基于点对称变换与图像匹配的变压器机械故障诊断方法

变压器本体的振动信号与其机械状态密切相关,利用该特点可实现对变压器机械故障的判别.该文提出了一种基于点对称变换(SDP)与图像匹配的变压器机械故障诊断方法.首先通过集合经验模态分解(EEMD)对初始信号进行分解,并选择合适的分量对信号进行重构,去除变压器自身及外界环境的干扰;接着通过SDP获得重构后的振动信号的SDP图像,并在每类故障中选择部分图像,利用聚类模板提取共同特征获得该类故障下的典型故障模板;最后通过比较未知故障信号的SDP图像与各类典型故障模板SDP图像的相似度实现最佳匹配,完成变压器机械故障的诊断.变压器的实验结果表明:不同类型的机械故障SDP图像间存在明显特征差异,该方法可以实现机械故障的有效判别.与传统的机械故障诊断方法相比,该文所提方法考虑了外界高频干扰,避免了提取多个特征量的繁琐步骤,操作简单且准确率高.     

大型变压器潜油泵故障超声测试的探索

近几年，山东电网发生多起潜油泵故障造成变压器本体油色谱乙炔异常的事例，通过现场实测表明，超声测试是检测潜油泵故障的一种有效的手段，根据潜油泵影响变压器油色谱分析结果的机理探索了故障潜油泵的超声波波形及频谱特征，提出了初步的判断方法。     

潜油泵故障产生的故障气体分析

变压器潜油泵是大型变压器强油冷却系统的关键附属设备,由于潜油泵故障发生放电,从而使因故障产生的乙炔气体进入到变压器油中,严重威胁变压器安全稳定运行。文章对潜油泵故障引起变压器油色谱异常进行了分析。     

变压器技术问答(16)

8.13怎样隔离潜油泵产生的金属末?变压器强油冷却的潜油泵有很多种,如轴流式、盘式与一般潜油泵,但它们会因磨损而产生金属粉末。该金属粉末如果进入变压器本体,后果是严重的。潜油泵金属粉末是这样产生的:轴承磨损时内外圈将产生云母片状铁末;滚珠与保持架摩擦将产生针状铁末;电机转子与定子摩擦产生极薄的片状铁末;油泵叶轮与泵壳的摩擦产生极细的铜末;电机烧毁时短路绕组烧断会产生许多珠滴状铜末。轴承磨损和转子被摩擦产生的铁末和绕组烧断产生的铜末都在油泵的自循环油路中;油泵叶轮与泵壳摩擦产生的铜末则在主油路中,如图121所示。     

QB型潜油泵的维修

目前大型电力变压器都采用强油循环冷却方式,因此应用于该冷却方式中的 QB 型潜油泵必须引起我们足够重视。我局有35台 QB 型潜油泵在维修中发现下列问题:1.轴承磨损严重造成轴承间隙增大,导致潜油泵转子上下串动和摆动。其中有两台潜油泵解体检查时,还发现轴承架和滚珠破碎,并把电机线圈也磨断,造成电机二相运行。     

基于振动信号复合特征向量的配电变压器机械故障检测技术研究

为诊断配电变压器机械故障，提出基于振动信号复合特征向量的检测方法。针对使用单个特征量在识别故障时的信息不完整性，采集了振动信号中波形特征量和能量特征量组成复合特征向量，并使用主成分分析法将高维的复合特征向量优化得到主成分特征向量，最后利用深度置信网络对其进行配电变压器状态识别。研究结果表明：复合特征向量可以准确反映配电变压器的机械故障，使用主成分分析法的优化方法可以有效提高机器识别的工作效率，基于振动信号复合特征向量的检测方法可以实现变压器机械故障的检测。     

一起潜油泵故障引起的变压器油色谱异常分析

<正>变压器潜油泵是大型变压器强油冷却系统的关键附属设备,它的安全可靠运行直接影响变压器运行的安全可靠性。潜油泵在运行中发生故障时,可能直接影响变压器的油色谱分析结果,导致故障的误判断。因此,当变压器的油色谱分析出现异常时,不仅要考虑是否是变压器的内部故障,还要考虑潜油泵等附件发生故障的可能性,以避免误判,减少不必要的检修工作。1故障的发现某发电厂#3主变(SFP7-395000/500)是1994     

大型变压器油色谱异常原因分析及处理

针对一起220 k V变压器油中特征气体三比值编码为"022"的高温过热异常,通过关联因素检查、试验排查、空载工况下的油色谱变化情况跟踪,查出异常原因为一潜油泵存在缺陷。由此归纳出大型主变油色谱异常查处的一些技术原则,分析了潜油泵故障特征,细化了潜油泵的检查、监测方法,总结了强迫油循环变压器油色谱分析过程中取样方位、取样时间、异常气体扩散规律对取样结果的时差影响,及其所包含的故障方位规律特点。     

基于EEMD和深度自编码器的变压器机械故障声学诊断方法

为提高电力变压器机械故障诊断的准确性,依据变压器声音信号与机械状态之间的关联特性,提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和深度自编码器(Stacked Auto Encoder,SAE)的变压器机械故障声学诊断方法。首先采用EEMD对变压器原始声音信号进行分解,提取信号的时频能量特征;然后构建基于SAE的变压器机械故障识别模型,通过无监督自学习和有监督微调完成深层特征挖掘和识别;最后以某10 kV变压器为试验对象,采用典型机械状态下的声音信号对故障识别模型进行训练优化。算例结果表明,与传统的故障诊断方法相比,所提方法能更好地对变压器机械故障进行识别。     

基于振动信号特征分析的变压器绕组故障检测

变压器运行中油箱表面振动信号与其绕组的机械状况密切相关。通过分析变压器油箱外壁的振动信号来检测变压器绕组机械故障,关键在于从振动信号中提取反映故障前后变化的特征信息量。通过试验得到同一型号试验变压器绕组正常运行、短路冲击后运行和模拟故障运行时变压器油箱外壁的振动信号,运用小波包分析对振动信号进行特征提取,提出基于频段-能量-欧式距离的方法来检测变压器绕组机械故障。试验分析结果表明,变压器油箱外壁的振动信号能够反映出绕组内部结构的特性,通过对振动信号的分析能够有效地诊断变压器绕组故障。     

潜油泵故障导致变压器油色谱异常的分析

1 前言 潜油泵是大型变压器强油冷却系统的关键附属设备,它的安全可靠运行直接影响变压器运行的安全.其在运行中发生故障时直接影响变压器的某些性能,如油中静电、油中气体和金属含量等.因此,一方面应加强强油风冷变压器潜油泵的运行维护,另一方面在油色谱出现异常时,检查潜油泵.这两方面对于故障的分析具有重要作用,可以防止故障的误判.     

基于感测线圈和KPCA的电机轴承故障检测

在电机定子中嵌入感测线圈并结合核主元分析(KPCA)进行电机轴承的故障检测。8只线圈分别嵌入电机定子的前端和后端,通过分时复用形成6组反应电机状态的差动信号。针对6组感测信号与电机状态间的非线性特征,采用KPCA进行多变量分析。着重介绍分析了KPCA故障检测的算法、监测指标和步骤。最后,用机车变压器油泵电机为对象开展了试验研究,验证了所提电机轴承故障监测方法的有效性和正确性。     

基于VMD与自相关分析的滚动轴承故障特征提取

滚动轴承故障信号多呈现非平稳、多分量调制特性,早期故障信号调制特性微弱、易受周围设备噪声干扰,导致轴承早期故障特征淹没在噪声信号中,故障特征难以提取。为此,提出一种变分模态分解(variational mode decomposition,VMD)与自相关分析相结合的轴承故障特征提取方法。首先利用自相关分析消除故障信号中噪声干扰,提取周期成分;然后再用VMD算法将消噪信号分解成若干本征模态分量(intrinsic mode function,IMF),运用能量算子对相关系数及峭度值较大分量进行解调分析;最后通过能量解调谱来判别滚动轴承故障类型。将该方法应用到滚动轴承仿真故障数据和实测数据中,结果表明,该方法可降低了噪声的干扰,有效提取故障特征频率,能够实现滚动轴承故障的精确诊断。     

基于MCKD-EMD的风电机组轴承早期故障诊断方法

风电机组轴承处于早期故障阶段时,特征信号往往比较微弱,并且受环境噪声及信号衰减的影响严重,因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用,但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题,考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲,非常适用于轴承早期故障信号的降噪处理,因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪,然后对降噪后的信号进行EMD,选取敏感本征模态函数(IMF)并计算其包络谱,通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。     

基于ESMD和快速谱峭度的电机轴承故障诊断

针对复杂工况下电机轴承故障特征不明显的问题,提出了一种基于极点对称模态分解算法(Extreme-pointSymmetric Mode Decomposition,ESMD)与快速谱峭度联合分析的电机轴承故障诊断方法。首先将复杂故障信号进行ESMD分解得到若干模态分量(Intrinsic Mode Function,IMF)分量,利用信息熵与相关性选取有效IMF并由其信息熵确定信号重构的权重;利用快速峭度图自适应的确定带通滤波器的最佳滤波频带,对重构信号进行带通滤波;然后解调滤波信号分析,从平方包络谱中提取出相应故障的特征频率。最后通过试验分析表明,该方法可对故障信号进行有效降噪并提取出电机轴承故障特征,诊断出故障类型。     

基于Gammatone滤波器倒谱系数与鲸鱼算法优化随机森林的干式变压器机械故障声音诊断

为有效提取变压器声音信号中的机械状态信息并识别其典型机械故障,依据人类听觉系统优异的声音识别能力,提出了一种基于Gammatone滤波器倒谱系数(GFCC)和鲸鱼算法优化随机森林(WA-RF)的变压器机械故障声音诊断方法。首先计算了变压器声音信号的GFCC,引入信息熵提取了GFCC中的主要声音特征信息。采用鲸鱼算法通过优化随机森林中决策树基分类器的规模和特征子集,构造了基于优化随机森林的变压器典型机械故障分类模型。对以某10 kV干式变压器正常与典型机械故障下声音信号的计算结果表明,所构建的基于GFCC主要特征参数和鲸鱼算法优化随机森林的变压器典型机械故障模型具有较好的识别效果,准确率可达95%以上,且具有优良的抗噪性能和鲁棒性。     

基于DWT和RNN的无刷直流电动机轴承故障检测方法

为了提高无刷直流电动机中轴承故障检测的鲁棒性和可靠性,提出一种基于离散小波变换(DWT)和递归神经网络(RNN)的检测方法。通过传感器采集电机振动信号和定子电流信号,通过DWT将信号分解为6个频段,并计算各频段信号的能量作为特征。利用线性局部切空间排列算法(LLTSA)对特征进行降维,获得4个具有高分类率的特征。将特征向量作为输入,通过带有偏差单元的RNN分类器来识别故障类型。实验结果表明,在不同转速和负载下,该方法都能够准确检测出故障类型,具有可行性和有效性。     

基于小波变换的电力变压器保护技术

提出了一种新的变压器保护方法,该方法基于对离散小波变换（DWT）细节系数（DetC）的分析和监测,对内部故障条件进行识别判定。该方法提取故障特征并通过DWT分解计算DetC信号电压变化以识别变压器工况的瞬变,在内部故障期间,DetC信号与其他瞬变中的状态不同。该方法能正确识别电力变压器中不同类型的内部故障,具有在电力变压器保护中实际应用的潜力。     

基于多传感器融合卷积神经网络的航空发动机轴承故障诊断

航空发动机作为航空飞行器关键的动力组成部分,在内外多激励干扰情况下产生的机械故障采取传统的基于物理机理和信号分析的方法难以准确识别且耗时耗力。为此,该文提出基于多传感器信息融合的轴承故障诊断模型,对航空发动机轴承进行故障诊断。该模型采用一维卷积神经网络(one dimensional convolutional neural network,1D-CNN)对实验获取的某航空发动机的轴承故障振动数据进行特征提取与分类,直接将不同传感器采集的波形信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,舍弃传统的基于信号分析故障诊断的繁琐步骤。实验验证表明,采用4个加速度传感器输入该模型对轴承故障进行分类与识别,其准确率可达100%,相较于采用支持向量机(support vector machine,SVM)和前馈神经网络对故障进行分类识别相比,该方法准确率分别提高了36.92%和18.9%,为航空发动机轴承故障诊断提供一种可行方法。     

基于振动分析法的变压器故障分类和识别

为了实现变压器故障的直观分类和故障识别,在分析变压器振动机理的基础上,提出一种基于主成分分析和KNN分类识别的变压器故障测量方法。该方法采用EMMD(集合经验模式分解)方法提取变压器不同运行状态下振动信号的特征矢量,将该特征矢量通过主成分分析投影到直观的二维图像中。利用KNN分类识别实现故障分类和自动故障识别。试验结果表明,该方法可以实现对变压器正常状态、绕组变形、铁芯故障3种状态直观分类,并对测试样本进行快速的自动模式识别。