基于VMD和WOA-SVM的变压器绕组松动故障诊断

为了更加准确有效地诊断变压器绕组松动故障,提出了一种基于变分模态分解(VMD)和鲸鱼优化支持向量机(WOA-SVM)的变压器绕组松动故障诊断方法。首先,对某10 kV变压器进行模拟故障试验,测量其振动信号;随后,采用VMD将非平稳的振动信号分解成多个本征模态函数(IMF),并计算各层IMF的能量熵,构成特征向量;最后,将特征向量输入鲸鱼算法(WOA)优化的支持向量机(SVM)中训练出分类模型,实现变压器绕组松动故障诊断。结果表明,所提方法适用于变压器绕组松动故障诊断,并且相较于传统的改进SVM分类模型,所提方法的故障识别准确率更高。     

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。     

基于ST-SVD与WOA-SVM模型的变压器绕组松动故障诊断方法

为了深入研究变压器振动信号包含的大量故障信息,提出了一种基于S变换奇异值分解(ST-SVD)与鲸鱼优化支持向量机(WOA-SVM)模型的变压器绕组松动故障诊断方法。首先,基于变压器故障模拟试验平台采集变压器绕组处于不同状态下的振动信号。其次,对变压器振动信号进行S变换获取其时频矩阵。再次,计算出时频矩阵对应的幅值矩阵进行SVD,并定义特征向量。最后,采用鲸鱼优化算法优化SVM模型参数,并输入特征向量完成故障诊断。试验结果表明,所提方法故障识别准确率高于传统方法模型,适用于变压器绕组松动故障诊断。     

基于LMD边际谱能量熵与FWA-SVM的变压器绕组松动诊断

变压器空载合闸的振动信号包含了丰富的机械特征信息,为了实现对变压器绕组松动故障诊断,提出了一种局部均值分解(LMD)边际谱能量熵与烟花算法优化支持向量机(FWA-SVM)的方法.通过LMD提取若干反映变压器合闸过程绕组状态信息的乘积函数(Product Function,PF)分量;依据各PF分量相关系数与能量分布,将前6阶PF分量进行希尔伯特变换,并求取对变压器绕组状态变化敏感的边际谱能量熵作为特征向量;将特征向量输入到烟花算法(FWA)优化的支持向量机(SVM)分类器,实现变压器绕组轻微松动故障早期预警.实验结果表明:基于LMD边际谱能量熵能准确反映故障特征,FWA-SVM诊断方法在少量样本情况下仍有较高的故障辨识度.     

高压断路器声纹及振动熵特征联合的GWO-KFCM故障诊断

针对复杂环境下高压断路器故障诊断算法的准确率和泛化性问题，提出一种声纹及振动熵特征联合的GWO-KFCM故障诊断算方法。首先，对声音信号进行广义S变换，提取反应声纹的盒维数、方向度和对比度纹理特征；对振动信号进行变分模态分解（VMD），计算信号的排列熵。最后，构造联合特征向量送入模糊核C—均值聚类（KFCM）学习训练，利用灰狼优化（GWO）算法优化KFCM初始聚类中心，对训练样本进行预分类后输入SVM，辨识操动机构运行状态。结果表明，声纹及振动熵特征联合的GWO-KFCM故障诊断方法充分利用声振信号互补优势，对实验样本总体诊断准确率达到了100%，并且有较好的泛化能力。     

基于天牛须搜索优化支持向量机的变压器故障诊断研究

为了准确地判断变压器绕组是否出现故障,保证变压器供电的可靠性,提出了一种基于天牛须搜索算法优化支持向量机(BAS-SVM)的变压器绕组故障诊断方法。采用支持向量机(SVM)作为变压器绕组形变程度的分类器,并应用天牛须算法对SVM的核函数和惩罚因子进行优化,通过人工经验训练BAS-SVM,使其具有很高的故障诊断精度。为了比较BAS-SVM算法在变压器绕组故障诊断的优越性,采用改进的粒子群优化算法(MPSO)优化SVM。通过仿真验证,BAS-SVM算法的故障诊断准确率比MPSO-SVM算法的故障诊断准确率高10%。最后通过实例验证了BAS-SVM算法对变压器绕组故障诊断的可行性。     

基于多尺度排列熵和IWOA-SVM的滚动轴承故障诊断

针对滚动轴承信号表现出的非线性和非平稳性特征问题，合理的特征选择可提高故障诊断率，提出基于多尺度排列熵(MPE)与改进鲸鱼算法(IWOA)优化支持向量机(SVM)的故障诊断模型。首先，通过变分模态分解(VMD)进行信号降噪预处理，计算多尺度排列熵进行信号特征重构；其次，引入惯性动态权重对鲸鱼算法进行改进，通过训练SVM参数，建立IWOA-SVM故障诊断模型；最后用美国凯斯西储大学轴承数据集进行仿真。结果表明，相较于多尺度熵，MPE可表征的故障特征信息更加丰富，故障识别率提高了2.1%;与同类优化算法相比，采用IWOA对SVM进行优化的故障诊断模型，收敛速度快、训练时间短、故障识别精度高，可对滚动轴承进行有效诊断。     

基于小波包能量熵的电力变压器运行状态评估方法研究

振动在线检测法在电力变压器机械故障诊断中的应用越来越广泛,在此基础上将能量熵引入电力变压器绕组振动信号的特征提取中。通过实验提取一台电力变压器绕组正常运行和短路冲击运行时的振动信号,运用小波包分解重构原理分解出信号的子频带,采用频段-能量熵方法来检测电力变压器绕组不同运行条件下短路故障类型。实验结果表明,不同机械状态下电力变压器绕组振动信号特征向量之间的差异性可作为故障诊断的依据。     

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EEMD近似熵的水电机组振动信号特征提取

对于水电机组非平稳非线性振动信号特征提取方法的研究近年来一直是水电机组故障诊断领域研究热点,特征提取的有效性直接关系到故障诊断的准确性。本文提出基于集合经验模态分解（EEMD）和近似熵的水电机组振动信号特征提取方法,将信号经EEMD分解后筛选得到的本征模态分量（IMF）近似熵特征值输入概率神经网络（PNN）进行模式识别。采用经验模态分解（EMD）和近似熵特征提取方法进行对比实验。识别结果表明：采用EEMD和近似熵的特征提取方法,能有效区分机组不同的运行状态,可为实际工程应用提供理论依据。     

VMD 及 PSO 优化 SVM 的行星齿轮箱故障诊断

以故障高发的行星齿轮传动系统为对象,提出基于变分模态分解(variational mode decomposition, VMD)及粒子群算法(particle swarm optimization, PSO)优化支持向量机(support vector machine, SVM)的故障诊断方法。首先,对信号进行VMD分解,采用改进小波降噪的方法处理分解后的本征模态分量(IMF),并对处理后的分量进行重构,凸显信号蕴含的信息;然后,对处理后的振动信号进行特征提取,分别提取信号的样本熵和均方根误差,并组成输入矩阵;最后,引入PSO优化SVM的关键参数,将提取的特征向量输入PSO-SVM进行训练和识别。将该方法应用于行星传动试验平台获取的行星轮裂纹故障、太阳轮轮齿故障及行星轮轴承故障信号,通过多维比较,验证了该方法的有效性。     

基于奇异谱熵和支持向量机的变压器绕组松动识别及定位

绕组压紧状态影响着变压器的机械性能和绝缘性能。为此,提出一种基于奇异谱熵和支持向量机的变压器绕组松动诊断及定位方法。首先进行110 kV变压器绕组松动实验并测取不同绕组状态下的振动信号,对信号进行时间序列重构,通过奇异值分解提取重构空间的最优特征序列,结合信息熵得出绕组松动的特征量——奇异谱熵,并作为诊断模型的输入,利用粒子群算法对多分类支持向量机进行参数优化。并将其测试结果与BP和PNN神经网络的诊断效果进行对比。实验结果证明,该方法能有效地判断绕组是否发生松动并正确识别绕组松动相,验证了上述方法的可行性和准确性。     

基于变分模态分解与特征选择的变压器有载分接开关机械故障诊断

为实现变压器有载分接开关故障的有效诊断,提出了一种基于变分模态分解(variational mode decomposition,VM D)与Fisher-Score特征选择的故障诊断方法。首先对信号进行VM D分解,得到一系列窄带、中心频率区分度较好的模态分量。然后求取各模态的能量与奇异值及重构信号的排列熵与奇异谱熵,并通过Fisher-Score法对多个特征进行选择,筛选出鉴别力较好的特征构造特征向量组。最后将特征向量组输入基于模拟退火优化的支持向量机(support vector machine,SVM),实现振动信号的分类识别与故障诊断。在变压器有载分接开关模拟试验平台上进行试验并对采集的信号进行处理,结果表明该故障诊断方法具有较高的识别精度。     

基于加强灰狼优化VMD-DBN的变压器故障检测

摘要：针对当前在线识别变压器运行状态困难、低效的问题,通过提取箱壁的振动信号,提出了基于加强灰狼优化变分模态分解（Variational Mode Decomposition,VMD）深度置信网络（Deep neural network,DBN）的检测方法。首先,利用加强灰狼算法以能量误差为适应度函数,优化VMD的重要参数（分解层数k和惩罚因子α）,然后分解计算各本征模态分量(Intrinsic mode functions, IMF)的能量标值,组成特征数据集,用来表征变压器运行工况。最后使用深度置信网络对特征数据集进行反复学习训练,形成故障诊断模型对变压器状态进行识别。通过实验对比分析VMD能更好地提取信号中有效的特征,提高识别的精准度,同时DBN相较于其他两种经典识别算法,抽象能力更好,学习的能力更强,稳定性更高,能准确识别变压器正常、绕组辐向形变、绕组轴向形变、铁芯故障四种状态。因此,所提方法能够高效识别变压器运行状态,具有一定的实用价值。     

EEMD能量熵在配电变压器绕组状态监测中的应用

利用振动法在线监测配电变压器绕组的状态关键在于如何从振动信号中提取有效的特征。为了更有效地监测与诊断变压器绕组的状态,搭建了某配电变压器多次短路冲击试验及负载试验时的振动信号监测平台,利用总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)对变压器绕组的振动信号进行分析并求解其能量熵值,提出一种基于EEMD能量熵的配电变压器绕组状态监测与故障诊断的方法。实验结果表明,EEMD能够有效地提取配电变压器绕组振动信号的特征,得到振动信号各频带内的能量分布状态,可准确地在线监测与诊断配电变压器绕组故障。     

基于VMD模糊熵和SVM的高压断路器故障诊断

为了有效提取高压断路器振动信号的特征,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)模糊熵和支持向量机(Support Vector Machine, SVM)的特征向量提取方法,并采用SVM分类器对断路器的故障类型进行识别。首先,使用VMD对断路器的振动信号进行分解,得到若干个模态分量;然后,计算每一个模态分量的模糊熵,将其组成特征向量;最后,将上述特征向量导入到SVM分类器中进行训练,得到训练好的SVM模型,使用该模型对断路器4种运行状态下的样本数据进行故障识别。结果表明,基于VMD模糊熵的特征向量提取方法所提取出的特征向量相对基于经验模态分解(Empirical Mode Decomposition, EMD)样本熵的特征向量提取方法所提取出的特征向量可分性较好;在小样本的模式识别中,SVM相比于BP神经网络,具有更高的识别精度,能够有效识别断路器的故障。     

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.     

VMD多尺度熵和GWO-SVM在扬声器异常声分类中的应用

针对扬声器异常声分类中异常声特征提取以及分类识别两个关键环节,提出一种基于变分模态分解(VMD)多尺度熵(MSE)与灰狼算法优化支持向量机(GWO-SVM)结合的扬声器异常声分类方法。首先,对扬声器声响应信号进行VMD分解得到一系列本征模态函数(IMF),计算各阶IMF与原始信号的相关系数,然后选择相关系数高的IMF提取该IMF的MSE作为特征向量,最后利用灰狼算法优化支持向量机模型识别故障类型。实验结果表明,在5种状态下扬声器单元分类的识别中,较经验模态分解(EMD)多尺度熵、VMD多尺度散布熵(MDE)、EMD多尺度散布熵的特征提取方法,VMD多尺度熵呈现出更高的识别准确率,其识别准确率为99.3%。能更好地表征异常声特征。     

基于改进变分模态分解排列熵和极限学习机的汽轮发电机转子故障诊断方法

针对实际转子振动信号的非线性、非平稳性引起的故障类型难以准确识别的问题,提出了一种基于改进变分模态分解(VMD)排列熵和极限学习机的转子故障诊断方法。首先,为克服VMD中惩罚因子和分解个数按经验选择的问题,提出一种基于人工化学反应算法的改进VMD方法,将其用于振动信号分解,得到若干个不同尺度的固有模态分量(IMF);随后计算蕴含主要故障特征信息的前几个IMF的排列熵值;最后将得到的前几个排列熵值作为特征矢量,输入到建立的极限学习机中实现不同状态下转子振动信号的模式识别。将提出方法应用于汽轮发电机转子试验台采集的数据,结果表明:提出的方法能有效实现不同运行状态下的转子振动信号的辨识,提高了模式识别精度。