对旋转设备在复杂运行工况下,滚动轴承故障信号特征难以准确提取及识别的问题,结合深度残差收缩网络(depth residual contraction network,DRSN)的优势,将同步提取变换(simultaneous extraction transformation,SET)和深度残差收缩网络结合的故障诊断方法应用于轴承故障诊断。首先利用同步提取变换时频分辨率高的特点,对采集到的滚动轴承外圈信号进行模态分解和处理,得到分解后的时频图像:然后对图像进行灰度处理,并进行降维,以适合DRSN模型输入,最后进行故障特征识别,实现滚动轴承故障诊断。实验结果表明,该方法有效实现了复杂工况下对滚动轴承故障信号的特征提取,提高了故障识别率。

DataSend:一种因特网环境下的数据库数据同步软件

在稳定性不好的网络环境下利用SQL SERVER数据库的复制功能进行数据同步容易造成数据的不完全一致。本文讨论了一个基于SQL SERVER复制方法和压缩技术的数据同步软件DataSend的设计和应用。DataSend通过建设中间层缓解了源数据库和目标数据库的压力;对传输数据进行压缩处理后再传输;通过状态来控制传输的准确性。从而提高了数据同步的传输效率、灵活性、安全性和准确性。

基于VMD与SET的滚动轴承故障诊断

在滚动轴承故障诊断研究中,同步提取变换(SET)在分析单分量信号时能显著提高时频可读性,但在分析多分量信号时存在时频模糊问题。为解决这一问题,首先通过变分模态分解(VMD)解调分离出信号的固有模态函数(IMF)分量;再对IMF分量进行希尔伯特变换,凸显故障特征频率;然后对变换后的IMF分量进行SET处理,实现时频聚焦提高时频分辨率,获得信号的时频解调谱,从而识别故障。经试验验证,该方法能准确提取信号的时频解调谱,识别故障频率及其倍频,诊断轴承故障。

基于科斯塔斯环的载波提取技术

针对通信技术中载波同步问题,提出利用科斯塔斯环提取载波。对抑制载波的双边带调制系统建模并对其仿真分析,结果表明科斯塔斯环用于载波提取可以降低成本,减小相位模糊现象,具有一定的可行性。