基于局域均值分解和支持向量数据描述的高压断路器机械状态监测

为满足断路器机械状态监测的高可靠性要求,弥补现有方法易将轻微故障及无训练故障样本类型误识别为正常状态的不足,提出一种基于局域均值分解(LMD)能量熵和支持向量数据描述(SVDD)的高压断路器机械状态监测新方法。首先,利用LMD方法将断路器振动信号分解为一系列的PF(Product Function)分量,将各PF分量的包络按时间等间隔分段,并提取各PF分量包络的能量熵构成特征向量;然后,采用正常状态断路器振动信号的LMD能量熵向量训练SVDD分类器;最后,通过SVDD分类器对断路器的机械状态进行判断。实测信号实验证明,新方法比支持向量机(SVM)、BP神经网络(BPNN)等传统多类分类方法有更好的状态监测效果。     

利用多分辨奇异谱熵和支持向量机的特高压直流输电线路区内外故障识别方法

提出一种基于多分辨奇异谱熵和支持向量机的特高压直流输电线路区内外故障识别方法,可准确将本侧区外故障、区内故障以及对侧区外故障区分开。进行小波多尺度分解,求得各层的奇异谱熵,将每层的奇异谱熵组成一个特征向量,特征向量分成训练集和测试集,将训练集进行训练得到支持向量机(support vector machines,SVM)分类器的参数,用测试集进行测试,预测结果就是对不同位置故障的分类。大量仿真验证表明:基于多分辨奇异谱熵和支持向量机的特高压直流输电线路区内外故障识别方法能可靠识别本侧区外故障、区内故障和对侧区外故障。     

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。     

基于变分模态分解的断路器机械故障诊断

断路器的振动信号包含了许多机械信息。为了更加精确的对断路器的故障进行识别,本文提出一种基于变分模态分解（variational mode decomposition, VMD）和支持向量机结合的方法。首先利用局部极值法确定合适的VMD分解模态数。其次通过VMD将信号分解成多个具有紧支性的模态,计算各模态的奇异值作为特征向量,将其输入支持向量机(support vector machine, SVM),训练故障模型。最后通过SVM诊断测试信号,成功对不同故障进行诊断。     

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EMD近似熵的高压断路器故障诊断

为了利用断路器较少的状态数据样本对断路器的主要故障进行分析与判断,提出以近似熵作为一种新的断路器振动信号特征量,通过在SF6断路器上进行试验,采集到正常状态、铁心卡涩、润滑不足、底座松动4种状态的样本。将原始信号利用经验模态进行分解,得到的一组固有模态函数分量做为近似熵算法的输入,将多个分量的近似熵组成一个特征向量来表征原始信号。最后,引入支持向量机对不同状态的样本进行有效分类,验证以近似熵作为断路器振动信号特征量的有效性。     

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。     

基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法

为可靠地进行万能式断路器机械故障诊断,在基于振动信号故障诊断的基础上,提出了一种多特征融合与改进量子粒子群(QPSO)优化的相关向量机(RVM)相结合的万能式断路器分合闸故障振声诊断方法。首先,对振声信号进行小波包软硬阈值结合去噪预处理,并利用互补总体经验模态分解算法对处理后的振声信号进行分解,提取固有模态函数能量系数、样本熵、功率谱熵,并组成多特征参数;然后,通过组合核函数核主元分析对多特征参数降维,并将其特征融合组成特征向量作为RVM的输入,解决单一特征识别断路器分合闸故障的低准确率和低稳定性;最后,利用改进QPSO优化分类模型参数,建立基于RVM的次序二叉树模型对断路器故障进行辨识。实验结果表明,该方法能有效提升不同故障状态下诊断结果的可靠性。     

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.     

基于相空间重构与改进GSA-SVM的高压断路器机械故障诊断

断路器机械部件传动、撞击产生的振动信号具有混沌特性,运用常规的信号处理方法很难分析其特性。首先采用互信息法和Cao算法将振动信号重构至高维空间后,计算其排列熵作为特征向量,输入支持向量机对断路器机械故障类型进行诊断,最后用粒子群算法（PSO）改进的万有引力搜索算法（GSA）混合算法优化支持向量机参数,利用断路器实测振动信号进行验证。结果表明：相空间重构与排列熵结合能够准确提取断路器振动信号的特征,采用PSO-GSA改进的支持向量机能快速有效分辨断路器故障类型,解决了现有诊断方法的路径扭曲、能量泄露和模态混叠等问题。     

能谱熵向量法及粒子群优化的RBF神经网络在高压断路器机械故障诊断中的应用

高压真空断路器是电力系统开关设备中极其重要的一种高压电器,而高压断路器故障中80%是由于机械特性不良造成,为此通过小波包变换对高压断路器机械振动信号进行了分析,以信号的能谱熵作为特征输入向量,建立了粒子群优化(PSO)径向基函数(RBF)神经网络的高压断路器故障识别系统模型,最后对实际高压断路器振动信号进行获取分析并得到结果。实验结果表明,高压断路器正常信号能谱熵向量各元素分布比较均匀;而故障信号所得能谱熵向量各元素变化较大且有一定变化规律;粒子群优化后的RBF网络模型在正确率、精度等方面高于传统神经网络模型。实验结果表明该方法用于高压断路器的故障诊断是可行的,并且可以为断路器的故障诊断提供更好的理论依据。     

基于改进EEMD的高压断路器振声联合故障诊断方法

高压断路器是电力系统中关键的控制和保护设备,针对其故障诊断方法的不足之处,将振声数据级融合和特征级融合应用于高压断路器故障诊断方法。振声特征级融合诊断方法首先将采集到的声波信号通过快速核独立分量分析(Fast KICA)实现盲源分离处理,其次利用改进集合经验模式分解(EEMD)提取振动信号和声波信号的特征向量。振声数据级融合诊断方法首先构建振声联合图像,其次利用改进的BEEMD提取特征向量。最后将两种方法提取的特征向量输入支持向量机模型(SVM)进行故障诊断,实验结果表明,所提方法诊断高压断路器故障能取得良好的效果。     

基于CEEMDAN与样本熵的高压断路器机械故障诊断

依据高压断路器振动信号特性,提出一种自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与样本熵相结合的高压断路器故障特征提取方法。首先利用CEEMDAN将分闸振动信号分解成一系列内禀模态函数(intrinsic mode function,IMF),然后利用相关系数法与归一化能量筛选包含信号主要特征信息的前7阶IMF分量,求取其样本熵作为特征量,最后采用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)分类器,对断路器不同故障类型进行分类识别。实验结果表明该特征提取方法能准确提取振动信号特征量,输入PSO-SVM诊断高压断路器故障能取得良好的效果。     

Method of Mechanical Fault Intelligent Diagnosis Based on Vibration Signal of High Voltage Circuit Breaker

Based on vibration signal of high voltage circuit breaker,a new method of intelligent fault diagnosis that wavelet packet extracts energy entropy which are used as characteristic vector of the support vector machine(SVM)to construct classifier for fault diagnosis is presented.The acceleration sensors are applied to collecting the vibration data of different states of high voltage circuit breakers based on self-made experimental platform in this method.The wavelet packet are fully applied to analyze the vibration signal and decompose vibration signal into three layers,and wavelet packet energy entropy of each frequency band are as the characteristic vector of circuit breaker failure mode.Then the intelligent diagnosis network is established on the basis of the support vector machine theory.It is verified that the method has a better capability of classification and a higher accuracy compared with the traditional neural network diagnosis method through distinguishing the three fault modes which are tripping device stuck,the vacuum arcing chamber fixed bolt looseness and too much friction force of the transmission mechanism of circuit breaker in this paper.     

小波包-特征熵在高压断路器故障诊断中的应用

在详细介绍小波包和特征熵的基础上,提出了一种基于振动信号的断路器机械故障诊断新方法.该方法首先在振动信号小波包分解的第3层各节点重构信号,并提取包络;而后利用包络信号的分段能量,计算小波包-特征熵向量;最后将正常状态和待测状态下所得向量之间的欧氏距离作为诊断参量.对某少油断路器无负载开断振动信号的分析证实,该方法检测断路器故障简单、准确,能同时在时域和频域检测断路器状态的变化.     

基于振动和电流信号多域特征联合的高压断路器储能状态辨识方法

为实现高压断路器的储能状态辨识,提出了一种基于伴随振动和电流信号多域特征提取的储能状态辨识方法。对振动信号进行倒频谱分析提取频域周期分量特征来体现电机周期性转动轨迹的基频和高频特性;采用相空间重构理论经关联积分法获取相空间域关联维数与Kolmogorov熵,定量评估储能过程随机运动的复杂程度;计算电机电流持续时间、起始电流值及偏度时域特征,与振动信号特征构建多域联合特征向量;通过支持向量机算法实现断路器储能状态辨识。实验结果表明,基于振动和电流信号多域联合特征的辨识算法准确率达到97%,有效地提高了断路器储能典型工况的识别准确率。     

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.     

基于CEEMDAN样本熵与FWA-SVM的高压断路器机械故障诊断

针对振动信号判别断路器机械故障过程受干扰影响的特征提取问题,提出一种自适应白噪声完整集合经验模态分解(CEEMDAN)与样本熵相结合的故障特征提取方法。通过CEEMDAN提取若干反映断路器操动过程机械状态信息的本征模态函数(IMF)分量,依据各IMF相关系数与能量分布,将前7阶IMF分量进行小波包软阈值去噪,计算其样本熵作为特征量,最后采用基于免疫浓度思想的烟花算法(FWA)优化支持向量机(SVM)分类器,对断路器不同运行状态进行分类识别。实验结果表明:基于CEEMDAN样本熵特征对于信号干扰不敏感,FWA-SVM诊断方法对于高压断路器分闸操动过程故障辨识效果良好。