采用振动信号零相位滤波时频熵的高压断路器机械故障诊断

为了以较少的计算量从高压断路器振动信号中获取机械状态信息,提出一种零相位滤波时频熵方法。通过小波包方法分析高压断路器振动信号的时频分布,并利用边际谱和瞬时能量密度计算时频平面的划分间隔。依据频带间隔,采用零相位数字滤波器提取频带分量;依据时间间隔,将各频带分量划分为多个子时间段。用子时段幅值包络的积分构造各频带分量的信息熵,并共同组成时频熵向量,对振动信号的时频特性进行量化表达。在真空断路器上进行模拟试验,获得了正常状态、铁心卡涩、软连接松动和绝缘拉杆故障等模式的样本数据。引入支持向量机分类器,对不同状态的样本数据进行诊断,准确率达90%。验证了通过零相位滤波时频熵方法诊断高压断路器机械故障的可行性。     

高压断路器机械故障诊断专家系统设计

针对高压断路器的操动机构故障信息能反映在线圈电流、机械振动和辅助触点位置信号中的特点,在分析各信号特征提取和利用专家系统实现故障诊断的优点的基础之上,提出一种多参数规则推理的故障诊断专家系统.首先阐述高压断路器的操作过程,并根据其操作特性提取隐含在线圈电流和机械振动信号的有效信息,找出特征参数与断路器状态的对应关系,接...     

基于振动信号的高压断路器机械故障诊断

评述了近年来国内外基于操作过程中振动信号的高压断路器状态监测、故障诊断技术及其分析处理方法     

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。     

粒子群优化神经网络在高压断路器机械故障诊断中的应用

提出了一种以振动信号小波包特征熵为特征向量的高压断路器机械故障诊断的智能算法,该算法利用小波包分解原理将高压断路器振动信号分解到不同的频段中,计算各频段的能量熵值,并将其作为神经网络的输入向量,同时利用粒子群算法对神经网络进行优化,以提高故障诊断的精度。试验结果表明：该方法不仅能够取得良好的分类效果,而且诊断速度与精度均高于传统神经网络算法,适用于高压断路器机械故障诊断     

基于粒子群优化PCA-LSSVM算法的高压断路器机械故障诊断研究

为了对高压断路器操作机构进行故障诊断,提出了基于粒子群优化的PCA-LSSVM算法模型(PCA-PSOLSSVM),该模型的输入为高压断路器操作机构分合闸线圈电流曲线上的5组特征点,输出为1—5的故障类别。对某台高压断路器进行故障模拟,建立了PCA-PSO-LSSVM算法模型,对测试的断路器操作机构进行故障分类。结果表明,基于粒子群优化的PCA-LSSVM算法能够准确地对高压断路器操作机构进行故障分类。将PCA-PSO-LSSVM算法和多种基于SVM的故障诊断算法进行比较,比较结果表明:在综合考虑了算法准确率和运算时间的基础上,PCA-PSOLSSVM算法是几种算法中最优的。     

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。     

基于振动信号分析的高压断路器机械故障诊断

针对高压断路器机械故障诊断方法准确率较低的现状,提出将改进的小波包分解(wavelet packet,WP)、Hilbert谱分析、粒子群优化(particle swarm optimization,PSO)算法和优化后的支持向量机(support vector machine,SVM)相结合的诊断方法,对弹簧操动式高压断路器进行弹簧疲劳和合闸挚子卡涩故障(在高压断路器机械故障中占比较高)的模拟实验和分析。研究结果表明,振动信号的时频特性能较好反映高压断路器的机械状态,尤其基于PSO-SVM的特征分类方法分类效果较好,能大大提高现有高压断路器机械故障诊断方法的准确率。     

基于相空间重构的高压断路器机械故障诊断研究

针对现有时频分析方法提取断路器振动信号特征时存在的不足,引入相空间变换对一维振动观测序列进行重构,并提取有效特征信息用于断路器机械故障诊断。基于互信息法和G-P算法计算延迟时间和嵌入维数,对振动信号进行相空间重构。根据重构得到的振动模型,分别计算相点分布因数(PPDC)及振动信号的网格维数。为了增强特征对信号描述的差异性,结合常用时域特征参数,构成一种新的故障特征描述向量。最后应用支持向量机进行特征分类,实现了对断路器操作机构卡涩和基座螺丝松动等常见机械故障类型的有效识别,具有良好的应用价值。     

改进随机森林法在断路器机械故障诊断中的应用

高压断路器机械故障时有发生,严重影响设备及电力系统的安全稳定运行.针对目前高压断路器机械故障诊断准确率不理想的现状,将改进后的随机森林方法应用于高压断路器机械故障诊断.结合高压断路器分合闸线圈电流信号的原理分析,提取出可有效反映断路器机械故障的相应特征量,建立高压断路器机械故障诊断模型,通过不同噪声干扰强度下高压断路器...     

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...     

基于贝叶斯优化随机森林的变压器故障诊断

针对集成学习参数众多,缺乏高效准确的参数寻优方法的问题,文章提出了基于贝叶斯优化随机森林(RF)的变压器故障诊断方法.该方法采用了多个决策树构成RF故障诊断模型,然后将高斯过程(GP)作为概率代理模型、提升策略(PI)作为采集函数,构建贝叶斯优化(B0)算法,进行RF模型参数寻优.此外,还对支持向量机(SVM)和K最近...     

基于PSO-LSSVM的高压真空断路器弹簧机构机械故障诊断

电流检测法在进行高压断路器弹簧机构机械故障诊断时,由于样本数据小导致诊断准确率低。针对这一问题,文中通过模拟各种常见故障和分析不同故障下合闸线圈电流变化规律,提取能够反映断路器工作状态的特征值,并采用最小二乘支持向量机法进行故障诊断。在此基础上,采用粒子群算法不断进行优化以加快诊断速度和准确率。将上述方法进行实例验证,结果表明,文中提出的故障诊断法在相同条件下诊断效果优于广泛应用的BP神经网络诊断法,并且样本空间减小对其诊断结果无明显影响,从而验证文中方法的可行性。     

基于粒子群优化神经网络的高压断路器故障诊断

传统的反向传播神经网络训练算法存在学习速度慢,容易陷入局部最优值等弊端。将粒子群优化的神经网络用于高压断路器故障诊断中,根据高压断路器测试系统检测所得的实验数据,提取相应的特征向量,建立高压断路器故障诊断模型。仿真结果表明此方法简单、有效、精度高,与采用传统的反向传播神经网络的模型相比具有明显的优越性,为高压断路器故障诊断提供了有效的方法。     

高压断路器的机械试验与机械可靠性

根据有关试验资料,对断路器的机械可靠性及如何进行机械试验作了分析,还对试验方法提出了一些个人看法以供讨论参考。     

采用Gabor变换的局部放电信号时频分析

局部放电信号频率是时变的,为更好地反映它的时频特性,采用一种时频分析方法Gabor变换,将它应用于局部放电信号分析中,并利用不确定原理选择高斯窗函数作为Gabor变换的基函数,提高了分析结果的时频聚集性。通过对实际局部放电信号进行分析处理,结果表明在选择合适的窗函数参数的情况下,基于Gabor变换的时频谱能够细致的刻画信号在时频平面上所发生的变化过程,准确反映了局部放电信号的时频特性,可有效满足对局部放电信号进行时频分析的要求,有利于对信号特征的提取。     

采用小波变换奇异值分解方法的局部放电模式识别

为提高电缆模拟缺陷的正确识别率,针对110kV高压XLPE电缆附件出现的绝缘缺陷以及产生的局部放电特点,设计了4种电缆中间接头内部典型的绝缘缺陷物理模型,对获取的大量甚高频局部放电信号数据,用离散小波变换的奇异值分解方法进行缺陷类型辨识。该方法首先对单次局部放电信号进行离散小波变换(DWT),得到各尺度小波分解系数,用基于Birge-Massart阈值策略提取各尺度系数的有效极大值,形成极大值的矩阵可以减少冗余数据和噪声的影响,再对小波变换值矩阵进行奇异值分解,提取奇异值作为特征量,最后采用人工神经网络分类器进行模式识别,识别结果表明该方法效果良好。