针对轧辊偏心信号是混杂在各种随机干扰中的复杂高频周期信号,因FFT法对信号分析的局限性,提出了一种Root-MUSIC(Multiple Signal Classification)法和Prony法相结合的轧辊偏心信号估计新方法。利用Root-MUSIC法准确估计出偏心谐波的频率及谐波的个数,同时使用Prony方法估计出偏心信号的各次谐波幅值和相位。仿真结果验证了可行性和有效性,在信噪比较低的情况下仍能准确地同时估计出偏心谐波的频率、幅值及相位,尤其在频率分辨率和抗噪声上比FFT法具有优越性。
提出了一种基于互高阶累积量的多信号分类法(Multiple Signal Classification,MUSIC)的异步电动机转子故障检测方法。由于断条故障特征频率分量易被基波分量泄漏及噪声淹没,而互高阶累积量可以有效抑制相关和非相关噪声,在混合噪声和信噪比很低(-20 dB)的情况下,该方法仍具有很高的谱分辨率和谱估计性能。仿真和试验结果表明,该方法在对电机转子断条故障检测时,在不需要对分析数据进行整周期采样的前提下,能准确检测出转子故障时电流中的故障特征成份,证明了该方法的有效性。
在电力系统中,准确有效地确定信号中的间谐波分量,对于改善电能质量有重要意义。研究了一种间谐波幅值和频率的估计算法--基于互高阶累积量的多信号分类法MUSIC(Multiple Signal Classification)方法,该方法可以有效地抑制非相关噪声和高斯噪声,在混合噪声和低信噪比的条件下,仍具有很高的谱分辨率和谱估计性能。为了证明其有效性,采用一具体的电力系统谐波模型进行仿真。仿真结果表明:在色噪声背景下,信噪比为-20dB时,且不需要对分析数据进行整周期采样,仍可以有效地估计出间谐波的频率和幅值,谱估计性能稳定,具有一定的工程应用前景。