基于重心平均动态时间规整算法的有载分接开关机械故障诊断

有载分接开关(on-load tap changer, OLTC)是电力变压器中故障频率较高的部件之一，为了实现有载分接开关的故障诊断，提出了一种基于重心平均动态时间规整算法的故障诊断方法。针对OLTC振动信号的非线性与强时变性，提出自适应变分模态分解算法，计算OLTC振动信号的时频特征矩阵。进一步地，引入重心平均动态时间规整算法，自适应地计算OLTC振动信号时频特征矩阵之间的差异度，从而实现OLTC的故障诊断。研究结果表明，利用重心平均动态时间规整算法能够通过计算多组信号的重心平均序列提高故障诊断的鲁棒性。同时，基于所计算的差异度，不仅能够实现OLTC故障的有效诊断，还能在一定程度上定量表征故障的严重程度。该研究能够为OLTC的故障诊断提供新的思路。     

基于统计特征与EMD算法的有载分接开关振动信号去噪

有载分接开关(OLTC)切换过程中的振动信号与其机械状态密切相关,是监测分析OLTC运行状态的重要依据。为降低噪声干扰对OLTC振动信号分析结果的影响,本文提出了一种基于统计特征与经验模态分解(EMD)算法相结合的OLTC振动信号去噪方法。首先通过高斯性检测验证了OLTC振动信号中所含噪声干扰的随机性,然后根据OLTC振动信号的EMD分解结果,基于Hurst指数选取了高频本征模态函数(IMF)分量并对其进行了多次乱序重排,通过对重排和滤波后的IMF分量进行重构得到了去噪后的OLTC振动信号。依据去噪评价指标对实测OLTC振动信号的分析结果表明,所提出的去噪方法能有效抑制OLTC振动信号中的噪声干扰,且优于现有的基于EMD算法和小波阈值的去噪方法。研究结果可为提高OLTC机械状态振动监测技术的应用提供重要依据。     

基于改进掩膜信号优化的经验模态分解算法的有载分接开关机械故障诊断

为了有效在线监测有载分接开关(OLTC)的运行状况,采用基于改进掩膜信号优化的经验模态分解算法和区间最大功率特征矩阵相结合方法对有载分接开关运行过程中产生的振动信号进行分析。通过在采集到的原始信号中加入改进的掩膜信号,有效地消除经验模态分解(EMD)过程中出现的模态混叠现象。然后根据分解得到的固有模态函数(IMF)求得区间最大功率特征矩阵,从而进一步对有载分接开关的实际运行状态进行监测。计算结果显示OLTC在不同运行状态下的区间最大功率特征矩阵有明显的差异,其区间最大功率特征矩阵相似度指标可较好地判别OLTC发生典型故障时振动信号的差异程度。     

基于参数自适应VMD和SA-ELM的有载分接开关故障诊断

机械振动信号能反映有载分接开关的运行状态。为提高有载分接开关机械故障的诊断准确率,提出了一种基于参数自适应变分模态分解(VMD)和模拟退火优化极限学习机(SA-ELM)的故障诊断方法。首先对振动信号进行VMD分解,根据能量准则自适应确定模态数的取值,得到一组窄带、区分度较好的模态分量。然后求取各模态的能量值,形成特征向量组,不同故障状态的模态特征区分明显。最后将特征向量组输入SA-ELM,实现振动信号的识别和诊断。在模拟试验平台上进行试验并对采集的信号进行分析,结果表明文中故障诊断方法可有效提高有载分接开关机械故障的诊断准确率。     

旋转机械状态非线性特征提取及状态分类

为提取淹没于环境和结构噪声下风力机轴承故障信号,基于能量追踪法,提出改进变分模态分解法(improved variational mode decomposition, IVMD),并采用粒子群算法求解最优约束因子,获取准确模态分量;摒弃传统对故障特征频分量的提取,基于非线性分形理论提出多重分形谱特征因子(multi-fractal spectrum,MFC)以选取最具非线性特征的模态分量,以不同故障程度及状态的轴承加速度信号为对象,采用优化递归变分模态分解获取多分量,通过多重分形谱特征因子最大值选取有效信息分量,通过支持向量机进行故障分类。结果表明优化递归变分模态分解可准确分解振动信号至不同频段,以便故障信息提取;多重分形谱特征因子与信噪比呈正相关,以其最大值选取的分量具备更多有效信息;对IVMD-MFC所选取非线性分量,通过8种非线性特征值构建特征矩阵,通过BP神经网络实现故障分类,诊断准确度达97.5%。表明所提出方法可对不同故障程度的轴承状态进行区分。     

基于互补集总经验模态分解和 局部异常因子的有载分接开关状态特征 提取及异常状态诊断

为了及时发现和诊断有载分接开关(OLTC)的异常状态,在特征提取方面,结合驱动电机电流信号选取OLTC振动信号的特定时段,以突出状态特征;利用互补集总经验模态分解(CEEMD)得到振动信号的固有模态函数(IMF),针对OLTC振动信号的特点,提出基于IMF能量特征的降噪算法;设计了时频矩阵划分算法,提取划分线、峭度、包络谱熵、时频矩阵能量密度、时频矩阵变异系数等特征参量。在异常状态诊断方面,通过多个振动测点,同时实现OLTC本体和传动机构的异常状态诊断;建立了以局部异常因子(LOF)为诊断参量的OLTC异常状态诊断方法,通过待测样本与正常样本集的比较来发现和诊断OLTC的异常状态,具有较好的普适性。仿真和实验结果表明,基于该文提出的方法能有效发现和诊断OLTC的异常状态。     

基于空载合闸振动信号的变压器绕组松动故障诊断研究

提出了一种基于空载合闸暂态振动信号的变压器绕组松动故障诊断方法,利用变分模态分解分解后模态分量的频谱峰值和振动信号的样本熵值实现对故障程度的判断,并通过试验验证了该方法的正确性。     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。     

基于有效频带特征的有载分接开关机械状态诊断方法

为更加准确地提取变压器有载分接开关(On Load Tap Changer,OLTC)的机械振动信号故障特征,提升OLTC的在线监测品质,提出了基于有效频带多分辨率特征与遗传算法(Genetic Algorithm,GA)优化支持向量机(Support Vector Machine,SVM)的有载分接开关机械状态诊断方法。首先利用小波包对OLTC的机械振动信号进行分解,然后将各有效频带的小波包系数连接构成一个整体计算信息熵,得到有载分接开关机械振动信号的有效频带多分辨率特征参数,同时基于有效频带多分辨率特征参数建立遗传支持向量机(Genetic Algorithm-Support Vector Machine,GA-SVM)的故障分类模型。模拟实验与数据分析结果表明,所提综合模型能够有效地实现OLTC故障诊断,可为OLTC运行与维护提供一定参考。     

基于优化HHT算法与洛仑兹信息量度的换流变用有载分接开关机械特征提取

为寻求有效的换流变用有载分接开关机械特征提取方法,提出了一种优化希尔伯特–黄(Hilbert-Huang transform,HHT)变换算法和洛仑兹信息量度相结合的方法对有载分接开关(on-load tap-changer,OLTC)切换过程中的振动信号进行分析。具体应用时,通过在原始信号中增加基于蚁群算法得到的最优掩膜信号来限制传统HHT分解过程中的带宽特性,从而在有效抑制EMD分解过程固有模态混叠现象的同时,提高了振动信号分解的准确性。进而根据振动信号的Hilbert能量谱定义了基于洛仑兹信息量度的三维曲面相似度指标来获取OLTC的机械特征。对换流变用R型OLTC样机正常与典型机械故障时切换过程中振动信号的计算结果表明,OLTC切换过程中正常与故障时的振动信号能量谱有着较大区别,所定义的三维曲面相似度指标可较好地衡量OLTC典型故障时切换过程中振动信号能量分布的差异程度。此外,触头松动时与正常工况的相似度指标低于绝缘板松动故障,说明触头松动故障对OLTC切换过程的影响更为明显。     

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.     

基于形态分量分析的变压器有载分接开关振动信号分离

提出了一种基于形态分量分析的在运变压器OLTC振动信号分离方法,通过对某运行中220kV变压器OLTC切换时实测振动信号的计算分析,验证该方法有效性和高效性.     

基于ANHGA-VMD和耦合隐马尔可夫模型的有载分接开关机械故障诊断

机械故障是有载分接开关(on-load tap-changer,OLTC)的主要故障类型.为解决变分模态分解(variational mode decomposition,VMD)参数设置对分解质量的影响难以确定的问题,并进一步提高OLTC机械故障诊断准确度,提出了一种基于多通道振动信号的有载分接开关机械故障诊断方法.首先,采用具有稳定寻优能力的自适应小生境递阶遗传算法(adaptive niched hierarchical genetic algorithm,ANHGA)并将品质因数作为衡量信号分解质量的标准对VMD进行参数寻优,然后利用优化后的VMD方法对预处理过的多通道振动信号进行分解,提取VMD能量熵和模糊熵作为特征值,最后建立耦合隐马尔可夫模型(coupled hidden Markov model,CHMM)进行多通道数据的故障诊断.实例验证表明:采用经优化后的VMD分解能够有效提高VMD信号分解质量;基于CHMM对OL℃的7种典型状态诊断准确率达100％,其故障诊断准确率高于隐马尔可夫(hidden Markov model,H)方法和支持向量机(support vector machine,SVM)方法.所提方法为由采样困难造成样本稀少的复杂机电设备的诊断问题提供了新思路.     

基于卷积神经网络的变压器有载分接开关故障识别

为进一步提高变压器有载分接开关(OLTC)故障识别的精度,从OLTC切换过程中振动信号递归图的纹理特征出发,提出了一种基于卷积神经网络(CNN)的变压器OLTC故障识别方法。首先根据OLTC振动信号的相空间分布,基于相点距离映射构建了OLTC振动信号的距离映射递归图(DMRP),然后通过合理选取CNN的网络层数、卷积核尺寸等结构超参数和对卷积核进行降维处理,提出了基于CNN的OLTC故障识别模型。对某CM型OLTC正常与典型故障下振动信号的计算结果表明,DMRP能自适应地对振动信号的相空间相点分布进行描述,所提出的识别模型对OLTC的典型故障均具有良好的识别性能,尤其在轻微故障的识别上相比于现有方法准确率提升了至少10%。     

应用改进Hilbert-Huang变换下的Volterra模型诊断OLTC机械故障

为提高有载分接开关(OLTC)机械故障诊断的自适应性、特征分辨率以及识别效率,提出一种包含聚合经验模态分解(EEMD)分解和Hilbert边际谱分析的改进HHT方法,与混沌时间序列的Volterra模型相结合来提取OLTC的机械故障特征。具体应用时,首先对OLTC切换过程中的多通道振动信号进行EEMD分解得到固有模态函数(IMF)分量,然后应用Hilbert谱分析法求取各IMF的Hilbert边际谱。进一步,应用Volterra模型根据Hilbert边际谱构建Volterra特征矩阵,以矩阵奇异值为故障特征参量。最后搭建了OLTC典型机械故障真型实验平台,采用文中方法获取并分析了几种典型机械故障的振动信号,并借助多分类支持向量机对数据集进行分类识别,验证了所提出故障诊断方法的有效性。与其他方法对比得知,新方法取得了较高的故障识别准确率。     

基于加窗振动分离和变分模态分解的行星轮故障特征提取

行星齿轮箱振动信号复杂且其传递路径具有时变性,导致故障特征提取困难。针对该问题,提出基于加窗振动分离和变分模态分解(VMD)的行星轮故障特征提取方法。首先利用角域同步平均消除非同步分量;随后对平均后的振动信号进行加窗分离;采用观察中心频率的方法确定参数K,然后对分离的振动信号进行VMD分解并选取包含故障的特征分量;最后对选取的特征分量进行Hilbert解调分析实现故障特征提取。通过行星轮齿根裂纹故障实测信号分析,验证该方法能有效提取行星轮故障特征。     

基于VMD的变压器绕组松动故障分析与诊断

为了及时有效地诊断变压器绕组松动故障,针对变压器空载合闸振动信号,提出了一种基于变分模态分解(VMD)的分析方法。首先运用VMD对绕组松动前后变压器表面合闸振动信号进行最优模态分解,建立信息熵—峭度—相关系数综合评价模型,并运用熵权—TOPSIS法提取特征模态分量;通过计算变压器振动信号能量熵进一步判定绕组状态;最后搭建测试平台进行实验验证。结果表明,绕组松动和正常状态下变压器振动信号在特征频率和能量分布上均存在明显差异,该方法为变压器绕组松动故障诊断提供了新的思路。     

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.     

基于二维图像和卷积神经网络的阀冷系统主循环泵故障诊断

特高压直流输电工程中，及时发现并排除换流阀冷却系统的主循环泵的故障，对保障换流阀的稳定运行具有重要意义，为此针对主循环泵在故障时产生的振动信号，提出一种基于二维图像和卷积神经网络的阀冷系统主循环泵故障诊断方法。首先，通过变分模态分解(variational mode decomposition, VMD)联合奇异值分解(singular value decomposition, SVD)对振动信号进行去噪处理：使用VMD分解轴向、竖直径向和水平径向的振动信号，基于相关系数法获取最优本征模态分量；使用SVD对分量信号滤波后，通过分量空间重构获取去噪后的振动信号。然后，通过格拉姆矩阵将时序振动信号转换为振动图像，提取振动信号的时空特征。最后，将轴向、竖直径向和水平径向振动图像多通道并行输入AlexNet深度卷积神经网络，通过卷积层和池化层实现多层次特征融合，提高故障诊断准确率。分析结果表明，该模型故障诊断精度为91%,优于多层感知机算法、一维卷积神经网络和浅层卷积神经网络，可以为阀冷系统主循环泵的故障诊断提供方法基础，为现场人员安排计划检修提供理论依据。     

基于递归定量分析的有载分接开关机械状态监测

为进一步提高有载分接开关(on-load tap changer,OLTC)机械状态监测的准确性,文中基于递归定量分析(recurrence quantification analysis,RQA)法对OLTC切换过程中的振动信号进行了分析。首先应用相空间重构和递归图理论获取了OLTC切换过程中振动信号的递归图,然后引入递归率、层流性和确定性等递归定量指标及其统计分布结果对OLTC振动信号的动力学特征进行了描述。对某CM型组合式OLTC正常与典型故障下振动信号的分析结果表明:OLTC从正常到典型机械故障的演变过程中,振动信号伴随有周期性减弱、预测性增强、平稳性提高的变化特性,所定义的振动信号的RQA指标的分布范围可较为准确地判断OLTC的运行状态。研究结果可为基于振动分析法的OLTC机械状态监测技术提供参考。