融合TKEO和Goerztel算法的感应电机转子断条故障诊断

针对电机电流信号特征分析进行转子断条故障诊断时,在低负载工况或早期,转子断条故障存在故障特征微弱以及难以分离等问题,同时需借助速度传感器获取转速信息,增加了硬件成本,该文提出了融合Teager-Kaiser能量算子(TKEO)和Goertzel算法的感应电机转子断条故障诊断方法。首先,采用Teager-Kaiser能量算子对定子电流进行解调处理,将基频分量转化为直流分量并去除,实现边带故障特征分量到转子断条故障特征分量以及固有偏心谐波分量到转子速度谐波分量的转变,抑制基频频谱泄露对故障诊断和转速估计造成的干扰;其次,利用Goertzel算法对归一化解调信号进行频谱分析,完成转子断条故障特征分量和转子速度谐波分量的快速提取,进而实现不同负载和不同严重程度工况下转子断条的故障诊断。此外,与归一化频域能量算子进行比较,分析其计算效率和稳定性。实验结果表明,所提方法在不同负载和不同严重程度工况下均能够有效地识别转子断条故障特征分量,并且计算量少、可靠性高、实时性强以及硬件成本低。

基于AVMD-ITKEO算法的次/超同步振荡辨识

针对大规模风电系统中可能出现的次/超同步振荡问题,文章提出了一种改进Teager-Kaiser能量算子算法和自适应变分模态分解算法,通过将这两种算法相结合实现了次/超同步振荡模态参数的准确辨识。首先,通过改进的万有引力算法最小化包络信息熵,求解最优模态分量数与惩罚因子;然后,进行变分模态分解以获得各主导模态;之后,再通过改进的Teager-Kaiser算法辨识各主导模态的参数;最后,通过辨识模拟信号和实际电网数据并与其他算法进行对比,验证了文章所提振荡参数辨识算法的有效性和优越性。

基于Teager-Kaiser能量算子Rife-Vincent窗频谱校正的电压闪变测量

分析了Teager-Kaiser能量算子的构成和Rife-Vincent窗的旁瓣特性,通过Teager-Kaiser算子快速提取电压闪变包络,将包络参数进行Rife-Vincent窗改进FFT谱分析与校正,简化IEC推荐的闪变测量过程,提出并建立了基于Teager-Kaiser能量算子Rife-Vincent窗频谱校正的电压闪变测量算法。仿真试验结果表明,本文提出的算法能有效克服单一频率调幅波频率变化、多频率成分调幅波、电网基波频率波动、谐波与间谐波以及白噪声对检测结果的影响,与传统电压闪变检测方法相比,设计实现简单、计算量小,测量结果精确、稳定,可用于电压闪变参数的在线监测。

Teager-Kaiser能量算子Blackman-Harris窗三谱线插值的电压闪变参数检测

针对电压闪变的检测,提出了一种基于Teager-Kaiser能量算子和Blackman-Harris窗三谱线插值的闪变参数测量方法。采用能量算子检测出电压波动信号,分析Blackman-Harris窗的旁瓣特性,将闪变包络进行Blackman-Harris窗三谱线插值FFT谱分析与校正,对IEC标准推荐的检波方法进行简化,实现闪变参数的检测分析。通过大量仿真实验证明,在含有单一频率调制、多频率调制、电网基波频率发生偏移、含有谐波、间谐波和白噪声干扰时,文中的检测算法性能优良,相比传统检测方法,算法简单稳定、抗干扰性强,可实现电压闪变参数的在线检测。

基于EMD和Teager能量算子的轴承故障诊断研究

提出了一种基于EMD和Teager能量算子的齿轮箱轴承故障诊断的新方法,该方法综合利用了经验模态分解和Teager能量算子分析技术。首先利用经验模态分解方法,将振动信号分解成不同特征时间尺度的单分量固有模态函数,然后用Teager能量算子计算各固有模态函数的瞬时幅值,最后对感兴趣固有模态函数瞬时幅值的包络谱进行分析,就可识别齿轮箱轴承的故障部位和类型。齿轮箱轴承故障振动实验信号的研究结果表明:该方法能有效地识别轴承的故障。

基于SVD和TKEO的轴承振动信号特征提取

为了解决滚动轴承振动信号中微弱故障信息难以提取的问题,提出了一种基于奇异值分解(Singular Value Decomposition,SVD)和Teager-Kaiser能量算子(Teager-Kaiser Energy Operator,TKEO)的轴承振动信号特征提取方法。采用SVD将突变信息从背景噪声和光滑信号中分离,提取信号的突变信息;利用TKEO计算突变信息的瞬时能量,对该能量信号进行频谱分析,从而提取出轴承振动信号的能量频谱特征,用于故障检测。将该方法应用于轴承外圈、内圈局部故障状态下的振动信号特征提取,利用特征信息能够准确检测并识别出故障类型,表明了该方法的可行性和有效性。

基于多元经验模态分解的风电并网系统次同步振荡检测

随着风电的大规模并网,电力系统次同步振荡(SSO)事件频发,严重威胁电网的安全稳定运行。实现风电并网系统SSO的准确检测,对保障系统稳定运行具有重要意义。现有的基于量测数据的SSO检测方法多为单通道方法,难以兼顾系统全局SSO特性。为此,文章提出了一种基于多元经验模态分解(MEMD)的风电并网系统SSO检测方法。首先,对风电并网点量测数据进行多元经验模态分解,进而借助Teager-Kaiser能量算子(TKEO)筛选出含SSO模式的IMF分量;然后,采用希尔伯特黄变换(HHT)辨识次同步振荡频率及阻尼比;最后,结合改进的4机2区域测试系统的仿真数据对所提SSO检测方法进行测试,结果验证了所提方法的有效性。

基于SVD——形态降噪的TKEO故障诊断方法研究

针对强噪声干扰背景下微弱故障特征信息难以提取的问题,提出了一种基于奇异值分解(SVD)-形态降噪的Teager能量算子(TKEO)故障诊断方法。首先对轴承振动信号进行SVD,对得到的分量信号进行形态滤波,以滤除噪声干扰;然后利用峭度准则对分量信号进行筛选,并对其进行重构;最后利用TKEO计算重构信号的瞬时能量,得到信号的能量谱,提取振动信号的特征。将提出的方法应用于滚动轴承故障分析,结果表明该方法能清晰地提取故障特征信息。

改进DLMD和TKEO的滚动轴承故障特征提取方法

针对微分局部均值分解(Differential Local Mean Decomposition,DLMD)不能自适应判断微分次数的问题,提出一种改进DLMD和Teager能量算子(Teager-Kaiser Energy Operator,TKEO)解调的滚动轴承故障特征提取方法.首先,构建中点-局部均值距离与绝对偏度之和的DLMD微分次数判定指标,将信号分解为若干个乘积函数(Product Function,PF)分量;其次,计算敏感因子筛选有效PF分量并重构;最后,计算TKEO谱,提取滚动轴承的故障特征.实验对比分析表明,所提方法能自适应判断DLMD的微分次数,并有效提取滚动轴承故障特征.

TKEO和SET在轴承故障诊断中的应用

时频分析是提取轴承故障诊断的重要方法,在强背景噪声下难以提取瞬态故障特征。针对这一问题,提出一种基于Teager-Kaiser能量算子(TKEO)和同步提取变换(SET)的轴承故障诊断方法,提高SET的时频分析能量的集中度。该方法首先对采集的轴承振动信号进行提取TKEO处理,凸显轴承故障振动信号的冲击分量;然后,对处理后信号进行SET时频分析,通过同步提取算子(SEO)提取时频脊线的时频系数,实现对瞬态故障特征提取;最后通过仿真信号和实测信号进行分析,验证该方法的可行性。实验结果表明:该方法可以有效提取轴承的故障特征,且与先前的时频分析方法相比分析结果具有一定的优越性。

一种改进的混合三端输电线路故障定位算法研究

针对混合输电线路故障多、定位精度差等问题,提出一种基于改进的自适应噪声完备集合经验模态分解(CEEMDAN)和Teager-Kaiser能量算子相结合的混合三端输电线路故障测距方法。首先对输电线路故障电压信号使用新型相模变换进行解耦,以消除线路间的电磁耦合现象;然后利用改进的CEEMDAN和Teager-Kaiser能量算子对解耦后的故障电压信号进行分解,提取了故障初始行波到达检测点的时间,再根据故障时暂态电压行波零模分量和线模分量的故障特性,提出一种基于零模和线模时间差的故障分支判别方法;最后为解决无法得到行波波速精确值的问题,采用基于零模线模时间差的行波测距方法得到了精确的故障定位数据。基于仿真模型,对比改进CEEMDAN算法和传统CEEMDAN算法,验证所提改进算法的有效性。仿真结果表明,所提算法不受故障类型、过渡电阻、波速、时间不同步的影响,具有较高的测量精度。改进CEEMDAN算法能够有效改善故障信号经传统CEEMDAN算法分解后带来的随机性问题,具有较高的工程应用价值。

改进能量算子Nuttall窗频谱校正的闪变测量方法

电压闪变已成为当前电力系统的重要污染,如何在复杂环境参数下实时提取闪变包络参数、准确统计闪变值是当前电能质量分析中的难题。分析了复杂闪变包络实时提取误差,构建了改进Teager-Kaiser能量算子包络提取误差修正因子,采用Nuttall窗加权修正能量算子提取结果,再将修正结果进行改进FFT谱分析与校正,推导出电压闪变包络提取的各幅值和频率的修正算式,简化IEC推荐的闪变测量过程,提出并建立了基于改进Teager-Kaiser能量算子Nuttall窗频谱校正的闪变包络实时提取与闪变值计算方法,据此研制了基于ADS8556+TMS320C6745架构的电压闪变在线检测仪。仿真分析和试验结果表明,本文提出的算法能有效克服单一调幅波频率变化、多频率调幅波、电网基波频率波动、谐波与间谐波以及白噪声对闪变检测结果的影响,与传统电压闪变检测方法相比,闪变包络提取实现简单、计算量更小,测量结果准确稳定,可用于电压闪变参数的实时分析与在线检测。

基于样本熵的肌电信号起始点检测研究

该文提出了一种基于样本熵的动作肌电信号起始点检测方法,为肌电信号应用于智能假肢控制、人机交互,以及临床疾病诊断和评估等领域提供重要前提.首先利用固定长度的滑动窗对动作肌电信号分帧,然后计算每帧信号的样本熵值,之后设定自适应阈值确定动作肌电信号的起始点.实验结果表明,样本熵能够有效表征动作肌电信号的开启模式,对较短时间的肌肉收缩松弛有很好的连续性,较之于其他常见的几类检测算法具有更好的抗噪声性能,特别是对肌肉不自主收缩产生的尖锐毛刺信号具有优异的抑制性能.

基于TK能量的峰值瞬时频率在薄互层预测中的应用

砂泥岩薄互层厚度预测一直是薄互层油气勘探的难点之一。将分析单频信号局部非线性能量密度比较有效的Teager-Kaiser能量算子和具有多尺度分辨属性的连续小波变换相结合,可以使频谱能量分析结果具有更高的时间聚焦性,有助于分辨薄互层。在此基础上通过在薄互层的时间窗内求取最大峰值瞬时频率,继而根据测井目的层段的薄互层厚度和最大瞬时峰值频率拟合关系进行砂泥岩薄互层厚度的定量预测。理论和实际资料分析表明,该方法可以有效地对薄互层进行定量预测,最大峰值瞬时频率和实际测井上的薄互层厚度有着很好的对应关系,预测的薄互层厚度图和测井厚度等值线图基本一致。结合预测的厚度平面图和已有测井资料可以更好地对研究区的沉积特征进行描述。

基于表面肌电信号双谱分析的动作分类

为了提高人体上肢动作识别正确率,提出了一种基于表面肌电信号双谱分析的动作分类方法,以信息增益作为表面肌电信号起止点分割效果衡量标准,结合TKE算子提取出肌肉运动起止区间的表面肌电信号,对提取到的表面肌电信号进行双谱变换,提取双谱的正反对角切片作为表面肌电信号特征,以概率神经网络作为分类器,以100次10折交叉验证为一次动作分类实验,计算10次分类实验的平均正确率,最终得到正对角切片、反对角切片和正反对角切片的分类正确率分别为94.56%、90.93%和95.48%.

基于互TK能量算子的到达时间差估计

借鉴TK算子的优点,提出一种基于互TK能量算子的信号到达时间差(TDOA)的估计方法。该方法通过相似度的峰值可以直接获得一个统计独立的TDOA估计。采用超宽带信号进行仿真实验,结果表明,该方法适用于无线定位中TDOA参数的估计,性能优于互相关估计算法。

基于ITD和敏感SVD的故障诊断方法研究

如何在含有噪声的振动信号中提取故障特征,是轴承故障诊断的关键问题,为此本文提出一种基于本征时间尺度分解(Intrinsic Time-scale Decomposition,ITD)和敏感奇异值分解(Sensitive Singular Value Decomposition,SSVD)的故障诊断方法.首先对时域振动信号进行ITD预处理,并根据峭度准则选取包含故障信息的敏感旋转(Proper Rotation,PR)分量用于振动信号重构,以凸显振动信号局部特征;然后对此时频信号进行敏感SVD分析,通过敏感因子及定位因子选择敏感SVD分量重构信号,以滤除噪声干扰,提取微弱故障信息;最后利用Teager-Kaiser能量算子(Teager-Kaiser Energy Operator,TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,用于识别故障类型.将此方法应用于轴承故障诊断,实验证明了所提方法的有效性.

敏感SVD和EEMD的故障诊断方法研究

在噪声干扰下有效提取振动信号所包含的微弱故障特征,是轴承故障诊断的关键问题,提出了一种基于敏感奇异值分解(SSVD)和总体平均经验模态分解(EEMD)的故障诊断方法。对时域振动信号进行敏感SVD分析,通过敏感因子选择反映故障冲击特征的敏感SVD分量,并利用定位因子定位分量信号所对应奇异值进行振动信号重构,以滤除噪声干扰;对降噪信号进行EEMD,根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF),有效提取局部微弱故障信息;利用Teager-Kaiser能量算子(TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,以识别故障类型。方法应用于轴承故障诊断,实验证明了所提方法的有效性。

基于CEEMD和FastICA的滚动轴承故障诊断研究

由于滚动轴承振动信号易受噪声干扰的影响、故障特征提取较为困难。为此,提出了一种基于互补集合经验模态分解(CEEMD)和快速独立分量分析(Fast ICA)的轴承故障特征提取方法。该方法首先利用CEEMD算法将原故障振动信号进行分解运算,得到一系列模态分量(IMF);然后依据峭度准则选取一些模态分量来完成观测信号的重构,剩余其他的模态分量完成虚拟噪声通道信号的重构;再利用Fast ICA方法对重构信号进行降噪;引入Teager能量算子(TKEO)对降噪后的信号进行解调处理;最后对解调后的信号进行快速傅里叶变换(FFT)运算,分析变换后信号的频谱特征,提取出原信号的故障特征频率。将该方法应用到滚动轴承故障实际数据中,实验结果表明,该方法可以有效提取出滚动轴承故障的基频和倍频特征信息。

基于形态学滤波与VMD的风电并网系统振荡模态参数辨识

针对风电并网系统振荡模态参数辨识困难的问题,提出一种基于多尺度形态滤波器与变分模态分解(variational mode decomposition,VMD)的振荡模态分解方法,结合Teager-Kaiser能量算子(Teager-Kaiser energy operator,TKEO)识别振荡信号的模态参数。采用加权多尺度形态滤波器(weighted multi-scale morphology filter,WMMF)对时域信号进行去噪,通过VMD方法提取振荡频率范围内的模态分量,结合TKEO算法,实现模态参数的识别。通过自合成的理想振荡信号和风电场模型的仿真数据证明了所提方法的可行性,并通过与其他辨识方法的对比验证了该方法的优越性。