以复小波变换系数为特征量的局放模式识别

复小波变换在时域和频域都具有表征信号局部特征的能力,且复小波变换提供了独有的相位信息.文中对4种典型绝缘缺陷产生的局部放电脉冲波形进行复小波变换,用模糊聚类的方法分别对各尺度复小波系数的实部R、虚部I以及复合信息系数R|I|聚类分析,将聚类的能量作为模式识别的特征量.通过大量的实验获得放电样本,用构建的BP神经网络作为分类器,对4种典型绝缘缺陷产生的局部放电进行了有效识别,结果表明:从复小波的复合信息系数R|I|中提取的特征量优于从实部R、虚部I以及实小波系数中提取的特征量.     

一种抑制PD白噪干扰的有效复合信息技术

根据局部放电(partial discharge,PD)信号与白噪干扰经复小波变换后的不同特点,利用复小波变换后实部、虚部的简单信息构造出一种抑制白噪干扰的实、虚部组合序列的有效复合信息,分析该复合信息中序列幂指数对PD去噪性能的影响,并用去噪前后描述信号波形相似参数(normalized correlation coefficient,NCC),结合信噪比(signal to noise ratio,SNR),对用复小波变换去噪后的效果进行综合评价,给出不同的局部放电波形对应的复合信息序列幂指数值,最后,用所构造的db4复小波对仿真和实测PD信号进行了去噪。研究结果证明了在众多的复合信息中,复小波变换实、虚部组合序列的复合信息能有效抑制PD白噪干扰,畸变小,在-7 dB的强噪声中,提取PD信号的NCC和SNR仍高达0.918 6和17.42 dB,有利于PD检测。     

基于PRPD图谱多特征融合的局部放电类型识别研究

局部放电(partial discharge, PD)信号的检测能够为电力系统提供绝缘缺陷诊断和运行状态评估。现有的局部放电类型识别算法难以有效识别相似度较高的绝缘缺陷,限制了其应用范围。为此,提出一种基于PRPD(phase resolved partial discharge)图谱多特征融合的局部放电类型识别算法。该算法利用卷积神经网络(convolutional neural network, CNN)提取局部放电PRPD图谱图像特征,将图像特征与PD信号统计特征进行有效融合,利用融合特征识别局部放电类型。在实验室环境下建立了4种局部放电模型,并进行了模拟对比实验。实验结果表明,相比传统的支持向量机(support vector machine, SVM)和反向传播神经网络(back propagation neural network, BPNN)算法,所提出方法的正确识别率分别提高了12.82%和19.70%,对相似度较高的缺陷类型也能进行有效识别,算法具有较好的鲁棒性。     

抑制局部放电混合干扰的浮阈值量化算法

由于局部放电(PD)信号与含有的混合干扰(白噪和窄带)在能量分布频段上存在明显差异,根据小波包变换各节点分解系数能够有效反映被分析信号能量变化的特点,建立一种以反映PD信号分解系数中噪声能量为判据的浮阈值量化算法,使得最优基下各节点阈值随相应节点分解系数中信号噪声强度的变化而变化,自适应地决定各节点最佳阈值选择,以实现对PD信号分解系数更精细划分。通过对含有混合干扰的仿真与实测PD信号的小波包最优分解,分别用传统全局阈值量化算法与笔者建立的浮阈值量化算法进行了干扰抑制效果的对比,结果表明：后者具有更强的抑制混合干扰的能力,且混合干扰抑制前后PD信号波形相似度更高。     

ReliefF算法在雷达辐射源信号识别中的应用

采用小波包变换提取雷达辐射源信号特征能够有效对信号进行识别,然而,由小波包变换提取的信号特征维数高,部分信号特征受噪声污染严重.基于此,采用ReliefF算法对信号特征的分类能力进行评价,选择出小波包中分类能力强的信号特征,再通过特征相关度算法去除分类能力相近的冗余特征,利用剩余的分类能力强的信号特征组成特征向量进行分类.仿真实验结果显示,该方法用较少的信号特征能够获得较高的正确识别率.     

小波分析在管道泄漏信号识别中的应用

利用多尺度小波变换 ,把管道泄漏产生的负压波信号作为瞬态信号 ,来识别管道的局部泄漏特征。以光滑函数的一阶导数作为小波母函数 ,研究了管道泄漏特征信号拐点区间的敏感性 ,突出小波变换系数的局部极值性。分析表明 ,检测信号的小波变换系数极值的奇异性准确地反映了管道检测信号的泄漏特征 ,并且从局部描述了管道泄漏信号的瞬态正则性。对各级尺度系数进行了S形曲线拟合 ,此曲线能够完整地描述管道泄漏瞬变特征 ,其拐点区间描述了管道发生泄漏时的瞬变过程。     

基于小波变换和灰度-梯度共生矩阵的局部放电特征提取及识别

为了能够充分利用局部放电(Partial Discharge, PD)信号中包含的特征信息，提高变压器内部局部放电类型的识别率，文中提出了一种基于小波变换(Wavelet Transform)和灰度-梯度共生矩阵(Gray-GradientCo-occurrence Matrix,GGCM)算法的局部放电类型识别方法。结合变压器内部结构特点，设计四种局部放电缺陷类型，在实验室搭建变压器局部放电实验检测平台，通过脉冲电流法采集局部放电高频电流信号。运用小波变换对非平稳信号处理时的灵活性对局部放电信号脉冲构建时频谱图；然后结合GGCM算法提取时频谱图的15维纹理特征组成特征向量；将特征向量输入到支持向量机(Support Vector Machine,SVM)分类器进行模式识别。结果表明，小波变换和GGCM算法结合的识别方法能够有效地对不同局部放电缺陷类型进行识别。     

小波分析在管道泄漏信号识别中的应用

利用多尺度小波变换，把管道泄漏产生的负压波信号作为瞬态信号，来识别管道的局部泄漏特征。以光滑函数的一阶导数作为小波母函数，研究了管道泄漏特征信号拐点区间的敏感性，突出小波变换系数的局部极值性。分析表明，检测信号的小波变换系数极值的奇异性准确地反映了管道检测信号的泄漏特征，并且从局部描述了管道泄漏信号的瞬态正则性。对各级尺度系数进行了S形曲线拟合，此曲线能够完整地描述管道泄漏瞬变特征，其拐点区间描述了管道发生泄漏时的瞬变过程。     

小波域数字调制信号识别与码速率估计

根据小波变换后幅值的方差大小识别信号调制类型和不同码元对应采样点相位差的个数识别MPSK信号,及变换后直流电平个数识别MFSK信号,分析MPSK信号经多个尺度小波变换所得系数模的平方和的频谱,及MFSK信号经一次小波变换所得系数模的第2次小波变换幅值的频谱,估计MFSK信号码速率.仿真结果表明,该方法具有较高的精度及抗噪性.     

一种用于复小波变换的有效系数阈值

构造了用于抑制局部放电信号中白噪声的复小波，并分析了现有几种小波阈值的不足，根据局部放电的小波变换系数具有模极大值的特点，提出了有效小波系数阈值法．用有效小波系数阈值法对4种模拟局部放电信号和实验室实测局部放电信号进行去噪研究，并与史坦的无偏似然估计阈值法和极大极小原理选择阈值法进行了比较，结果表明有效小波系数阈值法具有自适应功能，抑制白噪声比较彻底。提取的局部放电信号失真较小．     

基于门限值小波包变换抑制局部放电白噪干扰

分析了局部放电在线监测系统中局部放电信号及白噪干扰小波变换特征，局部放电信号在大部分尺度上具有较大的幅度，而白噪声信号随尺度的增加而迅速趋于零，从而对信号在各个尺度上的小波系数设定一个门限，如果某尺度上的系数大于门限，则认为它对应于局部放电信号，否则对应于噪声信号。提出了用基于门限值的小波包变换方法从白噪中提取局部放电信号的方法。实测数据分析结果表明，经此法处理后信噪比明显提高，可用于在线监测局部放电信号中白噪干扰的抑制。     

GIS超高频局部放电在线监测技术应用研究

超高频(UHF)局部放电检测技术是目前国际上对气体绝缘全封闭组合电器(GIS)类设备普遍采用的状态监测技术,具有灵敏度高、抗干扰性好等特点。本文介绍了一个基于超高频局放检测技术的GIS设备在线监测系统,其中运用UHF传感器捕捉GIS内部局部放电信号,经过在线监测系统对捕捉信号进行信号采集、检测、运算和分类,结合人工智能专家判别系统,来分析GIS设备状态与故障特征。实际现场应用结果表明了该系统的有效性。     

变压器局部放电超高频信号传播特性仿真分析

变压器内部产生的超高频(UHF)电磁波信号在传播过程中,有很多因素会影响传感器所检测到的信号波形和能量.为了研究影响因素与UHF信号的关系,构建了变压器仿真计算的物理模型,并用时域有限差分法计算变压器内局部放电产生的UHF信号,通过分析UHF电磁波信号的幅值和能量累积曲线,研究了绕组和铁心、检测点与激励源间的距离、检测点附近不同金属导体位置等因素对UHF信号的影响.该研究结果有助于对UHF信号传播特性的理解以及提高信号检测的准确度.     

卷积混合模型分离算法与多局部放电混合信号分离

为了辨识GIS内多绝缘缺陷产生的单一PD信号,对多PD信号在GIS内的传播与混合机理进行深入分析,提出采用卷积混合模型描述其混合过程,并构建分离算法分离多PD信号以获取辨识所需的单一PD信号。结合PD信号的非平稳特性,将各多PD信号在时域空间下划分成短时内平稳的子信号集合,利用Molgedey-Schuste算法在频域内对子信号进行分离,再利用子信号包络线的相关性在频域对分离子信号进行重构,获取各单一PD信号,以实现对非平稳多PD信号的分离。经仿真和实测多PD信号的有效分离,证实了多PD信号在GIS内线性卷积混合特性的假设,同时为用外置UHF检测法获取多绝缘缺陷产生多PD信号的辨识提供了新方法。     

润滑油磨粒超声回波信号的双树复小波自适应降噪

针对润滑油磨粒含有强噪声的回波信号的问题,采用基于双树复小波变换(DT-CWT)的自适应降噪方法,从而提取清晰的磨粒回波信号. 该方法结合奇异谱分析(SSA)和小波熵理论,分别对双树复小波变换后的近似部分和细节部分进行分析. 奇异谱分析去除了近似部分包含的噪声,同时,小波熵理论能够自适应选取不同分解层上的阈值,实现了细节部分系数的自适应选择. 仿真表明,对于润滑油磨粒超声回波信号的双树复小波自适应降噪,输出信号信噪比(SNR)高、均方根误差(RMSE)小、相似系数(NCC)大,算法运算时间能够满足在线检测要求. 实验分析表明,该方法降低了信号中的噪声,还原了准确的波形特征.      

GIS局放超高频在线监测系统研制

利用超高频微带贴片天线传感器和超高频滤波放大器,实现了局部放电信号的采集、提取、调理和传输.采用LabVIEW图形化语言的虚拟仪器技术实现了对气体绝缘组合电器(GIS)设备局部放电信号的定时循环检测、信号处理、数据分析、缺陷类型模式识别、监测数据查询和绝缘状况初步评估等功能.该系统已在重庆市某220 kV级GIS变电站成功运行,试验运行结果表明,采用虚拟仪器技术的GIS局部放电超高频在线检测系统能实现GIS局部放电超高频检测.     

基于S变换和双向二维主成分分析的局部放电模式识别

为对不同类型局部放电信号进行识别,笔者提出一种新的特征提取方法.首先,制作了4种典型的局部放电人工缺陷模型,并通过S变换对采集的局部放电UHF信号进行时频分析;然后,采用双向二维主成分分析(2DPCA)对S变换幅值矩阵进行压缩以提取特征;最后,引入基于粒子群算法优化参数的支持向量机对样本特征集进行模式识别.识别结果表明:4种特征维数组合中,(10,5)组合的平均识别率最高,(5,5)组合最低;粒子群优化算法的引入大幅提高了支持向量机的分类性能,平均识别率均在94.43％以上,最高可达到97.67％.由此可见,经过S变换和双向2DPCA提取的特征集在维数显著约减的同时,保留了原始数据大部分信息量,能够获得较为理想的分类识别率.     

Mallat小波快速变换与IDRNN在卫星实时故障检测与识别中的应用

系统研究了面向复杂系统监测时变信号的实时故障检测与识别问题.采用滑窗Mallat小波快速变换克服传统小波变换的时域全局依耐性并提高计算效率,使之适应于实时故障检测;针对时变信号的故障模式识别难题,在故障检测基础上采用改进动态循环神经网络(improved dynamic recurrent neural network,IDRNN)进行智能故障识别.最后将滑动时窗小波检测模块及最优IDRNN网络模块嵌入某型完整卫星姿态控制系统仿真平台进行在线故障诊断.试验结果表明:实时条件下的滑动窗口小波变换与传统小波变换具有一致性,IDRNN对于时变信号识别具有较好的时域泛化能力,将滑窗移动时不变小波方法与IDRNN结合可以实现面向复杂系统监测实时信号的故障检测及复合模式分类.     

小波变换的时频分析及其在实际中的应用

由于小波变换自身的特性,它非常适合对非平稳和时变信号进行分析及处理。本文介绍了小波变换的时频分析,具体将小波变换应用于几个非平稳及时变信号的处理,并将小波变换和其他信号时频分析方法做了比较,得出了小波变换的优势和适用特点,最后给出了小波变换应用于信号去噪的例子。