采用时频矩阵奇异值分解的配电开关振动信号特征量提取方法

配电开关振动信号具有非线性非平稳特性,蕴含有机械状态信息。提出一种采用时频矩阵奇异值分解的配电开关振动信号特征量提取方法,对振动信号做希尔伯特-黄变换以进行带通滤波,构造其时频矩阵,对该矩阵进行奇异值分解,可将振动信号的特征信息分解到不同的时频子空间,以得到的时频矩阵奇异值作为振动信号的特征量,用于表征配电开关的机械状态。对配电开关在正常及卸掉A相触头绝缘拉杆、机械结构卡涩、底座螺丝松动等3种典型故障情况下实测振动信号的时频矩阵奇异值做模糊c均值聚类,结果表明该特征量能够准确、有效地表征配电开关的机械状态。     

基于振动信号分析的配电开关机械状态诊断系统

配电开关的振动信号包含有丰富的开关机械状态信息,可以通过合理有效的方法提取振动信号特征量,作为配电开关机械状态诊断的依据。根据数据采集的功能需求,设计了基于Lab VIEW的振动信号采集装置软硬件。利用经验模态分解(empirical mide decomposition,EMD)对振动信号进行时频分解,提取分解所得固有模态分量(intrinsic mode function,IMF)的样本熵作为特征量,最后通过模糊C-均值聚类(fuzzy C-means,FCM)进行机械状态诊断。通过实验,采集并分析了正常状态和典型故障状态下的配电开关振动信号,验证了基于振动信号分析的配电开关机械状态诊断系统的准确性和有效性。     

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。     

基于同步挤压变换和深度迁移学习的GIS隔离开关故障诊断

为实现气体绝缘组合电器(GIS)隔离开关机械故障的智能诊断,基于GIS隔离开关分合闸过程中的振动信号,提出了基于深度迁移学习的GIS隔离开关机械故障诊断方法。首先应用二阶同步挤压傅里叶变换(FSST2)获取GIS隔离开关振动信号的时频分布,然后基于深度迁移学习的思想构建预训练模型并进行优化,建立了GIS隔离开关机械故障智能诊断模型。对某GR角型GIS隔离开关正常和典型机械故障状态下的振动信号的分析结果表明,基于FSST2得到的GIS隔离开关振动信号时频表示具有较好的能量聚集性,所建立的GIS隔离开关机械故障智能诊断模型识别准确率高且模型复杂度低,可用于GIS隔离开关机械故障的高效诊断。     

基于振动信号EMD-HT时频分析的变压器有载分接开关故障诊断

把一列时间序列数据通过经验模态分解(empirical mode decomposition,EMD)为本征模态函数组(intrinsic mode function,IMF),然后进行希尔伯特变换(hilbert transformation,HT)得到频谱的信号时频分析方法引用到变压器有载分接开关切换机构的振动信号分析领域。笔者介绍了该方法的理论和算法。首先采用仿真信号对该方法进行仿真验证,然后把一实测的有载分接开关故障振动信号进行基于EMD-HT方法的时频分析。通过仿真和实例信号分析结果说明,用EMD-HT时频分析方法对变压器有载分接开关的振动信号进行故障特征提取是有效的。     

基于相空间张量分解的有载分接开关故障诊断

有载分接开关一次档位切换过程中伴生的振动信号与其机械状态密切相关。文中基于有载分接开关档位切换过程中振动信号的高维相点空间分布,对有载分接开关多个位置处的振动信号进行张量化表示,用以捕捉尽可能丰富的有载分接开关机械状态信息。然后对所构建的相空间三阶张量进行Tucker张量分解以获取核心张量,据此建立基于卷积神经网络的有载分接开关机械故障判别模型。以某CM型有载分接开关动作时的振动信号为例进行分析,结果表明,有载分接开关动作时的振动信号的相空间核心张量信息全面且冗余少,所构建的基于卷积神经网络的有载分接开关机械故障诊断模型性能良好,准确率超过95%,可为有载分接开关的故障识别及状态维修提供参考依据。     

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。     

基于振动信号时频域特征的换流变真空有载分接开关机械状态检测

文中针对换流变用真空有载分接开关的结构特点,开展分接开关切换过程的振动测试,分析振动信号的时频域特征,提出基于振动信号时频域特征的换流变真空有载分接开关状态检测的方法,并验证其工程可行性,实践结果证明该方法可有效检测分接开关驱动机构异常、支撑板断裂和减振器支座开裂等机械缺陷。     

利用窄带噪声辅助多元经验模态分解算法检测换流变压器用有载分接开关机械状态

为有效检测换流变压器用有载分接开关的机械状态,提出一种窄带噪声辅助多元经验模态分解的方法对有载分接开关切换过程中采集到的多通道振动信号进行分析。具体应用时,在原始多通道振动信号中增加若干通道窄带噪声信号,并在统一高维超球面坐标系下进行分解计算,从而在有效抑制经验模态分解过程中模态混叠现象的同时,极大提高了多维振动信号分解的准确性并降低了运算复杂性。进而根据区间最大功率特征计算固有模态函数的功率矩阵,对有载分接开关的机械特征进行描述。对有载分接开关样机正常与典型机械故障时振动信号的计算结果表明,其不同工况下的功率特征有较大区别,所定义的矩阵相似度指标可较好地衡量有载分接开关典型故障时的振动差异程度。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有载分接开关切换过程的影响更为明显。     

基于S变换D-SVM AlexNet模型的GIS机械故障诊断与试验分析

机械故障是气体绝缘组合电器(gas insulated switchgear,GIS)最主要的故障之一,尚缺乏有效的在线诊断方法。为此该文利用GIS断路器激振能力强的优势,以GIS断路器分合操作为激振源,根据振动信号所包含的设备机械特性信息对GIS各构件的机械状态进行评估。搭建了包含3种GIS典型机械故障的试验模拟测试系统,并提出了一种基于S变换D-SVMAlex Net模型的GIS机械故障诊断方法。利用S变换处理断路器动作激发的非平稳振动信号,得到含有设备机械特征的时频图谱;建立D-SVM AlexNet模型,使用预训练的Alex Net神经网络模型提取S变换图像特征作为预测变量,通过Fitcecoc函数拟合支持向量机(support vector machine, SVM)进行图像预分类,根据模糊矩阵显示的分类结果筛选出有效测点;将有效测点的时频图送入AlexNet进行迁移学习,获得经微调后的神经网络模型。实验验证发现,训练完毕的卷积神经网络的故障诊断训练准确率达到99%,验证准确率达到92%,具备较好的时频图像分类效果,可实现GIS机械故障的有效诊断。     

基于模极大值小波域和TLS-ESPRIT的振荡瞬态识别方法

对于电能质量扰动检测和定位中振荡瞬态的检测、识别,目前普遍采用的是时频特征矢量提取和智能模式识别方法,此类方法无法准确提取电能质量振荡瞬态信号不同频率分量的组成。结合模极大值小波域和总体最小二乘法旋转不变技术的信号参数估计(total least squares-estimation of signal parameters via rotational invariance techniques,TLS-ESPRIT)可以很好地实现振荡信号的检测与识别。对于输入信号,首先采用模极大值小波域检测振荡发生的起始时刻和终止时刻,然后利用振荡时间间隔内的信号建立观测空间矩阵,通过奇异值分解和总体最小二乘法实现特征值截尾,将采样信号观测空间分解为信号子空间和噪声子空间,得到振荡信号每个构成频率分量的相应参数。仿真结果证实了所提出方法的可行性。     

基于时频矩阵相似度的输电线路暂态保护方法

为提高传统暂态保护方法的可靠性,综合运用宽频带暂态信号在时域和频域上的故障信息,提出一种输电线路保护新方法。该方法利用S变换提取宽频带暂态信号在不同时段不同频带下的故障信息,通过构造时频矩阵来反映暂态信号的时频变化特性;利用奇异值分解提取时频矩阵的时频特征,并减少矩阵冗余量;将奇异值矩阵与样本库矩阵进行时频特征匹配,计算矩阵相似度;根据矩阵相似度判别区内外故障。仿真结果表明,该暂态保护方法能准确快速识别区内外故障。     

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 Choi-Williams 分布和排列熵的开关柜局部放电类型识别

开关柜局部放电类型识别对了解绝缘状态并及时维护有着重要的指导意义。局部放电类型识别的关键在于提取局部放电信号的特征。提出一种Choi-Williams分布与排列熵相结合的局部放电超声信号的特征提取方法,利用Choi-Williams分布获得局部放电超声信号的时频特征,求解局部放电超声信号的排列熵,得到信号时间序列的复杂度特征量,与时域特征量组合成特征向量,使用粒子群算法优化的BP神经网络对放电信号进行分类识别。实测数据分析表明,该方法对放电类型识别的准确率达到了96.67%,相较于传统的分形和时频分析方法,分别提高了11.67%和1.67%。     

局部放电脉冲的Wigner时频分布特性研究

为了提高时频分布的分析精度和有效性,笔者根据局部放电脉冲信号的非平稳特性,提出使用联合时频分布对其进行处理,从而分析脉冲信号的时频特性。针对目前在非平稳信号处理中广泛使用、属于Cohen类的Wigner-Ville分布(WVD),笔者以仿真脉冲为对象,分别研究了其原始WVD、平滑伪Wigner分布(SPWVD)以及重排平滑伪Wigner分布(RSPWVD)。分析结果表明:WVD能够对局部放电脉冲信号引发的短时变化具有高度的敏感性,更适合表征非平稳信号的时变信息;SPWVD能消除双线性函数引起的交叉干扰项,但是以牺牲分布的时频分辨率为代价的;RSPWVD具有很好的时频聚集性,易于提取单个脉冲波形的时频特征参数,从而用于放电类型的模式识别以及深入研究绝缘系统中的局部放电机理。     

旋转机械振动信号基于EMD的希尔伯特变换和小波变换时频分析比较

基于经验模态分解(Empirical Mode Decomposition，EMD)的希尔伯特变换(Hilbert Ttransformation，HT)，是先把一列时间序列数据通过经验模态分解，然后经过希尔伯特变换获得频谱的信号处理新方法。介绍了该方法的理论和算法。对仿真和旋转机械油膜涡动故障振动信号分别用基于EMD的HT和基于小波变换(Wavelet Transformation，WT)的时频分析在时域、时频域和频域进行了比较研究，研究结果说明，旋转机械振动信号基于EMD的HT时频分析方法比基于WT的有效。     

基于VMD-WVD的故障行波全波形时-频分析方法

受高阻接地故障、过零点故障和高频噪声等因素的影响,行波波头检测困难,导致行波保护和故障定位方法可靠性不高.由于故障行波具有全时频特性,检测一定时间窗内时频域行波波形将包含全景故障信息,从而实现故障特征可观测.融合故障行波时频域信息,提出了基于全波形信息的故障行波表现形式.在此基础上,提出了一种基于变分模态分解(VMD)...     

基于CWD谱图和改进CNN的无线电调制分类

针对频率随时间的变化规律是不同调制信号之间最重要的区别，提出一种结合崔 威廉斯分布和改进卷积神经网络模型的无线电调制分类识别方法。在信号预处理阶段，为了更好保留信号的时频特征，引入崔-威廉斯变换将原始时间序列转换成时频图像，进而将调制信号分类问题转化成图像识别问题。在信号识别阶段，通过在卷积神经网络模型中引入残差密集块和全局平均池化层，以克服卷积神经网络模型泛化能力差和训练时间久等缺点。实验结果表明，所提方法可以有效解决梯度消失问题，具有识别率高、泛化能力强等优点。尤其是在低信噪比情况下，表现更为优异，在信噪比为-4 dB时，8种信号的分类精度便可达到100%。     

基于超声波诊断的GIS设备异常分析方法

为提升气体绝缘组合电器（GIS）局部放电现场检测水平,对基于超声波诊断的GIS异常分析方法进行了研究。根据现场检测搜集的大量数据,总结出典型GIS局部放电的超声波信号时域和相位分布特征,并且分析了局部放电信号和常见干扰信号在时域特征和频域分布上的差异。研究了声电联合定位方法、超声波时延定位方法和超声波小波时频定位方法在GIS现场局部放电检测中的应用,检测结果表明这个方法具有较高的定位精度和准确性。