基于参数优化变分模态分解的交流变频电机转子断条故障识别方法

该文提出一种基于变分模态分解(VMD)和Park变换的交流变频电机早期转子断条故障识别方法.重点对低速状态下电机早期断条故障特征频率识别展开研究,基于电流信号特点结合萤火虫优化算法(FA)设定变分模态分解参数,进一步强化其自适应分解能力,并在此基础上获取三相电流的基频分量信息,通过Park变换检测早期故障特征.仿真与实验结果表明,该方法检测电机早期转子断条故障特征优于经验模态分解(EMD)方法,并可实现故障特征频率的早期定位,这对电机的故障辨识和预警具有重要支撑意义.     

基于感应电机启动电磁转矩Hilbert-Huang变换的转子断条故障诊断

该文提出了一种感应电机转子故障诊断新方法。当感应电机转子出现断条故障时，转子绕组的不对称将会使电磁转矩谱中引入2sfs(s为转差率，fs为电网频率)谐波分量。利用砌bert-Huang变换中经验模态分解(EMD)方法对启动电磁转矩信号进行了分解，得到若干本征模态函数(IMF)。通过计算包含故障信息的IMF分量的瞬时频率，可以检测出转子断条故障。同时，根据包含故障信息的IMF的幅值可以进一步判断出转子断条根数。实验结果证明该方法是可行的。     

希尔伯特-黄变换在电力系统故障检测中的应用研究

电力系统中的故障暂态信号多为非线性非平稳信号,希尔伯特-黄变换(HHT)被认为是专门针对非线性非平稳信号的分析方法。将HHT引入到电力系统故障检测中,利用经验模态分解(EMD)获得故障电流信号的本征模态函数(IMF),通过选取IMF并对其进行H ilbert变换,提取出IMF分量的瞬时频率和瞬时幅度。利用合成的IMF分量的H ilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析。仿真研究表明:基于HHT的故障检测方法能充分提取故障信息,故障定位准确,提高了故障检测的可靠性。     

基于经验模态分解的配电网故障选线方法研究

随着消弧线圈自动跟踪补偿技术的不断发展,在谐振接地系统中将难以通过时域幅值来进行故障选线。从故障后信号频域角度出发,提出一种基于经验模态分解(empirical mode decomposition,EMD)的配电网故障选线新方法。利用EMD将故障后5 ms内的零序电流按照频率大小进行分解,通过分解后得到的本征模态函数(intrinsic mode function,IMF)提取其最高频成分;通过零序电流的故障相角对故障线路进行预判,得到初步结果;最后通过零序电流和IMF峰值计算出选线结果的正确性权值,从而对选线结果进行判定。仿真实验结果表明,该方法对配电网故障选线准确性高。     

希尔伯特-黄变换在电力系统故障检测中的应用研究

电力系统中的故障暂态信号多为非线性非平稳信号,希尔伯特-黄变换(HHT)被认为是专门针对非线性非平稳信号的分析方法.将HHT引入到电力系统故障检测中,利用经验模态分解(EMD)获得故障电流信号的本征模态函数(IMF),通过选取IMF并对其进行Hilbert变换,提取出IMF分量的瞬时频率和瞬时幅度.利用合成的IMF分量的Hilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析.仿真研究表明:基于HHT的故障检测方法能充分提取故障信息,故障定位准确,提高了故障检测的可靠性.     

基于电流时频特征的不对中故障诊断研究

电动机电流信号分析广泛应用于电机本身的监测和故障诊断,但该技术与转动系统的研究却比较少。针对转子系统的轴系不对中故障,提出了基于经验模态分解(EMD)和遗传算法支持向量机(GA-SVM)的不对中故障诊断方法。首先通过EMD方法将电流信号分解成若干个本征模函数(IMF);然后计算各IMF分量的能量特征和峭度值;最后从包含有故障信息的IMF分量的能量特征和峭度值作为输入建立支持向量机(SVM)判断轴系故障类型。实验表明,该方法可以有效地实现对于转子系统不对中故障类型和故障程度的诊断,且相对于只依靠能量特征的诊断方法,该方法对于不对中故障的诊断正确率有了明显的提高。     

转子断条与静态偏心复合故障诊断方法

为了探究笼型异步电动机中,转子断条和静态偏心两种故障的影响因素和耦合规律,提高转子断条与静态偏心复合故障识别的准确率,基于多通道自适应陷波和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)两种算法对转子断条与静态偏心复合故障进行诊断分析。首先采用自适应陷波技术滤除定子电流中的工频及奇次谐波,再对信号进行EEMD分解获得若干固有模态分量(intrinsic mode function,IMF)。然后对IMF分量进行包络分析,解调出故障特征频率,甄别故障类型。实验结果表明,该方法对转子断条与静态偏心复合故障能够准确识别。     

基于EMD-神经网络的电动机转子故障诊断方法研究

在电动机运行过程中,转子断条故障将导致电动机出力降低,性能恶化。因此研究更高效的电动机故障诊断方法来对其进行检测迫在眉睫。针对电动机转子出现断条故障时定子电流信号的非平稳特征,提出了一种基于经验模态分解(EMD)和神经网络相结合的转子故障诊断方法。该方法首先将原始信号分解为突出了原信号不同时间尺度的局部特征信息的内在模函数(IMF)分量,然后将各IMF分量输入到BP网络中进行训练学习和故障诊断。将此方法应用于电动机转子断条故障的识别,实验结果表明,该方法能快速准确地识别转子断条故障。     

改进 CEEMDAN 算法的电机轴承振动信号降噪分析

为提高传统自适应噪声完备经验模态分解算法(CEEMDAN)对电机轴承故障特征信号的精确提取率,降低重构信号失 真,提出了一种改进自适应噪声完备经验模态分解算法。 首先利用传统 CEEMDAN 对原始信号初步分解,获得若干特征分量 (IMFs)和固有模态分量,将若干 IMFs 运用熵权法进行初步故障特征信号消噪和提取,对筛选后的 IMF 分量进行二次分解和二 次筛选,获得典型故障敏感信号,再运用 SG(Savitzky-Golay)平滑滤波进行信号重构,最终实现电机轴承信号降噪。 最后利用凯 斯西储大学轴承数据进行改进算法性能分析,结果表明该方法对电机轴承信号能够有效的进行信号降噪,其信噪比相比于原始 信号提高 2. 2 dB。     

基于EEMD能量熵与ANN的矿用异步电机故障诊断

针对矿用异步电机故障时定子电流信号非线性非平稳性的特点,提出了一种基于集合经验模态分解（EEMD）能量熵与人工神经网络（ANN）结合的转子故障诊断方法。首先利用EEMD将电机定子电流信号分解为一系列本征模态函数（IMF）;其次通过互相关准则,选取信息最丰富的IMF分量并计算其能量熵来构造故障特征向量;最后将特征向量输入人工神经网络（ANN）进行训练和状态识别。实验通过Ansys Maxwell软件对故障电机建模获得仿真电流数据,验证了该方法是一种可行的矿用电机故障诊断方法,相较于传统频谱分析更为可靠,可实现对异步电机处于正常、转子断条、气隙偏心等状态的准确识别,综合识别率达97%。     

基于改进经验模态分解和谱峭度法的变压器振动故障特征提取

针对变压器振动故障信号易被强背景噪声掩盖的特点,提出基于改进经验模态分解(empirical mode decomposition,EMD)与谱峭度法的变压器振动故障特征提取方法。首先利用EMD方法分解原振动故障信号得到一系列本征模态函数(intrinsic mode function,IMF)分量后,采用能量矩占比和方差贡献率相结合的方法对采样信号进行EMD降噪处理,消除EMD中的虚假分量;然后利用重构算法提取真实IMF分量,运用谱峭度法提取振动故障特征频率;最后以模拟工程实际信号为例,采用MATLAB仿真验证了该变压器振动故障特征提取方法的有效性。     

基于FFT和EMD的直流电动机换向电流提取方法

针对运用经验模态分解(EMD)提取直流电动机换向电流过程中遇到的模态混叠问题,提出一种基于FFT和EMD的换向电流提取方法。首先,用Fourier分析起动电流得其频谱,结合电机参数初步确定稳态时换向电流频率;其次,根据EMD将起动电流分解为若干固有模态函数(IMF)并对相应的IMF做Fourier频谱分析,由此对特定IMF求和以提取换向电流;最后,将提取的换向电流通过指定的低通滤波器以滤除附加的换向电流。与IMF直接求和获取换向电流的方法相比,实验结果表明该方法获取的换向电流较平滑并且换向电流的幅值信息较完整。通过小波脊线求取的换向电流频率信息表明滤波后的频率曲线波动变化较小。     

基于VMD-CNN的小电流接地系统故障电弧检测方法研究

构建准确且符合特定场景的电弧模型，研究电弧小电流接地的电流信号特征，并基于可量测电气量信号进行处理，对于及时可靠辨识故障电弧具有重要意义。提出一种小电流接地系统故障电弧的检测方法，通过建立故障电弧模型，基于变分模态分解算法(Variational Mode Decomposition, VMD)和卷积神经网络算法(Convolution Neural Network, CNN)对故障电弧进行准确辨识。首先，采用改进“控制论”电弧模型，基于PSCAD软件平台搭建了典型10 kV配电网仿真模型和接地“控制论”电弧模型。其次，采用变分模态分解算法对故障情况下的电气信号进行处理，得到4组电流信号的固有模态分量(Intrinsic Mode Function, IMF)。然后，提取包含信号基频成分的第一组IMF(IMF1)作为卷积神经网络(CNN)的输入。最后，应用CNN对IMF1进行特征识别，正确辨识正常与电弧故障情境。实验与仿真结果显示，通过利用VMD-CNN识别方法，提高了对原始电流信号识别准确度，能准确检测出故障电弧。     

改进经验模态分解阈值算法抑制强窄带干扰

为抑制电力设备局部放电在线监测中出现的较强窄带干扰,提出改进经验模态分解(EMD)阈值算法,改进了频域阈值算法并解决了其阈值和干扰频带难以确定的问题.首先在频域处理时设置一个较大阈值来降低窄带干扰幅值,接着EMD以得到含有特征频率的固有模态函数(IMF),然后对IMF分量进行阈值处理,利用窄带干扰和局部放电信号在IMF分量上的特性差异来抑制窄带干扰.     

旋转机械振动信号基于EMD的希尔伯特变换和小波变换时频分析比较

基于经验模态分解(Empirical Mode Decomposition，EMD)的希尔伯特变换(Hilbert Ttransformation，HT)，是先把一列时间序列数据通过经验模态分解，然后经过希尔伯特变换获得频谱的信号处理新方法。介绍了该方法的理论和算法。对仿真和旋转机械油膜涡动故障振动信号分别用基于EMD的HT和基于小波变换(Wavelet Transformation，WT)的时频分析在时域、时频域和频域进行了比较研究，研究结果说明，旋转机械振动信号基于EMD的HT时频分析方法比基于WT的有效。     

基于改进EMD和双谱分析的电机轴承故障诊断实现

轴承是电机设备极重要的部件。轴承故障检测是非常必要的。通过将改进的经验模态分解和双谱分析相结合的故障检测方法来有效诊断电机轴承的早期故障。首先,针对EMD分解无法得到严格单分量IMF的问题,利用小波包分解将轴承振动信号分解为窄带信号并选取能量最集中的频带进行重构,从而降低故障信号的复杂性,抑制模态混叠问题;然后利用经验模态分解方法根据信号的固有波动模式将其分解为一系列IMF分量;再通过方差贡献率检验去除其中的虚假分量;最后,利用双谱分析信号的调制关系进行解耦,得到故障特征频率。验证结果表明,所提出的分析方法能有效诊断轴承故障。     

EMD及其能量变化曲线在小电流接地系统故障选线中的应用

当谐振接地系统发生单相接地故障后,所有馈线零序电流的暂态信号中包含大量的特性复杂的非平稳、非线性信号,在此基础上提出一种基于经验模态分解(empirical mode decomposition,EMD)和其能量变化曲线的单相接地故障选线方法。EMD方法的优势在于其强大的适应性,能通过信号自身的变化规律来对其进行分解;而能量曲线能够比幅值更好的对故障线路和非故障线路进行鉴别。首先对各条故障线路的零序电流进行EMD处理,然后取其一阶本征模态函数(Intrinsic Mode Function,IMF)并求其能量曲线,最后根据所构建的选线信心度的大小来进行故障选线。仿真与实验的结果证明了该方法有较高的可靠性与实用性。     

基于ESMD和HT相结合的谐波检测新方法

针对现有的电力系统谐波信号检测方法精度不高的问题,以及研究较多的经验模态分解(EmpiricalMode Decomposition, EMD)在谐波检测中出现的模态混叠问题,结合极点对称模态分解(Extreme-pointSymmetricMode Decomposition, ESMD)理论和算法,提出基于ESMD和希尔伯特变换(HilbertTransform, HT)相结合的谐波检测新方法。首先对信号进行极点对称模态分解,得到一系列不同特征尺度的固有模态函数(IntrinsicModeFunction,IMF),再对IMF分量进行希尔伯特变换得到各谐波瞬时幅值和瞬时频率信息。该方法能够根据信号自身特征进行自适应分解,理论上由于扩展了IMF定义并采用内部插值方法,使得该方法具有简单、精度高的优势。仿真结果表明,该方法在谐波检测中自适应分解能力强,检测精度高,实时性好,并且能够在不添加噪声的情况下有效避免EMD方法在谐波检测中出现的模态混叠现象。     

基于CEEMDAN和HT的谐波检测新方法*

经验模态分解(EMD)作为希尔伯特-黄变换(HHT)的重要组成部分,为了克服其在谐波检测中出现的模态混叠、端点效应问题,提出采用自适应噪声完备集合经验模态分解(CEEMDAN)和希尔伯特变换(HT)相结合的谐波检测新方法。文章首先在理论上对比分析了EMD、EEMD以及CEEMDAN算法,研究CEEMDAN算法的特性。再用CEEMDAN算法对原始信号进行分解,得到固有模态函数(IMF)。最后用HT算法对每阶IMF分量进行分析,检测到谐波中包含的瞬时幅频信息。算例仿真结果表明,相对于HHT算法对信号的处理能力,文中提出的方法在谐波检测中有效地克服了EMD算法的弊端,提高了信号分解精度。     

Hilbert-Huang变换在电力故障暂态信号检测中的应用

提出利用Hilbert-Huang变换对电力系统故障信号检测的方法.通过对检测点获得的故障电流信号进行经验模式分解(EMD),得到一系列的本征模态分量(IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率.为进一步故障检测提供了依据.仿真试验表明Hilbert-Huang变换的方法能准确地检测故障时刻.