基于分合闸线圈电流信号的高压断路器在线监测系统

引发高压断路器的故障的原因主要集中在其机械特性方面,而断路器的分合闸线圈及储能电机的电流波形可以反应卡滞等机械特性方面的异常。基于分合闸线圈电流信号的高压断路器在线监测系统,实时监测断路器分合闸线圈及储能电机的电流波形,分析计算出断路器的机械特性参数,显示高压断路器操动系统的性能状态,从而诊断出断路器潜伏性机械故障,为实现高压断路器的状态检修提供了一种有效的技术手段。通过功能测试、可靠性测试和现场对比试验,结果表明该系统各项性能均达到设计要求。系统被装备在平高集团公司生产的252 k V智能GIS上,有效地提高了该产品的智能化技术水平。     

PC三电平逆变器电解电容故障特征分析

针对目前NPC三电平逆变器电解电容故障特征难以提取的问题,提出变分模态分解与模态能量结合的故障特征提取方法。该方法通过采集NPC三电平逆变器输出端的电流信号,结合参考电流信号,求取电流的偏差信号。根据电流偏差信号频率分布的特点,用模态重复率对VMD的分解尺度进行参数寻优。利用VMD对电流偏差信号分解,得到具有中心频率的有限带宽的模态分量。根据模态分量的信息熵确定能表征电容故障的特征分量,进而计算特征分量的模态能量,构造特征向量,寻求特征变化规律,并对其进行分类。结果表明,此方法能够准确地反映出电解电容的工作状态。     

基于VMD的通信辐射源个体识别方法

针对通信辐射源细微个体指纹信息难以提取的问题,根据辐射源指纹产生机理,提出了将接收信号中的数据部分过滤而保留指纹噪声的研究思路,设计了基于变分模态分解的识别方法.该方法采用变分模态分解将接收信号分解为主要包含数据信息的低频分量和主要包含指纹信息的高频分量,并设计深度卷积神经网络对分解后的高频分量进行特征提取和分类识别....     

断路器分合闸线圈状态检测及保护系统探究

设计了一种断路器分合闸线圈状态检测及保护系统,该系统通过监测及记录每次断路器分合的状态,在跳合闸过程中,有效保护由于种种原因导致跳合闸线圈拒动时的跳合闸线圈。通过霍尔传感器测量分合闸线圈回路的直流电流,根据采集到的直流电流大小计算分合闸线圈的发热量,设定达到线圈发热的极限值,通过电力电子元件器IGBT和继电器组合的回路来分开分合闸线圈回路,达到保护分合闸线圈功能。实际应用表明,该系统运行稳定,较好地实现了断路器分合闸线圈状态检测及保护。     

基于变分模态分解的变压器绝缘缺陷故障检测

变压器绝缘缺陷故障检测容易受到现场随机噪声的影响,导致检测效果不佳。为了解决这个问题,提出了基于变分模态分解的变压器绝缘缺陷故障检测。通过变分模态分解变压器绝缘缺陷故障信号,获取信号瞬时幅值。结合常用阈值函数处理小波分解后的故障信号,避免随机噪声干扰。通过信息熵表示每个模态的概率分布,得到熵最小值所在的最佳分量,提取故障特征信息。根据该信息构建约束变分模型,获取故障检测信息。同时检测变压器绕组导线的连接情况,计算回路的供电电压,检测变压器绝缘绕组缺陷。通过计算套管穿芯引线和内导管的接触点温度,分析变压器绝缘套管缺陷。由实验结果可知,该文方法与实际电流的最大误差值仅为0.15 kA,其余均一致,检测效果较好。     

基于VMD和BP神经网络的轨道病害诊断方法

针对从非线性、非稳态的轨枕振动信号中提取病害特征困难的问题,文中提出一种基于变分模态分解和多尺度排列熵的轨道病害特征提取方法,并采用BP神经网络病害诊断模型进行病害识别.利用变分模态分解方法将采集到的振动加速度信号进行分解,得到若干个本征模态分量.计算这些本征模态分量的多尺度排列熵值,将其作为轨道病害的高维特征向量,以...     

基于VMD-RobustICA与时频分析的永磁同步电机噪声源识别

针对永磁同步电机(PMSM)噪声源分离识别问题,应用一种基于变分模态分解(VMD)与鲁棒性独立分量分析(RobustICA)结合时频分析的方法。首先,采用VMD把永磁同步电机噪声信号分解为多种变分模态分量;然后,通过RobustICA提取主要信号的独立成分。最后,结合时频分析结果,对独立成分结果进行分析识别。该组合方法可以有效处理集成经验模态分解(EEMD)中存在的模态混叠问题,同时能对测试过程中传感器数量多于或等于噪声源的分离问题进行有效缓解。结果表明,提取的主要独立分量对应于PMSM产生的电磁噪声和机械噪声,采用该方法可以分离识别PMSM噪声中的电磁噪声和机械噪声。通过对PMSM不同噪声源的有效分离和准确识别,可以为降噪、运行状态监测和故障诊断提供可靠依据。     

基于变分模态分解的低电压电能扰动抑制系统设计

低电压造成的扰动问题会直接影响供电系统正常运行,为了保证居民的用电质量,基于变分模态分解设计了一种新的低电压电能扰动抑制系统。硬件部分由网侧电流互感器、状态反馈控制器、状态观测器、光伏并网逆变器四部分组成,通过网侧电流互感器监测电流数据,利用状态观测器得到电流数据,并传输给状态反馈控制器,由状态反馈控制器反馈给控制系统,光伏并网逆变器则起到保护电流稳定电压的作用。软件部分由低电压电能扰动因子提取程序与低电压电能扰动抑制程序组成,在得到电流数据后,由低电压电能扰动因子提取程序结合变分模态分解来对扰动因子进行提取,判定扰动因子,应用低电压电能扰动抑制程序对电能扰动进行抑制,解决低电压电能扰动问题。实验结果表明,电能扰动故障发生时刻设计系统抑制时间仅为0.05 s,故障清除时刻抑制时间仅为0.02 s,具有很好的抑制能力。     

基于GWO-VMD-SVD的Φ-OTDR信号降噪方法

针对Φ-OTDR系统采集的信号中包含大量随机噪声的问题，提出了一种基于灰狼优化算法的变分模态分解联合奇异值分解的新型降噪方法(GWO-VMD-SVD)。通过灰狼优化算法寻找VMD分解中最优的分解层数K和二次惩罚因子α,抑制了模态混叠现象；引入排列熵判定机制区分有用信号分量和噪声分量；将有用信号分量保留，同时对噪声分量使用SVD分解进行二次降噪，提取其中的有用信号；将两次降噪保留的有用信号进行重构，得到降噪后的信号。实验结果表明，该方法相对于VMD-PE和EEMD-CC,信噪比更高，能更有效地保留信号中的有用信息。     

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。     

基于变分模态分解的自适应滤波降噪方法

为了提高分析信号的信噪比,本文提出了一种基于变分模态分解的变步长归一化最小均方自适应滤波降噪方法.该方法对原信号进行变分模态分解并区分信号分量和噪声分量,再对噪声分量进行间隙阈值降噪处理并将其作为参考信号输入自适应滤波器,通过自适应算法迭代处理得到降噪后的信号分量,并通过重构算法得到最终降噪后的信号.本文还在变分模态分解的基础上使用小波阈值降噪和间隙阈值降噪方法按不同方案进行降噪处理并得到最佳算法,将其与所提算法进行对比.实验结果表明,本文所提自适应滤波降噪方法的降噪效果比阈值降噪最佳方法效果更好.     

强噪声下非平稳时延目标信号提取

为实现强噪声背景下时延目标信号自提取,设计了相关检测模型,提出了基于目标数据段自截取和变分模态分解(Variational Mode Decomposition, VMD)算法的目标信号自适应定位和提取算法。首先,根据目标信号频域参数构建基准信号;然后,利用互相关检测技术并以峰值梯度为特征值确定目标信号时延参数;最后,利用预设参数自适应初始化的VMD算法对截取的数据段进行处理,并对分解的各分量进行自动筛选实现目标信号有效提取。不同算法的对比实验表明,自截取+VMD算法可有效实现强噪声下时延信号的定位提取,实时性基本满足实际应用需求。     

基于差分-变分模态分解与全局信息分析网络的辐射源个体识别方法

为了解决基于希尔伯特黄变换（HHT,Hilbert-Huang Transform）辐射源个体识别方法中的模态混叠分解不充分以及低信噪比下效果较差的问题,本文将信号处理与深度学习相结合提出了一种新的辐射源个体识别方法。首先,对信号进行差分处理,并通过变分模态分解得到对应的模态分量;接着,对各模态分量进行希尔伯特变换得到希尔伯特谱;最后,针对希尔伯特谱的稀疏性特点,本文运用改进的全局信息分析模块对其进行全局细微特征提取。本文实验采用ORACLE公开数据集对所提方法进行性能测试,实验结果表明,该方法识别性能优于4种现有的基于希尔伯特黄变换的辐射源识别方法,其不仅有较低的计算复杂度,而且在5 dB信噪比下有着90%以上的识别效果。     

基于分合闸线圈信号的断路器状态在线监测系统设计

针对目前高压断路器在线监测技术的研究现状和不足,提出了一种基于分合闸线圈电流信号的高压断路器状态在线监测系统。设计了构成系统的硬件电路和在线监测软件,该系统能够快速实现对实时数据的采集、转换、滤波、放大和分析,能够计算分合时间、分合速度、开关行程、分合行程、过冲距离等参数,能够对高压断路器的动作类型进行基本的判断,监测结果能在上位机监控界面上显示。实验和实际运行结果表明该系统具有实时性好、监测数据全面、可靠性高和抗干扰能力强等优点。     

基于VMD的激光雷达回波信号去噪方法研究

为滤除激光雷达回波信号中的噪声,提高其信噪比,本文提出了一种基于变分模态分解(VMD)的回波信号去噪方法。该方法利用去趋势波动分析对信号进行变分模态分解,通过巴氏距离区分相关模态和非相关模态,采用移动平均法提取非相关模态中的有用信号,并将其与相关模态进行重构实现噪声的有效去除。实验结果表明,经该方法处理后的回波信号输出信噪比提高到了22.58 dB,均方根误差减小为0.78×10-11。该方法能有效滤除激光雷达回波信号中的噪声,保证信号的完整性,与小波变换、经验模态分解直接阈值、变分模态分解局部重构等方法相比,具有明显优势。     

基于VDM和小波阈值的语音降噪方法研究

针对带噪声的语音信号,提出了基于变分模态分解（VMD）和小波阈值相结合的去噪方法。首先,采用VMD对带噪声道信号进行分解,从而得到分解后的固有模态（IMFs）信号;然后,引入T检验对各IMFs分量进行低频和高频区分,对其中的高频分量用小波阈值进行噪声滤除;最后,对将低频IMFs分量和滤波后的高频IMFs分量进行重构,从而得到降噪后的具有较高信噪比的语音信号。通过实验验证,本方法与EMD和小波阈值联合算法相比,具有更好的去噪性能,具有一定的实用价值。     

基于经验模态分解与回归分析的空间外差光谱目标提取

为识别空间外差光谱仪探测目标干涉信号的特征信息,提出一种基于经验模态分解与回归分析的空间干涉谱目标提取方法。首先对预处理后的光谱进行经验模态自适应分解,得到各阶次固有模态分量并分别计算它们与原始光谱信号的Pearson相关系数,根据相关系数分选准则判定背景与目标信息重构的分界点。然后计算重构背景与实测背景间的Pearson相关系数来判定经验模态分解结果。对信号主导的固有模态分量利用小波软阈值进行消噪,重构较纯净的目标特征信息;利用目标特征信息与原始干涉光谱信息进行多元线性回归分析获得最佳的近似滤波系数,构造滤波器并应用到目标信号,提取目标。最后通过差谱信号与提取的目标光谱的Pearson相关系数来判别提取的目标信号。实验结果表明:经验模态分解可将背景与目标近似分离;在未知背景信号情况下,利用经验模态分解与回归分析可实现钾共振双线特征光谱的提取。     

变分模态分解联合改进小波阈值函数的PPG降噪算法

针对PPG信号采集过程中存在大量混合噪声的问题,提出一种变分模态分解（VMD）改进小波阈值降噪的降噪算法。首先通过傅里叶变换得到脉搏波信号频域信息,确定分解个数和主频率;然后利用变分模态分解算法将含噪声的PPG信号分解为一系列固有模态分量,分解过后确定各分量的中心频率,并筛选有效固有模态分量;最后利用改进后的小波阈值函数对残余噪声进行降噪处理,避免了软阈值的恒定偏差,又保证了阈值函数的连续性,降噪后的信号与原始信号相关系数均值为0.934 7,比变分模态分解方法重构信号提升了7.1%。与其他降噪算法相比,信噪比分别提高了5.77 dB、5.38 dB、4.5 dB,均方根误差分别降低了26.1%、16.8%、7.4%。实验结果表明,通过理论计算、数值模拟和应用研究验证了所提方法的有效性和优越性,在滤波效果和信号保真度之间取得了很好的平衡。     

基于核主成分分析的EMD去噪算法

本文以超声回波信号去噪为目的,研究了基于经验模态分解（EMD）分解的去噪方法。分解过程中固有模态函数（IMF）信号与噪声混叠,还会产生虚假分量,提出了基于核主成分分析（KPCA）的经验模态分解算法。首先对原信号进行经验模态分解得IMF分量;然后对信号进行KPCA变换,将各分量获得的贡献率与阈值比较,最终以去除分量中夹杂的噪声。为证明本文方法的有效性,还给出了仿真实验的仿真结果。     

基于脉冲相关性的时域增强EMD轴承故障诊断

为了提高低速动车轴承故障诊断的有效性,提出基于互相关原理对EMD经验模态分解后的信号时域脉冲进行增强。轴承故障信息呈周期性出现,所以经过EMD分解得到的IMF分量也含有周期故障脉冲信号。为了增强故障脉冲信号的信噪比,利用基于对周期信号的时域相关性对各IMF本征模态分量分别进行时域叠加增强,最后对IMF进行包络分析提取故障特征频率。实验结果表明对IMF进行基于脉冲相关性的时域增强能够有效地抑制EMD无法去除的噪声信息,提高IMF包络谱中信噪比。