CN110135293A - 一种风力发电机电振动信号消噪方法及存储介质 - Google Patents
一种风力发电机电振动信号消噪方法及存储介质 Download PDFInfo
- Publication number
- CN110135293A CN110135293A CN201910354280.9A CN201910354280A CN110135293A CN 110135293 A CN110135293 A CN 110135293A CN 201910354280 A CN201910354280 A CN 201910354280A CN 110135293 A CN110135293 A CN 110135293A
- Authority
- CN
- China
- Prior art keywords
- modal components
- entropy
- vibration signal
- multiple dimensioned
- wind
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
本发明涉及一种风力发电机电振动信号消噪方法及存储介质,所述方法包括以下步骤:通过变分模态分解算法将风力发电机振动信号分解为一组模态分量;分别计算每个模态分量的多尺度排列熵值;对每个模态分量的多尺度排列熵值进行判断是否超过预设熵值;若超过预设熵值,对多尺度排列熵值超过预设熵值的模态分量进行降噪处理;将经过降噪处理的模态分量及未经过降噪处理的模态分量进行组合重构得到降噪后的振动信号。通过变分模态分解与多尺度排列熵进行结合对振动信号进行消噪,可以有效减少信号的失真,消噪效果好。
Description
技术领域
本发明涉及风力发电机技术领域,特别涉及一种风力发电机电振动信号消噪方法及存储介质。
背景技术
风能作为一种清洁、可再生能源越来越受到人们的重视,风力发电机在全球范围内迅猛发展。如何确保风力发电机稳定、高效的运行成了一项关键技术,振动信号能够反映机械内部信息,对振动信号的分析广泛用于旋转机械的早期故障诊断。
然而,实际采集到的振动信号由于各种原因常含有大量的干扰信号。在振动信号预处理过程中首先就必须对干扰信号滤波。
在信号噪声处理方面,已有很多方法被研究和应用。传统的滤波方法对于连续平稳信号可以取得较好的滤波效果,但对于非平稳、非线性信号则无法达到同等效果,甚至滤波后导致信号失真。为此,许多学者提出了粒子滤波、贝叶斯滤波、小波滤波、卡尔曼滤波、自适应滤波、数学形态滤波等方法。
采用卡尔曼滤波对光纤陀螺漂移信号进行消噪,达到非平稳随机情况下的最优滤波且性能优越。然而它只有在信号和噪声统计特性已知的情况下,才能获得最优滤波,而在实际工程应用中,往往无法得到这些统计特性,因此很难实现真正的最优滤波;数学形态学应用于旋转机械振动信号中,并通过仿真取得了良好的实验效果,但还有许多问题需要进一步解决,如存在如何选取最优估计结构元素和形态变换;各种基于小波分析的滤波方法也被用于信号滤波处理,效果明显优于其它非线性和线性滤波方法。但是,但小波函数是不具备唯一性,往往只能通过不断地实验来选择小波函数和参数确定;而现有文献《Denoising of ECG signals based on noise reduction algorithms in EMD andwavelet domains》(Kabir MA,Shahnaz C.Biomedical Signal Processing and Control,2012,7(5):481-489.)提出一种基于EMD和离散小波变换(DWT)域的降噪算法,消噪效果整体上优于传统的基于EMD或DWT消噪方法。经验模态分解(Empirical Mode Decomposition,EMD)是一种非线性信号分析方法,它可以将一个复杂信号分解成多个IMF的组合。但EMD依赖于信号局部极值信息,容易产生模态混叠问题,模态分解过多,导致消噪效果不佳。Dragomiretskiy于2014年最近提出的一种多分量信号自适应分解方法,即变分模态分解。该方法分解过程是通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽,从而能够自适应地实现信号的频域剖分及各分量的有效分离。相比EMD,VMD相当于一组自适应的维纳滤波器,所以不存在EMD方法固有的模态混叠,表现出更好的噪声鲁棒性。风电机组通常环境噪声干扰较为严重,振动信号故障特征微弱,VMD算法只能完备的分解信号,有时无法突出微弱故障信号。
发明内容
为此,需要提供一种风力发电机电振动信号消噪方法及存储介质,解决现有基于VMD算法对信号分解无法突出微弱故障信号的问题。
为实现上述目的,发明人提供了一种风力发电机电振动信号消噪方法,包括以下步骤:
通过变分模态分解算法将风力发电机振动信号分解为一组模态分量;
分别计算每个模态分量的多尺度排列熵值;
对每个模态分量的多尺度排列熵值进行判断是否超过预设熵值;
若超过预设熵值,对多尺度排列熵值超过预设熵值的模态分量进行降噪处理;
将经过降噪处理的模态分量及未经过降噪处理的模态分量进行组合重构得到降噪后的振动信号。
进一步优化,所述降噪处理为小波降噪处理。
进一步优化,所述“通过变分模态分解算法将风力发电机振动信号分解为一组模态分量”具体包括以下步骤:
将风力发电机振动信号f(t)通过傅里叶等距变换,转换为时域信号
初始化模态分量中心频率拉格朗乘法算子n←0;
n=n+1;
利用公式和更新和中心频率α为二次惩罚因子;
对于所有ω≥0,更新双上升步长:τ为噪声容限参数;
判断和是否满足收敛条件公式:其中ξ>0;
若满足,则停止迭代,将得到的进行傅里叶逆变换的得到时域信号,输出一组模态分量uk(t);
若不满足,则返回至n=n+1,继续迭代。
进一步优化,所述“分别计算每个模态分量的多尺度排列熵值”具体包括以下步骤:
将得到的一组模态分量作为时间序列X={xi,i=1,2,…,N}进行粗粒化处理得到粗粒化序列:s为尺度因子,s=1,2,…,[N/s]表示对N/s取整数;
对得到的粗粒化序列进行实践重构得到重构序列l是第l个重构分量,l=1,2,…,N-(m-1)τ,m为嵌入维数,τ为延迟时间;
对重构序列进行升序排列得到升序序列r1,r2,…,rm表示重构序列中各个元素原始位置索引;
根据嵌入维数m,重构序列共有m!中排列,则可以得到一组符号序列βq={r1,r2,…,rm},q=1,2,…,k,k≤m!;
根据每一种符号序列出现的概率Pq,则时间序列在多尺度下的排列熵为
对于Pq=1/m!时,Hp(m)取得最大值为ln(m!),对Hp(m)进行归一化处理得到每个模态分量的多尺度排列熵值Hp=Hp(m)/ln(m!)。
进一步优化,所述预设熵值为3。
发明人还提供了另一个技术方案:一种存储介质,所述存储介质内存储有计算机程序,所述计算机程序被处理器运行时执行以下步骤:
通过变分模态分解算法将风力发电机振动信号分解为一组模态分量;
分别计算每个模态分量的多尺度排列熵值;
对每个模态分量的多尺度排列熵值进行判断是否超过预设熵值;
若超过预设熵值,对多尺度排列熵值超过预设熵值的模态分量进行降噪处理;
将经过降噪处理的模态分量及未经过降噪处理的模态分量进行组合重构得到降噪后的振动信号。
进一步优化,所述降噪处理为小波降噪处理。
进一步优化,所述处理器执行步骤“通过变分模态分解算法将风力发电机振动信号分解为一组模态分量”具体执行以下步骤:
将风力发电机振动信号f(t)通过傅里叶等距变换,转换为时域信号
初始化模态分量中心频率拉格朗乘法算子n←0;
n=n+1;
利用公式和更新和中心频率α为二次惩罚因子;
对于所有ω≥0,更新双上升步长:τ为噪声容限参数;
判断和是否满足收敛条件公式:其中ξ>0;
若满足,则停止迭代,将得到的进行傅里叶逆变换的得到时域信号,输出一组模态分量uk(t);
若不满足,则返回至n=n+1,继续迭代。
进一步优化,所述处理器执行步骤“分别计算每个模态分量的多尺度排列熵值”具体执行以下步骤:
将得到的一组模态分量作为时间序列进行粗粒化处理得到粗粒化序列:s为尺度因子,s=1,2,…,[N/s]表示对N/s取整数;
对得到的粗粒化序列进行实践重构得到重构序列l是第l个重构分量,l=1,2,…,N-(m-1)τ,m为嵌入维数,τ为延迟时间;
对重构序列进行升序排列得到升序序列r1,r2,…,rm表示重构序列中各个元素原始位置索引;
根据嵌入维数m,重构序列共有m!中排列,则可以得到一组符号序列βq={r1,r2,…,rm},q=1,2,…,k,k≤m!;
根据每一种符号序列出现的概率Pq,则时间序列在多尺度下的排列熵为
对于Pq=1/m!时,Hp(m)取得最大值为In(m!),对Hp(m)进行归一化处理得到每个模态分量的多尺度排列熵值Hp=Hp(m)/ln(m!)。
进一步优化,所述预设熵值为3。
区别于现有技术,上述技术方案,通过变分模态分解算法对风力发电机的振动信号进行分解得到一组模态分量,然后分别计算各个模态分量的多尺度排列熵值,根据多尺度排列熵值评估各个模态分量含有的随机噪声,当多尺度排列熵值越大,则信号随机越大,结合消噪处理对多尺度排列熵值大的模态分量进行消噪后,重构模态分量,得到消噪后的振动信号。变分模态分解方法相当于一组自适应的维纳滤波器,不存在经验模态分解方法固有的模态混叠,具有更好的噪声鲁棒性,而且,多尺度排列熵具有很好的抗干扰能力,通过变分模态分解与多尺度排列熵进行结合对振动信号进行消噪,可以有效减少信号的失真,消噪效果好。
附图说明
图1为具体实施方式所述风力发电机电振动信号消噪方法的一种流程示意图;
图2为具体实施方式所述存储介质的一种结构示意图。
附图标记说明:
200、存储介质。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图1,本实施例所述风力发电机电振动信号消噪方法,包括以下步骤:
步骤S110:通过变分模态分解算法将风力发电机振动信号分解为一组模态分量;变分模态分解算法(Variational mode decomposition,VMD),即一种多分量信号自适应分解方法,通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽,从而能够自适应地实现信号的频域剖分及各分量的有效分离。通过变分模态分解算法将风力发电机振动信号分解成一系列具有稀疏特性的模态分量,每个模态分量都是基于中心频率与有限带宽滤波后的信号。
步骤S120:分别计算每个模态分量的多尺度排列熵值;多尺度排列熵(Multi-scale Permutation Entropy,MPE)方法是在排列熵基础上提出的一种新兴的非线性方法,而排列熵(Permutation Entropy,PE)是衡量时间序列不确定度的指标,它具有计算简单、鲁棒性强等优点,与排列熵相比,多尺度排列熵具有更好的抗干扰能力。
步骤S130:对每个模态分量的多尺度排列熵值进行判断是否超过预设熵值;
若超过预设熵值,则执行步骤S141:对多尺度排列熵值超过预设熵值的模态分量进行降噪处理;
若未超过预设熵值,则执行步骤S142:对多尺度排列熵值未超过预设熵值的模态分量不进行降噪处理;
步骤S150:将经过降噪处理的模态分量及未经过降噪处理的模态分量进行组合重构得到降噪后的振动信号。
通过变分模态分解算法对风力发电机的振动信号进行分解得到一组模态分量,然后分别计算各个模态分量的多尺度排列熵值,根据多尺度排列熵值评估各个模态分量含有的随机噪声,当多尺度排列熵值越大,则信号随机越大,结合消噪处理对多尺度排列熵值大的模态分量进行消噪后,重构模态分量,得到消噪后的振动信号。变分模态分解方法相当于一组自适应的维纳滤波器,不存在经验模态分解方法固有的模态混叠,具有更好的噪声鲁棒性,而且,多尺度排列熵具有很好的抗干扰能力,通过变分模态分解与多尺度排列熵进行结合对振动信号进行消噪,可以有效减少信号的失真,消噪效果好。
其中,所述降噪处理为小波降噪处理。小波降噪方法能够消除故障信号中大部分的噪声,同时小波降噪方法结合变分模态分解及多尺度排列熵能够有效去除故障信号中的噪声,同时较好保留信号中的有用信息。
在本实施例中,变分模式分解基于经典维纳滤波、希尔伯特变换和频率混合的变分问题构造和求解过程,将输入信号分解成一系列具有稀疏特性的模态分量,每个模态都是基于中心频率与有限带宽滤波后的信号。原始信号f(t)为多分量信号,由K(K为预设尺度)个有限带宽的本征模态函数分量uk(t)组成,且各uk(t)中心频率为ωk(t)。其中uk(t)为调幅-调频信号,uk(t)=Ak(t)cos(φk(t)),其中,Ak(t)是uk(t)的瞬时幅值,ωk(t)=φ′k(t)是uk(t)的瞬时频率。VMD分解是寻求K个估计带宽之和最小的模态函数uk(t)。估算每个模态函数uk(t)的频率带宽。首先,对调幅-调频信号uk(t)通过Hilbert变换求得解析信号,并求得其单边频谱;然后,加入指数项,移动模态函数的频谱到各自估算的中心频率并将频谱转到基带;凭借高斯平滑解调信号得到各段带的宽度,即L2范数梯度的平方根。则可得到变分约束问题函数如公式:其中,{uk}:={u1,...,uK},,{ωk}:={ω1,...,ωK},δ(t)为单位脉冲信号。为求取约束变分问题的最优解,引入拉格朗日乘法算子λ(t)和二次惩罚因子α,其中α可在高斯噪声存在的情况下保证信号的重构精度,λ(t)使得约束条件保持严格性。构造增广拉格朗日表达式如公式:
利用交替方向乘子法求解上述增广拉格朗日表达式的迭代和寻求拉格朗日函数“鞍点”。迭代次数为k收敛条件为:然后利用傅里叶等距变换,将迭代后的结果转变到频域上进行更新,得到最优解为:及从而将原始信号f(t)分解为K个窄带模态分量uk(t):通过对上述变分模态问题构造和求解过程,所述“通过变分模态分解算法将风力发电机振动信号分解为一组模态分量”具体包括以下步骤:
将风力发电机振动信号f(t)通过傅里叶等距变换,转换为时域信号
初始化模态分量中心频率拉格朗乘法算子n←0;
n=n+1;
利用公式和更新和中心频率α为二次惩罚因子;
对于所有ω≥0,更新双上升步长:τ为噪声容限参数;
判断和是否满足收敛条件公式:其中ξ>0;
若满足,则停止迭代,将得到的进行傅里叶逆变换的得到时域信号,输出一组模态分量uk(t)。
若不满足,则返回至n=n+1,继续迭代。
在本实施例中,针对排列熵衡量信号复杂度的不足,为了提高抗干扰能力,所述“分别计算每个模态分量的多尺度排列熵值”具体包括以下步骤:
将得到的一组模态分量作为时间序列X={xi,i=1,2,…,N}进行粗粒化处理得到粗粒化序列: s为尺度因子,s=1,2,…,[N/s]表示对N/s取整数;其中,当s=1时,粗粒化序列就成为原始时间序列,计算的熵值也变为排列熵值,
对得到的粗粒化序列进行实践重构得到重构序列l是第l个重构分量,l=1,2,…,N-(m-1)τm为嵌入维数,τ为延迟时间;
对重构序列进行升序排列得到升序序列r1,r2,…,rm表示重构序列中各个元素原始位置索引;
根据嵌入维数m,重构序列共有m!中排列,则可以得到一组符号序列βq={r1r2,…,rm},q=1.2,…,k,k≤m!;
根据每一种符号序列出现的概率Pq,则时间序列在多尺度下的排列熵为
对于Pq=1/m!时,Hp(m)取得最大值为In(m!),对Hp(m)进行归一化处理得到每个模态分量的多尺度排列熵值Hp=Hp(m)/ln(m!)。
Hp值的大小表示时间序列的复杂和随机程度。Hp越大,说明时间序列越随机;Hp越小,说明时间序列越规则。
在本实施例中,当振动信号通过变分模态分解成一组模态分量后,随机噪声亦随着变分模态分解到各个模态分量重,但噪声大部分被分解到高频模态分量中,而当口计算得到模态分量的多尺度排列熵值大于3时,代表该模态分量受到噪声强干扰。将预设熵值设置为3,则可以得到受到噪声强干扰的模态分量,然后对这些模态分量进行小波降噪处理,可以有效去除故障信号中的噪声,同时较好保留信号中的有用信息。
请参阅图2,在另一实施例中,一种存储介质200,所述存储介质200内存储有计算机程序,所述计算机程序被处理器运行时执行以下步骤:
通过变分模态分解算法将风力发电机振动信号分解为一组模态分量;变分模态分解算法(Variational mode decomposition,VMD),即一种多分量信号自适应分解方法,通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽,从而能够自适应地实现信号的频域剖分及各分量的有效分离。通过变分模态分解算法将风力发电机振动信号分解成一系列具有稀疏特性的模态分量,每个模态分量都是基于中心频率与有限带宽滤波后的信号。步骤S120:分别计算每个模态分量的多尺度排列熵值;多尺度排列熵(Multi-scalePermutation Entropy,MPE)方法是在排列熵基础上提出的一种新兴的非线性方法,而排列熵(Permutation Entropy,PE)是衡量时间序列不确定度的指标,它具有计算简单、鲁棒性强等优点,与排列熵相比,多尺度排列熵具有更好的抗干扰能力。
分别计算每个模态分量的多尺度排列熵值;
对每个模态分量的多尺度排列熵值进行判断是否超过预设熵值;
若超过预设熵值,则对多尺度排列熵值超过预设熵值的模态分量进行降噪处理;
若未超过预设熵值,则对多尺度排列熵值未超过预设熵值的模态分量不进行降噪处理;
将经过降噪处理的模态分量及未经过降噪处理的模态分量进行组合重构得到降噪后的振动信号。
通过变分模态分解算法对风力发电机的振动信号进行分解得到一组模态分量,然后分别计算各个模态分量的多尺度排列熵值,根据多尺度排列熵值评估各个模态分量含有的随机噪声,当多尺度排列熵值越大,则信号随机越大,结合消噪处理对多尺度排列熵值大的模态分量进行消噪后,重构模态分量,得到消噪后的振动信号。变分模态分解方法相当于一组自适应的维纳滤波器,不存在经验模态分解方法固有的模态混叠,具有更好的噪声鲁棒性,而且,多尺度排列熵具有很好的抗干扰能力,通过变分模态分解与多尺度排列熵进行结合对振动信号进行消噪,可以有效减少信号的失真,消噪效果好。
其中,所述降噪处理为小波降噪处理。小波降噪方法能够消除故障信号中大部分的噪声,同时小波降噪方法结合变分模态分解及多尺度排列熵能够有效去除故障信号中的噪声,同时较好保留信号中的有用信息。
在本实施例中,变分模式分解基于经典维纳滤波、希尔伯特变换和频率混合的变分问题构造和求解过程,将输入信号分解成一系列具有稀疏特性的模态分量,每个模态都是基于中心频率与有限带宽滤波后的信号。原始信号f(t)为多分量信号,由K(K为预设尺度)个有限带宽的本征模态函数分量uk(t)组成,且各uk(t)中心频率为ωk(t)。其中uk(t)为调幅-调频信号,uk(t)=Ak(t)cos(φk(t),其中,Ak(t)是uk(t)的瞬时幅值,ωk(t)=φ′k(t)是uk(t)的瞬时频率。VMD分解是寻求K个估计带宽之和最小的模态函数uk(t)。估算每个模态函数uk(t)的频率带宽。首先,对调幅-调频信号uk(t)通过Hilbert变换求得解析信号,并求得其单边频谱;然后,加入指数项,移动模态函数的频谱到各自估算的中心频率并将频谱转到基带;凭借高斯平滑解调信号得到各段带的宽度,即L2范数梯度的平方根。则可得到变分约束问题函数如公式:其中,{uk}:={u1,...,uK),,{ωk}:={ω1,...,ωK},δ(t)为单位脉冲信号。为求取约束变分问题的最优解,引入拉格朗日乘法算子λ(t)和二次惩罚因子α,其中α可在高斯噪声存在的情况下保证信号的重构精度,λ(t)使得约束条件保持严格性。构造增广拉格朗日表达式如公式:
利用交替方向乘子法求解上述增广拉格朗日表达式的迭代和寻求拉格朗日函数“鞍点”。迭代次数为k收敛条件为:然后利用傅里叶等距变换,将迭代后的结果转变到频域上进行更新,得到最优解为:及从而将原始信号f(t)分解为K个窄带模态分量uk(t):通过对上述变分模态问题构造和求解过程,所述处理器执行步骤“通过变分模态分解算法将风力发电机振动信号分解为一组模态分量”具体执行以下步骤:
将风力发电机振动信号f(t)通过傅里叶等距变换,转换为时域信号
初始化模态分量中心频率拉格朗乘法算子n←0;
n=n+1;
利用公式和更新和中心频率α为二次惩罚因子;
对于所有ω≥0,更新双上升步长:τ为噪声容限参数;
判断和是否满足收敛条件公式:其中ξ>0;
若满足,则停止迭代,将得到的进行傅里叶逆变换的得到时域信号,输出一组模态分量uk(t)。
若不满足,则返回至n=n+1,继续迭代。
在本实施例中,为了能够准确判断出受到噪声强干扰模态分量,所述处理器执行步骤“分别计算每个模态分量的多尺度排列熵值”具体执行以下步骤:
将得到的一组模态分量作为时间序列X={xi,i=1,2,…,N}进行粗粒化处理得到粗粒化序列:s为尺度因子,s=1,2,…,[N/s]表示对N/s取整数;
对得到的粗粒化序列进行实践重构得到重构序列l是第l个重构分量,l=1,2,…,N-(m-1)τ,m为嵌入维数,τ为延迟时间;
对重构序列进行升序排列得到升序序列r1,r2,…,rm表示重构序列中各个元素原始位置索引;
根据嵌入维数m,重构序列共有m!中排列,则可以得到一组符号序列βq={r1r2,…,rm},q=1,2,…,k,k≤m!;
根据每一种符号序列出现的概率Pq,则时间序列在多尺度下的排列熵为
对于Pq=1/m!时,Hp(m)取得最大值为In(m!),对Hp(m)进行归一化处理得到每个模态分量的多尺度排列熵值Hp=Hp(m)/ln(m!)。
Hp值的大小表示时间序列的复杂和随机程度。Hp越大,说明时间序列越随机,即模态分量中受到随机信号干扰的强度越大;Hp越小,说明时间序列越规则,,即模态分量中受到随机信号干扰的强度越小,通过判断Hp的大小可以准确的辨别出受到噪声强干扰的模态分量。
在本实施例中,当振动信号通过变分模态分解成一组模态分量后,随机噪声亦随着变分模态分解到各个模态分量重,但噪声大部分被分解到高频模态分量中,而当口计算得到模态分量的多尺度排列熵值大于3时,代表该模态分量受到噪声强干扰。将预设熵值设置为3,则可以得到受到噪声强干扰的模态分量,然后对这些模态分量进行小波降噪处理,可以有效去除故障信号中的噪声,同时较好保留信号中的有用信息。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。
Claims (10)
1.一种风力发电机电振动信号消噪方法,其特征在于,包括以下步骤:
通过变分模态分解算法将风力发电机振动信号分解为一组模态分量;
分别计算每个模态分量的多尺度排列熵值;
对每个模态分量的多尺度排列熵值进行判断是否超过预设熵值;
若超过预设熵值,对多尺度排列熵值超过预设熵值的模态分量进行降噪处理;
将经过降噪处理的模态分量及未经过降噪处理的模态分量进行组合重构得到降噪后的振动信号。
2.根据权利要求1所述风力发电机电振动信号消噪方法,其特征在于,所述降噪处理为小波降噪处理。
3.根据权利要求1所述风力发电机电振动信号消噪方法,其特征在于,所述“通过变分模态分解算法将风力发电机振动信号分解为一组模态分量”具体包括以下步骤:
将风力发电机振动信号f(t)通过傅里叶等距变换,转换为时域信号
初始化模态分量中心频率拉格朗乘法算子n←0;
n=n+1;
利用公式和更新和中心频率α为二次惩罚因子;
对于所有ω≥0,更新双上升步长:τ为噪声容限参数;
判断和是否满足收敛条件公式:其中ξ>0;
若满足,则停止迭代,将得到的进行傅里叶逆变换的得到时域信号,输出一组模态分量uk(t);
若不满足,则返回至n=n+1,继续迭代。
4.根据权利要求1所述风力发电机电振动信号消噪方法,其特征在于,所述“分别计算每个模态分量的多尺度排列熵值”具体包括以下步骤:
将得到的一组模态分量作为时间序列X={xi,i=1,2,…,N}进行粗粒化处理得到粗粒化序列:s为尺度因子,s=1,2,…,[N/s]表示对N/s取整数;
对得到的粗粒化序列进行实践重构得到重构序列l是第l个重构分量,l=1,2,…,N-(m-1)τ,m为嵌入维数,τ为延迟时间;
对重构序列进行升序排列得到升序序列r1,r2,…,rm表示重构序列中各个元素原始位置索引;
根据嵌入维数m,重构序列共有m!中排列,则可以得到一组符号序列βq={r1,r2,…,rm},q=1,2,...,k,k≤m!;
根据每一种符号序列出现的概率Pq,则时间序列在多尺度下的排列熵为
对于Pq=1/m!时,Hp(m)取得最大值为ln(m!),对Hp(m)进行归一化处理得到每个模态分量的多尺度排列熵值Hp=Hp(m)/ln(m!)。
5.根据权利要求4所述风力发电机电振动信号消噪方法,其特征在于,所述预设熵值为3。
6.一种存储介质,所述存储介质内存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行以下步骤:
通过变分模态分解算法将风力发电机振动信号分解为一组模态分量;
分别计算每个模态分量的多尺度排列熵值;
对每个模态分量的多尺度排列熵值进行判断是否超过预设熵值;
若超过预设熵值,对多尺度排列熵值超过预设熵值的模态分量进行降噪处理;
将经过降噪处理的模态分量及未经过降噪处理的模态分量进行组合重构得到降噪后的振动信号。
7.根据权利要求6所述存储介质,其特征在于,所述降噪处理为小波降噪处理。
8.根据权利要求6所述存储介质,其特征在于,所述处理器执行步骤“通过变分模态分解算法将风力发电机振动信号分解为一组模态分量”具体执行以下步骤:
将风力发电机振动信号f(t)通过傅里叶等距变换,转换为时域信号
初始化模态分量中心频率拉格朗乘法算子n←0;
n=n+1;
利用公式和更新和中心频率α为二次惩罚因子;
对于所有ω≥0,更新双上升步长:τ为噪声容限参数;
判断和是否满足收敛条件公式:其中ξ>0;
若满足,则停止迭代,将得到的进行傅里叶逆变换的得到时域信号,输出一组模态分量uk(t);
若不满足,则返回至n=n+1,继续迭代。
9.根据权利要求6所述存储介质,其特征在于,所述处理器执行步骤“分别计算每个模态分量的多尺度排列熵值”具体执行以下步骤:
将得到的一组模态分量作为时间序列X={xi,i=1,2,…,N}进行粗粒化处理得到粗粒化序列:s为尺度因子,s=1,2,…,[N/s]表示对N/s取整数;
对得到的粗粒化序列进行实践重构得到重构序列l是第l个重构分量,l=1,2,…,N-(m-1)τ,m为嵌入维数,τ为延迟时间;
对重构序列进行升序排列得到升序序列r1,r2,…,rm表示重构序列中各个元素原始位置索引;
根据嵌入维数m,重构序列共有m!中排列,则可以得到一组符号序列βq={r1,r2,…,rm},q=1,2,…,k,k≤m!;
根据每一种符号序列出现的概率Pq,则时间序列在多尺度下的排列熵为
对于Pq=1/m!时,Hp(m)取得最大值为ln(m!),对Hp(m)进行归一化处理得到每个模态分量的多尺度排列熵值Hp=Hp(m)/ln(m!)。
10.根据权利要求9所述存储介质,其特征在于,所述预设熵值为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910354280.9A CN110135293A (zh) | 2019-04-29 | 2019-04-29 | 一种风力发电机电振动信号消噪方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910354280.9A CN110135293A (zh) | 2019-04-29 | 2019-04-29 | 一种风力发电机电振动信号消噪方法及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135293A true CN110135293A (zh) | 2019-08-16 |
Family
ID=67575528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910354280.9A Pending CN110135293A (zh) | 2019-04-29 | 2019-04-29 | 一种风力发电机电振动信号消噪方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135293A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659621A (zh) * | 2019-09-27 | 2020-01-07 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
CN110909480A (zh) * | 2019-11-29 | 2020-03-24 | 华北水利水电大学 | 一种水轮机振动信号的去噪方法与装置 |
CN111144230A (zh) * | 2019-12-06 | 2020-05-12 | 天津大学 | 一种基于vmd的时域载荷信号的去噪方法 |
CN111723701A (zh) * | 2020-06-08 | 2020-09-29 | 西安交通大学 | 一种水中目标识别方法 |
CN112215394A (zh) * | 2020-09-01 | 2021-01-12 | 西安交通大学 | 换流变压器振动信号的预测方法、装置、设备及存储介质 |
CN112649196A (zh) * | 2020-11-19 | 2021-04-13 | 上海交通大学烟台信息技术研究院 | 基于频域信息的信号变分模态分解预设尺度参数选取方法 |
CN114626410A (zh) * | 2022-02-28 | 2022-06-14 | 华南理工大学 | 基于形态学滤波与vmd的电力系统振荡辨识方法 |
CN114662540A (zh) * | 2022-03-22 | 2022-06-24 | 重庆大学 | 电磁干扰现场测试信号的消噪方法 |
CN114754857A (zh) * | 2022-06-14 | 2022-07-15 | 之江实验室 | 一种两段式光纤传感水声信号补偿方法和装置 |
CN117708547A (zh) * | 2024-02-05 | 2024-03-15 | 西安热工研究院有限公司 | 一种新型汽轮机组振动信号处理的方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050256613A1 (en) * | 2004-05-14 | 2005-11-17 | Massachusetts Institute Of Technology | Active control vibration isolation using dynamic manifold |
CN108241873A (zh) * | 2018-01-10 | 2018-07-03 | 中国水利水电科学研究院 | 一种面向泵站主设备的智能故障诊断方法 |
CN109307862A (zh) * | 2018-07-05 | 2019-02-05 | 西安电子科技大学 | 一种目标辐射源个体识别方法 |
-
2019
- 2019-04-29 CN CN201910354280.9A patent/CN110135293A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050256613A1 (en) * | 2004-05-14 | 2005-11-17 | Massachusetts Institute Of Technology | Active control vibration isolation using dynamic manifold |
CN108241873A (zh) * | 2018-01-10 | 2018-07-03 | 中国水利水电科学研究院 | 一种面向泵站主设备的智能故障诊断方法 |
CN109307862A (zh) * | 2018-07-05 | 2019-02-05 | 西安电子科技大学 | 一种目标辐射源个体识别方法 |
Non-Patent Citations (2)
Title |
---|
于晓东等: "基于VMD和排列熵的水轮机压力脉动信号去噪算法", 《水力发电学报》 * |
张蒙等: "基于变分模态分解和多尺度排列熵的变压器局部放电信号特征提取", 《华北电力大学学报(自然科学版)》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659621A (zh) * | 2019-09-27 | 2020-01-07 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
CN110909480A (zh) * | 2019-11-29 | 2020-03-24 | 华北水利水电大学 | 一种水轮机振动信号的去噪方法与装置 |
CN111144230A (zh) * | 2019-12-06 | 2020-05-12 | 天津大学 | 一种基于vmd的时域载荷信号的去噪方法 |
CN111723701B (zh) * | 2020-06-08 | 2022-05-20 | 西安交通大学 | 一种水中目标识别方法 |
CN111723701A (zh) * | 2020-06-08 | 2020-09-29 | 西安交通大学 | 一种水中目标识别方法 |
CN112215394B (zh) * | 2020-09-01 | 2023-08-15 | 西安交通大学 | 换流变压器振动信号的预测方法、装置、设备及存储介质 |
CN112215394A (zh) * | 2020-09-01 | 2021-01-12 | 西安交通大学 | 换流变压器振动信号的预测方法、装置、设备及存储介质 |
CN112649196A (zh) * | 2020-11-19 | 2021-04-13 | 上海交通大学烟台信息技术研究院 | 基于频域信息的信号变分模态分解预设尺度参数选取方法 |
CN114626410A (zh) * | 2022-02-28 | 2022-06-14 | 华南理工大学 | 基于形态学滤波与vmd的电力系统振荡辨识方法 |
CN114626410B (zh) * | 2022-02-28 | 2024-03-15 | 华南理工大学 | 基于形态学滤波与vmd的电力系统振荡辨识方法 |
CN114662540A (zh) * | 2022-03-22 | 2022-06-24 | 重庆大学 | 电磁干扰现场测试信号的消噪方法 |
CN114662540B (zh) * | 2022-03-22 | 2024-02-27 | 重庆大学 | 电磁干扰现场测试信号的消噪方法 |
CN114754857A (zh) * | 2022-06-14 | 2022-07-15 | 之江实验室 | 一种两段式光纤传感水声信号补偿方法和装置 |
CN114754857B (zh) * | 2022-06-14 | 2022-08-23 | 之江实验室 | 一种两段式光纤传感水声信号补偿方法和装置 |
CN117708547A (zh) * | 2024-02-05 | 2024-03-15 | 西安热工研究院有限公司 | 一种新型汽轮机组振动信号处理的方法及系统 |
CN117708547B (zh) * | 2024-02-05 | 2024-04-30 | 西安热工研究院有限公司 | 一种汽轮机组振动信号处理的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135293A (zh) | 一种风力发电机电振动信号消噪方法及存储介质 | |
Sun et al. | Gear fault diagnosis based on the structured sparsity time-frequency analysis | |
Cheng et al. | Application of frequency family separation method based upon EMD and local Hilbert energy spectrum method to gear fault diagnosis | |
Dong et al. | Non-iterative denoising algorithm for mechanical vibration signal using spectral graph wavelet transform and detrended fluctuation analysis | |
Gu et al. | Rolling element bearing faults diagnosis based on kurtogram and frequency domain correlated kurtosis | |
Xuan et al. | EMD sifting based on bandwidth | |
CN104729853A (zh) | 一种滚动轴承性能退化评估装置及方法 | |
CN101482617A (zh) | 基于非下采样轮廓波的合成孔径雷达图像去噪方法 | |
CN102930149A (zh) | 基于pca和emd的传感器网络感知信息去噪处理方法 | |
Pan et al. | A noise reduction method of symplectic singular mode decomposition based on Lagrange multiplier | |
CN110426191B (zh) | 一种抗干扰旋转机械的故障诊断方法 | |
CN104573371A (zh) | 基于最优小波包变换和ar-svm的非平稳风速预测方法 | |
CN109506938A (zh) | 基于改进小波包阈值去噪与局部均值分解的故障提取方法 | |
Liu et al. | Rotating machinery fault diagnosis under time-varying speeds: A review | |
CN105046044A (zh) | 基于最优小波包变换的非平稳风速预测方法 | |
Wang et al. | Enhanced sparse low-rank representation via nonconvex regularization for rotating machinery early fault feature extraction | |
CN109813230A (zh) | 一种基于vmd的光栅莫尔条纹去噪方法 | |
Molla et al. | Empirical mode decomposition analysis of climate changes with special reference to rainfall data | |
CN102359815A (zh) | 一种基于小波分形组合的爆破振动信号特征提取方法 | |
CN108061821A (zh) | 一种改进的双馈风力发电系统谐波检测方法 | |
CN108181098A (zh) | 一种门座式起重机低速重载部件故障特征提取方法 | |
Chu et al. | Research on the sparse optimization method of periodic weights and its application in bearing fault diagnosis | |
CN117571316A (zh) | 一种复合故障诊断方法及系统 | |
CN113988125A (zh) | 一种基于改进同步压缩变换的扭振信号瞬时频率提取方法 | |
Liu et al. | Sparse coefficient fast solution algorithm based on the circulant structure of a shift-invariant dictionary and its applications for machine fault diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |