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。     

基于小波包Shannon熵SVM和遗传算法的电机机械故障诊断

针对电机机械多故障同时诊断问题,基于小波包、Shannon熵、支持向量机(SVM)和遗传算法,提出了一种电机机械故障诊断新方法,称之为WPSSG法或多模型融合法。该方法选择容错性强的Shannon熵作为特征参数,通过对振动信号进行基于DMeyer小波的小波包分解,提取振动信号的小波包Shannon熵为特征向量,将特征向量作为多类别SVM的输入,具有较高的去噪能力;在训练SVM时,与传统方法多采用试凑法选择参数不同,该方法采用遗传算法对SVM的参数进行全局寻优,使SVM获得最佳的分类性能,具有更高的识别准确率。采用凯斯西储大学提供的电机机械故障数据进行实验,结果证明该方法具有很好的可靠性和准确性。     

基于TQWT及SVM算法的有载分接开关带电检测技术研究

在变压器带电情况下,有载分接开关（OLTC）振动信号可反应其运行状态。对振动信号特征参量进行提取分析和故障诊断可辅助实现变压器健康状态预警。本文采用优化后的小波包算法：品质因子可调小波变换算法（TQWT）提取检测装置获取的振动信号有效信息,克服小波滤波器导致的频率混淆现象,消除频率折叠,有效提高特征参量的准确性。通过支持向量机算法（SVM）对振动特征信号进行故障类型识别。在此基础上研制有载分接开关带电检测装置,实现了对有载分接开关运行状态量的现场检测和分类,大幅度减少了现场检修人员工作量,提高检修人员工作效率。     

基于时频检测的 GIS 设备异常振动分析

对振动信号进行时频分析可以准确地定位振动源,进而分析GIS设备异常振动的成因并评价设备运行状况。采用振动宽频测试系统检测了某220 kV变电站GIS设备的异常状况,通过对测得振动信号进行频谱分析和连续小波分析,研究了振动信号的时频特性,揭示了振动信号在GIS设备中的传播衰减过程;同时利用振动信号小波熵分析了振动信号的时间延迟,从而对振动源进行了精确定位。     

基于分数进制小波变换与支持向量机的短期风速预测

本文探讨了一种基于分数进制小波变换与支持向量机(SVM)的短期风速预测模型。首先探讨了通过小波变换提取风速序列振荡特征提高传统模型预测精度的思路,进而分析了分数进制小波变换通过品质因子可调的变换模式实现的较传统小波变换更为自由精细的时频局部性能,以及在振荡信号特征提取领域的优越性;之后探讨了基于分数进制小波变换时频分解与SVM预测的风速预测模型的构建流程;实验结果表明,该模型与基于传统小波变换与SVM的预测模型以及神经网络、SVM模型相比,能够有效的提高预测精度。     

基于经验小波变换的特高压并联电抗器振动信号分析

为有效分析特高压并联电抗器振动信号特征,提出一种基于经验小波变换的特高压并联电抗器振动信号分析方法。该方法通过对信号傅里叶谱自适应的分割,在每个区间内构造正交小波滤波器来提取具有紧支撑傅里叶谱的固有模态,对提取出的模态成分进行希尔伯特变换,得到每一个分量的瞬时频率和振幅;综合仿真信号和实测特高压并联电抗器振动信号,将经验小波变换与经验模态分解两种方法进行探索性对比分析研究。研究结果表明,经验小波变换具有完备的小波理论支撑,可以自适应地设置信号模态分解层数,改善了经验模态分解存在的端点效应、模态混叠等现象,能更准确地体现振动信号的特征,区分特高压并联电抗器的不同运行状态。该方法为特高压并联电抗器振动信号特征提取与安全运行监测提供了一种新的手段。     

基于小波分析的MSMA振动传感器信号处理与故障检测

基于磁控形状记忆合金(MSMA)逆特性制作的振动传感器,其输出的感应电压存在较大的干扰,需要对感应信号进行数字滤波以提取有效数据。本文在小波分析滤波原理基础上,采用db5小波数字滤波算法,将不同频段的感应电压信号进行软阈值滤波,并通过小波分解MSMA振动传感器的感应信号进行故障检测。由信号处理结果可以看出小波分析具有理想的滤波效果,可用于MSMA振动传感器的信号处理与故障检测。     

基于小波分解和SVM的滚动轴承故障程度研究

提出一种采用小波分解和支持向量机(Support Vector Machine,简称SVM)提取故障特征的滚动轴承故障诊断方法。首先对原始振动信号进行小波降噪处理,以减小误差,然后进行小波分解,并利用分解得到的小波重构系数计算其能量特征,归一化后作为特征向量,输入SVM中进行故障诊断。实验结果表明,所提出的方法能有效地提取出故障特征,并且具有较高的故障诊断准确率,能准确地区分出滚动轴承不同故障的严重程度。     

风力发电机组故障振动信号特征向量的提取

为了准确分析风力发电机组故障的振动特性,给出了基于多种函数变换方式的振动信号特征向量提取方法.运用EMT690D机械设备故障诊断系统对模拟直驱风力发电机组故障振动信号进行提取.利用傅立叶变换、小波变换和小波包变换分别对振动信号进行分析,提出了不同类型的提取振动信号特征向量的方法,通过变换得到了数组故障振动信号的特征向量.结果表明这三种变换方式各有优势,能够从不同的角度分析振动信号.     

基于SAE-SVM算法的振动信号定位方法研究

针对传统振动信号短时能量检测法精度低、需手工参数选择等问题,提出了一种稀疏自编码器(SAE)网络,用于提取振动信号有效特征,并将其用于支持向量机(SVM),从而检测脚步振动信号。为了缓解了振动信号色散效应造成的信号失真问题,使用了小波分解(WT)方法,并基于实验分析优化了分解参数,然后基于广义互相关和到达时间差(TDoA)算法进行定位解算。实验结果表明,相比人工特征筛选,SAE-SVM算法的活动段检测精度可达96.8%,系统平均定位误差为0.82 m。     

基于小波分析的风电机组齿轮箱振动信号识别方法

针对传统齿轮箱振动信号识别方法使用过程中识别准确率较低,研究基于小波分析的风电机组齿轮箱振动 信号识别方法.通过经验模态分析将振动产生信号分解后,提取信号振动时的频率特征,利用小波变换算法确定频率 局部化特征,将振动产生的不同频率用来表示齿轮箱振动信号的变化幅度.实验表明使用小波分析方法进行振动信号 识别,当频率为500Hz时,信号的幅度变化值为3m/s２;当频率为1000Hz时,信号的幅度变化值为6m/s２;而对 异常信号的识别平均准确率为９７．２％,准确率较高,说明设计方法的识别效果较好.     

小波包分析技术在大型电机转子故障诊断系统中的应用

通过精密离心机电机驱动系统和机械系统的故障机理的分析,提出了两种故障信号基于小波包分析的特征提取方法.一个是渐进性故障信号的特征提取方法,控制器误差信号通过小波包分解与重构,最后在最低频段的节点得到了已经去噪的故障信号.另一个是振动信号频带能量的特征向量提取方法,动平衡系统的振动信号被分解到独立的频段,不同频带内的信号能量变化反映了系统机械运行状态的改变,每个能量成分被提取形成特征向量用于故障诊断.试验与仿真结果表明这种基于小波包分析的故障方法具有算法简单、可行的优点.     

基于最优小波包的水轮发电机组振动信号特征提取方法

水轮发电机组振动信号的在线监测是实现机组状态检修方法的关键。在分析了水轮发电机的机组振动信号特征后,提出采用db1小波进行振动信号的特征提取,在信号分析中主要应用shannon熵。小波包的构造是基于函数空间的正交剖分;最佳小波包基的选择就是应用最优的分解方法和有效的算法寻找出最小熵标准;给出了机组振动信号特征提取的步骤。根据所构造的最优小波包对机组振动信号进行分解并运用能量特征提取分析方法对机组振动信号进行特征提取。     

基于DSP的小波变换在振动信号分析中的应用

小波变换是1种具有多分辨率分析特点的信号处理方法,而且在时频域具有表征信号局部特征的能力,特别适合于振动信号的分析.利用DSP强大的数据处理能力以及小波变换处理振动信号方面的应用,对一振动信号进行如下分析处理:首先对该振动信号进行多尺度小波分解,并重构每一层细节信号,然后利用MATLAB对重构的细节信号进行谱分析.最后...     

煤矿配电网电压暂降源辨识模型

针对煤矿配电网电压暂降信号特征提取困难和辨识准确率低的问题,应用小波熵结合支持向量机SVM(support vector machine)建立故障辨识模型,以故障信号的小波熵测度来表征故障特征,对电压暂降信号进行小波多分辨分析,选取采样序列的高频系数分量,计算其小波系数熵和小波时间熵,作为特征向量输入SVM,使故障信号特征更加明显,对故障源进行自动分类辨识。结果表明,与小波结合BP神经网络方法比较,无论在训练时间上还是在辨识准确率方面均有明显优势。     

基于小波理论的电力变压器振动信号特征研究

通过监测电力变压器的器身振动信号预估变压器机械故障的振动法的关键在于如何从振动信号中提取有效特征。为有效诊断铁心和绕组的机械状态,利用小波变换对变压器振动信号进行时域与频域综合分析,提出基于频段—能量分布的变压器铁心和绕组机械故障诊断新方法。试验结果表明,小波变换能够有效地提取振动信号的特征,得到实时振动信号各频段上的能量分布状态,据此可有效在线诊断变压器机械故障。     

水电机组振动信号去噪的小波技术研究

概述了水电机组振动信号处理技术的现状,着重介绍小波技术中小波分析、小波包分析、第二代小波变换等特点及在水电机组振动信号去噪处理中的应用,并分析了水电机组振动信号去噪技术中的问题和前景。     

小波分析在汽轮机振动故障诊断中的应用研究

针对常见的汽轮发电机组频率突变的振动故障,采用傅立叶变换和小波变换对同一汽轮发电机组振动信号进行傅立叶变换和小波分解。结果表明傅立叶变换无法检测出信号的瞬态变化,只适用于分析平稳信号;而小波分析可以有效的提取信号的瞬态变化特征,能准确的检测出信号的奇异点位置,利用小波分析有利于提取汽轮发电机组振动信号的故障特征。此外,对汽轮发电机组的混合信号进行小波分解,可以将信号有效的分离,为确定故障种类提供了依据。     

基于振动信号区间特征快速提取的断路器储能状态辨识方法

针对断路器伴随振动信号分析故障的特征提取费时、实时性差无法用于在线监测问题,提出一种基于快速提取区间特征的断路器储能状态辨识方法。首先由峭度-小波模极大值检测断路器储能状态起始点,将振动信号通过KS检验标记包络幅值差异明显区间,然后提取信号包络和作为特征向量,采用ReliefF-SFS方法对特征进行筛选降维得到最优特征子集。最后通过模糊C均值聚类（KFCM）对特征进行预分类获得风险最小的最优超平面,由支持向量机（SVM）建立训练模型进行状态辨识。实验结果表明：所提出振动信号区间特征快速提取的储能状态辨识方法,在保证准确率的前提下,提取特征仅需0.2 s,在断路器状态监测领域具有重要的应用价值。     

基于主成分分析——支持向量机优化模型的断路器故障诊断方法研究

为了准确实现电磁斥力机构真空断路器的故障诊断,针对电磁斥力机构真空断路器分闸振动信号,在正常状态、单一故障状态、多个故障共存状态下,通过小波包分解、希尔伯特-黄变换(HHT)提取振动信号能量熵向量,结合特征提取方法原理分析了两种方法提取特征量的有效性,提出了主成分分析(PCA)—支持向量机(SVM)优化模型进行故障诊断,并验证了网格搜索算法(GSA)、粒子群算法(PSO)、遗传算法(GA)3种参数寻优算法的性能。经实验测试,PCA-SVM优化模型解决了因样本特征信息存在噪声和冗余而引起的SVM识别准确率下降的问题,有效提升了测试样本的识别准确率和模型效率,具有较好的诊断效果。