基于ICA在强背景噪声振动信号中的去噪研究

由于小波模极大值去噪方法在强背景噪声的情况下提取碰摩信号的能力变弱甚至失效,在本文中提出应用独立分量分析(ICA)方法对碰摩信号进行特征提取。通过对转子模拟实验台模拟的强背景噪声下的碰摩信号进行ICA去噪方法和小波去噪方法仿真实验,结果表明,本方法明显优于小波去噪方法,为强背景噪声下的弱振动信号的检测提供了新的途径。     

基于小波去噪振动加速度信号处理及时频域积分方法研究

使用小波去噪函数对实测加速度信号去噪并去除直流分量处理,利用时域积分法和频域积分法获取速度信号和位移信号,通过比较这两种积分方法在分析振动信号上的优劣,再分析误差来源并给出定量评判指标。通过实例验证了基于最小极大方差阈值的小波去噪在处理加速度信号时能获得较好的去噪效果;积分后修正的时频域积分法能够较好地克服直流分量和积分趋势项问题,并指出在对振动信号的处理上频域积分比时域积分有更高的准确度和稳定性。     

风力发电机组轴承振动信号去噪方法分析研究

针对风电机组的轴承振动的问题,介绍了去除振动信号噪声的基本原理和方法。在风场现场收集风电机组轴承的振动数据,分别采用小波分析、EMD、包络解调分析、小波包络解调、EMD包络解调的方法对振动信号进行处理,并应用Matlab软件实现了信号去噪的计算机仿真,最终利用小波包络解调的方法获得最佳的去噪效果。     

基于小波阈值去噪的离子电流信号研究

在发动机上利用火花塞检测电极间离子电流信号,应用小波阈值收缩去噪方法对实测离子电流信号进行滤波去噪,去噪后的信号能够清晰地分离点火、火焰前锋区和焰后区,且由点火产生的峰值在上止点前5~6°CA,前锋区峰值在上止点附近,焰后区峰值与压力峰值位置相差<1°CA。当相对空燃比在0.9~1.2变化时,去噪后离子电流前锋区峰值和焰后区峰值均随相对空燃比的增加而下降。     

汽轮机动静碰磨振动信号去噪方法分析研究

为确保汽轮机组故障诊断特征提取的准确性,由于现场实际振动信号掺有大量不确定噪声信号,针对现场采集的实际振动信号,进行分析去噪研究.采用小波分析、经验模态分解等方法进行分解去噪,并进行去噪对比.最后分析结果显示,基于集合经验模态分解(EEMD)的去噪方法,在对有突变故障的诊断信号自适应分解去噪弥补了经验模态分解和小波分解的缺陷,有较好的效果.     

高斯矩Fast ICA算法在风机振动信号去噪中的应用

设置了转子不平衡、联轴器不对中、风机基座松动、转子径向摩擦和轴承内圈磨损等5种故障,针对风机的振动问题进行了实验研究.在简要分析ICA理论及其算法的基础上,提出应用基于高斯矩的Fast ICA算法对模拟信号及实测离心式风机振动信号进行去噪处理,并分别与EMD及db8小波的滤波去噪效果进行定量比较.结果表明:Fast ICA方法与EMD方法和小波方法一样,能有效地处理短时瞬态及含宽带噪声的信号,但Fast ICA方法不受去噪阈值的影响,也不需要选择小波基函数,更具有通用性和稳定性.     

基于小波变换的汽轮机振动信号软阀值消噪技术研究

信号消噪是小波变换的重要应用,介绍了小波消噪的基本原理及其主要步骤,以及软阀值消噪方法及软阀值规则的选取,最后利用实验仿真信号和现场实测汽轮机振动信号,并考虑噪声方差估计的对消噪的影响,分析比较了各种软阀值选取方式的消噪效果,从而得到软阀值选取方式的有价值的规律和原则,利用最佳软阀值处理后的小波系数重建信号,分析结果表明该方法能够最有效地消除噪声.     

基于小波包的泵站机组振动信号特征分析

提出了一种应用小波包分析对泵站机组振动信号进行特征分析的方法。与小波分析相比,小波包分析能对信号的高频频带进一步分解,提高了频率分辨率。利用小波包对泵站机组振动信号进行了信号压缩与消噪以及奇异性分析,为诊断机组振动故障提供了决策依据。对泵站机组主轴摆度和轴承振动实测信号进行了分析,结果表明小波包分析可有效提取原始信号的特征。     

基于小波变换的风电机组滚动轴承故障KPI计算及故障诊断

风电机组一般采用滚动轴承支撑结构,滚动轴承不同故障模式对应的振动冲击间隔频率存在差异。为了准确地从振动信号中提取滚动轴承故障征兆,在分析风电机组滚动轴承故障机理、信号特征的基础上,提出了基于小波变换的风电机组滚动轴承故障KPI计算方法,首先对风电机组的振动信号进行小波变换及阈值去噪,并计算振动信号的小波能量谱分布图,然后以小波能量谱分布图的统计参数作为滚动轴承故障诊断的KPI,采用椭圆型判决函数法实现滚动轴承的故障诊断,现场实测信号的诊断结果验证了该方法的有效性。     

基于小波变换的风电机组滚动轴承故障KPI计算及故障诊断

风电机组一般采用滚动轴承支撑结构,滚动轴承不同故障模式对应的振动冲击间隔频率存在差异。为了准确地从振动信号中提取滚动轴承故障征兆,在分析风电机组滚动轴承故障机理、信号特征的基础上,提出了基于小波变换的风电机组滚动轴承故障KPI计算方法,首先对风电机组的振动信号进行小波变换及阈值去噪,并计算振动信号的小波能量谱分布图,然后以小波能量谱分布图的统计参数作为滚动轴承故障诊断的KPI,采用椭圆型判决函数法实现滚动轴承的故障诊断,现场实测信号的诊断结果验证了该方法的有效性。     

基于二进小波变换的电能质量暂态信号的检测

针对暂态电能质量扰动及不易检测的特点,提出一种基于卷积型二进小波变换的电能质量信号定位与检测方法,利用二进小波变换模极大值对应信号的突变点检测电能质量扰动信号,采用Matlab仿真软件对短路故障及电容器投切引起的电压暂态信号进行仿真.结果表明,该法行之有效、尺度定位准确.     

小波分析法在汽轮发电机转子绕组匝间短路故障诊断中的应用

提出了基于小波变换的汽轮发电机转子绕组匝间短路故障检测的一种诊断方法。这种方法是在探测线圈法的基础上，把小波变换用于突变信号的检测，对气隙中感应电势信号的故障特征进行提取和信号的消噪，可实现对发电机转子绕组匝间短路故障的检测。仿真实例表明，小波分析方法适合于转子绕组匝间短路故障的检测。图3参5     

小波变换和信号的奇异性检测技术

小波变换由于具有良好时频局部及多分辨率分析特性，被广泛地应用在信号处理领域中信号奇异性检测等方面。它作为一门新的学科，有着广泛的应用前景。简要地介绍了小波应用在信号奇异性检测方面变换的基本原理。     

边缘检测小波对信号奇异性的检测在汽液两相流动中的应用

对于函数（信号）奇异性的检测方法主要是用小波变换实现的,小波分解具有良好的空间域和频率域的局部化特性,因此小波变换可以刻画出信号的变化规律以及对信号内奇异点的各种奇异性质进行检测和分析。对汽液两相的流动工况也可以用边缘检测小波变换去进行分析,并实现对汽液两相流动的热工数值检测。通过对汽液两相均相流动模型压力曲线的边缘检测,证明了边缘检测小波完全可以用于对汽液两相的流动工况进行边缘检测。     

基于时频分析法的开关柜避雷器泄漏电流检测

  目的  在电力系统中,开关柜避雷器承担着抑制瞬态过电压和泄放脉冲大电流的重要作用,对于维持其正常稳定运行具有重大意义。  方法  为了有效抑制噪声对泄漏电流信号检测的干扰,提出了一种基于自相关系数与卡方检验优化的时频分析方法。首先通过电流传感器和分流器两种测量结果进行分析,然后利用基于自相关系数与卡方检验优化的小波变换消除信号中的噪声干扰,实现最优分解尺寸的确定,从而更好地适应小信噪比场合。  结果  通过软件平台分析得出在分流器的测量基础上利用优化后的小波算法去噪的抗干扰能力更强,波形质量更好。最后研制了一款泄漏电流在线检测装置,对提出的泄漏电流检测模型加以验证。  结论  实验结果表明该装置能够较好地实现避雷器泄漏电流的实时检测。     

高效提升小波的电能质量暂态信号分析

由于小波变换的空间局部化性质,其在电能质量的暂态信号分析上得到了广泛应用.然而由于连续小波变换、离散小波变换运算量过大,不是很适合片上实现,且实时性问题没有得到很好的解决.结合提升小波变换理论,介绍了一种只需移位和加法的提升滤波器,易于暂态信号分析的微处理器实现.仿真结果表明,所采用方法实时性强,适合暂态信号分析.     

A new Fuzzy&Wavelet-based adaptive thresholding method for detecting PQDs in a hydrogen and solar-energy powered EV charging station

This study presents a hybrid fuzzy decision-maker (FDM) and un-decimated wavelet transform (UWT)-based method for detecting power quality disturbances (PQDs) in a developed hydrogen and solar energy-powered electric vehicle (EV) charge station. The proposed adaptive FDM&UWT-based hybrid method eliminated the lack of performance of threshold-based signal analysis methods in noise-containing signals and it is implemented for a reliable PQD detection and integration in a developed microgrid. Also, the proposed method has eliminated the need for a processing-intensive filtering process to reduce noise from the signal. With this adaptive approach, detection errors in boundary conditions in threshold value methods are avoided and at the same time, cost and computational burden are minimized by using only the peak values in the detail coefficients of the voltage signal. The mean test accuracy is 96.13% for the FDM method using pyramidal UWT in noise-free conditions. Besides, the pyramidal UWT-FDM has a mean classification accuracy of 94.96% under 20–40 dB high-level noise conditions. The effectiveness of the UWT-FDM method is also tested using an experimental setup. The mean test accuracy for experimental data is 96.66%.     

基于小波多分辨分析的振动数据压缩研究

小波多分辨分析能够将信号在不同的尺度上展开,因而具有对信号按不同频带进行处理的能力,这就使小波分析应用于数据压缩成为可能,给出了小波分析应用于旋转机械振动信号压缩的实例。     

基于LabVIEW的风力机振动数据采集和信号分析

利用NI公司的硬件设备和LabVIEW虚拟仪器开发平台构建风力发电机组振动数据采集与信号分析系统。该系统具有以下显著特点:①小波降噪功能模块是利用LabVIEW高级小波分析工具包编程,能更好地还原真实信号;②倒频谱分析功能模块谱线定位准确、幅值突出,能较好地识别频域调制信号的边频成分;③小波包络功能模块通过小波变换得到原始振动信号在不同频率段内的振动特性,并用小波变换来代替带通滤波器的设计,与倒频谱分析的结果对比,可体现小波包络解调的优越性。     

Bearing monitoring in the wind turbine drivetrain: A comparative study of the FFT and wavelet transforms

Wind turbines are often plagued by premature component failures, with drivetrain bearings being particularly subjected to these failures. To identify failing components, vibration condition monitoring has emerged and grown substantially. The fast Fourier transform (FFT) is the major signal processing method of vibrations. Recently, the wavelet transforms have been used more frequently in bearing vibration research, with one alternative being the discrete wavelet transform (DWT). Here, the low‐frequency component of the signal is repeatedly decomposed into approximative and detailed coefficients using a predefined mother wavelet. An extension to this is the wavelet packet transform (WPT), which decomposes the entire frequency domain and stores the wavelet coefficients in packets. How wavelet transforms and FFT compare regarding fault detection in wind turbine drivetrain bearings has been largely overlooked in literature when applied on field data, with non‐ideal placement of sensors and uncertain parameters influencing the measurements. This study consists of a comprehensive comparison of the FFT, a three‐level DWT, and the WPT when applied on enveloped vibration measurements from two 2.5‐MW wind turbine gearbox bearing failures. The frequency content is compared by calculating a robust condition indicator by summation of the harmonics and shaft speed sidebands of the bearing fault frequencies. Results show a higher performance of the WPT when used as a field vibration measurement analysis tool compared with the FFT as it detects one bearing failure earlier and more clearly, leading to a more stable alarm setting and avoidable, costly false alarms.