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。     

基于振动信号分析的高压断路器机械故障诊断

针对高压断路器机械故障诊断方法准确率较低的现状,提出将改进的小波包分解(wavelet packet,WP)、Hilbert谱分析、粒子群优化(particle swarm optimization,PSO)算法和优化后的支持向量机(support vector machine,SVM)相结合的诊断方法,对弹簧操动式高压断路器进行弹簧疲劳和合闸挚子卡涩故障(在高压断路器机械故障中占比较高)的模拟实验和分析。研究结果表明,振动信号的时频特性能较好反映高压断路器的机械状态,尤其基于PSO-SVM的特征分类方法分类效果较好,能大大提高现有高压断路器机械故障诊断方法的准确率。     

小波分析在真空断路器机械振动信号分析中的应用

研究了基于高压断路器振动信号的分析对断路器的机械故障进行诊断的方法,其中对振动信号的分析采用小波分析。研究表明,小波分析在断路器机械振动信号的分析中优于传统的Fourier分析,并在机械故障诊断方面有显著的效果。     

基于经验模态分解的高压断路器机械故障诊断方法

分析高压断路器机械振动信号的特性,提出一种以改进的经验模态分解(empirical mode decomposition,EMD)能量熵和支持向量机(support vector machine,SVM)相结合的诊断高压断路器机械故障的方法,并给出了可行的诊断步骤和分析.首先利用经验模态分解方法将高压断路器的振动信号分解成一些相互独立的内禀模态函数"(intrinsic mode function,IMF),然后利用正常状态标准信号所得各固有内禀模态函数包络信号的等能量分段方式,实现对待测状态信号各IMF包络的时间轴分段,计算各待测信号IMF包络的能量熵向量,以此构造的经验模态分解能量熵向量作为支持向量机的输入向量.采用"次序二叉树"向量机分类,利用梯度法和交叉检验优化支持向量机模型参数.实验结果表明,该方法诊断高压断路器机械故障能取得良好的效果.     

高压断路器振声联合故障诊断方法

针对现有的高压断路器机械故障诊断方法存在的不足,本文提出了一种新的高压断路器振声联合诊断机械故障的方法。此方法首先利用快速核独立分量分析(fast KICA)对采集到的声波信号进行盲源分离处理,并对处理后的声波信号和采集到的振动信号进行改进集合经验模式分解(EEMD)。其次,对分解后的每一个固有模态函数(IMF)求其二维谱熵,并以此二维谱熵矩阵的变换矩阵作为支持向量机的输入特征向量对断路器机械状态进行识别。最后实验表明,振声联合复合分析方法有效提高了高压断路器机械故障诊断的正确性和实用性。     

改进的小波包-特征熵在高压断路器故障诊断中的应用

在详细介绍小波包与特征熵的基础上，将二者结合提出了一种诊断高压断路器机械故障的新方法，并给出了切实可行的诊断步骤和分析。该方法首先将断路器基座振动信号进行3层小波包分解，提取第3层各节点重构信号的包络；然后利用正常状态标准信号所得各包络信号的等能量分段方式，实现对应节点待测状态信号包络的时间轴分段，并利用各分段积分能量、按照熵理论提取特征熵向量；最后构造简单的BP神经网络实现特征熵向量的分类。经正常和2种故障状态下高压断路器无负载振动信号测试，证明该方法检测高压断路器故障简单、准确，为断路器的故障诊断开拓了新的思路。     

基于小波能量与神经网络的断路器振动信号识别方法

高压断路器出现机械故障不仅会引起振动冲击事件的时间漂移,还会引起时域波形中一些波峰幅值的变化。依据同一类型断路器振动信号相似的特点,在对高压断路器故障振动信号进行特征分析的基础上,提出了一种识别高压断路器振动信号的新方法:将小波包提取算法和径向基神经网络模式识别功能相结合,利用小波包分解与重构原理将断路器合闸振动信号分解到不同频段中,提取每个频带能量作为断路器状态监测的特征向量,作为径向基神经网络的输入向量;基于径向基神经网络的故障诊断方法在系统参数未知的情况下自动建立动态模型,对于线性系统和非线性系统都有很好的跟踪能力,通过实验室断路器典型合闸振动信号的监测及识别分析验证了该方法的有效性。     

基于EEMD和马氏距离的高压断路器机械故障诊断研究

断路器的振动信号可以有效反映其机械运行状态,针对目前使用振动信号判别断路器常见机械故障正确率较低的现状,提出一种基于集合经验模态分解(EEMD)和马氏距离判别法的高压断路器机械故障诊断方法。首先,针对断路器振动信号的瞬时非平稳特性,使用EEMD将其分解得到若干个固有模态函数(IMF)。然后,基于EEMD的能量熵并联合其均方根值,构造一种新的故障特征向量。最后,利用马氏距离判别法进行机械故障识别。实验结果表明,该方法用于识别断路器正常、传动机构卡涩和基座螺丝松动等常见机械故障时,正确率可达到95.7%,具有较高的实际应用价值。     

基于声学指纹分析的高压断路器机械故障诊断方法

断路器分合闸过程产生的声音信号中含有丰富的信息,文中提出一种基于声学指纹的高压断路器机械故障诊断方法。搭建了声学指纹故障模拟试验实验平台,对某252 kV高压断路器分合闸试验采集声音信号;然后分别基于短时能量、总能量、信息熵和小波包分解等方法分析声学指纹信号并提取特征量,克服了单一类型特征值难以区分故障的问题。结果表明:多种特征量联合分析可实现对高压断路器不同工况的有效辨识,得到了基于声学指纹的高压断路器不同工况机械故障相互区分判据表,并提供了分析示例;对相同工况下不同严重程度故障的特征量及趋势进行分析,发现匝间短路电阻90%的小波包分解的能量系数分别呈现正常与匝间短路特征。     

基于LVQ神经网络的高压断路器机械故障诊断方法

高压断路器作为电力系统的开关及保护设备,其可靠地工作对整个电力系统的安全运行具有很大的意义。为了迅速、精确地诊断高压断路器故障,提出一种基于学习向量量化(LVQ)网络的高压断路器机械故障诊断方法。首先,模拟高压断路器灭弧室机械故障状态,采集断路器的机械振动信号;其次,提取高压断路器机械故障振动信号的小波包能量作为特征量,建立基于LVQ网络的高压断路器机械故障诊断模型;最后,将LVQ网络、思维进化优化(MEA)的LVQ网络、BP网络和RBF网络在网络迭代步数、网络误差以及预测置信度方面进行比较。结果表明,提出的基于LVQ神经网络的高压断路器机械故障诊断方法相比较于其他诊断方法具有一定的快速性,并具有较高的置信度。