基于EMD(经验模态分解)奇异值熵的城市轨道交通直流牵引供电系统短路故障辨识

针对现有保护对远端短路电流和列车充电电流区分能力较弱的问题,提出了一种基于EMD(经验模态分解)奇异值熵的辨识方法.通过对暂态电流进行EMD,获得特征向量矩阵,结合SVD(奇异值分解)和信息熵理论构造奇异值熵.远端短路时,暂态短路电流信号复杂,其奇异值熵大;而列车充电电流信号单一,其熵值小.因此,可根据奇异值熵大小识别短路故障.仿真和实测数据验证了该方法的有效性.     

弓网燃弧电流扰动的HHT(希尔伯特黄变换)分析

地铁线路接触网的弓网具有良好的受流质量是保障列车运营安全的前提,弓网燃弧则是评价弓网受流质量最直接的指标,而不同的燃弧强度会伴随着不同程度的牵引电流扰动。改进了HHT(希尔伯特-黄变换)中的EMD(经验模态分解)算法及EMD能量熵,并用于牵引电流扰动分析。通过对广州地铁2号线、3号线的数据分析发现,EMD能量熵能有效提取到牵引电流的扰动特征,且牵引电流扰动越严重,信号就越复杂,能量就越分散,对应的EMD能量熵也越大。     

基于EMD和包络分析的城轨列车滚动轴承故障诊断

为了准确识别城轨列车滚动轴承故障类型,研究了一种基于经验模态分解（EMD,Empirical Mode Decomposition）和包络分析的滚动轴承故障诊断方法。对滚动轴承的振动信号进行EMD分解,得到若干个本征模态函数（IMF,Intrinsic Mode Function）之和,对包含主要信息成分的IMF分量作包络分析,根据包络谱的故障特征频率判断滚动轴承故障类型。实验结果表明,该方法能够准确有效地识别城轨列车滚动轴承的故障类型。     

基于EMD模态相关和形态学降噪的齿轮故障诊断研究

为了从齿轮振动信号中提取出包含有故障信息的特征频率,针对现有EMD(Empirical Mode Decomposition)降噪算法中的IMF重构问题,提出了基于EMD模态相关和形态学降噪的齿轮故障诊断方法。首先采用EMD将目标信号分解为若干个IMF分量之和,利用模态相关分选准则选取噪声主导分量和信号主导分量的分界点,并利用各个IMF分量的自相关函数来验证该准则的正确性;然后将选到的噪声主导分量进行形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应的寻求最优解;最后将滤波后的噪声分量与剩余分量进行重构,得到滤波重构信号,通过频谱分析识别齿轮故障特征频率。仿真数据和齿轮裂纹故障实验测试数据的分析表明,该方法滤波效果理想,能更有效地提取出齿轮故障特征。     

基于EMD广义能量的列车车轮故障诊断技术

针对列车车轮故障诊断,研究基于经验模态分解(EMD)广义能量法诊断技术。首先对钢轨振动信号进行经验模态分解,选取出有效本征模函数分量并赋予权重系数,然后求出各分量的能量加权和作为该信号的EMD广义能量值,最后确定出正常车轮的EMD广义能量安全域阈值,判断车轮的故障状态。采用仿真的正常及故障车轮的钢轨振动信号进行实验,验证提出的方法对正常和故障车轮的识别准确率达到90%以上。     

基于阶跃激励响应的牵引电机定子早期匝间短路故障诊断方法

为了实现对牵引电机定子绕组匝间短路早期故障的可靠诊断,文章提出了一种基于阶跃激励稳态响应电流的故障诊断方法。首先根据牵引电机三相定子绕组匝间短路模型,对定子绕组任意两相施加阶跃激励,推导出3种情况下的响应电流表达式,并依据响应电流稳态值的变化特征提出新的故障特征分量;然后,搭建故障电机仿真模型,分析短路电阻和短路故障严重程度对响应电流的影响,研究故障特征分量对早期匝间短路故障诊断的有效性与可靠性;最后搭建试验平台,分析当电机固有不对称时,匝间短路故障对故障特征分量的影响。仿真与试验结果表明,该故障特征分量可以表示早期的匝间短路故障及其严重程度,并且能滤除电机固有不对称的影响。基于阶跃激励稳态响应电流的诊断方法操作便捷,结果可靠性高,对保护牵引系统的安全具有极大意义,且具备极大的工程应用价值。     

三相V/V牵引变压器励磁涌流的识别

牵引变压器差动保护的关键问题是如何有效识别励磁涌流与故障电流.等效瞬时电感算法能从本质上反映变压器的运行状态,能够准确识别励磁涌流与故障电流.对于三相V/V牵引变压器,其接线形式特殊,运行环境恶劣,二次谐波制动判据往往不能有效闭锁.目前,等效瞬时电感算法已经很普遍地应用于电力变压器,但该算法还没有应用于三相V/V牵引变压器识别励磁涌流和故障电流.本文对现有的等效瞬时电感算法的计算条件和运算单元进行修正,通过计算非饱和区等效瞬时电感的平均值识别三相V/V牵引变压器的励磁涌流与故障电流.通过动模实验验证算法的有效性,实现对励磁涌流与匝间短路的可靠识别,并具有抗电流互感器饱和的特性.     

列车牵引逆变器输出电能品质及其故障特征研究

列车牵引逆变器输出电能品质与牵引系统关键部件的工作状态紧密耦合。分析了牵引电机转子断条故障、电机定子匝间短路故障及逆变器IGBT开路故障状态下定子电流的特定谐波分量特性。针对定子电流故障特征,使用快速傅里叶变换(FFT)对故障特征进行识别,提取特定谐波分量,提出了以特定谐波分量含量与基波含量比值大小定位故障部件的故障诊断方法。搭建了牵引系统状态监测仿真模型,验证了提出的故障特征与故障诊断方法的正确性和有效性。     

基于卷积神经网络的牵引电机定子绕组匝间短路故障诊断

为实现牵引电机定子绕组匝间短路故障诊断,提出一种基于一维卷积神经网络(one-dimensional convolutional neural network, 1D-CNN)的故障诊断方法。首先对电机健康状态、不同相发生匝间短路故障及不同故障严重程度下的定子电流进行三层小波分解,得到小波分解高频系数和低频系数;求取小波分解系数的二范数,作为电机电流的特征;设计并训练1D-CNN,将训练好的1D-CNN作为分类器,实现牵引电机定子绕组匝间短路故障“端到端”的智能诊断。设计并搭建异步电机定子绕组匝间短路故障诊断实验平台。实验结果表明：所提方法可以准确有效诊断出轻微的匝间短路故障。在闭环控制下,电机发生1匝短路故障时,诊断正确率达到90.5%,并能够有效区分故障相。     

基于EEMD模糊熵和GA-SVM的牵引网故障诊断研究

牵引网发生故障时，如何快速诊断故障对维护铁路的正常运输秩序有极大影响，针对这一问题，提出一种基于EEMD模糊熵和GA-SVM的故障诊断方法。选取牵引网馈线电压在故障发生时刻后两个周期的故障分量波形作为原始故障信号，首先，对其进行EEMD分解得到一系列的本征模态函数(IMF)分量，选取IMF1～IMF3分量并计算其模糊熵作为表征不同故障类型的特征量；然后，为对故障类型进行诊断，建立多分类支持向量机(SVM)模型，将特征量输入至SVM模型中进行训练和识别；同时，为使模型的性能达到最佳，采用遗传算法(GA)对模型进行优化。测试结果表明，该方法能够有效地对5种典型牵引网故障进行诊断，且准确率达到了96%,验证了该方法的可行性。     

列车轴箱轴承在途鲁棒可视化故障诊断方法

为使列车轴箱轴承在非平稳工况下的故障识别更加有效,本文提出基于融合相关熵特征的鲁棒可视化滚动轴承故障诊断方法。通过快速集成经验模态分解FEEMD对轴承振动信号进行时频分解,提取本征模函数IMF矩阵;计算IMF与原始信号的线性相关系LCC作为相关熵的调幅系数,进而通过相关统计计算获得样本集的多维相关熵矩阵CM;利用主元分析PCA对CM进行数据空间变换,通过提取变换后的融合相关熵矩阵ICM,实现相关熵矩阵的可视化。通过实验分别提取匀加速、匀速及匀减速3种运行工况下的滚动轴承ICM特征,通过对比EMD、EEMD和FEEMD 3种信号分解方法,发现FEEMD的信号分解效率更高,且ICM比传统特征对非平稳工况下轴承故障辨识的鲁棒性更好。FEEMD-ICM为轴箱轴承快速、客观且稳定的故障诊断实现提供了可靠的理论依据和技术支持。     

基于VMD-FastICA的齿轮箱故障诊断

针对齿轮箱故障信号微弱且易受周围噪声影响的问题,提出了一种基于变分模态分解(VMD)的独立分量(ICA)算法。该方法首先将采集的信号进行MCKD降噪,将降噪后的信号利用VMD算法分解为多个不同的本征模态分量(IMF),然后依据快速谱峭度图和相关系数选取有效的IMF分量进行重构信号,对于重构信号利用FastICA再次进行降噪处理,根据FastICA降噪后得到的故障特征分量,可以有效地识别故障。结果表明:该方法可以更清晰、准确地提取出故障特征频率和找出故障发生的位置。     

模态特征分量(IMF)在轴承故障诊断中的选用原则综述

经验模态分解(Empirical Mode Decomposition, EMD)及其衍生算法近年来在轴承故障领域得到了广泛应用。该类算法可以基于振动信号自身的特点对其进行自适应分解，得到一组蕴含不同频率成分的固有模态函数(Intrinsic Mode Function, IMF)。但是该类算法由于自身分解规则的缺陷不可避免地存在端点效应与模态混叠现象，从而产生了一些虚假IMF分量，影响轴承故障诊断的准确性。此外，EMD类算法分解得到的IMF通常是噪声或干扰信号，只有少数分量能够反映轴承故障特征。因此，如何筛选含有丰富故障信息的敏感IMF是该类算法的关键。文章首先介绍了EMD及其衍生算法，然后总结了目前在滚动轴承故障诊断领域中选取敏感IMF的主要准则，并阐述了其优缺点。     

基于EMD-Kurtosis的牵引电机轴承故障特征识别

文章利用经验模态分解的方法将牵引电机轴承振动信号分解成各阶本征模态函数IMF,并将各阶IMF进行傅里叶变换得到各阶IMF的频率,根据故障轴承频率特征和本征模态函数的频率对应关系,对该本征模态函数进行峭度分析,进而能够更加精确识别轴承故障特征。     

基于HHT方法的电气化铁道谐波检测与分析

将希尔伯特-黄变换(HHT)方法用于电气化铁道谐波检测中.由于电气化铁道谐波电压、电流信号中基波能量很大,其它次数的谐波能量相对较小,使得经验模态分解 (EMD)方法在应用中出现模态混叠现象,不能准确地提取任意频率的谐波信号.为改善经验模态分解过程中产生的模态混叠现象,本文采用Yang提出的基于Fourier变换的EMD方法对电气化铁道谐波信号进行筛分.通过该方法可以有效地提取出任意频率的谐波分量,进而计算其Hilbert谱.通过对电气化铁道牵引变电所实测谐波电压、电流数据进行分析,结果表明:利用改进的HHT方法可以得到电气化铁道各次谐波准确的时频分布.最后通过HHT方法计算出各次谐波电压、电流含有率及总谐波电压、电流畸变率,并对计算结果进行分析.HHT 方法为电气化铁道谐波检测与分析提供了一种新的途径.     

多通道相关-经验模式分解在滚动轴承故障诊断中的应用

在处理非平稳振动信号时,经验模式分解(EMD)的应用较为广泛。针对滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果有时也不够明显的情况,本文提出了多通道相关-经验模式分解方法。首先通过EMD将滚动轴承故障信号分解成若干本征模态函数(IMF)分量;然后对IMF分量进行多相关处理,取相关性最强的IMF分量进行自适应重构;最后通过循环谱分析识别出滚动轴承的故障类型。将该方法应用到滚动轴承的仿真故障数据和实际数据中,分析结果表明,该方法可以更加有效地提取滚动轴承故障特征频率信息,突出故障频率。     

级联和应涌流对牵引变压器差动保护的影响分析

从牵引变压器励磁电压变化导致励磁电流变化的角度分析处于运行状态的牵引变压器级联和应涌流的发生发展过程,以及级联和应涌流对牵引变压器差动保护的影响。在变压器空投时,起始涌流流过系统电阻时使公共节点上的电压出现非周期波动,从而引起处于运行状态变压器的励磁电压发生变化,导致级联和应涌流的产生;级联和应涌流中的直流分量是引起电流互感器饱和、进而导致牵引变压器差动保护误动的主要原因。动模实验结果表明:仅依靠综合谐波制动判据是无法准确识别级联和应涌流的,应增加电流互感器饱和的识别或使用不易饱和的电流互感器。     

基于形态学滤波和CEEMDAN-WVD的车轮失圆诊断

现有列车车轮失圆监测方法的准确性受车速及线路条件影响较大,为了更准确地监测车轮服役状态,文中提出基于形态学滤波和CEEMDAN-WVD的车轮失圆诊断方法：车辆轴箱垂向振动加速度经数学形态学滤波器滤波降噪后,运用完全噪声辅助聚合经验模态分解（CEEMDAN）将其分解为一系列的固有模态函数（IMF）,然后选取能量熵增量相对较大的几阶IMF分量进行Wigner-Ville分布（WVD）计算,从而叠加得到轴箱振动加速度的多尺度时频图,最后根据多尺度时频图的分布特征来诊断车轮状态。通过仿真分析和工程实例研究结果表明,运用该方法可有效地识别复杂工况下的车轮服役状态。     

基于Gabor变换和EMD的轴承故障诊断

基于振动信号处理的轴承故障诊断方法应用非常广泛。由于在实际采集的振动信号中往往混合着干扰信号,因此提出了一种基于Gabor变换的盲源分离和基于经验模态分解(EMD)的Hilbert包络谱分析相结合的故障诊断方法。首先采用基于Gabor变换的盲源分离方法对振动信号进行盲源分离,然后利用EMD方法进行分解获得本征模式函数(IMF)分量,再通过局部细化Hilbert包络谱方法分析判断轴承故障的特征。研究结果表明,通过对轴承振动信号进行盲源分离和EMD分解,可以使信号的故障特征更加明显,从而提高故障诊断的准确性。     

基于深度高斯过程的永磁牵引电机匝间短路分级评估方法

定子绕组匝间短路是影响永磁牵引电机安全稳定运行的主要故障之一,受运行工况、供电与电机本体不平衡的影响,现有方法难以实现永磁牵引电机匝间短路在线精准评估,这成为永磁电机推广应用迫切需要解决的关键技术难题。因此,文章提出一种基于多特征融合的深度高斯过程永磁牵引电机匝间短路分级评估方法：首先通过建立永磁牵引电机匝间短路故障模型,提取电流不平衡、电流三次谐波与dq电流的二次谐波特征;然后采用一种双随机变分推断深度高斯过程（Doubly Stochastic Deep Gaussian Processes,DSDGP）方法对提取特征进行融合训练建模,实现永磁牵引电机匝间短路劣化状态在线分级评估;最后通过永磁电机匝间短路试验与现场案例进行算法验证。结果表明,文章所提方法在多特征融合条件下的评估准确率达到95%以上,相较于支持向量机（support vector machine, SVM）和反向传播神经网络（back-propagation neural, BPN）等分类方法,具有准确率高,适用于变工况、小样本的工程实际应用环境等优点,解决了永磁牵引电机匝间短路早期故障检测及故障严重程度评估的行业难...