基于CEEMDAN与样本熵的高压断路器机械故障诊断

依据高压断路器振动信号特性,提出一种自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与样本熵相结合的高压断路器故障特征提取方法。首先利用CEEMDAN将分闸振动信号分解成一系列内禀模态函数(intrinsic mode function,IMF),然后利用相关系数法与归一化能量筛选包含信号主要特征信息的前7阶IMF分量,求取其样本熵作为特征量,最后采用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)分类器,对断路器不同故障类型进行分类识别。实验结果表明该特征提取方法能准确提取振动信号特征量,输入PSO-SVM诊断高压断路器故障能取得良好的效果。     

基于集合经验模态分解样本熵和LIBSVM的离心风机故障诊断方法

针对离心风机故障信号非平稳、非线性的特征以及应用过程样本少等特点,提出基于集合经验模态分解(EEMD)样本熵和LIBSVM的离心风机故障诊断的新方法。首先采用总体平均经验模态将传感器信号分解成若干个平稳的本征模态函数(IMF)分量;其次通过相关系数准则对IMF分量进行选择去除虚假模式分量,对于筛选出的IMF分量分别计算样本熵并将其作为特征向量;最后将特征向量输入LIBSVM和BP神经网络进行模式识别。实验验证了该方法的可行性、有效性和优越性。     

基于振动信号样本熵和相关向量机的万能式断路器分合闸故障诊断

为实现对万能式断路器分合闸故障的非侵入式监测和诊断,以分合闸过程中所产生的包含丰富机械特性信息的振动作为信号来源,提出一种基于振动信号互补总体平均经验模态分解(CEEMD)-样本熵和相关向量机(RVM)相结合的万能式断路器故障诊断方法。该方法首先将振动信号通过改进的小波包阈值去噪算法处理;其次采用CEEMD提取若干个反映断路器状态信息的固有模态函数(IMF)分量,依据各IMF分量的能量分布特点,选择其中前7阶进行处理,计算其样本熵形成有效的特征样本;最后通过计算不同故障类型的样本间欧氏距离来定量评价类间样本平均距离,建立基于RVM的二叉树多分类器,诊断得出万能式断路器故障类型。基于所设计的分合闸典型故障模型进行实验。与其他方法的对比实验表明,所提方法可利用相对较少的故障数据样本实现对万能式断路器故障类型的识别并具有较高的识别率;同时实验表明,辅以同一故障类型的样本间欧氏距离,可实现对分合闸故障中三相不同期故障严重程度的初步评估。     

基于CEEMDAN的配电变压器放电故障噪声诊断方法

研究配电变压器本体和放电故障噪声的声学特征以及识别方法,是实现配电变压器放电故障可靠识别和诊断的关键。为此,提出了基于自适应白噪声完备集成经验模态分解(CEEMDAN)的配电变压器放电故障诊断方法。该方法首先采用CEEMDAN对所采集的声信号进行分解,得到若干个本征模态函数(IMF),求取各IMF的峭度值,并选取合适的IMF分量进行信号重构,从中提取放电故障声信号;其次对放电故障声信号进行CEEMDAN分解,获取其边际谱熵、重心频率、频带能量熵及奇异谱熵这4个特征量,并构成特征向量;最后利用支持向量描述(SVDD)对典型放电故障进行分类与识别。实验结果表明:所提方法在考虑配电变压器本体噪声的条件下,放电故障的识别率达到90%以上,可用于配电变压器放电故障的识别和诊断。     

基于NGO-VMD-DE的单相接地故障信号特征提取

针对电力系统输配电线路发生单相接地故障时,电气设备的电磁环境干扰,故障零序电流成分复杂等原因导致故障特征信息提取困难,变分模态分解参数人为确定导致其对零序电流分解效果差,常用的熵运算慢,鲁棒性差,进而后续选线准确率低的问题,提出了一种新的基于NGO-VMD-DE的单相接地故障的零序电流故障特征提取方法。首先,通过北方苍鹰优化算法(NGO)优化变分模态分解(VMD)实现零序电流信号的自适应分解,建立了自适应相关系数的本征模态函数(IMF)分量选取准则选取有效分量,然后对选取的分量进行重构,最后对重构后的信号进行散布熵(DE)计算以提取单相接地故障的零序电流故障特征,通过搭建模型进行仿真实验,并与近似熵、样本熵、模糊熵、排列熵等其他特征熵值指标进行对比表明,所提出的故障特征提取方法可以更加准确、有效地表征发生单相接地故障线路的零序电流故障信息。     

基于VMD与快速谱峭度的滚动轴承故障诊断

针对滚动轴承故障信号易受环境噪声干扰,故障特征信息获取相对困难的问题,提出了基于变分模态分解(VMD)与快速谱峭度的滚动轴承故障特征提取方法.首先将轴承信号分解为若干个固有模态分量(IMF),然后利用最大相关峭度解卷积算法对各阶模态分量进行计算,选取相关峭度值相对较大的几个IMF分量作为故障信息最突出的研究对象,并对其...     

基于VMD-Hilbert边际谱能量熵和SVM的高压断路器机械故障诊断

针对高压断路器分、合闸动作过程中产生的振动信号持续时间短暂及强烈的非线性非平稳性,导致的特征提取困难问题,提出一种变分模态分解(VMD)-希尔伯特(Hilbert)边际谱能量熵,及支持向量机(SVM)的高压断路器振动信号组合特征提取和机械故障诊断方法。采用VMD对高压断路器振动信号进行分解,得到一系列反映振动信号局部特性的本征模态函数(IMF);对IMF进行Hilbert变换,并求取对高压断路器机械状态变化敏感的Hilbert边际谱能量熵作为特征向量;将特征向量输入到SVM分类器,实现高压断路器机械故障的智能诊断。试验结果表明:该方法能够准确识别高压断路器的常见机械故障类型,具有一定的工程应用价值。     

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。     

VMD多尺度熵和GWO-SVM在扬声器异常声分类中的应用

针对扬声器异常声分类中异常声特征提取以及分类识别两个关键环节,提出一种基于变分模态分解(VMD)多尺度熵(MSE)与灰狼算法优化支持向量机(GWO-SVM)结合的扬声器异常声分类方法。首先,对扬声器声响应信号进行VMD分解得到一系列本征模态函数(IMF),计算各阶IMF与原始信号的相关系数,然后选择相关系数高的IMF提取该IMF的MSE作为特征向量,最后利用灰狼算法优化支持向量机模型识别故障类型。实验结果表明,在5种状态下扬声器单元分类的识别中,较经验模态分解(EMD)多尺度熵、VMD多尺度散布熵(MDE)、EMD多尺度散布熵的特征提取方法,VMD多尺度熵呈现出更高的识别准确率,其识别准确率为99.3%。能更好地表征异常声特征。     

基于VMD模糊熵和SVM的高压断路器故障诊断

为了有效提取高压断路器振动信号的特征,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)模糊熵和支持向量机(Support Vector Machine, SVM)的特征向量提取方法,并采用SVM分类器对断路器的故障类型进行识别。首先,使用VMD对断路器的振动信号进行分解,得到若干个模态分量;然后,计算每一个模态分量的模糊熵,将其组成特征向量;最后,将上述特征向量导入到SVM分类器中进行训练,得到训练好的SVM模型,使用该模型对断路器4种运行状态下的样本数据进行故障识别。结果表明,基于VMD模糊熵的特征向量提取方法所提取出的特征向量相对基于经验模态分解(Empirical Mode Decomposition, EMD)样本熵的特征向量提取方法所提取出的特征向量可分性较好;在小样本的模式识别中,SVM相比于BP神经网络,具有更高的识别精度,能够有效识别断路器的故障。     

断路器机械振动信号特征值提取方法分类性能研究

以ZW45-12型单稳态永磁机构断路器为研究对象,通过搭建数据采集平台得到断路器正常合闸状态、分闸弹簧单根脱落和机构卡涩3种不同运行状态信号数据,利用模糊C聚类分析算法比较短时傅里叶变换、小波包能量熵和希尔伯特—黄变换3种特征提取方法的性能。通过对比研究,得出采用小波包变换方法得到的时频熵向量具有最佳的类可分性能。     

基于多分辨率奇异谱熵和支持向量机的断路器机械故障诊断方法研究

根据高压断路器机械振动信号的特点,提出一种基于多分辨率奇异谱熵的信号特征提取方法,并以此特征向量作为支持向量机的输入对断路器机械状态进行识别。多分辨率奇异谱熵是在信息熵模型的基础上,将多分辨率分析和奇异谱分析有效结合的一种信息处理方法,用信号的奇异谱熵作为特征向量更能体现断路器在不同机械状态下的不同特征。利用交叉检验和粒子群优化方法来对支持向量机模型中的参数进行寻优。通过对断路器实际振动信号分析表明,该方法能对断路器故障进行准确诊断分类。     

基于变分模态分解与精细复合多尺度散布熵的发电机匝间短路故障诊断

针对多极发电机匝间短路故障诊断与识别难度高的问题,提出了变分模态分解与精细复合多尺度散布熵结合的方法处理发电机定子振动信号.所提方法应用变分模态分解将原始信号分解为多个模态分量,并依据峭度和相关系数原则选取2个不同分量进行信号的重构,应用精细复合多尺度散布熵来进行重构信号的分类及故障识别.对3对极发电机匝间短路故障前、后定子振动数据的处理效果表明,所提方法可以对发电机匝间短路故障进行有效识别与诊断,与其他多尺度熵方法相比具有一定优越性.     

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。     

基于相空间重构与改进GSA-SVM的高压断路器机械故障诊断

断路器机械部件传动、撞击产生的振动信号具有混沌特性,运用常规的信号处理方法很难分析其特性。首先采用互信息法和Cao算法将振动信号重构至高维空间后,计算其排列熵作为特征向量,输入支持向量机对断路器机械故障类型进行诊断,最后用粒子群算法（PSO）改进的万有引力搜索算法（GSA）混合算法优化支持向量机参数,利用断路器实测振动信号进行验证。结果表明：相空间重构与排列熵结合能够准确提取断路器振动信号的特征,采用PSO-GSA改进的支持向量机能快速有效分辨断路器故障类型,解决了现有诊断方法的路径扭曲、能量泄露和模态混叠等问题。     

断路器机械特性特征数据稳定性和故障机理

为研究高压断路器诊断与评估方法中特征数据可靠性和故障特征数据变化规律问题,针对断路器触头行程、操作机构电流和机械振动信号搭建数据采集平台,提出3种信号的数据特征值提取方法,在断路器同一状态不同时间下,研究各信号特征数据稳定性;在断路器操作机构控制回路电阻增大、分闸弹簧单根脱落和操作及传动机构卡涩3种不同状态下,研究3种信号的特征数据的变化规律。研究证明搭建的断路器数据采集系统的可靠性和数据特征提取方法可行,并得出了断路器机械特性不同状态下各信号特征值的变化规律,为断路器状态评估与诊断方法提供数据支持。     

改进 CEEMDAN 算法的电机轴承振动信号降噪分析

为提高传统自适应噪声完备经验模态分解算法(CEEMDAN)对电机轴承故障特征信号的精确提取率,降低重构信号失 真,提出了一种改进自适应噪声完备经验模态分解算法。 首先利用传统 CEEMDAN 对原始信号初步分解,获得若干特征分量 (IMFs)和固有模态分量,将若干 IMFs 运用熵权法进行初步故障特征信号消噪和提取,对筛选后的 IMF 分量进行二次分解和二 次筛选,获得典型故障敏感信号,再运用 SG(Savitzky-Golay)平滑滤波进行信号重构,最终实现电机轴承信号降噪。 最后利用凯 斯西储大学轴承数据进行改进算法性能分析,结果表明该方法对电机轴承信号能够有效的进行信号降噪,其信噪比相比于原始 信号提高 2. 2 dB。