基于改进变分模态分解和Hilbert变换的变压器局部放电信号特征提取及分类

针对现有局部放电(PD)信号特征提取方法存在的不足,提出一种基于变分模态分解(VMD)和Hilbert变换(Hilbert-VMD)的特征提取方法,并提出一种双阈值筛选法来确定VMD算法中的分解模态数。首先,根据PD信号功率谱,采用双阈值筛选法确定VMD算法中的分解模态数;其次,采用VMD算法对PD信号进行分解,得到数个有限带宽的固有模态分量(BLIMFs);然后,对各模态分量进行Hilbert变换并线性叠加后得到PD信号的Hilbert时频谱,并计算各模态分量的边际谱;最后,根据各模态分量的边际谱提取PD信号频域内的特征量,并用支持向量机(SVM)对所提取的特征量进行分类。实验结果表明,对试验环境下和现场实测两种环境下的PD信号,采用该文方法提取得到的特征量均具有较高的正确识别率,充分说明该特征提取方法可以有效提取PD信号特征。对于噪声较大的实测信号,采用该方法得到的正确识别率并未明显降低,说明该方法具有较好的噪声鲁棒性。此外,该文所提Hilbert-VMD方法也为PD信号提供了一种新的时频分析方法。     

带标签信息子字典级联学习的复合电能质量扰动识别方法

针对传统字典学习方法的训练样本信号单一、重构效果差等缺点,提出一种带标签信息子字典级联的学习方法,对电能质量扰动信号进行扰动识别。该方法首先对不同类别电能质量扰动测试和训练样本采用主成分分析方法进行降维特征提取,对训练样本添加标签信息,其次对不同类别的电能质量样本训练成冗余子字典并级联成结构化字典,最后将级联的字典优化学习并由冗余误差最小值来判断目标的归属类别。仿真实验结果表明,该方法下的识别效果优于支持向量机(SVM)和稀疏表达分类(SRC),抗噪声鲁棒性更强,在信噪比20 dB以上的环境中电能质量复合扰动识别率达到91.40%以上。     

基于控制回路的断路器永磁机构故障特征提取方法

为了识别高压断路器故障模式并提取其故障特征,文中以ZNY1-10(6)/630-12.5型高压断路器永磁操作机构为研究对象,分析了断路器分合闸时操作机构的动作过程,在此基础上模拟了操作机构供电电压异常、分合闸线圈老化、触头及连杆机构卡涩、储能电容故障、辅助开关失效5种常见故障,选择控制回路中分合闸线圈电流和电容电压做为监测信号,确定并提取了对应特征量。提出了一种基于模糊理论的断路器故障特征提取算法,获得了故障与特征量变化的对应关系,实现对故障的区分、归类并达到辨识的目的,为高压断路器故障诊断及寿命评估提供了判断依据。     

一种抗噪的高精度圆形阵列靶标特征提取算法

实验发现目前普遍采用的棋盘格靶标角点提取算法对噪声十分敏感,其特征提取耗时及检测误差随着噪声均值增加而明显增大,无法满足高噪环境下的使用需求。本文使用圆点阵列取代棋盘格作为图像靶标,并设计了一种具有良好抗噪性的圆点阵列靶标的特征提取算法。该算法首先采用多级阈值对靶标图像进行二值化,然后对二值化图像序列进行连通域检测,通过矩方法对每一个连通域的形态进行分析计算,排除误检点,采用最小外接圆法优化已检圆的特征位置,最后根据靶标的尺寸信息,从所有已检圆点中,搜寻出靶标的所有特征圆。实验结果表明该算法在同等高斯噪声下特征提取误差较棋盘格小一个数量级,且常用的滤波算法在不会明显影响其特征提取精度的前提下能有效提高检测速度。     

基于通用距离测量的机器学习方法用于图像分类和聚类

针对图像分类识别问题,提出了一种用于图像特征提取的新方法.首先定义了基于图像字符串的复杂度和以及通用图像距离(UID),然后依次提出了测量通用图像距离的UID距离测量算法,在维持特征类别之间的固有差异条件下对图像原型进行选择的原型选择算法,利用原型选择算法创建图像的特征向量表示从而生成待分类图像的特征向量的特征向量生成算法,最后基于前述算法提出了对图像的感兴趣区域进行分离的图像分类学习算法.将所提出的方法应用于卫星图像数据的几个监督和非监督学习实验,结果表明文中所提方法效果理想.     

基于2 维非负矩阵分解的时频图像压缩在柴油机故障诊断中的应用

针对1 维非负矩阵分解技术对2 维矩阵特征降维时,会产生数据量巨大、计算效率低下和丢失原始数据 结构信息的问题,引入2 维非负矩阵分解技术。通过S 变换得到振动信号的时频图像,用1DNMF 和2DNMF 分别 压缩时频图像,对压缩后的图像信息进行分类,对柴油机在8 种状态下的振动信号进行采集,并采用最近邻分类器、 朴素贝叶斯分类器和支持向量机分类器进行实验对比。结果表明,2 维非负矩阵分解技术比原始的1 维技术计算效 率更高,故障诊断更精准。     

基于集合经验模式分解的汽油机爆震特征提取

爆震特征提取是汽油机点火闭环控制的前提和基础。基于集合经验模式分解(Ensemble empirical mode decomposition,EEMD),提出一种汽油机爆震特征提取方法。EEMD通过对信号加入有限幅度的高斯白噪声,利用高斯白噪声频率均匀分布的统计特性使信号在不同尺度上保持连续性,有效地抑制经验模式分解(Empirical mode decomposition,EMD)的模式混叠问题。研究了利用EEMD和EMD两种方法分别从汽油机缸内压力信号和缸盖振动信号中提取爆震特征的可行性和有效性。试验结果表明,对于缸内压力信号,EEMD和EMD均能提取出爆震特征;对于缸盖振动信号,EEMD可以提取出爆震特征,而EMD则由于模式混叠的影响,无法提取爆震特征。     

基于小波包能量谱和ELM的光伏逆变器多故障在线诊断

以三电平光伏逆变器为研究对象,提出一种多故障模式快速诊断新方法。首先,利用小波包分解提取出三电平逆变器的桥臂电压和上、下管电压信号的能量谱特征向量,并利用主成分分析降维后获取故障特征向量;然后,基于极端学习机诊断模型分离出单器件及多器件开路等多种故障模式。实验结果表明,相比于传统BP神经网络、最小二乘支持向量机故障诊断方法,该方法检测信号易获取,抗干扰性强,诊断速度快、精度高,减小了诊断成本和复杂性,适用于在线诊断。     

积分双谱在滚动轴承故障诊断中的应用

<正>特征提取是状态监测和故障诊断的一个重要问题。近年来,高阶谱已应用于多种故障诊断领域。双谱分析技术因信息量少、估计方差高,应用受到限制,信息量较多的积分双谱技术将具有良好的工程应用前景。滚动轴承是矿山机械的重要组成部分。由于矿山机械工作环境恶劣,必须对滚动轴承进行状态监测和故障诊断[1]。有缺陷的滚动轴承的振动和噪声会表现出一些非高斯性[2]。在滚动轴承故障的众多问题中,异常噪声日益引起了人们的重视[3-4]。笔者利用积分双谱对滚动轴承的保持器噪声故障数据进行提取分析。