基于小波包变换和量子神经网络的触电故障类型识别模型

针对农村低压电网中广泛应用的剩余电流保护装置,只能检测到剩余电流有效值的大小作为唯一动作判据,不能自动识别剩余电流与触电故障类型之间所具有的非线性映射规律的难题,提出了一种基于小波包变换和量子神经网络的触电故障类型识别模型。首先应用小波包变换明确了生物体触电故障时,剩余电流中312.475 Hz以下低频带的能量谱波动明显,其中39.062 5~78.125 Hz和119.2~156.25 Hz两频带的波动幅度达9.05和9.00,提取了剩余电流的小波包能量谱8维度特征向量,同时应用特征频带能量占有比之差的平均变化率,实现了生物体发生触电故障的准确检测。然后以小波包能量特征向量为有效信息源,利用量子计算的态叠加思想和神经网络计算的自适应性结合,建立了一种量子神经网络作为触电故障类型识别模型,该网络采用多个量子能级的量子神经元,在学习1 437次时误差精度达到0.000 998 92,快速高效地实现了触电故障类型的识别,其仿真试验准确率达100%。该研究对于研发新一代基于生物体触电电流分量动作的自适应型剩余电流保护装置具有重要的参考价值。     

基于剩余电流固有模态能量特征的生物触电故障诊断模型

针对未来低压电网剩余电流保护技术中,生物触电故障诊断与剩余电流之间具有不确定的潜在规律及关系映射,提出了一种基于剩余电流固有模态能量特征的生物触电故障诊断模型。首先应用Hilbert-Huang变换明确了生物触电故障时,剩余电流各固有模态能量在时间和各种频率尺度上的分布,其中低频IMF分量的能量占有率高达86.35%,建立了剩余电流固有模态能量特征的提取方法;然后以选取剩余电流各IMF分量5维度能量特征向量,为生物触电故障诊断模型提供有效特征的信息源,利用量子遗传计算的快速寻优性和神经计算的自适应性有机结合,建立了一种量子遗传模糊神经网络作为触电故障模式分类归属的决策系统,仿真试验准确率达到100%。为研发基于人体触电电流而动作的新型剩余电流保护装置,提供可靠的理论依据和方法支撑。     

基于Hilbert-Huang变换的生物触电电流检测模型

为了检测触电时刻剩余电流中生物体触电支路电流信号的难题,应用Hilbert-Huang变换方法,确定了生物触电时剩余电流的固有模态函数中相关系数最大的IMF分量的局部幅值达34.02 m A,且与原信号相关性系数达到0.99,同时剩余电流与触电电流暂态过程频谱特性具有相似变化规律。以此为基础,应用生物电流信号高频IMF分量幅值的突变特征,作为触电故障时刻确定判据,建立生物触电故障时刻判定方法,实际数据的仿真处理正确率为94.17%;筛选剩余电流分解的相关性较高的有限个数的低频固有模态IMF分量,应用逐步多元线性回归方法,提出基于剩余电流固有模态分量的生物触电支路电流幅值检测方法,仿真试验结果的平均相对误差值5.46%,具有良好的适应性和实用性,为研发基于生物体触电电流而动作的剩余电流保护装置提供参考。     

基于参数优化的最小二乘支持向量机触电电流检测方法

针对如何从低压电网总泄漏电流中检测出生物体触电电流信号的难题,提出了一种基于网格搜索和交叉验证的最小二乘支持向量机的触电电流信号检测方法。首先在剩余电流动作保护装置触电物理试验系统平台上通过故障录波器获得生物体在3个典型时刻(电源电压最大时刻、电源电压过零时刻及电源电压任意时刻)发生触电过程的总泄漏电流和触电电流波形,并截取触电前1个周期和触电后3个周期共800个采样点的信号数据作为触电试验样本数据;然后将触电试验样本数据进行滤波预处理,预处理后的多个样本采样点的总泄漏电流组合成特征向量输入最小二乘支持向量机(least square-support vector machine,LS-SVM),相应样本采样点的触电电流作为其输出,并通过网格搜索与交叉验证相结合的方法来优化最小二乘支持向量机参数,利用输出最优参数组合对触电电流与总泄漏电流的关系进行训练,从而建立了触电电流的检测模型;最后利用该方法对10组测试样本数据进行了检测,检测结果为:当训练样本数据为20组时,检测均方误差为14.0040,当训练样本数据为40组时,检测均方误差为11.7469,当训练试验数据为65组时,检测均方误差为11.1849。与径向基(radial basis function,RBF)神经网络方法相比,最小二乘支持向量机方法比径向基神经网络方法检测均方误差分别低3.7272、1.9132、0.1556,从而可较准确地从总泄漏电流中检测出生物体触电电流信号,为开发新一代基于生物体触电电流分量而动作的自适应型剩余电流保护装置提供理论依据。     

基于小波分析和BP神经网络的触电信号检测模型

针对从农村低压电网总泄漏电流中检测和判断触电电流信号的难题,该文提出一种基于小波变换和BP神经网络的触电信号检测方法。首先用触电物理实验平台对动物触电信号进行实测,选择合适的小波基和分解尺度对触电实验中总泄漏电流及触电电流进行小波多分辨分析,实现原始信号的预处理;再将预处理后的波形作为样本进行神经网络学习和训练,建立从总泄漏电流波形中提取触电电流波形的神经网络耦合模型,并用此模型对未训练的样本进行触电信号的检测,检测值与实际值的平均相对误差为3.93%,说明该方法能够从总泄漏电流中检测出触电电流信号,对于     

基于空间特征谱聚类算法的含噪苹果图像优化分割

为了减少噪声对苹果采摘机器人的目标识别所带来的影响,对含噪苹果图像的分割方法进行了研究。该研究设计一种针对噪声具有鲁棒性的苹果图像分割方法,首先计算苹果图像的三维空间特征点的紧致性函数,用以构造邻近点的相似矩阵实现苹果图像的去噪效果;再利用离群点矩阵拆分并由其他剩余列向量线性表示,对相似矩阵进行离群点调优实现聚类优化,进而提出基于空间特征的谱聚类含噪苹果图像分割的优化算法,旨在提高分割算法的效率和识别准确率。通过对两幅苹果图像添加不同程度的高斯和椒盐噪声（方差分别为0.01、0.05和0.1的高斯噪声和概率为0.01、0.05和0.1的椒盐噪声）进行试验,分别求出谱聚类方法、基于空间特征的谱聚类方法和该文优化方法的苹果目标图像的分割图,并计算三类方法的分割准确率。该文优化方法对于单个苹果受不同噪声影响下的分割准确率均在99%以上,对于重叠苹果的分割准确率均在98%以上,对于所选取的30幅苹果图在方差为0.05的高斯噪声和概率为0.01的椒盐噪声影响下的平均分割准确率为99.014%。结果表明：谱聚类方法受噪声的影响较大;基于空间特征的谱聚类方法的分割效果受噪声的影响较小,但在边界区域仍然有很多错分的像素;优化方法在边界区域的分割要优于基于空间特征的谱聚类方法;在设定的试验条件下,其分割结果准确率相对于基于空间特征的谱聚类方法和传统的谱聚类方法可分别提高5%～6%和9%～25%。在分割效率方面,该文优化方法的分割时间低于传统的谱聚类算法,且与基于空间特征谱聚类方法接近。研究结果为苹果采摘机器人的快速目标识别提供参考。     

基于有限脉冲反应和径向基神经网络的触电信号识别

针对农村低压电网剩余电流保护与动作技术中,如何检测总泄漏电流中人体触电支路电流的难题,该文利用严格线性相位与任意幅度特性的FIR（finite impulse response）数字滤波技术和具有自适应性与最佳逼近特性的RBF（radial basis function）神经网络有机结合,提出一种基于FIR数字滤波的RBF神经网络作为触电电流信号的检测方法。首先,采用FIR数字滤波器选定合适的窗函数和滤波阶数,对触电试验获得的总泄漏电流及触电电流进行滤波预处理;然后,将预处理后的信号波形作为样本集,选定适合的RBF函数,建立从总泄漏电流中提取触电电流波形的3层RBF神经网络模型。仿真试验结果表明：该方法速度快且稳定,检测值与实际值的平均相对误差为3.76%,具有良好的适应性和实用性,对于研制新一代剩余电流保护动作装置具有重要意义。     

基于时频脊线提取与改进稀疏分量分析的RV减速器复合故障盲分离

针对农业机器人的核心传动部件旋转矢量（rotate vector，RV）减速器的故障特征提取问题，该研究提出一种基于时频图像脊线提取与改进稀疏分量分析相结合的RV减速器复合故障盲提取方法。首先利用提出的时频图像脊线提取（ridge extraction from time-frequency images，RETF）方法同步截取机械臂恒速时段的观测振动信号，然后利用提出的sinC函数改进形态滤波（sinC-morphological filtering，SMF）算法、密度峰值聚类（density peak clustering，DPC）算法和正交匹配追踪（orthogonal matching pursuit，OMP）算法相结合的盲源分离方法（SMF-DPC-OMP）实现平稳信号复合故障的分离提取。以sinC函数作为新的结构元素构造平均组合形态滤波器，对恒速时段的振动信号进行形态滤波处理，以提升信号的冲击特性以及稀疏性；利用DPC估计稀疏信号的混合矩阵，进而构建传感矩阵，并结合OMP在频域完成分离源信号重构，最后对重构的时域信号进行快速傅里叶变换完成故障识别。试验台采集的RV减速器的太阳轮和行星轮磨损复合故障信号的分析结果显示，该算法能有效实现RV减速器复合故障的盲分离。RETE算法能够在变转速工况导致时频图较为模糊的情况下，识别出RV减速器的运动状态；SMF-DPC-OMP算法能够在故障源数目未知的情况下，有效完成复合故障的盲分离。与已有方法相比，SMF-DPC-OMP方法能够节省约75%的时间成本，频谱更为简洁，能够抑制精细侧频和干扰分量，适用于关节型农业机器人RV减速器复合故障盲分离，对生产实际中的故障特征提取具有一定的参考意义。     

多特征融合的滚动轴承故障诊断

针对滚动轴承变工况条件下卷积神经网络在特征提取过程中无法充分提取全局特征信息的问题,该研究提出一种MSCNN-Swin滚动轴承故障诊断方法。首先,在数据处理模块中利用连续小波变换(continuous wavelet transform, CWT)将一维振动信号转化为二维时频图像,以保留原始信号的时频特性;然后,在局部感知模块中利用多尺度卷积神经网络(multiscale convolutional neural networks, MSCNN)对故障信息的局部特征进行提取,并使用卷积块注意模块(convolutional block attention module, CBAM)提取关键信息;进一步构建特征提取模块,引入残差连接提高前后特征信息的利用效率,通过SwinT网络(swin transformer)学习故障信息的全局特征;最后使用全局平均池化代替全连接层进行故障识别。使用美国凯斯西储大学轴承数据集与自制数据集进行试验验证,试验结果表明,本文方法在可视化试验中的故障识别准确率为99.67%,在变工况试验中的故障识别准确率为95.01%～99.66%,不同编码方式试验中的故障识别准确率为100%。在自制数据集中,故障诊断准确率达到99.18%。与CWT-LeNet5、CWT-VGG16、CWT-ResNet18和CWT-Swin相比,本文方法在变工况条件下的平均故障识别准确率分别提高8.79、8.64、3.49和3.18个百分点,在自制数据集中分别提高5.23、2.74、1.40和1.26个百分点。本文方法实现了变工况等复杂条件下滚动轴承不同故障状态的识别,能够充分提取轴承故障的全局特征信息,具有较高的故障诊断准确率和良好的泛化能力,可为变工况条件下的滚动轴承故障诊断提供参考。     

基于局部均值分解（LMD）的单通道触电信号盲源分离算法

针对从低压电网的剩余电流中提取触电电流的难题,该文提出局部均值分解(local mean decomposition,LMD)与盲源分离相结合提取触电电流的方法。利用LMD算法自适应的将剩余电流信号分解为若干个PF(product function)分量,计算各分量与原始信号的相似系数,选取相似系数最大且大于0.8的模态分量构造虚拟通道,与剩余电流信号一起构建盲源分离的2个通道,再利用FastICA算法从剩余电流信号中提取触电电流。试验结果表明:相较于经验模态分解(empirical mode decomposition,EMD)时间0.129 s,LMD分解时间为0.032 s,速度更快;在单相电路触电时,基于LMD-FastICA算法和EMD-FastICA算法提取的触电电流与原始触电电流的平均相关系数分别为0.937 4和0.925 3,平均相对误差分别为0.096 2和0.109 8;在三相电路触电时,基于LMD-FastICA算法和EMD-FastICA算法提取的触电电流与原始触电电流的平均相关系数分别为0.962 4和0.948 9,平均相对误差分别为0.056 4和0.081 55;LMD-FastICA与EMD-FastICA两种算法分解信号的峰值因子的相对误差范围分别为0.001～0.103和0.012～0.155,且抑制端点效应更好。研究结果可为开发基于触电电流动作的新型剩余电流保护装置奠定理论基础。     

基于局部均值分解的触电故障信号瞬时参数提取

针对如何快速、准确地提取生物体触电故障暂态信号中的电力参数问题,提出了一种基于局部均值分解（local mean decomposition, LMD）的生物体触电时总泄漏电流信号瞬时参数提取方法,该方法首先利用局部均值分解将生物体触电时的总泄漏电流信号分解为一组乘积函数分量之和,每个乘积函数（product function, PF）分量可以表示为一个调幅信号和一个调频信号的乘积,然后由调幅信号和调频信号分别计算得到信号的瞬时幅值和瞬时频率。与采用希尔伯特黄变换方法相比,LMD具有瞬时频率曲线波动小和瞬时幅值函数端部失真小等优点。仿真信号分析结果表明：对测试信号进行LMD和经验模态分解（empirical mode decomposition, EMD）分解分别得到3个PF分量和5个IMF（intrinsic mode function）分量,分解前后信号的能量变化值分别为0.2851、0.5633,且LMD比EMD所需分解时间短0.0743s,与Hilbert变换相比,该文方法计算的瞬时幅值和瞬时频率更为平滑,在一定程度上避免了Hilbert 变换计算过程中的负频率和端点效应现象。试验信号分析结果表明：对消噪后的总泄漏电流信号进行LMD和EMD分解,分别得到5和6个分量,分解前后信号的能量变化值各为0.5574、0.8896,所用分解时间分别为0.0835、0.2479 s;在求取瞬时频率方面,LMD方法求取的主导分量瞬时频率可判定生物体触电时刻,而经Hilbert变换求取的瞬时频率不仅无法判定生物体触电时刻,还出现了负的频率值,无法解释其物理意义;在求取瞬时幅值方面,该文方法与Hilbert变换求取的触电前总泄漏电流信号的瞬时幅值的平均值分别为11.3240、12.3728 mA,与原生物体无触电时总泄漏电流的幅值11.3538 mA的绝对误差分别为0.0298、1.0190 mA,另外,2种方法求取的生物体触电后总泄漏电流信号的瞬时幅值与原生物体触电后总泄漏电流的幅值的绝对误差分别为0.4340、0.6643 mA。因此,仿真信号和试验信号分析结果均证明所提方法是有效和可行的。     

猪体三维电学模型构建与验证

针对剩余电流保护装置因保护死区造成的投运率低和误动作问题,构建生物体的电学模型,获取大量的触电信号,进一步研究触电电流与剩余电流间的相互关系,可为解决保护装置存在的上述问题奠定基础。该文以猪为研究对象,采用Otsu算法将CCD相机采集的标准图像二值化,利用Canny边缘检测法提取图像轮廓并细化,在对图像归一化处理的基础上采用圆弧拟合法获取猪体轮廓关键点,并运用整体变换法获得猪体514个关键点的三维空间坐标,在ANSYS平台上建立猪的三维实体模型;基于修正系数法研究猪体组织介电特性的基础上,构建猪的电学模型并进行触电仿真试验。结果表明：触电电压相同时,面接触触电方式,左前肢-左后肢和左前肢-右后肢触电路径下平均电流密度分别为0.973和0.641 A/m2,线接触触电时分别为0.782和0.579 A/m2;相同触电方式下,左前肢-左后肢触电路径中的电流密度大于左前肢-右后肢触电路径中的电流密度,相同触电路径下,面接触触电方式触电电流密度大于线接触触电的电流密度;2种触电方式下各30组数据,触电仿真电流与触电物理试验获得电流的平均相对误差为3.5%,该电学模型在生物体触电仿真研究中可行。研究结果可为进一步研究人体电学模型提供参考。     

风光储微电网系统复合储能的网格式优化

针对剩余电流保护装置因保护死区造成的投运率低和误动作问题,构建生物体的电学模型,获取大量的触电信号,进一步研究触电电流与剩余电流间的相互关系,可为解决保护装置存在的上述问题奠定基础。该文以猪为研究对象,采用Otsu算法将CCD相机采集的标准图像二值化,利用Canny边缘检测法提取图像轮廓并细化,在对图像归一化处理的基础上采用圆弧拟合法获取猪体轮廓关键点,并运用整体变换法获得猪体514个关键点的三维空间坐标,在ANSYS平台上建立猪的三维实体模型;基于修正系数法研究猪体组织介电特性的基础上,构建猪的电学模型并进行触电仿真试验。结果表明：触电电压相同时,面接触触电方式,左前肢-左后肢和左前肢-右后肢触电路径下平均电流密度分别为0.973和0.641 A/m2,线接触触电时分别为0.782和0.579 A/m2;相同触电方式下,左前肢-左后肢触电路径中的电流密度大于左前肢-右后肢触电路径中的电流密度,相同触电路径下,面接触触电方式触电电流密度大于线接触触电的电流密度;2种触电方式下各30组数据,触电仿真电流与触电物理试验获得电流的平均相对误差为3.5%,该电学模型在生物体触电仿真研究中可行。研究结果可为进一步研究人体电学模型提供参考。     

基于阶次分析的永磁同步电机噪声源识别

为了识别出永磁同步电机的噪声来源,该文对常见的机械噪声和不同影响因素下的电磁噪声特点进行研究。首先分析了滚动轴承产生的噪声阶次特征,识别出了滚珠内外圈通过频率对应的分数阶噪声。其次通过麦克斯韦应力张量法推导了理想条件下作用于定子内表面的径向力波的频率阶次,结合实测电流谐波分析了不同电流谐波类型下的径向力波特征,通过引入偏心修正系数分析了转子动态偏心对径向力波的影响,从而识别出了不同影响因素下的电磁噪声源。并且建立了永磁同步电机的有限元模型,通过模态试验对定子铁芯和绕组的等效进行验证,由电机约束模态分析获取了电机在实际安装条件下的模态参数,对实测的共振噪声来源进行解释。最后分析了各影响因素产生的噪声对总体噪声的贡献量,指出电机的主要噪声源。该研究可以识别出永磁同步电机的每一阶次噪声和共振噪声的来源,为进一步的减振降噪奠定基础。