基于PCA的管道缺陷导波信号特征优化方法

针对超声导波管道缺陷检测中存在的识别率低、鲁棒性差等问题,应用了主成分分析对管道缺陷回波信号进行特征优化.首先,通过对超声导波缺陷回波信号进行处理,提取了信号在时域和时频域内的特征参数,构成联合特征向量.然后使用主成分分析法(principal component analysis,PCA)对联合特征向量进行降维处理,通过提取累计贡献率达到89％的主成分得到融合特征.最后用BP神经网络对融合特征进行训练和识别.这种方法可以有效的识别管道缺陷,与联合特征向量相比具有更高的识别率.     

基于振动信号SVM分类的变压器状态识别

为提高基于振动信号的变压器状态识别准确率,提取振动信号的峰峰值、均值、偏度等时域特征量和主频率幅值占比、基频幅值占比、50 Hz及其奇次倍频幅值占比等频域特征量构成特征向量,运用支持向量机(SVM)分类方法对变压器进行状态识别。采集了变压器正常与故障运行状态下的振动信号,结合实测信号分析了各特征量随变压器状态的变化,最后对比了单个特征量与多特征量结合对变压器正常短路、正常空载、故障短路、故障空载4种状态的识别准确率。结果表明,结合振动信号多个特征量的SVM分类对变压器的状态识别准确率显著高于单个特征量的识别准确率。     

基于时变滤波经验模态分解和SSA-LSSVM的变压器内部机械故障诊断方法

为了准确有效地识别变压器内部的潜伏性机械故障,提出了一种基于时变滤波经验模态分解(TVFEMD)和麻雀搜索算法优化最小二乘支持向量机(SSA-LSSVM)的变压器内部机械故障诊断方法。首先,对铁心处于不同松动状态的变压器进行振动信号采集;其次,利用时变滤波改进的经验模态分解（EMD）对所得振动信号进行分解,以获取多个本征模态函数(IMF)即模态分量;然后,采用相关系数法计算IMF分量与原始振动信号的相关性,并计算相关性最大的IMF分量的样本熵,以此构建特征向量集;最后,以诊断准确率最高为目标函数,利用SSA对LSSVM的正则化参数和核函数参数进行优化,搭建SSA-LSSVM诊断模型,并利用诊断模型对特征向量集进行诊断识别,实现变压器铁心内部潜伏性机械故障的诊断。试验结果表明,所提方法能够有效识别变压器内部潜伏性机械故障,识别准确率达到了98%以上,比对比算法的识别准确率高出5%以上,达到了高识别准确率的诊断效果。     

基于改进MFCC和VQ的变压器声纹识别模型

为准确地获取变压器的噪声特性,该文提出了一种基于改进梅尔频率倒谱系数和矢量量化算法的变压器声纹识别模型。首先对变压器噪声信号进行分帧和加窗处理,然后综合运用加权处理法和主成分分析法对现有的MFCC特征向量提取算法进行改进,进而基于VQ算法对变压器噪声信号进行识别。以某10k V变压器为对象进行空载试验,对不同铁芯松动下的噪声信号进行测试。计算结果表明,改进后的MFCC特征向量提取算法具有识别效率高和计算速度快的特点,所得到的MFCC特征向量能准确反映不同铁芯压紧程度下的变压器噪声特征,且基于VQ算法的识别结果与预设铁芯工况吻合良好。研究结果可为变压器结构优化设计及噪声治理提供依据。     

基于振动信号指标能量的变压器机械故障检测

针对变压器机械状态的检测问题,文中提出了一种基于振动信号本征模态函数(Intrinsic Mode Function,IMF)指标能量的变压器绕组、铁芯机械状态检测方法。根据IMF的能量特征,建立了基于IMF指标能量的二元特征向量。通过实验测试对比分析了正常状态与故障状态下,变压器振动信号基于指标能量的特征向量变化情况。研究结果表明,发生故障前后,变压器振动信号基于指标能量的特征向量变化明显,可以依据该特征向量对变压器的机械状态进行检测。     

基于振动分析法的变压器故障分类和识别

为了实现变压器故障的直观分类和故障识别,在分析变压器振动机理的基础上,提出一种基于主成分分析和KNN分类识别的变压器故障测量方法。该方法采用EMMD(集合经验模式分解)方法提取变压器不同运行状态下振动信号的特征矢量,将该特征矢量通过主成分分析投影到直观的二维图像中。利用KNN分类识别实现故障分类和自动故障识别。试验结果表明,该方法可以实现对变压器正常状态、绕组变形、铁芯故障3种状态直观分类,并对测试样本进行快速的自动模式识别。     

基于Gammatone滤波器倒谱系数与鲸鱼算法优化随机森林的干式变压器机械故障声音诊断

为有效提取变压器声音信号中的机械状态信息并识别其典型机械故障,依据人类听觉系统优异的声音识别能力,提出了一种基于Gammatone滤波器倒谱系数(GFCC)和鲸鱼算法优化随机森林(WA-RF)的变压器机械故障声音诊断方法。首先计算了变压器声音信号的GFCC,引入信息熵提取了GFCC中的主要声音特征信息。采用鲸鱼算法通过优化随机森林中决策树基分类器的规模和特征子集,构造了基于优化随机森林的变压器典型机械故障分类模型。对以某10 kV干式变压器正常与典型机械故障下声音信号的计算结果表明,所构建的基于GFCC主要特征参数和鲸鱼算法优化随机森林的变压器典型机械故障模型具有较好的识别效果,准确率可达95%以上,且具有优良的抗噪性能和鲁棒性。     

基于振动信号二维特征向量的配变铁心故障诊断

配电变压器油箱表面蕴含着丰富的铁心振动信号,能够直接体现铁心的工作状况。通过希尔伯特黄(Hilbert-Huang Transform,HHT)带通滤波提取配电变压器铁心振动信号主成分,而后利用HHT二次带通滤波对配变铁心振动信号进行时频分解,分别求取各子频带所对应的能量值和重心频率,构成振动信号的二维特征向量。通过空载试验测得配变铁心在铁心正常、两点接地、铁心松动、接地不良等4种典型情况下的振动信号,对所测多组振动信号的二维特征向量做SVM分类。结果表明该特征向量能够准确、有效地表征配变铁心的各种状态。     

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。     

基于振动信号特征分析的变压器绕组故障检测

变压器运行中油箱表面振动信号与其绕组的机械状况密切相关。通过分析变压器油箱外壁的振动信号来检测变压器绕组机械故障,关键在于从振动信号中提取反映故障前后变化的特征信息量。通过试验得到同一型号试验变压器绕组正常运行、短路冲击后运行和模拟故障运行时变压器油箱外壁的振动信号,运用小波包分析对振动信号进行特征提取,提出基于频段-能量-欧式距离的方法来检测变压器绕组机械故障。试验分析结果表明,变压器油箱外壁的振动信号能够反映出绕组内部结构的特性,通过对振动信号的分析能够有效地诊断变压器绕组故障。     

基于主成分分析法的变压器直流偏磁声学异常检测

针对变压器故障在线检测问题,利用声学无入侵方式对变压器进行检测.变压器种类繁多、检测结果复杂,单凭听觉无法有效对变压器进行异常检测,针对变压器声学信号数据规模大、维度高、实时性要求高的问题提出解决方案.对采集到的北京市某变电站变压器正常运行和异常时的声学信号进行去噪处理.利用梅尔频率倒谱系数方法提取信号MFCC特征,分别在无监督和半监督学习模式下通过主成分分析法对变压器声学信号进行故障检测,并比较两种模式下主成分分析法对变压器故障监测的效果.实验结果表明,基于主成分分析法的变压器声学异常检测具有良好的检测能力,在半监督学习模式下,主成分分析法具有更好的检测效果.     

基于EEMD和深度自编码器的变压器机械故障声学诊断方法

为提高电力变压器机械故障诊断的准确性,依据变压器声音信号与机械状态之间的关联特性,提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和深度自编码器(Stacked Auto Encoder,SAE)的变压器机械故障声学诊断方法。首先采用EEMD对变压器原始声音信号进行分解,提取信号的时频能量特征;然后构建基于SAE的变压器机械故障识别模型,通过无监督自学习和有监督微调完成深层特征挖掘和识别;最后以某10 kV变压器为试验对象,采用典型机械状态下的声音信号对故障识别模型进行训练优化。算例结果表明,与传统的故障诊断方法相比,所提方法能更好地对变压器机械故障进行识别。     

基于混沌理论和KPCM聚类的变压器绕组松动状态监测

运行中的变压器会产生持续振动,通过振动的变化可以判断变压器内部运行状态。变压器振动信号中包含了大量状态信息,难以从中提取有效特征来监测绕组松动状态。为此,提出了基于混沌理论和核可能性聚类算法KPCM的变压器绕组松动状态监测方法。首先,从振动信号的混沌动力学特性出发,通过选择最佳嵌入维数和时间延迟,对实测变压器振动信号进行相空间重构。然后,针对重构信号的高维空间分布,使用KPCM聚类方法对分布模式进行识别,据此对绕组松动状态进行监测。现场实测数据的计算结果表明,使用Wolf法计算得到的最大李雅普诺夫指数为正,证实了变压器振动信号的混沌特性,基于KPCM聚类分析得到的聚类中心位移矢量的变化能够有效识别出绕组松动的机械故障隐患。研究结果为从混沌动力学角度监测变压器绕组的松动状态提供了理论依据。     

基于优化K-Means的变压器绕组机械状态检测

为更加准确有效地检测变压器的绕组机械状态,提出了优化K-Means聚类算法对变压器突发短路下的振动信号进行分析。首先提取了振动信号的特征向量分布,然后引入数据密度的概念,对现有的K-Means算法进行优化,使得初始聚类簇中心的选取更加合理。进而基于优化K-Means算法得到了振动信号特征向量的簇中心,根据簇中心向量的模值和角度对变压器绕组状态进行检测。对某110 kV变压器突发短路试验时的振动信号计算结果表明,所提出的优化K-Means算法有效提高了计算结果的准确性,振动信号特征向量的簇中心位置变化可以清晰地反映出变压器绕组状态改变的演变过程,从而可为变压器状态检修策略的提出提供依据。     

基于CEEMDAN的配电变压器放电故障噪声诊断方法

研究配电变压器本体和放电故障噪声的声学特征以及识别方法,是实现配电变压器放电故障可靠识别和诊断的关键。为此,提出了基于自适应白噪声完备集成经验模态分解(CEEMDAN)的配电变压器放电故障诊断方法。该方法首先采用CEEMDAN对所采集的声信号进行分解,得到若干个本征模态函数(IMF),求取各IMF的峭度值,并选取合适的IMF分量进行信号重构,从中提取放电故障声信号;其次对放电故障声信号进行CEEMDAN分解,获取其边际谱熵、重心频率、频带能量熵及奇异谱熵这4个特征量,并构成特征向量;最后利用支持向量描述(SVDD)对典型放电故障进行分类与识别。实验结果表明:所提方法在考虑配电变压器本体噪声的条件下,放电故障的识别率达到90%以上,可用于配电变压器放电故障的识别和诊断。     

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。     

基于多重分形-贝叶斯融合算法的变压器绕组机械状态识别

针对变压器振动信号非线性特征及其绕组机械状态识别问题,该文引入多重分形与贝叶斯相结合的状态识别方法,搭建振动测试平台,采集配电变压器在不同负载电流下正常运行和存在绕组松动故障运行时的振动信号。运用多重分形理论对振动信号进行多重分形特征分析,提取出随变压器绕组机械状态变化明显的多重分形谱参数作为状态特征量,使用贝叶斯分算法对试验变压器状态特征量进行状态识别。研究结果表明:变压器振动信号具有较强的多重分形特性;多重分形谱参数αfmax、αmin在负载电流波动时变化不明显,绕组松动时变化明显;多重分形-贝叶斯算法能准确的识别出变压器负载电流变化时的正常状态与绕组松动时的故障状态,准确率都在98%以上,研究结论可为负荷多变情况下基于振动信号的变压器绕组故障诊断提供一种新思路和新算法。     

空载合闸冲击条件下变压器绕组轻微松动预警

本文针对变压器在空载合闸冲击时产生的振动信号,提出了一种基于空载合闸冲击条件下变压器绕组轻微松动预警方法。首先,采用小波变换将变压器空载合闸振动信号转换成时频谱图,然后再提取时频图像的纹理特征和形状特征作为特征向量并输入到支持向量机进行分类识别。试验结果表明,所提方法能准确识别变压器轻微松动故障。     

基于点对称变换与图像匹配的变压器机械故障诊断方法

变压器本体的振动信号与其机械状态密切相关,利用该特点可实现对变压器机械故障的判别.该文提出了一种基于点对称变换(SDP)与图像匹配的变压器机械故障诊断方法.首先通过集合经验模态分解(EEMD)对初始信号进行分解,并选择合适的分量对信号进行重构,去除变压器自身及外界环境的干扰;接着通过SDP获得重构后的振动信号的SDP图像,并在每类故障中选择部分图像,利用聚类模板提取共同特征获得该类故障下的典型故障模板;最后通过比较未知故障信号的SDP图像与各类典型故障模板SDP图像的相似度实现最佳匹配,完成变压器机械故障的诊断.变压器的实验结果表明:不同类型的机械故障SDP图像间存在明显特征差异,该方法可以实现机械故障的有效判别.与传统的机械故障诊断方法相比,该文所提方法考虑了外界高频干扰,避免了提取多个特征量的繁琐步骤,操作简单且准确率高.