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.     

基于声波信号分析的电气设备故障诊断新方法

针对电气设备运行环境复杂这一特点,提出将声波分析技术应用到其故障诊断中,可克服高电压和强电磁场给故障检测带来的诸多难题.设计了基于声波识别的电气设备故障诊断专家系统的总体方案,故障诊断系统由信号采集、特征提取、状态识别和诊断决策4个部分组成,简要介绍了各部分的工作原理:阐述了一种使用分层阈值处理声音信号的消噪算法,将该方法与传统消噪方法作对比,证明了该算法在对非平稳信号分析中具有较高的精确性.给出小波包提取电气设备实测声波信号特征向量的算法,以此作为知识获取和推理的依据,为电气设备运行状态诊断专家系统的实现奠定了基础.     

基于声波处理的变压器故障诊断与状态发展趋势预测

提出了一种声波检测法.该方法可以进行变压器故障诊断与趋势预测.     

基于航拍序列图像的输电线弧垂测量方法

弧垂是输电线路运行的一个重要参数,直接关系到电网运行的安全性和可靠性.提出了一种基于直升机巡检时采集的航拍序列图像进行弧垂测量的新方法.选取输电线路上的隔离棒作为识别目标,采用归一化互相关图像匹配算法,结合基于小波的金字塔分层搜索策略,测量出隔离棒中心在序列图像上的像素坐标;然后基于立体视觉技术对隔离棒中心的三维空间坐标进行测量;最后通过最小二乘非线性回归算法,计算出输电线的实际弧垂.实验结果表明该方法可以提高弧垂测量的效率,并且适合在复杂地理条件下应用.     

直流偏磁与剩磁对测量用电流互感器影响的实验与分析

直流偏磁与剩磁的存在会改变测量用电流互感器在铁心磁化曲线上的工作点,直接影响电能计量与测量的准确性。提出了一种基于三参数正弦曲线拟合算法的比差、角差测量方法,并通过实验分析了直流偏磁与剩磁对测量用电流互感器误差特性的影响。实验数据表明,直流偏磁与剩磁都会使比差和角差向着不同的方向增大,而且当直流偏磁与剩磁同方向同时存在时误差将会远远超过规定的限值,从而导致电能计量与测量的结果出现较大偏差。     

变电站巡检机器人单目视觉导航研究

正针对无人值守变电站巡检机器人导航定位的问题,介绍了一种基于引导线的单目视觉导航方案。方案中提出一种基于先验模板的四边检测路径导航算法,通过对采集到的图像的边界信息进行分析处理,控制机器人的运动方向。并设计了一种用QR码承载主要待检设备信息的编码方法,变电站新增监控区域时只需更换QR码,巧妙地避开了整个巡检策略变更的繁杂。视觉导航方案是在Windows操作系统下用LabVIEW虚拟仪器软件平台提供的IMAQ Vision模块和MATLAB联合编程实现的,仿真结果显示导航效果理想,简洁可靠,提高了路径识别速度,增强了方案的可移植性和灵活性,具有现实意义。     

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。     

一种全新的电测仪表自动校验方案

本文介绍一种全新的利用计算机视觉识别技术、信息处理技术和智能仪器设计原理电测仪表的全自动化的校验方案,较好地解决了电测仪表快速、准确的自动校验问题,并可实现对电测仪表的自动化、智能化管理.     

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。