低压断路器振动特性分析与合闸同期性研究

针对低压断路器的机械特性,采用小波分解法对其振动信号进行分析。根据电动操作机构及低压断路器合闸动作的时序关系,以驱动电机电流信号作为时间标识,有效地提取了合闸振动信号。提出小波包能量谱分析低压断路器合闸同期性研究,在小波包对振动合闸信号细节分解基础上,采用小波包重构提取合闸振动主频带信号特征,由此构造合闸同期性状态特征矢量,并应用BP神经网络建立三相合闸不同期故障的识别模型。在断路器基座横梁安装单个加速度传感器,实验模拟了DW15—1600低压断路器的四种同期性状态振动信号,仿真结果表明,本文提出的振动信号小波包能量谱与神经网络相结合的方法,可有效地分析低压断路器合闸同期性。     

基于小波包能谱熵与自组织RBF神经网络的低压断路器机械故障诊断

利用小波包分解技术分析断路器故障时的振动信号,提取小波包的能谱熵,将其作为断路器故障模式的特征向量。然后,建立基于K-均值聚类方法的自组织径向基神经网络,对断路器的几种模拟故障进行识别分析,证明了算法的收敛性,给出收敛速度计算公式。通过仿真实验,验证了该方法的有效性,且较之传统BP神经网络有更快的收敛速度和更高的准确度。     

基于振动信号经验模态分解及能量熵的高压断路器故障识别

为了准确地检测出高压断路器的故障类型,笔者首次将经验模态分解(EMD)方法引入高压断路器的振动信号分析当中,并提出将EMD分解得到的固有模态函数(IMF)能量熵值作为表征断路器故障类型的新特征向量。为了证实该分析方法的有效性,笔者在实验室的110 kV SF6断路器上进行了模拟实验,提取了正常和故障状态下振动信号的IMF能量熵值特征向量,并以此作为径向基神经网络的输入向量。最后,引入置信度的概念,对径向基神经网络的输出结果进行评价。该方法基于实验室研究取得了较好的识别效果,并为基于振动信号的断路器故障识别提供了一条新的思路。     

基于智能理论的高压断路器机械故障诊断

文中对高压断路器机械故障诊断方法进行了研究,通过监测高压断路器合闸操作振动信号,提出了一种基于小波分解和支持向量机(SVM)的机械故障智能诊断方法。首先利用小波分解对振动信号进行分解,然后提取出振动信号的低频和高频重构信号的能量并将其作为特征量,最后利用SVM实现高压断路器机械故障的分类。为了验证提出的方法,搭建了高压断路器机械故障诊断软硬件平台,并对现场的高压断路器进行了实验研究。实验结果表明,该方法能有效地完成高压断路器机械故障的诊断。     

基于振动信号小波包提取和短时能量分析的高压断路器合闸同期性的研究

该文提出了一种分析高压断路器合闸同期性的新方法将小波包提取算法和短时能量分析方法相结合，利用小波包分解与重构原理将断路器合闸振动信号分解到不同频段中，并对代表高频冲击信号的分解系数进行重构，然后运用短时能量分析方法对重构后的信号进行分析，辨识出合闸变位点。通过对三相合闸过程的分析，得出三相同期性。通过MATLAB仿真分析和实验结果验证了该方法的有效性。     

牵引变电站直流断路器机械状态监测与故障诊断研究

直流断路器作为电力系统控制和保护的最重要的开关设备之一,其可靠运行关系着电力系统的安全稳定性。直流断路器在分合闸时的振动信号能直接反映断路器的机械状态,因此选取直流断路器的机械振动信号作为研究对象。首先研究了振动传感器选型对振动信号采集的影响并确定了传感器型号,接着研究了振动信号预处理和提取振动信号特征量的方法,最后模拟了几种常见故障并用Elman神经网络对模拟故障进行诊断。处理结果表明,用小波包分解和Elman神经网络实现了直流断路器机械状态监测和诊断。     

粒子群优化神经网络在高压断路器机械故障诊断中的应用

提出了一种以振动信号小波包特征熵为特征向量的高压断路器机械故障诊断的智能算法,该算法利用小波包分解原理将高压断路器振动信号分解到不同的频段中,计算各频段的能量熵值,并将其作为神经网络的输入向量,同时利用粒子群算法对神经网络进行优化,以提高故障诊断的精度。试验结果表明：该方法不仅能够取得良好的分类效果,而且诊断速度与精度均高于传统神经网络算法,适用于高压断路器机械故障诊断     

采用HHT振动分析的低压断路器合闸同期辨识

利用振动信号辨识三相合闸不同期故障,应解决有效的振动信号消噪及其故障特征提取方法.提出一种希尔伯特-黄变换(HHT)的低压断路器振动信号分析方法,采用经验模态分解(EMD)有效地提取反映振动信号局部特性的本征模态函数(IMF)分量,以前5阶IMF分量表征振动信号特性且起到信号消噪作用.通过时域特征分析,得出振动信号的峭度和均方值可作为判别机械特性的辅助特征指标.提出前5阶IMF分量能量比及峭度、均方值为特征向量,建立粒子群优化径向基(PSO-RBF)神经网络的低压断路器合闸不同期故障识别模型.实验与仿真结果表明,基于单个传感器振动特性,综合采用时域分析、EMD分解、粒子群优化神经网络等人工智能的合闸同期性故障识别效果良好,为断路器故障尤其是三相合闸同期性振动分析提供了一种新的诊断方法.     

基于振动信号的高压断路器触头超程状态识别

提出了一种利用振动信号识别高压断路器触头超程状态的新方法。高压断路器分/合闸动作过程中产生的振动信号包含有触头超程状态信息,合适的信号处理方法及特征提取技术可以将该信息提取出来。试验获取高压断路器不同触头超程下的振动信号,采用经验模态分解(EMD)对振动信号进行分解,计算分解得到的本征模态函数(IMF) Hilbert边际谱能量,作为触头超程状态特征量,并详细分析该特征量与触头超程之间的变化规律。结果表明,所提方法能够有效提取高压断路器的触头超程状态信息,能够实现触头超程状态的准确识别,为高压断路器触头超程状态在线监测与诊断提供一种新方法。     

基于Kohonen网络的高压断路器机械故障识别方法

引起高压断路器故障的原因大部分都是机械故障,因此对高压断路器进行故障诊断,使其可靠、高效地工作对电力系统的运行具有很大的意义。实验室模拟断路器基座支架上的合闸振动信号,采用小波包变换对取得的3种状态下的振动信号进行分解,计算各频段能量并做归一化处理,构造特征向量作为Kohonen网络的输入,进而进行机械故障识别。最后,将基于Kohonen网络的识别方法与BP网络以及RBF网络识别方法对高压断路器机械故障的识别效果进行比较。结果表明提出的基于Kohonen网络的高压断路器机械故障识别方法优于BP网络以及RBF网络,具有较高的准确性。     

能谱熵向量法及粒子群优化的RBF神经网络在高压断路器机械故障诊断中的应用

高压真空断路器是电力系统开关设备中极其重要的一种高压电器,而高压断路器故障中80%是由于机械特性不良造成,为此通过小波包变换对高压断路器机械振动信号进行了分析,以信号的能谱熵作为特征输入向量,建立了粒子群优化(PSO)径向基函数(RBF)神经网络的高压断路器故障识别系统模型,最后对实际高压断路器振动信号进行获取分析并得到结果。实验结果表明,高压断路器正常信号能谱熵向量各元素分布比较均匀;而故障信号所得能谱熵向量各元素变化较大且有一定变化规律;粒子群优化后的RBF网络模型在正确率、精度等方面高于传统神经网络模型。实验结果表明该方法用于高压断路器的故障诊断是可行的,并且可以为断路器的故障诊断提供更好的理论依据。     

Method of Mechanical Fault Intelligent Diagnosis Based on Vibration Signal of High Voltage Circuit Breaker

Based on vibration signal of high voltage circuit breaker,a new method of intelligent fault diagnosis that wavelet packet extracts energy entropy which are used as characteristic vector of the support vector machine(SVM)to construct classifier for fault diagnosis is presented.The acceleration sensors are applied to collecting the vibration data of different states of high voltage circuit breakers based on self-made experimental platform in this method.The wavelet packet are fully applied to analyze the vibration signal and decompose vibration signal into three layers,and wavelet packet energy entropy of each frequency band are as the characteristic vector of circuit breaker failure mode.Then the intelligent diagnosis network is established on the basis of the support vector machine theory.It is verified that the method has a better capability of classification and a higher accuracy compared with the traditional neural network diagnosis method through distinguishing the three fault modes which are tripping device stuck,the vacuum arcing chamber fixed bolt looseness and too much friction force of the transmission mechanism of circuit breaker in this paper.     

基于多传感器振动信号融合的真空断路器故障诊断

根据真空断路器故障诊断特点,提出了小波包、RBF神经网络与D-S证据理论相结合的决策层信息融合诊断方法。首先,运用小波包—能量谱分析方法对振动信号进行分解处理,提取特征向量,并以此作为诊断的依据;其次,建立神经网络模型,以特征向量为RBF神经网络的输入,进行断路器初步故障诊断;然后将诊断结果作为对各种故障模式的基本概率分配值,利用D-S证据理论,实现对初步诊断结果的融合,从而得到最终的融合诊断结果。实验结果表明,该方法诊断真空断路器故障能取得良好的效果。     

小波包-特征熵在高压断路器故障诊断中的应用

在详细介绍小波包和特征熵的基础上,提出了一种基于振动信号的断路器机械故障诊断新方法.该方法首先在振动信号小波包分解的第3层各节点重构信号,并提取包络;而后利用包络信号的分段能量,计算小波包-特征熵向量;最后将正常状态和待测状态下所得向量之间的欧氏距离作为诊断参量.对某少油断路器无负载开断振动信号的分析证实,该方法检测断路器故障简单、准确,能同时在时域和频域检测断路器状态的变化.     

改进的小波包-特征熵在高压断路器故障诊断中的应用

在详细介绍小波包与特征熵的基础上，将二者结合提出了一种诊断高压断路器机械故障的新方法，并给出了切实可行的诊断步骤和分析。该方法首先将断路器基座振动信号进行3层小波包分解，提取第3层各节点重构信号的包络；然后利用正常状态标准信号所得各包络信号的等能量分段方式，实现对应节点待测状态信号包络的时间轴分段，并利用各分段积分能量、按照熵理论提取特征熵向量；最后构造简单的BP神经网络实现特征熵向量的分类。经正常和2种故障状态下高压断路器无负载振动信号测试，证明该方法检测高压断路器故障简单、准确，为断路器的故障诊断开拓了新的思路。     

柔性机械臂振动控制中的压电传感器故障诊断

压电传感器常被应用于结构的振动控制中,为了解决压电传感器故障给控制系统的带来的不稳定问题,根据压电柔性臂振动用压电传感片故障的特点,提出运用小波包变换和RBF神经网络的故障诊断方法。首先运用小波包分解和重构原理将传感器输出信号分解到不同频段中,提取每个频段的能量作为状态监测的特征向量,作为RBF网络的输入,然后利用最佳的RBF神经网络进行压电传感器故障分类。实验结果表明该方法具有良好的非以此线性跟踪能力,置信度达到90%,为后续振动容错控制研究奠定良好的基础。     

基于机械振动信号的高压真空断路器故障诊断研究

提出一种基于小波-包络谱能量提取振动信号特征并进行故障诊断的新方法。首先应用小波分析对振动信号进行降噪处理,然后与希尔伯特变换相结合,提取振动信号的低频和高频包络,最后对包络信号进行谱分析及能量特征提取。实验结果表明,该方法对提取高压真空断路器机械振动信号的特征是有效的,可为故障诊断提供依据。     

基于径向基函数网络的高压断路器在线监测和故障诊断

介绍了一种高压断路器在线检测和故障诊断的方法。由于高压断路器出现机械故障不仅会引起振动冲击事件的时间漂移,还会引起时域波形中一些波峰幅值的变化。基于径向基函数（RBF）网络理论,将健康振动信号和断路器实际振动信号波峰幅值之差形成的残差以及波峰幅值发生的时间区段作为断路器故障诊断的特征参数,来判别断路器是否发生故障及其故障类型。在实际工程应用中,可以将断路器正常工作时的动静触头接触时产生的振动信号记录下来,存入用于巡回检测的微机系统。用RBF网络预测器的输出与预先给定的阈值进行比较,实现故障的自动诊断。对模拟故障信号进行了仿真实验,仿真结果表明：RBF网络在线学习只需1组样本,因而其收敛速度比BP网络的收敛速度快,更适合于断路器在线检测。该方法还具有精度高和鲁棒性的特点,是一种比较有效的方法。