基于改进Hilbert-Huang变换和支持向量机的高压断路器触头超程状态识别

引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)方法进行改进,并将改进的HHT方法结合支持向量机(SVM)应用于高压断路器振动信号特征提取和触头超程状态识别中。采用EEMD提取反映振动信号局部特性的本征模态函数(IMF)分量,并计算IMF分量的Hilbert边际谱能量值,由此构造高压断路器触头超程状态特征量,利用得到的特征向量对SVM进行训练,实现高压断路器触头超程状态的自动识别。试验提取了高压断路器在不同触头超程下的振动信号并进行分析,结果表明所提方法能够有效识别高压断路器触头超程状态。     

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。     

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。     

基于振动信号的超程变化情况下断路器刚分刚合时刻识别方法研究

在断路器的长期使用过程中,由于触头磨损、螺丝松动等原因,超程将会发生改变,断路器刚分刚合时刻的确定具有较大难度。刚分刚合时刻的判断方法在超程变化情况下的准确性还未有人研究。文中以12 kV交流中压真空断路器为研究对象,搭建了断路器机械状态离线测试试验平台。在模拟多种超程量的条件下,对断路器分合闸过程中的触头换位信号与振动信号进行同步采集,采用短时能量法对振动信号进行处理,准确分析出断路器换位信号提取的分合闸时刻与振动信号提取的特征量间的对应关系。利用振动信号替代换位信号,通过对断路器分合闸过程振动信号的提取,准确判断刚分刚合时刻,获得分合闸时间。测试试验结果表明,该方法在超程改变情况下对分合闸时刻的判断误差在0.5 ms以内,提高了断路器在超程变化时机械数据的准确性,为断路器机械状态的在线监测提供了依据。     

基于振动信号经验模态分解及能量熵的高压断路器故障识别

为了准确地检测出高压断路器的故障类型,笔者首次将经验模态分解(EMD)方法引入高压断路器的振动信号分析当中,并提出将EMD分解得到的固有模态函数(IMF)能量熵值作为表征断路器故障类型的新特征向量。为了证实该分析方法的有效性,笔者在实验室的110 kV SF6断路器上进行了模拟实验,提取了正常和故障状态下振动信号的IMF能量熵值特征向量,并以此作为径向基神经网络的输入向量。最后,引入置信度的概念,对径向基神经网络的输出结果进行评价。该方法基于实验室研究取得了较好的识别效果,并为基于振动信号的断路器故障识别提供了一条新的思路。     

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。     

基于振动信号的断路器机械零部件故障程度识别

如何有效识别高压断路器机械零部件故障严重程度是目前还未解决的问题,针对该问题,提出一种基于振动信号混沌吸引子形态特性的断路器零部件故障程度识别方法.为了更好地提取零部件早期故障的微弱故障特征,首先将振动信号按照断路器动作时序进行分时分割处理;然后提出一种参数自适应的信号分解方法,将分时振动信号各模态分量自适应地分离出来;最后重构模态分量混沌吸引子,利用混沌吸引子形态特性判断断路器零部件故障严重程度.两种不同型号断路器的试验结果表明,振动信号的模态分量混沌吸引子对故障程度具有较高的敏感度,正常与故障状态下的吸引子形态差异明显、吸引子形态随故障程度的加剧表现出一定的变化规律.该方法可为识别高压断路器机械零部件故障严重程度提供一条新思路.     

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。     

低压断路器机械特性状态监测方法研究

低压断路器作为低压配电系统中重要的保护装置,主要用于切断和接通负荷电路以及断开故障电路,以保证系统安全稳定运行。断路器内部机械部件的可靠运行对其操作性能至关重要,随着操作次数的增加,断路器的机械特性将逐渐退化,最终破坏操作机构的正常运动,进而引起合分闸失败,甚至对配电系统造成影响。为了准确监测低压断路器的机械特性,提出基于操作机构运动特性的低压断路器机械特性状态监测方法。首先,根据操作机构的运动特性分析机构合分闸过程中的旋转特征,并选取能够反映操作机构性能的特征量;其次,定量分析触头磨损、机构磨损和分闸弹簧断裂对机构性能的影响,通过实时监测特征量的变化实现机械部件性能的诊断;最后,通过定量计算触头超程性能退化对分闸能量和机构性能的影响,实现触头超程状态的监测。实验结果表明,所提方法能够有效监测低压断路器机械部件的状态信息,实现触头超程状态的准确评估,为低压断路器机械特性状态监测与诊断提供一种新方法。     

基于分形理论的低压断路器三相合闸同期性振动信号特征分析

在综述现有断路器机械故障振动信号研究方法的基础上,提出了一种经验模态分解(EMD)和分形理论相结合的方法用于提取低压断路器振动信号的特征量,并以典型的三相合闸不同期性低压断路器故障为对象,研究了EMD结合分形维数的故障振动信号特征分析,且给出以分形维数均方根作为故障特征量的实验仿真数据结果。首先,利用EMD方法对低压断路器的振动信号进行分解,得到若干个本征模态函数(IMF);其次,对振动信号以及各IMF分量求分形维数及其均方根,作为低压断路器振动信号的特征量。通过对低压断路器三相合闸不同期性模拟故障振动信号处理,对比其不同状态下的分形维数及其均方根的变化规律,表明该方法不仅可作为低压断路器三相同期性故障诊断的判据,且可应用于断路器其他各类机械故障的振动信号特征的提取分析。     

基于相空间重构的高压断路器振动信号特征分析

在高压断路器运行和操作过程中,其振动信号包含了最丰富的关于操纵机构、机械连接和灭弧室内的触头动作信息,有效的信号处理方法和特征提取手段能够将这些信息反映出来,作为诊断及检修的判据。以提取诊断及检修判据为目的,将相空间重构的方法应用于高压断路器的振动信号处理,从一个新的角度对信号进行了分析,提取信号特征并加以整理。通过对相空间重构获得的相空间图直观定性分析,并进一步利用求解振动信号的关联维数的方法定量判断,提出了一种分辨断路器机械机构运行状态的方法。通过对几种工况下高压断路器的振动信号的处理,结合对各种条件下获得的振动信号的关联维数变化规律的分析,证明了该方法提取的关联维数判据能够有效分辨断路器操动机构的正常与异常状态。这表明该判据可以充当分辨断路器操动机构的工作状态是否异常的重要依据,通过与其他故障诊断方法相结合,具有一定的应用前景。     

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。     

基于最优特征向量分类的高压断路器机械状态识别方法

对高压断路器动作过程中状态特征参量的提取与分析是状态识别与故障诊断的关键。高压断路器分合闸过程中的触头行程曲线蕴含着反映其内部机构机械状态的丰富信息。然而,仅依靠常规的时间和速度等参量无法对高压断路器的机械状态进行准确识别。文中提出了一种基于最优特征向量分类的高压断路器机械状态识别方法,通过计算各个特征与状态分类之间的互信息,根据最大相关最小冗余的准则筛选出最优特征子集,然后基于最优特征量构建支持向量机(SVM),利用分类准确度进行评价,确定出最优的特征向量和分类模型。对实验数据的分析结果表明,该方法可以有效提取触头行程曲线中蕴含的特征信息;基于最优特征向量集构建的分类模型的准确度高达97%,可以实现对高压断路器机械状态的识别。     

基于粗糙集神经网络和振动信号的高压断路器机械故障诊断

为了准确检测出高压断路器的机械故障类型,该文提出一种基于本征模态边际谱能量与粗糙集神经网络相结合的高压断路器振动信号故障诊断方法。首先将断路器的振动信号经过经验模态分解(EMD),得到若干个本征模态函数(IMF),对各个IMF分量进行希尔伯特(Hilbert)变换得到Hilbert边际谱,求取Hilbert边际谱的二次方得到Hilbert边际谱能量作为特征向量。基于粗糙集理论对特征向量进行属性约简分析,从而建立简单明了的决策表,根据决策表规则建立径向基函数(RBF)神经网络故障模型。实验结果表明,该方法能有效对高压断路器的机械故障类型进行分类。     

基于集合经验模态分解和多分类相关向量机的高压断路器机械故障诊断方法研究

作为电力系统中最重要的控制和保护设备的高压断路器,由于其故障中机械故障所占的比例最大,所以为了保证电力系统能够可靠地运行和电网质量的提高,有必要对高压断路器机械故障进行诊断及时了解其运行状态。通过对高压断路器分、合闸时产生的声波信号分析发现在声波信号中存在着大量的机械状态信息,因此可以依据声波信号的特征量对高压断路器机械故障进行诊断。通过集合经验模态分解方法提取高压断路器分闸过程中的声波信号特征量,并与多分类相关向量机相结合对高压断路器机械故障进行诊断,实验结果表明该方法具有良好的诊断效果。     

基于VMD算法的10 kV高压断路器机械故障诊断分析

断路器振动信号包含了故障诊断的特征信息,正确检测和分析振动信号是实现断路器机械故障诊断的关键。针对传统信号分析中存在模态混叠、噪声鲁棒性差等导致特征向量失真的缺点,提出将新的信号分解算法(变分模态分解VMD)与能量熵相结合构造特征向量,并利用量子粒子群改进VMD参数设置方式,优化模态个数K与惩罚因子α的取值问题。为验证该算法的有效性,将其应用在ZN63A-12型10 kV高压断路器上进行实验分析。用改进VMD能量熵提取故障特征,并输入马氏距离判别器确定故障状态。实验证明所提方法可有效提取断路器的运行状态,检测精度高达97.62%,具有较高的工程实用价值。     

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。     

一种基于振动信号的高压断路器故障诊断新方法

提出一种以小波包特征节点最大系数为特征向量、利用支持向量机状态分类的断路器故障诊断新方法。首先利用小波包分解振动数据,提取状态变化敏感节点作为特征节点形成分解树,利用敏感节点重构完好状态振动信号,并以此作为当前大多断路器诊断系统中使用的指纹信号;同时提取特征节点最大系数形成特征向量,作为支持向量机的输入向量,使用"一对其余"策略进行特征分类。经高压断路器无负载振动信号测试,该方法检测高压断路器故障简单、准确,在实际分析中取得良好诊断效果。     

基于智能理论的高压断路器机械故障诊断

文中对高压断路器机械故障诊断方法进行了研究,通过监测高压断路器合闸操作振动信号,提出了一种基于小波分解和支持向量机(SVM)的机械故障智能诊断方法。首先利用小波分解对振动信号进行分解,然后提取出振动信号的低频和高频重构信号的能量并将其作为特征量,最后利用SVM实现高压断路器机械故障的分类。为了验证提出的方法,搭建了高压断路器机械故障诊断软硬件平台,并对现场的高压断路器进行了实验研究。实验结果表明,该方法能有效地完成高压断路器机械故障的诊断。