基于VMD-ApEn的输电线路两相接地故障诊断

针对现有电力系统输电线路故障信号分析方法中,存在故障信号特征遗失等问题,提出一种基于VMD-ApEn的两相接地故障诊断新方法。首先选取故障点处容易获取的相电压信号作为故障信号,然后对各相故障信号进行VMD分解得到其IMF分量,进一步提取各相IMF分量的近似熵值并作为一个特征向量,通过分析各相特征向量的模值,最终诊断出输电线路两相接地故障所在相。选取IEEE5节点标准测试系统验证,并与EMD-ApEn算法进行比较。实验结果表明,本文提出的VMD-ApEn方法准确可靠,避免了EMD分解时产生模态混叠的现象,更能有效地诊断出输电线路两相接地故障所在相,具有较好的实用性。     

基于变分模态分解和改进模糊支持向量机的汽轮机故障诊断方法

针对现有方法在汽轮机故障诊断中存在影响诊断结果的样本、诊断准确率不高等缺陷,提出了基于变分模态分解(VMD)和改进的模糊支持向量机(FSVM)相结合的故障诊断模型;采用VMD对信号进行分解,并计算出各模态分量的样本熵值作为特征值,构造特征向量;通过核模糊C均值(KFCM)聚类算法计算出不同特征向量的模糊隶属度值,并将其引入支持向量机(SVM)中形成FSVM故障诊断识别模型,同时采用粒子群算法(PSO)优化FSVM中的参数;通过本特利RK4型转子试验台模拟汽轮机故障,将得到的数据输入诊断模型中进行实验。结果表明,在保证诊断模型性能的前提下,与传统SVM相比,基于VMD和改进的FSVM方法可以有效提高汽轮机故障诊断的准确率,而且诊断时间更短。     

基于变分模态分解-支持向量机混合算法的TN系统大阻抗接地故障配电线路保护

低压配电TN系统发生接地故障的配电线路阻抗较大时,采用以剩余电流幅值大小作为动作依据的剩余电流动作保护电器防护措施,不能有效解决接地故障防护问题。从分析剩余电流波形的角度出发,采用一种基于变分模态分解(variational mode decomposition, VMD)及支持向量机(support vector machine, SVM)分类的故障诊断方法。该方法在低压配电系统内测得剩余电流信号波形,对该波形进行VMD分解后得到各剩余电流信号的固有模态函数(intrinsic mode function, IMF),对其进行Hilbert变换并进行积分得到Hilbert边际谱,再求该边际谱的能量熵,将其作为特征向量输入SVM进行分析,最后准确区分正常状态和故障状态。结果表明：发生配电线路大阻抗接地故障时,该方法可以大幅提高用剩余电流动作保护电器(residual current protection device, RCD)作为故障防护的准确率。     

改进变分模态分解-多尺度排列熵结合广义回归神经网络的高压直流输电线路故障辨识

针对现有的高压直流(high voltage direct current, HVDC)输电线路故障识别方法识别准确率低，且无法同时准确识别低阻和高阻故障的问题，提出一种改进变分模态分解(variational mode decomposition, VMD)-多尺度排列熵(multi-scale permutation entropy, MPE)结合广义回归神经网络(general regression neural network, GRNN)的HVDC输电线路故障辨识方法。首先采用鲸鱼算法改进后的VMD对故障电流信号进行分解，并选择合适的本征模态函数(intrinsic mode function, IMF)分量计算多尺度排列熵和IMF能量和比值提取故障特征组成故障特征向量，然后将特征向量输入到GRNN网络中进行训练与测试，利用GRNN网络对小样本数据的高分类能力识别不同类型的故障。实验结果表明，所提出的方法对HVDC输电线路不同类型故障辨识准确率高，无论发生低阻或高阻故障都能够准确辨识，耐受过渡电阻能力强，在小样本故障辨识方面性能突出，可靠性高。     

基于MEMD和RVM的滚动轴承外圈故障评判

针对经验模态分解(EMD)分析同一轴承的多通道故障信号不全面的问题,创建出一种将多元经验模态分解(MEMD)、互近似熵与相关向量机(RVM)相结合的方法,以全面分析滚动轴承外圈故障。首先,利用MEMD将滚动轴承外圈3点钟、6点钟和12点钟方向的多通道振动信号分解为多通道独立的多元本征模函数(MIMF)分量;然后,计算每个MIMF分量信号与原信号之间的相关系数,并求出相关系数最大的前两个MIMF分量的互近似熵值;最后,通过得到的近似熵值构建相关向量机分类模型,对滚动轴承外圈故障样本进行故障分析和评判,将该方法与EMD单一通道分析的方法相对比,结果表明了该方法的有效性和可行性。     

基于变分模态分解排列熵和粒子群优化支持向量机的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳性和低信噪比的特点,提出基于变分模态分解(VMD)排列熵和粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法;该方法利用VMD对信号进行预处理,可得若干本征模态分量(IMFs),根据包含故障信息的数量筛选出有效IMFs,求其排列熵构造特征向量,建立支持向量机的滚动轴承故障诊断模型,并用粒子群算法优化参数,以提升分类性能;在滚动轴承故障诊断实例中,通过与VMD结合SVM和集成经验模态分解(EEMD)结合PSO-SVM进行对比。结果表明,本文中提出的方法故障诊断的准确率更高。     

基于LMD近似熵和SVM的自适应重合闸方法

自适应重合闸的功能是快速、准确地辨识故障性质及捕捉电弧熄灭时刻.在分析瞬时性故障和永久性故障断路器跳闸后的端电压波形复杂性的基础上,提出了局部均值分解(LMD)、近似熵和线性支持向量机(SVM)相结合的自适应重合闸整体实现方案.利用LMD分解故障信号得到若干个PF分量,选取前3个PF分量算出其近似熵值构成三维特征向量,将三维特征向量作为SVM的输入量来区分故障性质和捕捉电弧熄灭时刻.线路故障仿真结果表明,该方案可智能识别故障性质和捕捉电弧熄灭时刻且具有一定的抗噪能力.     

基于LMD近似熵与HMM的转子故障诊断方法

提出一种基于局部均值模式分解(local mean decomposition,简称LMD)的近似熵和隐Markov模型(hiddenMarkov model,简称HMM)的转子系统故障识别新方法.利用LMD良好的局域化特性和近似熵来量化故障特征,再与HMM结合进行故障类型识别.用LMD方法将转子信号分解成若干个瞬时频率具有物理意义的乘积函数(product function)PF分量之和,选取转子信号的前3个PF分量的近似熵值作为信号的特征向量,将构造出的特征向量输入到HMM分类器中进行故障类型识别.仿真表明,该方法能有效地提取故障特征,结合HMM的动态统计特性可智能识别转子故障类型.     

基于MED和自适应VMD的行星齿轮箱故障诊断方法

为解决变分模态分解(VMD)在行星齿轮箱故障特征频率提取过程出现的鲁棒性低及分解个数不确定的问题,提出一种基于最小熵反褶积(MED)和自适应变分模态分解(AVMD)的齿轮箱故障诊断方法.首先通过MED对信号进行降噪,突出故障信号特征;采用瞬时频率的新定义及变差概念,自适应选择VMD的级数;使用VMD方法将行星齿轮箱的断齿故障信号分解为若干个本征模态函数(IMF)分量;根据相关系数分析选取带有故障信号的IMF分量,对其进行包络谱分析,以提取故障特征频率.仿真信号和试验信号分析结果表明,使用MED去噪后信号的峰值信噪比提高了10%,解决了传统VMD个数经验选择出现的误差问题从而实现此过程自适应化,解决了VMD在强噪声下针对非线性非平稳信号鲁棒性低的问题,准确提取了风电齿轮箱的故障特征频率.     

基于VMD-DBN的滚动轴承故障诊断方法

为揭示滚动轴承故障振动信号的典型特征规律,结合变分模态分解(VMD)与深度置信网络(DBN)的优势,提出轴承振动信号特征的提取方法.将信号先进行基于VMD的分解,根据各模态分量频谱图确定其模态参数,得到若干个模态分量.然后,基于DBN强大的特征提取能力,采用DBN无监督特征提取方法,将得到的模态分量映射到一维,并融合各分量的DBN特征形成特征向量,将其作为粒子群优化支持向量机(PSO-SVM)的输入进行故障诊断.实验验证与对比分析证明了VMD-DBN方法的可行性与优越性.     

基于VMD-SSA和多频段Hilbert能量的高压直流输电线路单端量保护方法

高压直流(high voltage direct current, HVDC)输电线路对故障暂态电压信号大多数频段都具有衰减作用,而HVDC的物理边界对高频分量会产生较强的衰减作用,对低频分量会产生一定的放大作用。根据上述特征,提出了一种基于变分模态分解(variational mode decomposition, VMD)-麻雀搜索算法(sparrow search algorithm, SSA)和多频段希尔伯特(Hilbert)能量幅值的高压直流输电线路单端量保护方法。利用SSA对VMD参数进行优化后,对故障暂态电压信号进行分解,然后对分解后的各个内涵模态分量(intrinsic mode functions, IMF)进行Hilbert变换求取其200～1 200 Hz低频段和8～12 kHz高频段的Hilbert能量,利用低频段和高频段Hilbert能量之比构造故障区段识别保护判据,通过正极和负极其高低频段Hilbert能量和之比来判断故障极。仿真实验证明,所提出的方法能够有效避免利用经验模态分解(empirical mode decomposition, EMD)故障信号时...     

基于变分模态分解与独立分量分析的轴承故障特征提取方法

针对滚动轴承早期故障振动信号能量小且易受背景噪声干扰,从而导致故障特征提取困难等问题,提出基于变分模态分解(VMD)与独立分量分析(ICA)相结合的故障特征提取方法;该方法首先将原始故障信号进行VMD,得到若干正交的本征模态分量(IMF),然后依据峭度准则对分解后的信号进行分组重构,作为ICA的输入矩阵,最后采用Fast ICA算法实现故障信号与噪声信号的分离,从而提取机械故障特征信息;将轴承故障数据作为研究对象进行故障特征提取,并与集成经验模态分解-独立分量分析(EEMD-ICA)方法对特征信号的提取效果进行对比。结果表明,基于VMD与ICA的轴承故障特征提取方法提高了分解效率,解决了信号易受噪声干扰的问题,实现了轴承故障的精确诊断。     

基于参数优化变分模态分解与支持向量机的齿轮箱故障诊断

齿轮箱故障振动信号具有非线性、非平稳的特点,在故障早期难以实现故障特征的提取和故障类型的识别。本文提出磷虾群算法（krill herd algorithm, KHA）-变分模态分解（variational mode decomposition,VMD）-多尺度排列熵（multi-scale permutation entropy,MPE)与支持向量机(support vector machine,SVM)相结合的齿轮箱故障类型识别算法。首先对采集到的齿轮箱振动信号利用KHA优化的VMD进行分解,选取有效分量进行重构,然后求取其MPE作为特征向量,最后将特征向量输入SVM进行故障类型的识别。通过实测数据的分析表明,故障类型识别准确率达到了99.14%,该方法在机车车辆、发电机组等装备的齿轮箱状态监测和故障诊断中具有一定的参考价值。     

基于VMD-AR谱的多轴转子系统故障特征信息提取方法

为了解决现有分解方法在近频部分产生模态混叠的问题,提高时变参数模型对故障信号直接诊断的准确性,研究了多轴转子系统的典型故障信号分析方法.提出了基于变分模态分解(VMD)和AR谱相结合的故障特征信号分析方法;采取瞬时频率均值法选取VMD中的分解模式数k.经VMD分解产生固有模态函数(IMFs),采用AR谱对IMFs分量进行特征提取,分析典型故障模式相对应的特征频带.结果表明:基于VMD-AR谱的故障特征提取方法解决了分解模式数k的选取难题,避免k值的经验选取;VMD能够抑制信号分解近频部分的模态混叠,而AR模型克服了Hilbert分离算法存在的加窗效应,在频带划分上具有较强的分辨率.该方法可有效进行故障特征提取,并为改进的粒子群优化算法的混合核支持向量机算法提供特征信息.     

基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法研究

针对滚动轴承故障信号的自适应提取和分解的问题，提出一种基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法。将变分模态分解(variational mode decomposition, VMD)方法的关键参数K和α采用新型的乌鸦搜索算法(crow search algorithm, CSA)进行优化，得到最优参数组合；再将最优参数组合输入到变分模态分解算法中，对故障信号进行分解从而得到多个本征模态分量(intrinsic mode function, IMF);以样本熵值为适应度函数挑选最优分量，对最优分量进行包络解调，分析其包络谱判断出轴承的故障类型。结果表明，提出的方法在兼顾全局搜索和局部搜索的同时也能将复杂的轴承故障信号准确地进行分解，提取出最优分量进行分析从而判断出轴承故障类型。     

基于ＬＭＤ－１（１／２）维谱熵－Ｅｌｍａｎ神经网络输电线路短路故障识别理论与方法

针对电力系统输电线路故障时短路电流的暂态特征,采用LMD对相模变换后的短路电流进行分解,得到一系列PF分量,然后计算前8个PF分量的1(1/2)维谱熵值作为特征向量,最后将构造的特征向量输入到已训练好的Elman神经网络中进行故障类型识别,并在Matlab平台上建立仿真模型.仿真结果表明,采用的方法能够快速准确地判断出故障类型和故障相;与传统BP网络相比,该方法具有更快的识别速度、更高的识别率,并且识别结果不受过渡电阻、故障位置、相差角等线路参数的影响,因而,实用、有效.     

PSO VMD结合Teager包络谱的滚动轴承 故障诊断方法

为了解决VMD方法在处理非平稳信号时,人为确定输入参数会影响模态分解精度的问题,提出一种基于PSO算法优化VMD输入参数的PSO VMD方法,用于滚动轴承故障信号的模态分解,并使用Teager能量算子(TEO)对模态分解结果进一步计算,得到各模态分量的Teager包络谱.通过滚动轴承内环单点故障、外环单点故障和滚子单点故障实测振动故障信号的模态分解与故障诊断,验证PSO VMD方法的有效性和实用性.     

内燃机优化VMD-CWD时频表征与BSNMF编码识别诊断方法

针对内燃机振动响应信号强耦合、弱故障特征的问题,提出一种基于参数优化VMD-CWD内燃机振动时频表征与BSNMF分块编码识别的故障诊断方法.利用变分模态分解(VMD)将内燃机振动信号分解成一组本征模态函数(IMF),并叠加IMF分量信号的Choi-Williams分布(CWD)获得时频聚集性良好,无交叉项干扰的振动谱图像.针对VMD分解过程中的参数选取问题,引入功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性.为了实现内燃机振动谱图像的自动识别诊断,在稀疏非负矩阵分解(SNMF)的基础上提出一种更容易收敛的分块稀疏非负矩阵分解算法(BSNMF),用来对内燃机振动谱图进行特征提取,并采用支持向量机对提取的特征参数直接进行模式识别.将本文方法应用于内燃机故障诊断实例中,结果表明:该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机气门机构故障的自动诊断.     

基于优化VMD和MCKD的滚动轴承早期故障诊断方法

针对滚动轴承早期故障信号易受噪声等背景信息干扰难于提取故障特征的现象,提出了将优化K值的变分模态分解(VMD)和粒子群优化算法(PSO)优化参数L,M的最大相关峭度解卷积(MCKD)相结合提取滚动轴承故障特征频率的方法.首先,确定VMD中K值,对信号进行分解后得到一系列模态分量;然后利用EWK指标选择包含故障信息最多的有效模态分量进行后续分析,利用优化的MCKD对其进行增强;最后对增强信号进行包络解调提取故障特征频率,验证所提方法的有效性.仿真和实验表明该方法可以精确地提取出轴承故障信号中的特征频率,实现故障诊断.     

基于EEMD与ELM的单向阀故障诊断

提出了一种基于总体平均经验模态分解和极限学习机的故障诊断方法,该方法利用EEMD将单向阀振动信号分解成若干个不同尺度的本征模函数(IMF),从IMF分量中提取近似熵、能量熵、峭度和均方根4个特征构成特征向量集,用于建立基于极限学习机算法的故障诊断模型。实验结果表明,该方法可以监测高压隔膜泵运行状态,成功诊断出单向阀运行时产生的故障。