基于S变换的电力电子电路故障诊断技术

提出一种基于S变换和支持向量机(SVM)相结合的电力电子电路故障诊断方法,首先对故障信号进行S变换时频分析并提取故障特征,然后构造支持向量机分类器实现对故障类型的识别。三相桥式可控整流电路晶闸管故障诊断仿真结果表明,该方法能准确对电力电子电路故障进行类型的识别和故障元的定位,对噪声具有鲁棒性,训练样本数少等优点,在解决电力电子电路故障问题上有着很好的实用价值和应用前景。     

基于S变换和模糊KNN的暂态电能质量扰动分类

该文提出了基于S变换和KNN的暂态电能质量扰动分类的识别方法。首先应用S变换对暂态扰动信号进行时频分析,从信号的S变换得到相应S变换模时频矩阵,并对时频矩阵进行分析,从中提取出8个有效特征量,再由特征量组成的特征向量输入模糊KNN算法分类器中,完成对扰动信号的智能分类。该文用Matlab7.0软件产生了6种常见暂态电能质量扰动信号类型,并进行了相应的分类。仿真结果表明,该方法结构简单,所需特征量少,并能准确的对扰动类型进行辨识。     

基于小波包和EMD处理的滚动轴承故障诊断

为解决异步电机故障轴承振动信号易受噪音影响信噪比较小的缺点,提出了一种新的故障诊断方法。首先,采用小波分析方法对测得的原始信号进行去噪,并根据频率对原始信号进行频带划分;其次,用经验模式分解(EMD)方法对小波包分解重构得到的低频段信号进行分解,获得若干固有内在模函数(IMF);最后,采用傅里叶变换对各个IMF函数进行时频分析获得频谱图,进而提取故障频率,根据故障频率和故障类型的对应关系得出最后的诊断结果。实验表明,该方法能有效地提取出故障特征频率,方便地判断出故障类型。对比分析了傅里叶变换和小波变换与本方法的优缺点,为滚动轴承的早期故障诊断提供了一个新的思路。     

基于S变换的自适应降噪方法

简要介绍S变换后的时频特征,提出一种新的基于S变换的自适应信号降噪方法.利用于S变换高质量的时频分布,在时频平面中设计自适应时频滤波器,用于非平稳信号中信号分量的提取,展示该方法在信号噪声抑噪和提高信噪比方面取得了满意的效果.在信号模型的仿真试验与齿轮箱的齿轮故障诊断中,显示该方法在信号提取和压制噪声的效果,且滤波后信噪比有较大提高.结果表明,该方法可以有效提取故障齿轮的故障特征,消除虚假成分的影响,从而提高齿轮故障诊断的准确性.     

基于S能量熵的直驱式风电机组故障诊断方法

及时准确发现风机主轴故障,对直驱式风电机组安全经济运行具有重要意义。针对这一问题,该文提出一种基于S能量熵的直驱式风电机组轴承故障诊断方法。该方法利用广义S变换分析直驱式风机轴承振动信号的时频特性,使信号的主要能量在时频域分布更加集中,提高了信号的时频集聚性,并通过能量熵对广义S矩阵进行特征提取,构成故障分析向量,结合VPMCD方法建立故障诊断模型,对故障分析向量进行分析诊断。该文故障诊断方法对信号进行广义S变换,对变换结果采用能量熵提取特征,通过基于VPMCD方法的故障诊断模型判断运行状态。将该文方法应用于风电机组轴承故障诊断中,实验结果证明了该方法的可行性和有效性。     

基于HHT和广义Fourier变换变频调速异步电动机故障诊断

在变频调速异步电动机的故障诊断过程中,由于电源频率的时变性,容易淹没故障特征信号.针对调速过程中常见的恒加速和恒减速运行模式,提出了采用HHT(Hilbert-Huang变换)方法识别运行模式、利用广义Fourier变换进行时频转换的故障诊断方法,可将线调频的电源信号转换为新的时频域的恒频信号.仿真表明该方法能达到突出故障特征的目的.     

基于S变换和图像纹理信息的轴承故障智能诊断方法

旋转机械设备发生故障时产生的振动信号具有非平稳、非线性的特点,而传统的基于傅里叶分析的方法不仅不能有效诊断故障,同时需要技术人员具备大量的专业知识,因此提出了基于时频图像纹理信息的智能故障诊断方法。分析几种时频分析方法的优缺,在此基础上对振动信号采取S变换构建时频图像,并利用图像的灰度-梯度共生矩阵提取纹理特征,最后采用支持向量机实现多类故障的诊断。实验验证了方法的有效性。     

基于GLCM-SDAE的滚动轴承故障诊断方法

目的针对传统信号分析方法在滚动轴承故障特征提取和故障分类等方面的不足,结合堆栈去噪自编码(Stacked De-noising Auto-Encoders,SDAE)算法在提取特征和特征分类等方面的优势,提出一种基于灰度共生矩阵(Grey-Level Co-occurrence Matrix,GLCM)和SDAE的滚动轴承智能故障诊断方法.方法首先通过短时傅里叶变换(Short-Time Fourier Transform,STFT)将滚动轴承振动信号转化为灰度时频图,然后利用灰度共生矩阵提取灰度时频图中的故障特征参数,构建滚动轴承故障类别的特征向量空间,最后将其输入到构建的SDAE网络模型中,以实现滚动轴承的智能故障诊断.结果在轴承数据集上进行了故障特征提取和故障类型识别实验,结果表明笔者所提方法在训练集和测试集上平均分类精度均达到了95%以上.结论相较于从原始信号中提取特征的支持向量机(Support Vector Machine,SVM)、深度信念网络(Deep Belief Network,DBN)等方法,笔者所提出的方法能够提高故障识别率,可有效地对滚动轴承故障状态进行智能诊断.     

S变换熵理论及其在电力系统故障检测中的应用研究

S变换作为新兴的信号处理方法,在电力系统中得到越来越广泛的应用。信号经S变换处理后数据众多,有效地利用该数据并从中挖掘和提取出相应的特征量来检测电力系统故障或判别其稳定性至关重要。文章利用S变换具有的高分辨率时频特性和信息熵对系统状态进行表征,将两者相结合来定义S变换奇异熵和S变换能量熵,并给出其算法,揭示了2种S变换熵对系统故障的表征机理。对理论信号和基于PSCAD/EMTDC软件仿真的电力线路故障信号的分析表明,2种S变换熵对系统变化敏感度高,且不受噪声干扰,能够有效地检测出电力系统故障。     

S变换在滚动轴承故障诊断上的应用

为了研究滚动轴承信号的非平稳特征,应用时频分析技术是一种较好的选择．研究了S变换,该方法是将短时傅里叶变换同小波变换结合起来发展的一种新算法．对多种时频分析方法进行了比较,得出S变换优于其他方法的一些特点,提出基于S变换的滚动轴承信号瞬态特征检测方法．结果表明,S变换能够以较高时频分辨率表示轴承振动中的非平稳特征,能反映出信号时频谱真实的物理意义,并且计算速度快．诊断结果验证了该方法可以用于滚动轴承的故障诊断．