基于电—振信号熵权特征的断路器储能机构故障诊断方法

弹簧势能的可靠储存是保障断路器后续分合闸操作正确的前提。通过分析控制回路、电机、传动部件和弹簧之间的能量转换和传递关系,提出一种电—振信号熵权特征联合的断路器储能机构故障类型辨识方法。首先利用希尔伯特变换(Hilbert transform)提取储能电机电流信号包络时域特征并计算峭度;然后由局部均值分解(LMD)处理断路器储能过程伴随的振动信号得到乘积函数分量(PF),并提取PF能量谱频域的盒维数特征;进而采用熵权法对电流和振动信号待分类样本进行剪辑,按照样本信息量和重要性赋予对应的权重;最后把熵权特征作为KNN算法的输入,辨识储能机构运行状态。实验结果表明:采用联合电—振信号的熵权特征量,KNN算法能更准确地诊断断路器储能机构发生的故障类型。     

基于优选泛特征的真空断路器弹簧机构储能状态辨识方法

高压断路器储能过程从电机启动、齿轮减速、弹簧储能至止挡到位都伴随着能量传递,机械振动可反映储能态势的特征变化.论文基于振动信号关键动作节点的时序和频域谱图特征,提出一种优选泛特征的断路器储能机构状态辨识方法.首先,由振动信号计算储能过程的时序、波形以及时频域图谱特征,构建19维泛特征矩阵;然后,利用优化参数的t-分布随机临近嵌入(t-distributed stochastic neighbor embedding,t-SNE)进行泛特征降维处理;最后,通过k最近邻(k-nearest neighbor,KNN)算法实现断路器储能状态的快速辨识.实验结果表明,在大幅节省时间开销的同时,所提方法能保证对典型储能异常状态的识别准确率.     

溯源弹簧形变过程的断路器振动信号递归量化分析辨识方法

从锁止机构脱扣引起储能弹簧释能,经部件带动动触头运动再到静止的每个动作具有严格阶段特征,伴随断路器动作的机械振动展现了能量传递及设备健康状态。该文提出一种溯源弹簧形变过程的断路器振动信号递归量化分析方法,首先由高速相机捕捉断路器操动时储能弹簧的动作图像,通过计算机视觉跟踪动态提取反映弹簧形变特征帧,再依据特征帧时序划分操动过程;然后将不同阶段振动信号映射至高维相空间,经递归分析得到体现动力系统变化特征的递归图,并递归量化分析其纹理结构特征;最后利用支持向量机模型对正常及故障状态下的断路器振动特征样本进行分析辨识,对比结果证明,由弹簧释能时序细化振动信号特征分析有效提高了分类识别准确率。该文方法在断路器操动机构状态辨识中具有广阔的应用前景。     

基于振动信号时间历程和自适应谱融合的断路器操动机构状态辨识方法

振动信号作为断路器内部构件碰撞和摩擦运动传递能量的响应,蕴含大量与设备机械状态相关的数字信息。提出一种基于振动信号特征融合分析的高压断路器操动机构状态辨识方法,首先定义了关联设备机械特性的时间历程特征——广义分/合闸时间和相对衰减时间,再利用自适应谱算法将振动信号转化为三维时频分布瀑布图,分别从三个维度捕捉全方位时频变化信息;然后提出基于J散度-隶属度的特征融合处理方法,将相互之间孤立的特征量融合为状态类别之间的相似度隶属值;最后由分群粒子群算法优化支持向量机模型对相似度隶属值的状态类别进行辨识。实验表明,该方法显著提高了断路器操动机构状态辨识准确率至96%,辨识模型普适性较高,在断路器运行状态监测和故障监测领域具有应用价值。     

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。     

基于电流-振动信号联合分析的高压断路器操动机构故障诊断方法

高压断路器分合闸操作伴随的电流、振动信号特征与电气和机械状态息息相关。提出一种线圈电流和振动信号联合分析的断路器操动机构故障诊断方法,针对线圈电流“双峰状”特点,提取关键时序特征和刻画波形畸变的波形特征。为捕捉振动信号细节变化,对振动信号进行自适应噪声集合经验模态分解CEEMDAN后,进一步计算各分量的时频分布,得到时间、频率边缘特征。将电流和振动特征组成的高维特征由因子分析进行降维处理,作为支持向量机SVM的输入进行故障诊断。实验表明,该方法能够有效提升断路器典型故障诊断准确率,且时间开销较少,为断路器机械故障诊断提供了新思路。     

基于信号特征融合与优化的高压断路器机械状态评估

从断路器电磁铁线圈电流和振动信号中分别提取信号特征,是实现断路器状态评估的可靠方法。然而断路器实际运行中的故障类型复杂多样,只靠单一信号可能无法准确实现其状态评估,因此提出一种基于不同信号特征融合的断路器状态评估方法,分析表明,该方法有利于实现断路器在复杂故障前提下的状态评估;对信号融合后的特征量进行了优化分析,结果显示,优化后的特征量依然能够准确实现断路器状态评估。     

基于相空间重构的高压断路器振动信号特征分析

在高压断路器运行和操作过程中,其振动信号包含了最丰富的关于操纵机构、机械连接和灭弧室内的触头动作信息,有效的信号处理方法和特征提取手段能够将这些信息反映出来,作为诊断及检修的判据。以提取诊断及检修判据为目的,将相空间重构的方法应用于高压断路器的振动信号处理,从一个新的角度对信号进行了分析,提取信号特征并加以整理。通过对相空间重构获得的相空间图直观定性分析,并进一步利用求解振动信号的关联维数的方法定量判断,提出了一种分辨断路器机械机构运行状态的方法。通过对几种工况下高压断路器的振动信号的处理,结合对各种条件下获得的振动信号的关联维数变化规律的分析,证明了该方法提取的关联维数判据能够有效分辨断路器操动机构的正常与异常状态。这表明该判据可以充当分辨断路器操动机构的工作状态是否异常的重要依据,通过与其他故障诊断方法相结合,具有一定的应用前景。     

基于相空间重构的高压断路器机械故障诊断研究

针对现有时频分析方法提取断路器振动信号特征时存在的不足,引入相空间变换对一维振动观测序列进行重构,并提取有效特征信息用于断路器机械故障诊断。基于互信息法和G-P算法计算延迟时间和嵌入维数,对振动信号进行相空间重构。根据重构得到的振动模型,分别计算相点分布因数(PPDC)及振动信号的网格维数。为了增强特征对信号描述的差异性,结合常用时域特征参数,构成一种新的故障特征描述向量。最后应用支持向量机进行特征分类,实现了对断路器操作机构卡涩和基座螺丝松动等常见机械故障类型的有效识别,具有良好的应用价值。     

基于多参量的高压断路器分/合闸线圈的故障诊断

由于分/合闸线圈电流信号和振动信号的变化均可以反映操动机构的运行状态,因此文中阐述了根据多参量来诊断高压断路器分/合闸线圈故障的一种新方法,以提高高压断路器故障诊断的准确率。文中首先介绍了操动机构电磁铁的动作状态,并分析操动机构电流信号与运行状态的关系,其次设计了一套以NI数据采集卡和实时控制器为核心的硬件电路,最后运用多层小波包分解与重构算法对信号进行滤波,结合极值法对信号进行特征值提取,并采用粒子群优化算法与支持向量机相结合的方法进行状态分类。实验结果表明,文中提出的算法能够及时发现高压断路器运行过程中存在的安全隐患,有效提高高压断路器的运行可靠性。     

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。     

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。     

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.     

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。     

基于形态小波和支持向量机的高压断路器状态监测和故障诊断

针对现场运行的断路器故障数据难以获取的现状,搭建了一个断路器故障模拟试验平台对部分常见故障进行了故障模拟。传统的基于单一特征量的状态监测难以有效判断断路器的故障,提出了一种多维映射的思路:研发了一种形态开闭加权复合滤波算法对断路器合分闸线圈电流信号进行滤波,从故障波形和正常波形的对比中充分挖掘其差异特征量,并利用形态小波分解包含丰富机械状态信息的振动信号,将不同频段的能量值作为判断断路器状态的特征量,利用支持向量机将断路器合分闸线圈电流信号的各差异特征量与振动信号特征量相结合形成多维映射,对断路器的状态进行诊断。本研究进行了大量的实验,实验分析结果验证了该思路和算法的有效性。     

基于小波变换的高压断路器机械故障监测装置的研究

高压断路器在电力系统中起着重要的控制和保护作用,对电网安全运行非常重要。对高压断路器的概念进行简单介绍,并对其振动信号特点及原理进行了分析。针对目前高压断路器机械故障监测方法出现的各种弊端,研制出一种基于振动信号分析的断路器机械故障监测装置,该装置通过对振动信号进行小波变换分析能有效对断路器的运行状态和故障进行准确、及时、自动监测识别,同时能够实现故障前告警,对调整高压断路器运行状态,保证高压断路器的安全稳定运行具有重要意义。     

基于CEEMDAN样本熵与FWA-SVM的高压断路器机械故障诊断

针对振动信号判别断路器机械故障过程受干扰影响的特征提取问题,提出一种自适应白噪声完整集合经验模态分解(CEEMDAN)与样本熵相结合的故障特征提取方法。通过CEEMDAN提取若干反映断路器操动过程机械状态信息的本征模态函数(IMF)分量,依据各IMF相关系数与能量分布,将前7阶IMF分量进行小波包软阈值去噪,计算其样本熵作为特征量,最后采用基于免疫浓度思想的烟花算法(FWA)优化支持向量机(SVM)分类器,对断路器不同运行状态进行分类识别。实验结果表明:基于CEEMDAN样本熵特征对于信号干扰不敏感,FWA-SVM诊断方法对于高压断路器分闸操动过程故障辨识效果良好。     

基于改进EEMD的高压断路器振声联合故障诊断方法

高压断路器是电力系统中关键的控制和保护设备,针对其故障诊断方法的不足之处,将振声数据级融合和特征级融合应用于高压断路器故障诊断方法。振声特征级融合诊断方法首先将采集到的声波信号通过快速核独立分量分析(Fast KICA)实现盲源分离处理,其次利用改进集合经验模式分解(EEMD)提取振动信号和声波信号的特征向量。振声数据级融合诊断方法首先构建振声联合图像,其次利用改进的BEEMD提取特征向量。最后将两种方法提取的特征向量输入支持向量机模型(SVM)进行故障诊断,实验结果表明,所提方法诊断高压断路器故障能取得良好的效果。     

基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法

为可靠地进行万能式断路器机械故障诊断,在基于振动信号故障诊断的基础上,提出了一种多特征融合与改进量子粒子群(QPSO)优化的相关向量机(RVM)相结合的万能式断路器分合闸故障振声诊断方法。首先,对振声信号进行小波包软硬阈值结合去噪预处理,并利用互补总体经验模态分解算法对处理后的振声信号进行分解,提取固有模态函数能量系数、样本熵、功率谱熵,并组成多特征参数;然后,通过组合核函数核主元分析对多特征参数降维,并将其特征融合组成特征向量作为RVM的输入,解决单一特征识别断路器分合闸故障的低准确率和低稳定性;最后,利用改进QPSO优化分类模型参数,建立基于RVM的次序二叉树模型对断路器故障进行辨识。实验结果表明,该方法能有效提升不同故障状态下诊断结果的可靠性。