声振信号联合1D-CNN的大型电机故障诊断方法

针对复杂运行环境下大功率电动机故障诊断准确率不高、算法泛化能力差的问题,提出一种声振信号联合一维卷积神经网络（1D-CNN）故障诊断方法. 首先对采集到的声信号采用背景噪声库联合稀疏表示去除噪声,然后将声音信号进行带通滤波（7~20 kHz）,叠加低频振动信号（7 kHz内）形成频带更完整的电动机状态表征信息. 再对经过滤波提纯处理后的信息进行重叠式数据扩容,获取1D-CNN训练所需大量数据. 最后将数据样本输入1D-CNN进行学习训练,采用局部均值归一化（local response normalization,LRN）和核函数去相关性改进1D-CNN模型结构,降低抽油机正负半周工况波动对电动机诊断准确性的影响. 诊断结果表明:声振信号联合分析的卷积神经网络故障诊断总体诊断准确率达到了97.75%,泛化能力好,与传统的电动机故障诊断方法相比优势明显.     

基于电—振信号熵权特征的断路器储能机构故障诊断方法

弹簧势能的可靠储存是保障断路器后续分合闸操作正确的前提。通过分析控制回路、电机、传动部件和弹簧之间的能量转换和传递关系,提出一种电—振信号熵权特征联合的断路器储能机构故障类型辨识方法。首先利用希尔伯特变换(Hilbert transform)提取储能电机电流信号包络时域特征并计算峭度;然后由局部均值分解(LMD)处理断路器储能过程伴随的振动信号得到乘积函数分量(PF),并提取PF能量谱频域的盒维数特征;进而采用熵权法对电流和振动信号待分类样本进行剪辑,按照样本信息量和重要性赋予对应的权重;最后把熵权特征作为KNN算法的输入,辨识储能机构运行状态。实验结果表明:采用联合电—振信号的熵权特征量,KNN算法能更准确地诊断断路器储能机构发生的故障类型。     

基于振动信号时间历程和自适应谱融合的断路器操动机构状态辨识方法

振动信号作为断路器内部构件碰撞和摩擦运动传递能量的响应,蕴含大量与设备机械状态相关的数字信息。提出一种基于振动信号特征融合分析的高压断路器操动机构状态辨识方法,首先定义了关联设备机械特性的时间历程特征——广义分/合闸时间和相对衰减时间,再利用自适应谱算法将振动信号转化为三维时频分布瀑布图,分别从三个维度捕捉全方位时频变化信息;然后提出基于J散度-隶属度的特征融合处理方法,将相互之间孤立的特征量融合为状态类别之间的相似度隶属值;最后由分群粒子群算法优化支持向量机模型对相似度隶属值的状态类别进行辨识。实验表明,该方法显著提高了断路器操动机构状态辨识准确率至96%,辨识模型普适性较高,在断路器运行状态监测和故障监测领域具有应用价值。