基于SSA-BGOMP的滚动轴承振动信号压缩重构方法

针对广义正交匹配追踪算法(GOMP)在进行滚动轴承振动信号压缩感知重构的迭代过程中无法剔除错误原子,重构效果较差的问题,提出了基于麻雀搜索算法-回溯广义正交匹配追踪(SSA-BGOMP)的轴承振动信号压缩重构方法,在GOMP的基础上引入具有自适应特性的改进回溯机制,通过麻雀搜索算法自动设置阈值,对支撑集原子进行二次回溯筛选,从而降低错误原子选入支撑集的概率,提升算法的抗噪性和重构效果。仿真信号以及CWRU,XJTU-SY轴承故障数据集的试验结果表明:在DCT和K-SVD字典上,SSA-BGOMP比GOMP的相对误差分别降低2%~12%与3%~13%,有效改善了滚动轴承振动信号的压缩重构效果。

基于SMA-VMD-GRU模型的变压器油中溶解气体含量预测

针对电力变压器油中溶解气体浓度序列非线性、非平稳特性影响预测精度问题,该文基于黏菌算法(SMA)和变分模态分解(VMD)构成黏菌算法优化的变分模态分解(SMA-VMD),结合门控循环单元(GRU)组成分解-预测-重构的变压器油中溶解气体含量预测模型。首先,采用差分法提取原始序列趋势项;然后利用SMA-VMD对剩余序列进行分解,得到一组平稳的模态分量;之后通过GRU对分解所得各模态分量分别进行预测;最后对预测结果进行重构。该研究通过对变压器油中溶解气体H_(2)进行仿真实验,并与另外五种预测模型对比,得出SMA-VMD-GRU模型预测结果平均绝对百分比误差为0.36%,方均根误差为1.76μL/L,有效地提高了变压器油中溶解气体含量含量预测精度。通过对变压器油中溶解气体成分CH_(4)、CO、总烃进行仿真实验,证明了该研究所提预测模型的有效性。

基于空间分析理论改进的变压器Duval Pentagon1故障诊断方法

为了解决Duval Pentagon1法不能表征各种变压器故障模式可信度的问题,提出了一种基于空间分析理论改进的方法。首先,采用核密度估计(kernel density estimation,KDE)方法对各种变压器故障模式数据进行空间分布密度分析;其次,应用B样条理论构造各种变压器故障模式密度曲面;最后,利用空间叠置分析方法实现变压器故障模式识别。实例分析结果表明:与Duval Pentagon1法相比,改进后的Duval Pentagon1法的总体诊断准确率提升了8.42%,并且能够定量地表征各种变压器故障模式可信度。研究结果可为变压器油中溶解气体图形分析方法的改进提供参考。