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。     

基于随机共振和维纳滤波的图像复原技术研究

随机共振不同于维纳滤波等传统信号处理方法,在非线性系统作用下,能利用噪声实现对强噪声背景下弱信号的处理。考虑到随机共振与维纳滤波算法的优势和不足,提出和实现了基于双稳态随机共振与维纳滤波的图像自适应复原增强算法;该算法在利用行列扫描对图像进行降维的基础上,引入拉伸变换提升图像质量;并经维纳滤波进行优化处理。仿真结果和实际应用表明:所提算法具有很好的鲁棒性,无论是复原低信噪比信号还是高信噪比信号,复原效果都优于维纳滤波和小波变换等传统复原算法和基于双稳态系统复原算法。在噪声滤除及提升图像对比度和清晰度上具有更好效果,特别是在复原被强噪声污染的信号,即信噪比很低的信号时,所提算法抑制噪声能力更强,复原效果更好。该算法克服了随机共振处理高信噪比信号效果不佳和鲁棒性差等问题,在弱信号提取,特别是强噪声和暗环境下的图像处理方面具有一定的应用前景。     

基于小波变换的故障信号检测

分析了小波变换的时频局部化特性及基于多分辨分析的信号小波的分解算法 ,研究了信号局部奇异性在小波变换下的特性 ;根据故障信号的局部奇异性在小波变换下模的极大值及其在不同尺度上的传播特性 ,对 30 8型滚动轴承振动加速度故障信号进行分解 ,对故障特征信号进行时域定位 ,并提取了故障特征频率f=46 .88Hz,这与实际的故障特征频率相近 ,说明该方法适用于滚动轴承的在线监测和故障诊断     

有源干扰背景下基于CFAR的信号检测方法改进

针对瑞利噪声分布的回波信号,单元平均CFAR算法是一种简单有效的信号检测方法。当回波背景中加入有源噪声干扰时,该检测方法受到限制。首次以噪声调幅干扰为信号杂波背景,建立数学模型。基于CFAR算法,分析该有源噪声干扰对信号检测概率的影响。对CFAR算法进行改进,使得信号检测方法适用于信号杂波背景的变化。最后通过仿真验证了此改进的CFAR算法提高了噪声干扰背景下信号的检测概率,并达到抗干扰的目的。     

基于小波变换自适应匹配的高速铁路牵引网故障单端行波定位法

为减少高速铁路牵引网故障行波传播色散特性对行波波头检测和波速测量的影响,提高高速铁路牵引网故障行波定位的准确度,提出了基于小波变换自适应匹配的高速铁路牵引网故障行波定位方法。该法结合小波变换奇异性与相似性算法,对行波信号进行分析,提取小波函数多尺度分解结构重构的高频信号进行故障行波定位。行波波头到达时间由该高频信号经相似性算法分析,获取特征值点位置计算。行波的传播参考速度由模拟实验分析结果所得。现场测试故障行波数据分析表明,该高速铁路牵引网故障行波定位方法能有效提取故障行波特征,并消除行波传播色散特性影响,定位误差<100 m。     

齿轮局部故障振动信号分析及提取方法研究

以齿轮局部故障为研究对象,建立了齿轮故障的振动模型,导出了齿轮局部故障的振动机理,分析了齿轮无故障振动信号和齿轮局部故障振动信号成分的异同点。在MATLAB环境下,采用小波变换算法对故障信号进行降噪处理,用希尔伯特变换对故障振动信号进行解调处理。结果表明,小波变换对强噪声干扰的机械振动信号能够进行有效的降噪处理,希尔伯特变换能从降噪后的故障振动信号中提取齿轮局部故障的特征信息。该结果在机械故障诊断中具有良好的实用价值。     

用于语音识别的基于高谱分辨率的谱减法

提出了一种新的基于高谱分辨率的谱减法,通常噪音帧和带噪语音帧具有相同的长度且都是短时帧,对短的噪音帧和带噪语音帧做傅立叶变换得到的谱分辨率低导致谱减法性能下降严重。基于平稳或接近于平稳的背景噪音下合并所有噪音帧再做傅立叶变换以提高噪音帧的谱分辨率;通过对带噪语音信号在时域进行前向和后向的延拓再做傅立叶变换以提高带噪语音信号的谱分辨率,在有效抑制噪音的同时减少了语音谱的失真并提高了系统识别率。     

基于同步挤压小波变换的配电网单相高阻接地故障选线

为提高配电网单相接地故障选线的成功率,提出了一种基于同步挤压小波变换的配电网单相高阻接地故障选线新方法。该算法首先通过同步挤压小波变换方法确定各馈线的最大时频脊线,计算最大时频脊线下的挤压能量和挤压相角。在此基础上,通过闵可夫斯基距离来表征每条线路的故障特征,并以此特征区别接地与非接地馈线。仿真实验结果显示,该选线算法受故障位置,过渡电阻,初始角度,馈线结构等因素的影响较小,能够准确地识别故障线路。对比其他已知算法,该算法对电流信号的处理精度更高,能更好适应复杂的配电网系统。     

正交频分复用调制雷达高速弱目标检测算法

为提高正交频分复用(OFDM)调制雷达对高速弱目标的检测能力,提出了一种基于相参Radon变换的OFDM调制雷达高速弱目标检测算法。首先分析了高速弱目标回波信号模型以及对其进行长时间相参积累时出现的跨距离单元走动问题,然后采用相参Radon变换算法沿距离单元走动斜线对其进行长时间相参积累,并研究了其存在速度模糊情况时的参数估计方法。理论分析和仿真结果表明,该算法具有比非相参Radon变换和动目标检测(MTD)更优的低信噪比(SNR)背景下的目标检测性能,并能进行有效的参数估计。     

基于交叉验证法优化参数的Morlet小波消噪方法

针对机械监测故障信号的非平稳性特点,提出一种基于交叉验证法优化参数的Morlet小波消噪方法。选择与机械冲击振动波形相似的Morlet小波,对Morlet母小波进行改进,增加了波形调整参数。通过交叉验证方法设计了改进Morlet小波的波形参数和变换尺度。对信号进行连续小波变换(CWT),实现对含噪信号的滤波消噪。将该方法应用于齿轮故障检测中,对比2种传统的小波消噪方法,验证该方法能够提取出强噪声背景下的有效信号特征成分,具有较好的滤波消噪效果。     

声纳探测信号自适应脉冲噪声对消算法

针对浅海环境噪声严重影响声纳探测信号检测性能的问题,提出了一种非线性变换的自适应脉冲噪声对消算法。算法首先对回波信号和参考通道噪声信号同时进行非线性变换,对脉冲噪声进行软阈值滤波,在此基础上,采用最小均方误差算法实现自适应噪声对消,可获得稳健的收敛性能。α-稳定分布脉冲噪声条件下的仿真和某次实验中的声纳探测回波信号处理证明了算法的有效性。     

基于参考信号频域半盲提取的机械故障特征声学诊断

针对生产现场机械设备零部件结构复杂、设备运行时背景噪声干扰严重等造成的监测诊断难题,以及传统盲信号处理算法在机械声信号处理方面的局限性,提出一种基于参考信号约束频域半盲提取的机械故障声学诊断算法。详细介绍了该算法的关键技术:以频域盲解卷积算法为基础,使用利于全局寻优的人工鱼群算法,构建适用于机械故障特征的改进多尺度形态学滤波器,以最大程度削弱背景噪声干扰;结合机械设备零部件结构参数构建参考信号,通过单元参考信号约束频域半盲提取算法,对降噪后的信号逐段进行复数盲分离;利用改进KL距离,解决复分量间次序不确定性问题,最终实现机械故障特征信号的提取与分离。实际声场环境中的滚动轴承故障声学诊断实验验证了该算法的有效性。     

基于改进二阶循环平稳解卷积的轴承故障检测方法

针对涡轴发动机主轴轴承故障特征难以提取,背景噪声干扰大的问题,提出了改进二阶循环平稳解卷积(PSO-CYCBD)方法,用于提取强噪声背景下的故障特征频率.该方法采用粒子群优化(PSO)算法对二阶循环平稳解卷积(CYCBD)方法中的滤波器长度参数进行寻优.首先,基于故障轴承振动特点建立信号模型,然后用PSO算法对包络谱故...     

一种基于小波变换的去噪新算法

提出一种去除观测信号中白噪声的新方法．分析了白噪声和一般信号的小波变换系数的不同特点，对Hampel滤波器进行了改进．利用白噪声和一般信号小波变换系数的不同特点，用改进后的滤波器对信号小波变换系数序列进行滤波处理，从而达到降噪的目的．仿真结果表明，滤波算法对不同种类、不同信噪比的信号有很好的降噪效果，尤其适用于强噪声背景下弱信号的检测。     

基于HHT及共振解调方法的动车组走行部轴箱轴承故障诊断算法

针对动车组走行部轴箱振动信号非平稳、非线性且背景噪声频率分布范围广的复杂特性,设计了改进的希尔伯特-黄变换算法(Hilbert-Huang Transform,HHT),综合利用了HHT方法有效平稳化信号及共振解调方法有效提高信噪比的优点.通过分析动车组运行过程中轴箱轴承背景噪声成分,进行了轴箱轴承故障信号的仿真.对仿真信号分别使用HHT方法,共振解调方法及本文所设计方法进行故障分析.结果表明:相比HHT方法与共振解调方法,本文所设计方法可有效提取故障信息并分析故障类型.适用于分析高速动车组走行部特有的振动信号特征.为我国高速动车组故障诊断提供了新思路.     

利用Radon-Wigner变换的LFM信号检测性能分析

针对线性调频(LFM)信号的检测问题,通过利用LFM信号在时频平面上的能量聚集特性,采用Radon-Wigner变换(RWT)实现了LFM信号的检测,并对其检测性能进行了分析,得到了噪声背景下RWT输出的信噪比,进一步推导了高斯白噪声下的检测概率.仿真实验证明了这种方法的有效性,且在低信噪比环境下有着较好的检测性能.     

基于分数阶小波的频谱感知算法

针对非平稳信号在低信噪比下使用能量感知算法感知效果差的问题,提出了一种基于分数阶小波的频谱感知算法。首先对接收信号进行分数阶小波变换达到能量聚集与去噪处理的目的,之后对重构信号进行能量感知。仿真结果表明,该算法相比于传统的能量感知算法以及基于小波变换的能量感知算法,可以提高在低信噪比下对非平稳信号的感知效果。在感知概率为0.3时,基于分数阶小波的能量感知算法比传统的能量感知算法和基于小波变换的能量感知算法分别提高了6 d B和2 d B的信噪比增益;在虚警概率恒为0.1时,基于分数阶小波变换的频谱感知算法的感知概率为0.867,明显高于传统能量感知算法0.287的感知概率和基于小波变换的频谱感知算法0.628的感知概率。     

起伏背景噪声下地震波传感器阵列目标检测算法研究

针对起伏背景噪声下传统地震波传感器阵列检测算法虚警概率高、检测概率低的问题,提出一种基于信号相关性的阵列目标检测算法.利用传感器阵列在一个检测周期内接收到的数据建立信号检测矩阵,由检测矩阵列向量之间的相关性标记信号中目标成分的大小,进而引入相关性参数并构建检测统计量,利用信号相关消除时变的环境噪声干扰,有效克服起伏噪声对目标检测结果的影响.推导算法虚警概率与检测门限之间的定量关系,得到一定虚警率下的检测概率.基于计算机仿真和舰船目标实测试验对比本文提出算法与现有方法,结果表明本文算法可以在起伏背景噪声下有效检测出目标,且检测性能优于现有检测算法.     

小波包变换在煤与瓦斯突出预测中的应用

针对目前滤噪技术不能很好地使声发射监测得以准确预报的情况,进行了基于小波包变换的去噪研究.该研究利用信号的小波包分析、计算和最优小波包基选取的方法,通过计算机数值计算,模拟了强噪声下声发射信号检测,并通过Sym8小波包与小波变换去噪的比较,证明前者优于后者.用小波包变换进行消噪处理,噪声消除彻底,提高了预警准确性.     

用于行波保护的启动新算法研究

所有微机继电保护装置中都设有启动元件,行波启动元件是超高速保护必不可少的组成部分.文章从度量函数Lipschitz系数的小波理论出发,并结合对行波信号的分析,借鉴小波变换分析暂态行波的基本思想,将小波变换应用到暂态行波信号的提取和分析,探讨了一种新型的信号检测方法-小波变换模之和法(WTMS),以"影响锥"内小波变换模的积分来度量信号的奇异性,用以准确检测、区分故障行波与噪声干扰,避免在故障时拒动的现象,从而弥补了以往行波启动算法的不足.大量的Matlab仿真实验验证了该算法的快速和可靠性.