HHT检测范文

HHT检测范文（精选7篇）

HHT检测 第1篇

传统的电能质量分析系统以硬件为核心,功能单一[1],现代电能质量检测装置所检测的对象多为一些稳态指标的传统电能质量,电能质量暂态扰动的实用化检测装置发展缓慢。随着信号处理技术的发展,为分析暂态电能质量问题提供了有效途径。小波分析是目前在电力系统中应用得较为广泛的信号处理方法,文献[2-4]结合小波算法开发了针对暂态电能质量的检测设备。1998年,文献[5]提出了一种新的非平稳信号分析方法Hilbert-Huang变换(Hilbert Huang Transform,HHT)。HHT吸收了小波变换多分辨率的优势而克服了其选取小波基的困难[6],这种方法直接从信号本身获取基函数的概念,具有很好的自适应性[7]。目前,该方法已开始应用到电能质量的检测中,但基本上都是以编写程序代码的方式来实现,这样显然不够方便、直观,并不适合实际应用。因此,有必要开发出HHT算法的电能质量检测系统。

Matlab的GUIDE(Graphical User Interface Development Environment)可以进行图形界面设计。同Visual Basic/C++、Java等比较起来,该方法具有学习起点低,开发周期短,易于实现等优点。本文以GUIDE平台进行软件设计,最终研制了一套基于HHT的电能质量检测系统,可实现对暂态电能质量(电压骤升、骤降,电压中断,暂态振荡、暂态脉冲)和谐波的检测分析,操作简单,使用方便。

1 电能质量扰动信号及HHT分析

电能质量问题主要包含谐波畸变问题和电力系统发生故障及投切操作等所伴随的暂态现象[8]。谐波畸变主要是由电力系统中的非线性设备与非线性负荷引起,属于电能质量稳态扰动。暂态电能质量问题主要包含电压骤升、骤降,电压中断,暂态振荡,暂态脉冲等,具有持续时间短、随机性大、影响范围小、影响严重等特点,这类暂态扰动信号属于非平稳信号。

HHT方法进行扰动信号检测过程如图1所示。通过经验模式分解(Empirical Mode Decomposition,EMD)将信号分解为若干个固有模态函数(Intrinsic Mode Function,IMF),IMF的特点是具有合理瞬时频率定义,再对IMF进行Hilbert变换,得到每个IMF随时间变化的瞬时频率和瞬时幅值,由此可构建信号的时间-频率-能量分布,即Hilbert谱,无论在时间域还是频率域都具有良好的分辨率[9,10]。

直接采用HHT方法处理电能质量信号,基本上可获得满意的检测结果。但在用EMD方法对暂态扰动信号和基波能量过大的谐波信号直接筛分时,并不能准确地筛分出该信号的组合分量,使得每个IMF都不能反映真实的物理过程,称为模态混叠问题[11]。针对暂态振荡检测,采用文献[8]的方法,即原信号叠加高频强信号,提取出振荡信号;对于基波能量过大的谐波信号,利用基于傅里叶变换的EMD方法[12,13,14]进行分解,即通过Fourier变换先对信号的指定频率部分滤波,使各分量分离开,再进行HHT分析。

2 系统结构与设计

本检测系统采用HHT作为算法核心,旨在于PC机上利用所开发的检测软件既能实现对电能质量仿真数据的研究,又能够对信号采集硬件平台获取的实测数据进行离线分析。检测系统的结构如图2所示。

2.1 硬件平台结构

硬件平台实现电能质量信号的采集,主要包含信号调理与数据采集两部分。实测电能质量信号为电压互感器或电流互感器二次侧的电压或电流,一般为100 V电压信号或5 A的电流信号,且含有一定的噪声。信号调理电路对实测信号进行滤波,并采用霍尔传感器将其转换为适合A/D转换的电压信号;通过基于单片机的数据采集系统将调理后的模拟信号转换为数字信号,通过串口通信即可把数字信号传递给后台机。计算机作为后台机,接收数据,并采用以Matlab的GUIDE为平台开发的电能质量检测软件进行分析。

2.2 软件设计

软件的结构设计是核心所在。本软件以模块化设计思想划分各模块,降低了程序复杂度,使程序设计、调试和维护等操作简单化。整个软件主要分为数据获取模块、算法模块、显示模块,软件结构如图3所示。

软件获取数据的基本思想是通过Matlab的文件I/O操作读取存储于硬盘数据文件。对于仿真数据,PSACD/EMTDC仿真软件具有存储信号通道数据到硬盘的功能;而实测数据则可采用串口通信的方式从外部硬件平台获取,Matlab的面向对象技术可以实现对计算机串口操作。只要创建串口对象,对串口对象操作就是对串口操作,非常方便[15]。

软件程序以基于HHT的电能质量检测算法为核心。所检测的电能质量问题主要包含电压骤升骤降,电压中断,暂态振荡,暂态脉冲和谐波。在分析可能发生模态混叠的暂态振荡和谐波信号时,根据信号特征分别实现高频强信号和滤波器的自适应生成。为了对HHT方法进行参考和分析比较,还设计了EMD分解查看与基于FFT的频谱分析功能。

软件在Axes对象上生成曲线,实现数据可视化,原始信号与检测结果(时间-幅值图与时间-频率图)都以图像形式显示于Axes上;在每一次检测结束时,自动将检测结果以文本文档的格式存储于硬盘,以便后期分析。

在确保硬件平台能准确可靠地获取电能质量信号的全部信息时,利用软件进行电能质量检测。检测软件主要实现对电能质量信号的显示、分析与存储等功能。一次完整的检测程序流程如图4所示。

3 电能质量检测实例

3.1 仿真检测演示

调用PSCAD/EMTDC软件,搭建出一简单模型,如图5所示,模拟单相发生接地电阻值很小的接地故障,运行模型,并存储数据。验证本软件对电压中断与故障结束产生的暂态振荡的检测功能。

提取数据,设置软件选择检测类型为中断检测,先对中断进行检测,结果如图6所示。

软件检测出中断信号的起至时间分别为0.611 2 s,0.708 5 s,与设定的故障起止时间0.613~0.707 s相当吻合;同时可知在中断结束时,C相电压经过了一段频率约为370 Hz,持续时间为0.06 s的振荡才达到稳态。选择检测类型为暂态振荡检测,获取振荡的幅值变化,结果如图7所示。

3.2 实测数据检测演示

实测数据来自四川省境内德阳牵引变电所牵引侧α相馈线电流,牵引变压器为110/27.5 k V的阻抗匹配平衡变压器。直接采用HHT检测,结果如图8所示。由于电气化铁道馈线电流工频成分含量较大,会出现模态混叠,所以检测结果失去意义。

所以,采用改进的方法进行分析。程序先对信号进行FFT分析,得到信号所含频率成分,据此构造出指定带宽的滤波器,对信号进行滤波,使各频率成分分开,再分别进行HHT分析,则避免了模态混叠的发生。检测结果如图9所示,各谐波分量被清楚地分开。

4 结语

HHT作为一种新的信号处理方法,在非平稳、非线性信号的分析上有着独特的优势,本文研制了一套基于HHT的电能质量检测系统,并通过对仿真数据和实测数据的检测,演示了软件功能。该系统为电能质量的分析与评价提供了有用信息,为实际电力系统提供了一种简便有效的电能质量检测的方案。

摘要：电力系统扰动信号检测装置的研制是检测和改善电能质量的首要问题。以Hilbert-Huang变换为核心算法,开发了一套电能质量检测系统。该系统硬件平台主要由信号调理与数据采集电路组成,实现信号采集功能。软件部分由Matlab的GUIDE开发,实现数据存储、HHT分析、波形显示等功能。系统包含PSCAD/EMTDC仿真模型检测模式与实测数据检测模式,分别对仿真模型的电能质量数据与电气化铁道实测数据进行检测,结果表明,该系统既能准确检测暂态扰动信号,又能有效分析谐波成分。

HHT检测 第2篇

为此, 近年来发展了一种希尔伯特-黄变换 (Hilbert-Huang Transform, HHT) , HHT不但可以清晰表达时频信息还可以表达在瞬时参数上的详细信息, 具有实际的物理意义, 能够实现泄漏电缆周界入侵信号检测的目的。在此, 笔者主要对不同入侵信号进行HHT分析。

1 HHT1

HHT是由Huang N E等于1998年提出的一种非线性和非平稳信号的分析处理方法[7]。该方法首先利用经验模态分解 (EMD) 对信号进行自适应筛选, 将其分解为一系列固有模态函数 (IMF) , 然后对每个固有模态函数进行Hilbert变换, 从每个分量的Hilbert变换中提取出分量的瞬时时频特征和频率能量特征, 从而提取到信号的全部信息。运用HHT进行信号分析的基本步骤如下:

a.用经验模态分解 (EMD) 对数据进行预处理, 将信号分解成一组模态函数 (imf) 分量, 从而使瞬时频率这一概念具有实际的物理意义。把信号分解为模态分量的EMD算法又称为筛选过程, 筛选出第一个imf分量 (imf1) , 再将imf1作为新的输入信号, 依次可筛选出其余的imf分量。

b.将分解后的各imf分量做Hilbert变换, 求得其瞬时频谱。若用θ (t) 表示信号的瞬时相位, 则瞬时频率。对由EMD分解得到的每一个imf分量进行Hilbert变换后, 就可以把信号表示成解析信号的形式, 即, 其中n为筛选的imf分量的数量, αj (t) 为信号的瞬时幅值。

Hilbert边际谱定义为, 其中T为信号的总长度。

以上的EMD算法和Hilbert谱分析方法统称为Hilbert-Huang变换 (HHT) [8,9]。

2 泄漏电缆周界入侵信号的提取

为了用HHT变换对泄漏电缆周界入侵信号进行分析, 必须提取出在各种入侵方式下的实际入侵信号[10]。

2.1 系统组成

周界入侵信号提取系统 (图1) 主要由平行铺设的发射电缆和接收电缆、信号发射与接收单元以及信号显示和记录单元4部分组成, 其中信号发射与接收单元由供电模块、码元+载波信号模块、滤波模块、发射模块及接收模块等部分组成。

信号发射与接收单元为发射电缆提供经编码调制的发射信号, 经发射电缆在其周围空间建立起稳定的电磁场, 形成警戒区, 接收电缆处于该警戒区内, 能够接收该电磁场的部分能量。当发生非法入侵时, 该电磁场被扰动, 该扰动信号由接收电缆传输到信号发射与接收单元, 经简单处理后, 即可获得入侵信号, 同时送到信号显示和记录单元进行记录和显示。

2.2 入侵方式和入侵信号

为了检验HHT变换对周界入侵信号分析的有效性, 设计人慢步、稍慢行走、稍快行走、碎步行走、大踏步跳跃及物体入侵等多种入侵方式, 在各种入侵方式下提取到的入侵信号如图2所示。

由图2可得不同入侵信号的幅值特征, 见表1, 运动幅度和速度决定信号幅值的范围, 速度越慢最大幅值越小;速度越快最大幅值越大。同样, 动作幅度越大幅值范围越大;动作幅度越小幅值范围越小。

m V

根据图2和表1可以获知, 无论是人的行为还是其他方式的入侵, 入侵信号都是非周期且非平稳的突变信号, 其统计函数是随着时间而改变的量。人为入侵的幅值范围大致在1.50~9.50mV, 具体大小由人的动作幅度和运动速度决定。

3 泄漏电缆周界入侵信号的HHT检测

为了检测信号的有用信息, 以人慢步信号为例详细分析HHT变换的时频图。选取人慢步信号进行HHT变换后, 得到的频谱图如图3所示, 频率在0.149 9、0.299 7、0.599 4Hz处有明显的脉冲尖峰。由于这3个脉冲尖峰的频率皆在0.1~0.6Hz之间, 变化十分微小, 由此可以推测出原信号是频率与幅值变化很小的信号, 这与人慢步的信号幅值变化小相对应, 印证了HHT变换频谱图的正确性。

利用HHT变换的分解特性和局部详细特性, 从中又可以提取出一些特征信息, 如图4所示。图4a是人慢步信号的多个imf, 图中显示原信号时间-幅值、imf1~imf4和剩余分量r4;图4b显示的是在EMD分解完成后各imf分量的瞬时振幅与瞬时相位, 第一列为瞬时振幅, 第二列为瞬时相位, 其中的imf1~imf4与图4a一一对应。imf1代表入侵信号的高频成分, imf2~imf4可以表达信号的细节频率特点, r4为信号的平均成分。

通过以人慢步为例进行HHT检测可知, HHT变换可明确地得出入侵信号的频率、幅值及相位等特征。将HHT变换应用到其他几种人入侵方式中可得到如图5所示的数据, 图中各数据是各入侵信号进行EMD后得到的imf1的瞬时振幅、瞬时相位和瞬时频率。

通过对上述其中典型入侵信号HHT分析, 得到以下结论:

a.瞬时振幅是入侵物体强度的量度。入侵幅度越大, 瞬时振幅就越大;物体强度越强, 入侵物体相对较大。通过对图5中数据的分析可知, 人跳跃时的瞬时振幅最大, 约3.4mV;其他情况的瞬时振幅在0.1~0.4mV之间, 按照目标识别与分类可将瞬时振幅在0.1~0.4mV之间的入侵定义为一般入侵 (成年人入侵) 。

b.瞬时相位是泄漏电缆入侵检测系统电磁场连续性的量度。当不存在扰动信号时其相位是连续的, 有异常信号存在时其相位将在异常位置发生显著变化, 呈明显的不连续性。通过对图5中数据的分析可知, 以磁干扰方式入侵时瞬时相位最大, 约89.9rad/s, 说明此时影响范围最大, 入侵位置相对较远;其他情况的瞬时相位在50~80rad/s之间, 入侵位置相对较近, 按照目标识别与分类可将瞬时相位在50~80rad/s之间的入侵定义为一般入侵 (成年人入侵) 。

c.瞬时频率是物体入侵速度的量度。入侵物体速度越快瞬时频率越快。通过对图5中数据的分析可知, 人碎步行走时瞬时频率最大 (大约为73.5kHz) , 而跳跃和稍快行走次之, 分别为65.3、61.7kHz;其他情况的瞬时频率在5~25kHz, 按照目标识别与分类可将瞬时频率在5~25kHz的入侵定义为一般入侵 (成年人入侵) 。

4 结束语

泄漏电缆周界入侵防盗系统的入侵信号具有非线性和非平稳性的特点, 传统的信号检测方法无法实现快速、准确和多信息识别, 不能满足实际需求。笔者将HHT变换首次应用于泄漏电缆周界入侵探测, 通过对7种典型入侵信号进行HHT检测, 可直观地观察到入侵信号在瞬时参数上的详细信息, 满足了入侵信号的检测要求。同时, 通过对不同入侵信号的瞬时振幅、瞬时相位和瞬时频率进行分析, 可以进一步判断出入侵物体的体积、位置和速度, 从而突出入侵物体特征, 使得对入侵物体的检测和识别将更加准确和详细。说明HHT变换检测结果精确, 是目前泄漏电缆周界入侵信号检测系统中最有效的检测方法, 可以使参数估计、目标的分类与识别变得更简单、方便和准确。

参考文献

[1]葛研.户外周界防护系统综述[J].中国安防产品信息, 2004, (5) :49~54.

[2]肖公亮.泄漏电缆周界入侵防范技术[J].A&S (国际中文版) , 2007, (2) :120~122.

[3]Wang M J, Zhang Y, Li Y S.Simple-alone High Precision Perimeter Intruder Location Warning System[J].Chinese Journal of Scientific Instrument, 2006, (12) :1718~1719.

[4]朱良.户外周界传感技术——周界防入侵系统的眼睛和耳朵[J].中国安防, 2008, (3) :39~40.

[5]Staff.Perimeter Intrusion Detection[J].Airports, 2004, (7) :8~9.

[6]Cheal J, Brien S, Tutor M.Buried Cable Sensor with Intruder Location[J].Aerospace and Electronic Systems Magazine, 2005, 7 (20) :65~66.

[7]刘世金.Hilbert-Huang变换及其应用研究[J].高师理科学刊, 2012, 7 (4) :40~41.

[8]刘慧婷, 倪志伟, 李建洋.经验模态分解方法及其实现[J].计算机工程与应用, 2006, (32) :44~47.

[9]Damerval C, Meignen S, Perrier V.A Fast Algorithm for Bidimensional EMD[J].Signal Processing Letters, IEEE, 2005, 12 (10) :701~704.

HHT检测 第3篇

由于风力发电机的故障所产生的信号是非平稳的信号, 其明显特征是频率是时间的函数, 从而进行相应的频谱分析就可以完成对风机故障的判断。为了解决这个问题, 1998年N.E.Huang提出了Hilbert-Huang变换, 它就是将多分量信号分解为多个单分量信号的一个方法, 然后对每一个单分量信号进行相应的处理。与我们已知的一个定理是一样的, 绝大多数信号都可以有正弦信号叠加而成, HHT分析方法的一个原理就是任何信号都可以分解成为有限个本征模函数, 而每一个本征模态都是单分量的信号, 那么对每个IMF利用解析信号相位求导, 就可以得到这个信号的瞬时频率和瞬时幅值进而我们可以方便地获得我们所需信号的Hilbert谱。HHT变换不需要进行传函数的选择, 也不需要考虑分辨率的满足条件, 因此在整个分析过程中它一直体现着它的自适应性, 它可根据信号进行自适应的分解, 所以得到的都是新号局部的信息, 克服了傅里叶变换中只能得到整体信息的缺陷, 与此同时, HHT具有良好的时频聚集性, 即便不适用像小波变换那样的窗函数, 也能够得到了极高的时频分辨率, 是处理非平稳、非线性信号的有效方法之一。

1 基于风力发电机信号的HHT变换

HHT分析方法可以有效处理分平稳信号获得该信号的时频分析结果。采用HHT分析风力发电机各个部件的振动信号就是本文的一个重要研究内容。根据HHT分析方法的理论, 要想得到信号的时频分析结果, 第一步就是寻找到信号的极值点 (极大值和极小值点) , 并采用三样条插值拟合的方式获得极大值包络和极小值包络, 从而可以得到极值点的平均值包络, 在进行HHT分析之前, 就要找到振动信号的极值点, 并将之进行拟合。

截取一段轻微故障、加负载、等时采样、15Hz变频器转速、采样频率为10KHz的齿轮箱故障振动信号数据, 运用HHT的EMD方法进行分解得到有限个IMF分量, 然后进行Hilbert变换后得到了信号的Hilbert谱, 经过振动信号进行极值点拟合, 得到极大值和极小值包络, 可以得到了极值点的平均值包络曲线。在获得了信号的极值点包络之后, 便可以根据HHT分析原理得到信号的IMF分量, 就是该信号的所有IMF分量, 然后对这些IMF分量进行Hilbert变换, 如图1所示得到了信号的Hilbert谱。

2 风机故障的改进HHT变换频谱分析方法

在以上的阐述当中, 我们可以得知, HHT是一种处理非平稳信号有效的时频分析方法, 它将一个信号分解成有限个符合进行Hilbert变换的IMF分量, 每一个IMF分量都是稳态的, 做一可以进行稳态信号的处理, HHT方法的最后是对每个IMF分量进行Hilbert变换, 得到了Hilbert谱, 这样就得到了我们期待的信号的时频分析结果, 最终我们就是根据这个分析结果进行系统故障的诊断。但是遗憾的是, HHT分析方法存在着端点飞翼问题, 因为该问题只出现在信号的两个端点, 而在信号的内部并没有出现滤除极值点的情况, 因此, 本文中一个构想就是:本文采用了周期延拓的方式, 如果将整段信号都变为信号的内部信号, 而不是信号的端点, 所得到的处理结果就不会出现端点飞翼问题。

与正弦信号类似, 当一个信号以某一个固定的周期重复出现的时候, 任何一个周期内的信号都是一个完整的信号, 这个信号的全部信息都会被他包含在里面。那么, 如果把我们测量得到的信号模拟正弦函数的形式进行某一个周期的延拓, 那么, 所得到的新的长信号就包含了多个重复的原始信号, 对这个长信号进行EMD分解处理, 其中得到的将是这个长信号的极值点包络 (当然, 原始信号的极值点包络也在其中) , 我们就截取中间或内部某一个完整信号的极值点包络进行处理, 得到了没有端点飞翼的IMF分量。

3 改进的HHT算法信号处理实验分析与结论

根据风力发电机上各个传感器所测量到的振动信号, 这些振动信号就是判断某个部位的元器件是否发生故障的依据, 所以, 将改进的HHT算法用于这种振动信号的处理上, 可以得到信号的HHT谱。如图2所示15Hz变频器转速、是截取了一段轻微故障、加负载、等时采样、采样频率为10KHz的齿轮箱故障振动信号数据, 并采用改进的HHT算法取得振动信号各个极值点包络的图像, 这种改进的HHT算法已经解决了信号的端点飞翼问题, 获得了一个良好的曲线拟合结果。

在取得了更为准确的信号极值点平均值包络之后, 可以得到了振动信号的各个IMF分量, 根据HHT分析方法的原理, EMD分解出的IMF序列都是符合我们之前所提出的时频分析条件, 也就是说每个IMF序列都应是稳态的, 那么理所当然的我们可以对其进行Hilbert变换获得它的时频谱。因此, 当进行Hilbert变换, 就得到了振动信号的Hilbert谱。图3展示的就是振动信号的各个IMF分量图像, 从这个图中可以看到, 此振动信号总共分解出了8个IMF分量, 而每一个IMF分量都是稳态的, 对每一个IMF分量进行Hilbert变换后在进行一定的处理, 就可以得到了信号的Hilbert谱。

从上面的阐述和实验分析中, 我们可以知道, 这种改进的HHT分析方法的基本原理并没有太大的改变, 依旧是将信号分解成有限个稳态的IMF分量, 然后对每一个IMF分量进行Hilbert变换, 从而得到了信号的HHT谱, 在HHT谱中, 瞬时频率这个特征将每一个IMF的瞬时频率描绘在同一个图谱中, 而Hilbert边际谱 (也叫边界谱) 是将某一点频率的信号进行了叠加, 显示的是同一个频率上信号的组成, 我们进行故障诊断的时候采用的就是Hilbert边际谱, 这样得到了信号的特征, 唯一不同之处就是此改进的HHT分析方法克服了原有HHT分析方法的两个缺陷[38], 使得研究的结果更加符合我们的要求, 所以, 从实践上证明了该改进的HHT算法的正确性和有效性。

参考文献

[1]祝儒德.风机齿轮箱监测诊断系统的研究与实现[D].哈尔滨:哈尔滨工业大学, 2009.

[2]陈涛.低速重载轴承故障诊断的虚拟仪器研究[D].重庆:重庆大学, 2005.

HHT检测 第4篇

对高压电力设备进行局部放电检测,以诊断其绝缘故障,可以避免严重的后果[1,2,3]。但现场存在着强烈的电磁干扰,局部放电信号往往被淹没在噪声中,直接影响到检测的灵敏度和可靠性。因此如何实现强噪声背景下的局部放电信号提取是值得研究的课题。

干扰的类型主要包括:连续周期型干扰、随机噪声干扰、脉冲型和周期窄带干扰。其中连续周期型干扰可通过高频检测法加以避免[3]。目前随机噪声干扰的抑制方面,研究较多的方法是小波阈值消噪法[4,5,6,7]。小波能将信号在不同尺度下进行多分辨分解,但在实际应用时也存在如下问题:最优小波基的选择;多态性局部放电信号的处理;阈值的选择。第一个问题源于小波基函数的不唯一性,第二个问题则是因为小波基函数选择的唯一性与局部放电波形多样性之间存在矛盾。

经验模态分解(Empirical Mode Decomposition,EMD)是近年发展起来的一种新的非线性非平稳信号分析方法,该方法基于信号的局部变化特征,可以自适应地将复杂的信号分解成若干阶固有模态分量(Intrinsic Mode Function,IMF),EMD方法对于时频平面的铺砌方式没有任何限制,分解所得的每个IMF都反映了信号中的一种特有频率信息;与常规的小波算法相比,不受小波基函数和最佳分解层数选取的限制,去噪效率和准确性大大提高。现在主要有基于EMD的时空滤波方法,该法可以实现局放信号的预处理,但因局放信号本身频率过高,经时空滤波后的信号中仍然存在部分与局放信号频率相近的高频噪声,影响到检测精度。如果要提取出较光滑的局放信号,则需对IMF作进一步的处理,即阈值化处理。因此基于EMD的消噪算法与小波消噪的方法一样,同样存在着阈值的选择的问题。且目前基于EMD的消噪法主要是针对白噪声的,没有考虑含有窄带干扰的实际情况[8]。由于EMD方法是基于极值包络思想的,对于强周期窄带干扰,信号完全被淹没。这样仅用EMD的消噪方法的效果不够理想,虽然能提取出局放信号,但是失真会很大。

本文将信息论中的MDL[9,10]判据(Minimum Description Length,MDL)和Hilbert-Huang变换[11,12,13](Hilbert Huang Transform,HHT)相结合,提出了处理局放信号的HHT-MDL自适应阈值算法。该算法以多分辨率的EMD为基础,结合MDL判据自适应地确定EMD的IMF的阈值,来提取局放波形。

该算法综合了这两种方法的优点:不需要基函数,是一种完全的数据驱动方法(HHT方法的优点);不需要阈值选择(MDL的优点)能最大限度地抑制了噪声干扰,较好地保留了局放波形。此外,该算法能够同时得到局放电信号的时间-相位-幅值谱对原放电信号作进一步描述,从而为研究局放信号提供了更多有价值的信息。通过仿真和实际数据分析验证了本文方法的可行性和有效性。

1 HHT-MDL自适应阈值算法

1.1 Hilbert-Huang变换

Hilbert-Huang变换包括两部分,一部分是EMD多分辨率分解,另一部分是Hilbert变换。

1.1.1 EMD多分辨率分解

EMD方法建立于如下假设:“任何信号都是由不同的固有振动模态组成,每个振动模态可以是线性或非线性”基础上。这样,可将一时间序列信号分解为一组包含不同尺度的从高频到低频的IMF之和。IMF需满足两个条件:在整个数据段上,极值点的个数与过零点的个数不大于1;信号上、下包络线的均值在任何时刻均为零。任何信号可按如下步骤来筛选IMF分量:

先将原数据分解成第一个IMF和随时间变化的均值之和,然后将均值考虑为新的数据,将其分解为第二个IMF和新的均值。持续这种分解过程直至获得最后一个IMF,最终得到:

式中:ci(t)为第i个IMF分量;r(t)为余项。

整个分解过程中没有能量的损失,可以用分解得到的各IMF和余项来精确重构原始信号。

借助于IMF能够构造一种新型的滤波方式时空滤波,且滤波信号可表示如下:

其中:l,h∈[1,,n],lh。当l=1且nh<时,为高通滤波信号;当l>1且nh=时,为低通滤波信号;当1<

对于局部放电这类非平稳信号来说,其在频域上表现为包含着所有的谐波成分的连续频谱。因此,应用频域滤波方法处理局部放电信号时,面临着很大的困难。与传统方法相比,基于EMD的时空滤波的一个显著的优点就是滤波后的结果能够充分保留原始信号本身所固有的非平稳特征,是一种良好的数据预处理方法。

1.1.2 局部放电信号的瞬时参数谱

对于任一IMF分量,可得到它的Hilbert变换为:

其反变换为:

得到解析信号Z(t):

式中:ai(t)为瞬时幅值;φi(t)为相位。

进一步可以给出如下的定义式:

我们可以用一个三维(时间-相位-振幅)谱对原放电信号做进一步的描述,以下称该三维谱为瞬时参数谱。

1.2 MDL原理

不难看出,阈值的选取和处理方法是上述算法的核心部分。

Kraft不等式在概率分布和编码长度间建立了等价关系,由编码长度可以确定一种概率分布,反之概率分布可以反映编码长度。根据香农源编码理论定义样本的最短描述长度为概率分布的熵:(p为概率)。这样,就建立了概率分布与编码长度的对应关系,即编码长度可以看成概率分布的另外一种表示方式。MDL判据就是在给定模型库中寻找能够用最短的编码长度来描述数据和模型本身的最佳模型,MDL判据的近似表达式为[14]:

式中:m是变换模型索引,0

从上式可见:AMDL由两项组成,前项为模型长度,描述模型为原始信号通过EMD后经过阈值运算Θ(k)得到的子集,集合容量为k,记为其随着保留k的增加而线性增加;后项代表实际信号与估计信号的偏差,其随着k的增加而减少。存在某一k*可使AMDL达到最小,就能找到真实信号的最优化估计模型它实际上强调的是信号压缩比和信号失真之间的一个最好的折中。

传统的小波阈值消噪算法,由于需要预先进行阈值设置,而且针对不同的信号类型,不同的应用目的,以及不同的噪声水平需要采用不同的阈值策略,因此缺乏自适应性。而根据MDL判据进行阈值的选择,不需要进行参数和阈值的设置,模型选择判据能够根据信号进行动态变化,找到保真度和信号压缩效率之间的平衡点,具有信号自适应性,MDL可以用于不同噪声水平的局放信号的消噪。

以下将HHT与MDL相结合的方法称为HHT-MDL方法。

2 仿真分析

本算例中,采用单指数和双指数振荡衰减模型来模拟。

式中:fc为振荡频率;τ为衰减系数;A为信号幅值。在仿真中fc均取为1 MHz,τ分别为1μs,2μs,4μs,幅值为0.2 m V,1 m V,采样频率为10 MHz。加入均值为0、方差为0.152的白噪声进行模拟。

对上述含有噪声的局部放电信号进行EMD,得9个IMF和1个剩余分量,如图2所示。其中,第一个IMF分量代表了高频噪声的特征,第二、三个IMF分量则代表了局部放电信号的主要特征。

通过FFT频谱来分析,见图3。局放信号的频谱几乎分布在整个频率轴上,能量很分散,且能量主要集中在低频段;而白噪声的频谱与局放信号的频谱相重叠,在整个坐标空间内呈杂乱分布;第一个IMF显然代表了高频噪声应该滤除,至于EMD时空滤波器保留哪几个IMF,本文采用互相关系数来判断,见图4。点划线表示保留的IMF的个数,虚线表示的除掉第一个IMF后保留的IMF的个数。实线表示除掉第一、二个IMF后保留的IMF的个数。

可见,第二种方法的互相关系数最高,这是由于第一个IMF主要的成分是高频噪声,而第二个IMF含有局放的主要特征。所以,EMD时空滤波采用第二种,从图可知,保留的IMF的个数超过3个互相关系数变化不是很明显。对不同的局部放电进行大量仿真表明,当保留3或4个IMF时,一般均能取得好的消噪效果。

本例将C2~C4组合,构成时空滤波器,即可得到滤波后的局放信号,如图5所示。但是仅用这种方法,互相关系数为0.588 9,检测精度不高。因此仅能作为数据预处理的方法。

下面对时空滤波的后信号用MDL进行阈值处理,根据MDL自动搜索保留的最优的k为228,压缩比为24.8%,均方根误差为1.09%,SNR=3.7470d B,AMDL=-3 320.09。

同时作为参考,也用小波加MDL的方法对上述数据进行分析。其中,小波基选取为信号处理中较常用的Haar小波和与本算例中局部放电波形匹配较好的Db8小波。为了便于比较,小波方法的分解层数与本文方法一致。图6给出了三种算法的处理结果。

对于局部放电信号的提取,即要求最大限度地抑制噪声干扰,又应尽量保持原始局部放电波形失真较小,通常情况下,这两个方面是相互矛盾的。从以上提取结果不难看出:Haar小波虽能有效地抑制噪声,但提取的波形存在一定失真,这不利于对单个局部放电脉冲波形的处理。相比之下,Db8小波和HHT-MDL算法则可在消噪的同时,较好地保留了原局放信号局部特征分量。

为了进一步比较各种方法的处理性能,将上述方法提取的局放信号的性能指标列于表1。表中还列出了利用Matlab小波消噪工具箱提供的软硬阈值进行消噪结果,取最优结果列于表中。

从表1不难看出HHT-MDL方法有很好的消噪效果,可以大大提高信号的信噪比,失真度小,与理想局部放电信号的波形相似度最大。然后是db8+MDL,db8阈值消噪法,Haar小波最差。即MDL判据无论与小波相结合,还是与HHT方法相结合都可以提高消噪效果。这也反映了MDL算法和传统小波阈值消噪方法的不同,MDL是基于数据压缩提出来的,而在压缩的同时能够完成信号的消噪的目的。能够在信号保真度和信号压缩效率即消噪的水平之间找到最佳的契合点,是真正意义的自适应阈值算法。

由于小波方法的实质是用小波基的伸缩来逼近待分析信号,因此,与本算例的局放波形匹配较好的Db8小波处理结果明显优于Haar小波。此外,小波方法中的分解层数对分析结果也有一定影响[15]。在实际应用中很难找到一种适应于任何信号分析的小波基和通用的最佳分解层数。但HHT方法无需借助一组固定的基,EMD的基是自适应的,完全基于信号局部特征进行自适应的分析,能够很好地表现信号的局部特性及其变化规律,非常适于处理局部放电这类非平稳信号。而本文的方法正是融合了MDL和HHT的优点来处理局放信号的。

此外,HHT-MDL算法可以在消噪的同时,得到局放信号的瞬时参数,如图7所示。瞬时参数谱反映了局部放电信号的振幅和相位随时间的变化规律,为我们研究放电信号特征提供了更多信息。例如,此处我们可以通过脉冲信号最大振幅出现位置的相位信息很容易地实现两种放电模式的识别。

3 实例分析

为了进一步验证算法有效性,对某发电厂一号水轮发电机A相局放电流信号进行了分析。本算例取了通过耦合电容测得的800个采样数据(已归一化),如图8(a)到局放信号中除了白噪声干扰还有很强的窄带干扰,原信号完全湮没于干扰信号之中,由前面的EMD原理可知,它是利用信号极值进行三次样条插值取包络来进行信号处理的,也就是说它是基于信号的极值包络分析计算的,对这样的强混合干扰信号而言,直接使用HHT-MDL消噪方法的效果不够理想,虽然能提取出局放信号,但是失真会很大。所以针对这种含有高幅值窄带干扰的局放信号,这里采用了FFT预处理。预处理后再采用HHT-MDL方法处理的结果见图8(b)。

比较处理前后的波形可知,本文的算法不仅最大限度地消除了噪声干扰,而且提取出了较完整的局部放电波形,从而进一步验证了本文方法的有效性和可行性。图9给出了本文的算法得到的瞬时参数谱。限于篇幅,本章不再重复比较各种方法的处理结果。

4 结论

(1)HHT-MDL算法吸收了HHT和MDL判据的诸多优点,是一种完全的数据驱动型方法,无需定义任何基函数,无需事先知道噪声的水平,不需要预置阈值、不需要选择阈值行为方式,有数据自适应性。

(2)对于强的窄带干扰,经过FFT预处理后,HHT-MDL算法能够从被背景噪声淹没的局部放电数据中提取出较完整的波形。

(3)HHT-MDL算法能够在去噪的同时,可以提供局部放电的瞬时参数谱,瞬时参数谱能够反映局部放电信号的振幅和相位随时间的变化规律,为局放信号特征的研究提供了更多信息,并为故障模式的识别提供了新思路。

摘要：基于局部放电信号特征,将HHT与信息论的MDL判据相结合应用于局部放电信号的提取。该算法以多分辨率的EMD为基础,结合MDL判据自适应地确定EMD得到的IMF的阈值,来提取局部放电信号,同时还得到局部放电信号的时间-相位-幅值谱。对于强周期窄带干扰,提出了先用FFT预处理后,再用HHT和MDL消噪的简单算法。该算法综合了这两种方法的优点:无需定义任何基函数,无需事先知道噪声的水平,不需要预置阈值、不需要选择阈值行为方式,有较强的自适应性。仿真结果表明,本方法能够有效地消除局部放电中的噪声,其效果优于基于小波和MDL准则的消噪算法,为局部放电信号的消噪提供了一种新思路。

基于HHT的信号奇异性分析 第5篇

信号的局部奇异性携带了许多重要的信息[1],因此对奇异性的研究是一项很有价值的工作。很多时频分析方法都是信号奇异性分析的重要工具,如傅里叶变换、小波变换等都是信号奇异性分析的重要方法,但是,傅里叶变换只是一种信号的整体变换,要么完全在时域进行,要么完全在频域进行,不具备时间和频率的“定位”功能[2]。然而,小波变换是一种窗口可调的傅里叶变换,其窗内的信号必须是平稳的[3]。另外,小波基具有多样性,小波基一旦选定,在整个信号分析过程中就只能使用这一个小波基了[4]。这就限制了小波分析的应用,特别是在非平稳信号处理中的应用。

希尔伯特-黄变换(Hilbert-Huang Transform,HHT)[5]技术适用于非线性非平稳信号的分析,被认为是近年来对以傅里叶变换为基础的线性和稳态谱分析的一个重大突破。该方法摆脱了传统的傅里叶分析的局限,克服了小波变换的不足,是一种简单易行,并且有效的自适应分解的时频分析方法。小波分析虽然也能分析信号的奇异性,但是并不能十分明晰地定位突发事件的发生时刻。换句话说,在同样的频率分辨率下,小波分析的时间分辨率不如Hilbert 谱图的高[6]。HHT方法已经在故障研究[7]、地震检测[8]、语音增强[9]以及结构健康监测[10]等领域得到了广泛应用,并取得了较好的效果。

1 HHT理论简介

HHT的实现包含两大部分:经验模式分解(Empirical Mode Decomposition,EMD)和Hilbert谱分析(Hilbert Spectral Analysis,HSA)。

1.1 EMD分解

EMD分解实质上就是一个筛选过程,它将信号逐级分解开来,产生一系列具有不同特征尺度的数据序列,每一个序列称为一个本征模式函数(Intrinsic Mode Function,IMF)。假设原始数据序列为f(t),筛选步骤如下:

(1) 找出数据序列f(t)的所有极大值,再用三次样条函数进行拟合,得到原序列的上包络线fmax(t)。同样,可以得到序列的下包络线fmin(t)。

(2) 对上下包络线函数的每个时刻取平均值,得到均值函数为:

undefined

(3) 原数据序列f(t)减去均值函数m1,得:

undefined

若h1中极值点的数目和跨零点的数目相等或至多只差一个,并且各个瞬时平均值m(t)都等于零,那么h1就是本征模式函数。若不是,把h1当作原序列,重复上述步骤,直到h1k满足IMF的条件,就得到了分解出来的第一阶本征模式函数C1。

undefined

至此,提取第一个本征模式函数的过程全部完成。接着,从原始信号中分离出分量C1,得:

undefined

把r1(t)作为一个新的原序列,按照以上的步骤,依次提取第2,第3,,直至第n阶本征模式函数IMFn。之后,由于剩余分量已经变成了一个单调序列,这样信号就被分解为n个经验模式函数和一个余项rn之和。为保证IMF分量有意义,Huang定义了标准偏差(Standard Deviation,SD)以判断一个筛选何时完成。

undefined

若要保证本征模式函数的线性和稳定性,又能使所得的本征模式函数具有相应的物理意义,SD值[3]一般取0.2~0.3。

1.2 Hilbert谱

对于满足条件的任意时间信号f(t),Hilbert变换y(t)定义为:

undefined

式中:P是Cauchy主值;式(6)是Hilbert正变换;式(7)是 Hilbert反变换。根据这个定义,f(t)和y(t)组成了一个共轭复数对,于是可以得到对应于实信号f(t)一个复解析信号z(t):

undefined

式中:

undefined

幅度函数a(t)和相位函数θ(t)都是时间的实函数,称之为Hilbert变换的瞬时幅度与瞬时相位,它们是最好的局部描述。由式(9)可得瞬时频率的定义为:

undefined

由此可知,瞬时频率是时间的单值函数。因此幅度、频率都是时间的函数,所以可以画出时间-能量、时间-频率分布图或在三维坐标中画出能量-频率-时间的分布图,即Hilbert谱。

2 信号的奇异性分析

2.1 信号的EMD分解

EMD方法的思想是将一个多分量信号分解成一系列单分量信号,即用波动的上、下包络线的平均值去确定“瞬时平均位置”,进而提取出本征模式函数。下面分析一个含有多个频率成份的信号的HHT变换。假设这个信号由三个不同频率的正弦信号叠加而成,如f(t)=sin(0.01t)+sin(t)+sin(100t),其波形如图1所示(其中t为时间,A为振幅)。

若对信号f(t),在t=400 s中心处叠加一个持续时间为20 s的三角波脉冲信号模拟信号的异常事件(突变),三角波的顶点在t=400 s处,该三角波信号可由Matlab中的函数tripuls(t-400,20,0)产生,则产生一个带有异常事件的信号f1(t),如图2所示。

将原始信号和带有异常事件的信号分别采用EMD方法进行分解,得到各自的IMF及剩余分量,如图3和图4所示。

比较图3和图4可以看出:EMD方法的分解过程依赖数据本身包含的变化信息,这是EMD方法的主要优点。但是,如果在真实过程中由于某种原因发生异常事件(如图2),原始数据就会在某一段时间内出现高频信号,在EMD分解结果中(如图4),第一阶IMF就会包括正常信号和那段高频信号(突变信号),在出现高频信号的地方,正常信号被推移到下一阶IMF,这样就会造成两方面的问题:在第一阶IMF,出现两种频率的混叠现象,使得该阶本征模式函数不能表现正常的频率过程;另一方面,在第二阶IMF中出现与第一阶IMF的正常频率相对应的信号,使第二阶IMF也出现频率混叠。这种混叠可以一直延续到最后一阶IMF。这种现象并不会给事件识别带来影响,相反,因为通过Hilbert变换,混叠在各个IMF中的信号出现在时间-频率空间中的相应位置,从而全面地展现频率信息的正确分布,能量的分布也没有因分解的不同而发生位移或差错,因此正好可以利用这一频率混叠特性找到信号的奇异点。

2.2 信号的Hilbert谱及异常事件识别

由于信号f(t)叠加了一个异常事件,分解出的各阶IMF分量都混叠了前一阶IMF分量的频率。通过Hilbert变换,每阶IMF的频率混叠处将在对应的时间-频率和时间-振幅分布图中的相应位置出现频率突变和能量变化。所以,通过求各阶IMF的Hilbert变换,得到Hilbert谱,可以得到与突变相关的信息。各阶IMF及其时间-振幅、时间-频率分布如图5所示。

EMD分解后的本征模式函数中,同一突变点所对应的Hilbert谱的模极大值有规律地出现。一般情况下,突变信号对应的本征模式函数的Hilbert谱的模极大值在各个阶次上都应该有所表现,因此应在多个IMF上综合观察和判断,以提高检测的准确性和抗干扰性。

结合图5中各阶IMF的时间-振幅分布图和时间-频率分布图,可以看出各阶IMF的Hilbert谱的模极大值随IMF阶次的变化规律,即在相同的时间坐标点处都有一个模极大值。表1给出了各阶IMF的Hilbert谱的模极大值坐标。

由表1可得,在各阶IMF的Hilbert谱中,大约在时间t=399 s点处,都有一个模极大值,这就说明信号突变点的位置就在t=399 s,这与模拟的事件发生时刻基本一致。而且表中数据说明,IMF阶次越高,在突变点包含的能量(幅度)就越低,对于IMF4中所包含的突变点的能量也就更低了,因此IMF4可以不予以考虑。

3 结 语

本文实现了HHT方法对信号奇异点的分析,通过信号的EMD分解得到有限个IMF分量,由各IMF分量和原始信号之间的关系,采用模极大值法识别异常事件发生的位置,识别的结果与事件发生的时刻基本一致。因此,HHT方法从本质上讲是对一个信号进行平稳化处理,将信号逐级分解开来,产生一系列具有不同特征尺度的数据序列(IMF),然后对每个IMF进行Hilbert变换,得到信号的Hilbert谱,即得到瞬时频率和能量,而不是Fourier谱分析中的全局频率和能量。这一方法是一种自适应的时频分析方法,对信号奇异性分析效果良好。

摘要：希尔伯特-黄变换从信号自身出发,自适应地把复杂的信号分解为有限个本征模式函数之和,是一种非线性、非稳态信号的处理方法。利用这一方法进行事件点的奇异性分析,实验表明,希尔伯特-黄变换能描述信号的局部特征,准确地定位事件点。因此,该方法适于信号的奇异性分析,对事件点的定位效果良好。

关键词：希尔伯特-黄变换,EMD,IMF,奇异性

参考文献

[1]郭黎利,刘微,叶桂林.小波分析在信号奇异性检测中的应用[J].信息技术,2008(5):58-60.

[2]殷晓中,于盛林.信号的时频分析理论与应用评述[J].现代电子技术,2006,29(21):118-120.

[3]钟佑明,秦树人,汤宝平.一种振动信号新变换法的研究[J].振动工程学报,2002,15(2):233-236.

[4]常鸣,袁慎芳.一种新型数字信号处理技术的研究[J].计算机测量与控制,2005,13(4):356-362.

[5]Huang N E,Shen Z,Long S R,et al.The Empirical ModeDecomposition and the Hilbert Spectrumfor Nonlinear andNon-stationary Ti me Series Analysis[J].Proc.R.Soc.Lond,1998,454:903-995.

[6]Huang N E,Shen Z,Long S R.A New View of NonlinearWater Waves:The Hilbert Spectrum[J].Annual Review ofFluid Mechanics,1999,31:417-457.

[7]向玲,唐贵基.基于Hilbert-Huang变换的转子碰摩故障特征分析[J].中国工程机械学报,2008,6(2):217-222.

[8]段生全,贺振华,黄德济.HHT方法及其在地震信号处理中的应用[J].成都理工大学学报:自然科学版,2005,32(4):396-400.

[9]申丽然,李雪耀,王慧强,等.基于Hilbert-Huang变换理论的语音增强初探[J].哈尔滨工程大学学报,2005,26(2):220-224.

HHT检测 第6篇

我国中压电网广泛采用中性点非有效接地方式( 不接地或经消弧线圈接地), 当发生单相接地故障时流过故障点的电流很小, 所以称为小电流接地故障。发生小电流接地故障时, 稳态信号微弱, 难以测量, 暂态量的特征较稳态量明显的多, 且不受消弧线圈的影响,因此利用暂态信息对故障电路进行定位是近年来一个新的研究方向[1]。首半波法是利用接地故障基波暂态电流与暂态电压首半波相位相反判断故障, 但该算法对于接地时的相位信息很敏感, 在实际应用中抗干扰能力不强[2]。暂态零模功率法利用故障发生后的暂态零模电压和零模电流计算功率方向, 根据故障点前后功率方向的不同确定故障区段。该方法检测灵敏度较高,但是需利用零序电压信号, 要在各检测点安装零序电压互感器, 施工困难, 消耗成本较大。希尔伯特黄变换方法是一种全新的分析非线性、非平稳信号的方法,可以在时间和频率同时达到很高的精度, 这使它非常适用于分析突变信号, 已被成功的应用于电力系统暂态信号分析中[3]。本文通过对故障线路每个检测点的零序电流信号进行HHT分析, 根据暂态零序电流的幅值差异进行区段定位。

2 HHT变换

HHT(Hilbert-Huang Transform) 技术是1998 年由NASA的Norden E Huang等提出的新的信号处理方法。该方法适用于非线性非平稳的信号分析, 被认为是近年来对以傅立叶变换为基础的线性和稳态谱分析的一个重大突破。其主要包含两部分: 经验模态分解(Empirical Mode Decomposition,EMD) 及Hilbert变换, 核心部分是EMD分解。它的特点是首先采用EMD方法将信号分解为若干个固有模态函数(IMF), 然后对每个IMF分量进行Hilbert变换得到其瞬时频率和瞬时幅值, 以实现对信号的时频分析[3,4]。

2.1 EMD分解

经验模态分解被称为是一个“筛选”过程。这个筛选过程依据信号特点自适应地把任意一个复杂信号分解为一系列本征模态函数(Intrinsic Mode Func tion,IMF)。它满足如下两个条件:

(1) 信号极值点的数量与零点数相等或相差是一;

(2) 信号由极大值定义的上包络和由极小值定义的下包络的局部均值为零。

基本过程可概括如下:

(1) 寻找信号x(t) 所有局部极大值和局部极小值。使用三次样条函数进行插值拟合, 获得上包络线xmax(t)和下包络线xmin(t);

(2) 计算上、下包络线的均值m(t)=[xmax(t)+xmin(t)]/2;

(3) 用原信号x(t) 减去均值m(t), 得到一个新的数据序列h(t)=x(t)-m(t);

判断h(t) 是否满足固有模态函数的两个条件, 如果不满足就把h(t) 当成原始信号, 重复(1)-(3), 直到满足条件为止, 记h(t) 为第一个IMF, 令I1(t)= h(t)。

(4) 将剩余的r(t)=x(t)-I1(t) 看成新的信号, 重复上述过程, 依次得到第二个I2(t), 第三个I3(t),……, 当r(t) 满足单调序列或常值序列条件时, 终止筛选过程,最后的r(t) 称为余项, 它是原始信号的趋势项。由此可得原始序列是由n个IMF与一个趋势项组成。x(t) 的表达式为

由于整个分解过程中没有能量的损失, 所以可以用分解得到的各IMF分量和余项来精确重构原始信号。

2.2 Hilbert变换

HHT方法最大特点就是, 其分解得到的各IMF分量可直接进行Hilbert变换, 从而实现瞬时参数信号的提取, 对Hilbert变换简述如下[3,4]:

对于随机时间序列X(t), 对其进行Hilbert变换,可以得到Y(t) 如下:

其中,PV为柯西主值(Cauchy principal value)。该式表示Y(t) 是X(t) 与1/πτ 的卷积。因此,X(t) 和Y(t) 组成了一个共轭复数对, 可以得到解析信号Z(t) 如下:

其中

由相位可得瞬时频率

3 小电流接地故障暂态特性分析

小电流接地故障发生时, 流过故障点的暂态零序电流由暂态电容电流和暂态电感电流叠加而成。暂态电感电流衰减较慢, 暂态电容电流衰减很快。两者频率相差悬殊, 不能相互抵消, 因此在暂态初期, 消弧线圈的补偿作用可以忽略不计。中性点不接地或经消弧线圈接地系统的暂态零序电流分布相同, 其零序网络如图1 所示。K闭合时, 中性点经消弧线圈接地;K断开时, 中性点不接地[5,6,7]。

由图可知健全线路检测点的零序电流为检测点至线路末端线路的对地电容电流, 方向从母线流向线路末端。故障线路相当于在故障点附加一个与故障前电压幅值相等, 极性相反的虚拟电压源。故障点下游检测点的零序电流也是检测点至线路末端间线路的对地电容电流, 方向从故障点流向线路末端。故障点上游至母线间检测点的零序电流等于所有健全线路与检测点至母线间线路对地电容电流之和, 其幅值大于故障点下游零序电流, 方向从故障点流向母线, 与健全线路和故障点下游线路零序电流方向相反。

CI、CII为线路I、II对地电容; 故障发生在线路III上; C1、C2分别为区段MN、PQ对地电容;Uof为虚拟零模电压源;LN为消弧线圈。

故障定位应重点研究故障点两侧暂态特征的差异,图2 为M、N、P、Q点的零序电流分布图。

由上图可知, 故障点之前M、N点的零序电流幅值相差不大, 暂态过程主谐振频率低; 故障点之后P、Q点的零序电流幅值相差也不大, 主谐振频率高。故障点前后频率成分不同, 波形幅值差异较大。

4 定位方法

本文利用HHT方法对小电流接地故障后故障线路每个检测点的暂态零序电流信号进行分析, 通过对故障零序电流信号进行EMD分解得到频率固定、平稳的IMF分量。其中分解得到的第一个IMF分量即为零序电流的最高频分量, 记作IMF1, 它反映暂态电容电流的幅频特性, 求得信号的幅值A(i), 通过比较相邻两个检测点之间信号的幅值进行区段定位。具体步骤如下:

步骤1: 利用配电线路上安装的馈线终端(Feeder Terminal Unit,FTU)作为检测点,当u(t)>0.15um时[6],FTU开始采集各点的零序电流信号;

步骤2: 用经验模态分解算法(EMD) 将各FTU采集到的零序电流分解为若干个IMF分量之和;

步骤3: 对每个检测点的IMF1 进行HHT变换, 获得各点幅值。

步骤4: 求解两相邻检测点的幅值之差, 即

对于健全区段, 检测点两端的幅值A(i) 相差不大,该区段的△ Ak很小; 对于故障区段, 检测点两端的幅值A(i) 相差较大, 该区段的△ Ak较大。

步骤5: 若某区段△ Ak最大, 则该区段为故障区段。

有些情况下, 故障发生在线路的末端, 故障点下游线路的对地电容电流微弱, 下游FTU检测不到零序电流信号, 这时沿线路找到第一个检测不到零序电流信号的FTU, 其上游相邻区段就是故障区段。

5 仿真分析

仿真简化电路模型如图1 所示。 线路为10KV架空线路, 采用分布参数模型, 正序参数R1:0.17Ω,L1:1.2m H,C1:9.697n F; 零序参数R0:0.23Ω,L0:5.48m H,C0:6n F; 假设线路已经通过选线装置选择出故障线路, 故障线路MN点之间长度为100km,NP点之间为100km,PQ点之间为5km,Q点至负荷点之间为5km[8]。0.01 秒发生单相接地故障, 采样频率为500k Hz。取故障前后各1/4 周期的数据进行分析。

本文分别取不同接地电阻, 不同故障触发相角时刻采用消弧线圈接地方式与不接地方式进行实验仿真, 得到的结果如下:

5.1 中性点不接地方式

1) 不同接地电阻分析

在保持相同消弧线圈补偿度110% 的情况下, 取故障在相电压最大时刻发生接地故障, 分别取接地电阻为10Ω,100Ω 进行仿真, 得到故障点前后N、P点零序电流波形如图3 所示。

可见, 随着接地电阻的增加, 故障电流的幅值有所减少,但故障点之后的幅值仍比故障点之前的幅值要小,所以接地电阻的大小对故障判别不会造成影响。

2) 不同故障触发角时刻

取接地电阻为50Ω, 在故障触发角分别为5° ,60° , 进行仿真, 得到故障点前后N、P点零序电流IMF分量如图4 所示。

在故障触发角接近0°时刻, 暂态电流主要由暂态电感电流组成, 振荡频率较低; 在触发角接近相电压最大值时刻发生故障,暂态电流主要由暂态电容电流组成,振荡频率较高。但故障点之前的电流幅值始终大于故障点之后的电流幅值, 说明故障触发角对此方法的判断没有影响。

5.2 中性点经消弧线圈接地方式

在保持相同消弧线圈补偿度110% 的情况下, 不同接地电阻仿真结果如上图5 所示。

不同故障触发角仿真结果如图6 所示。

可见, 在消弧线圈接地方式下, 故障点之前电流幅值仍大于故障点之后的电流幅值。

6 结束语

本文通过matlab仿真对不同接地方式下不同故障触发角, 不同接地电阻情况的分析表明在发生小电流接地故障时, 应用希尔伯特黄变换对零序电流暂态信号进行分析, 可得到波形差异较为明显的仿真结果。结果表明: 故障点之前暂态电流幅值始终大于故障点之后电流幅值。因而, 该方法不受故障条件以及接地方式的影响, 利用暂态量克服了稳态信号幅值小不宜检测的缺点, 可准确可靠的实现配电网小电流接地故障的区段定位。

参考文献

[1]郭清滔,吴田.小电流接地系统故障选线方法综述[J].电力系统保护与控制,2010,38(2):146-151.

[2]薛永瑞,冯祖仁,徐炳垠等.基于暂态零序电流比较的小电流接地选线研究[J].电力系统自动化,2003,27(9):48-53.

[3]刘毅华,赵光宙.希尔伯特-黄变换在电力系统故障检测中的应用研究[J].继电器,2006,34(14):4-6.

[4]康忠健,李丹丹,刘晓林.应用非工频暂态分量的配电网故障选线方法[J].电力自动化设备,2011,31(4):1-6.

[5]孙波,孙同景,薛永端,等.基于暂态信息的小电流接地故障区段定位[J].电力系统自动化,2008,32(3):52-55.

[6]张林利,徐丙垠,薛永端等.基于线电压和零模电流的小电流接地故障暂态定位方法[J].中国电机工程学报,2012,32(13):110-115.

[7]孙波,徐炳垠,孙同景等.基于暂态零模电流近似熵的小电流接地故障定位新方法[J].电力系统自动化,2009,33(20):83-86.

HHT检测 第7篇

关键词：轴承保持架,故障,特征提取,HHT算法

故障机械的振动信号中包含许多丰富、有用的信息,尤其是信号中包含的突变的信号。因此,能否完整地将故障信号特征提取出来十分重要。HHT(Hilbert-Huang Transformation)算法是解决非线性、非稳定动态问题的利器,在高速旋转机械故障特征提取方面有明显效果。

1 HHT算法

1.1 EMD分解

HHT算法的核心部分为经验模态分解EMD(Empirical Mode Decomposition)。EMD可以将信号依据自身时间尺度,按照由高到低的顺序进行分解,分解为一个个简单的谐波函数,这些被逐层分离出来的谐波函数叫做本征模态函数IMF(Intrinsic Model Function)。

本征模态函数IMF必须具备两个特征[1]:一是本征模态函数在整个数据长度范围之内,极大、极小值点和零点的个数必须相等,或者最多相差一个;二是在整个数据长度范围之内的任意时刻点,局部最大值的包络线和局部最小值的包络线的平均值为0。

EMD分解是以信号相邻的极值点的时间跨度为分解尺度来对信号进行分解的。基于本征模态函数的定义,我们可以通过下面的步骤对任意x(t)信号进行分解。

1)利用三次样条插值函数对最大值、最小值进行插值拟合,以便于计算信号的包络线。

2)计算上、下包络线的均值。这里且定义其均值为m1。

那么,信号的第一个IMF通过下式计算:

x(t)-n1=k1.

若k1满足IMF的定义,就可得到k1作为第1个IMF。若k1不满足IMF的条件,就重复条件1)和2),再次得到包络平均值n11,判断n11=k1-n1是否满足IMF的条件。如不满足,则重复循环m次,得到k1(m-1)-n1=k1m,最终得到k1m,记c1=k1m,c1就是x(t)的第一个IMF。

接下来将c1从x(t)中剔除,得到

然后将r1作为原始数据再次重复以上步骤,得到信号的第二个IMF,如此重复n次,即

当rn成为一个单调分量再也不能提取IMF时,循环结束。由此可得到

其中,rn称为残余函数,代表x(t)的平均趋势。

为了避免信号在局部更加接近于常幅值信号的情况发生,必须确定一个筛分过程停止的准则。这个停止准则的实现可以通过控制标准差SD的大小来实现。标准差SD通过两个连续的处理结果来计算得出:

其中,T为信号的时间长度。为了合理控制EMD分解的结果,提高分解效率,从经验上,设定SD取值范围是:0.2<SD<0.3[2]。当SD低于0.2时,筛分过程就停止。

1.2 Hilbert边际谱和Hilbert变换

Hilbert变换是信号分析处理中经常用到的变换函数。对一个时间信号x(t)进行Hilbert变换,定义x(t)的Hilbert变换结果为y(t)[3],即:

x(t)的Hilbert变换是x(t)和1/πt的卷积,由此可将Hilbert变换看成是x(t)通过一个线性不变的系统的输出,该系统的单位脉冲响应h(t)=1/πt,由卷积定理可知

x(t)*h(t)=X(f)H(f);

又由h(t)的傅立叶变换可知

F(1/πt)=-jsign(ω),

其中,sign(ω)为绝对值函数,表示为

因此,Hilbert变换的频域响应为

原数据可表示为如下形式:

式中,Re表示取实部。

y(t)和x(t)是时间的函数。把经过Hilbert变化以后的信号的幅值在时频平面上标示出来以后,会成为明显的等高线,这种表示就称为Hilbert谱,记作H(w,t)。

定义了Hilbert谱,则Hilbert边际谱可定义为

其中,T是信号采样时间,H(w,t)是信号的Hilbert时频谱。由此可见,边际谱h(w)的实际意义就是信号在不同频率点上的积累幅值。

2 滚动轴承的故障特征提取

2.1 滚动轴承的故障频率

滚动轴承由外圈、内圈、保持架和滚动体组成。假设D为轴承节径,d为滚动体的直径,Z为滚动体个数,α为接触角,fr为旋转频率。当轴承受力时,滚动体均受力。可得滚动轴承特征频率如下[4]。

1)滚动体与外圈上某一点缺陷接触后的故障频率

2)滚动体与内圈上某一点缺陷接触后的故障频率

3)保持架发生故障时的故障频率

当轴承出现故障时,轴承的振动信号就会伴随周期转动而呈现出明显的周期峰值。这些峰值和信号在幅值谱上会清晰地表现出来[5]。

2.2 滚动轴承保持架轻微受损的特征提取

本文采用了6204轴承在轴承实验台上得出的数据,采样频率16 384 Hz,每组采样2 048个点。根据《机械设计手册》查得:外径40 mm,内径27 mm,轴承节径为33.5 mm,滚动体直径为8 mm,转速为24.56 Hz。则外圈故障频率为75 Hz,内圈故障频率为121 Hz,保持架内环面故障频率为15 Hz,滚珠故障滚动频率为49 Hz。

先对这组数据进行EMD分解。将EMD的分解结果进行边际谱分析,如图1。从图中可以大致看到,在图谱的低频处有较高峰值,再将此图局部细化分析,如图1。

通过图1可以看到,在边际谱的16 Hz处有明显峰值出现,对比轴承的故障频率类型可以发现故障的类型是保持架故障。图1中除了基频处有较高峰值外,其余部分没有太多尖峰出现。因此,可以判断图1所反映的保持架故障类型为保持架中较为轻微受损的类型。

参考文献

[1]熊学军,郭炳火,胡筱敏,等.EMD方法和Hilbert谱分析法的应用与探讨[J].黄渤海海洋,2002,20(2):12-21.

[2]邓拥军,王伟,钱成春,等.EMD方法及Hilbert变换中边界问题的处理[J].科学通报,2001,46(3):257-262.

[3]刘纪红,孙宇舸,李景华.数字信号处理原理与实践[M].北京:国防工业出版社,2009.

[4]蒲玉兴.滚动轴承故障诊断的频谱分析技巧[J].长沙航空职业技术学院学报,2002,2(4):41-43.