采用局部时—频奇异值与优化随机森林的高压断路器机械故障诊断

为提高断路器机械振动信号的时—频特征分类能力、减小噪声干扰和提高断路器状态识别的准确性,提出一种基于S变换与优化随机森林算法的高压断路器机械故障诊断方法。首先,对高压断路器原始振动信号进行S变换;然后对S变换得到的时—频矩阵进行局部奇异值分解,以每个子矩阵的最大奇异值为特征向量;之后,将特征向量输入到随机森林中,以泛化误差与诊断准确率为综合指标对树的棵数进行寻优,构建最优随机森林分类器,最终实现对高压断路器机械故障状态的准确判别。对断路器实测振动数据开展对比实验,结果表明,新方法的特征类可分性好,整体故障识别准确性高。     

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。     

高压断路器机械故障振动诊断综述

针对高压断路器的机械故障诊断问题,笔者评述了近十年来国内外高压断路器机械故障振动诊断的方法.从振动信号的特征提取、故障识别的角度,对其进行了具体的分析.展望了高压断路器机械故障振动诊断的发展趋势,为后续的深入研究打下基础.     

基于LVQ神经网络的高压断路器机械故障诊断方法

高压断路器作为电力系统的开关及保护设备,其可靠地工作对整个电力系统的安全运行具有很大的意义。为了迅速、精确地诊断高压断路器故障,提出一种基于学习向量量化(LVQ)网络的高压断路器机械故障诊断方法。首先,模拟高压断路器灭弧室机械故障状态,采集断路器的机械振动信号;其次,提取高压断路器机械故障振动信号的小波包能量作为特征量,建立基于LVQ网络的高压断路器机械故障诊断模型;最后,将LVQ网络、思维进化优化(MEA)的LVQ网络、BP网络和RBF网络在网络迭代步数、网络误差以及预测置信度方面进行比较。结果表明,提出的基于LVQ神经网络的高压断路器机械故障诊断方法相比较于其他诊断方法具有一定的快速性,并具有较高的置信度。     

基于振动信号的交流中压真空断路器故障诊断技术研究

机械故障是断路器发生的主要故障之一,因此机械状态监测对断路器安全稳定运行至关重要。断路器开断过程中的振动信号包含了丰富的机械特征,可以通过提取振动信号而对设备进行机械故障诊断的研究。文中针对某12 kV交流中压真空断路器,通过自制的断路器在线监测装置采集断路器正常及故障状态下的振动信号,使用短时能量法、总能量分析法及信息熵法对振动信号分析处理。该装置能够捕捉到振动事件的特征信息,区分出正常与故障状态,为断路器机械故障在线诊断技术的实现提供了依据。     

基于Kohonen网络的高压断路器机械故障识别方法

引起高压断路器故障的原因大部分都是机械故障,因此对高压断路器进行故障诊断,使其可靠、高效地工作对电力系统的运行具有很大的意义。实验室模拟断路器基座支架上的合闸振动信号,采用小波包变换对取得的3种状态下的振动信号进行分解,计算各频段能量并做归一化处理,构造特征向量作为Kohonen网络的输入,进而进行机械故障识别。最后,将基于Kohonen网络的识别方法与BP网络以及RBF网络识别方法对高压断路器机械故障的识别效果进行比较。结果表明提出的基于Kohonen网络的高压断路器机械故障识别方法优于BP网络以及RBF网络,具有较高的准确性。     

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。     

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。     

灰色关联模型在高压断路器故障诊断中的应用

针对高压断路器故障具有较强的随机性和模糊性的特点,基于灰色关联分析法(grey relation analysis method,GRAM)建立一种高压断路器机械故障诊断模型。以高压断路器分合闸过程中线圈电流和时间节点值作为特征量,构造所需参考向量和比较向量,计算向量间的关联度值,依次对断路器各故障状态予以识别。实例计算结果表明:建立的故障诊断模型能有效地诊断出高压断路器机械故障;不同的分辨系数取值影响诊断结果的分辨率和可靠性。在高压断路器机械故障诊断中,宜取较小的分辨系数值,以保证结果具有较高准确度。     

基于多源信号输入卷积神经网络的高压开关故障诊断方法

正针对高压开关故障中出现频次最高的机械故障诊断问题,通过模拟试验采集铁心卡涩、弹簧疲劳等典型机械故障时的声音及电流信号,将其进行下采样、滤波后输入到深度学习模型。结果表明该方法的故障识别率可达94%,相比其他传统方法具有较大优势。高压断路器机械故障辨识是对断路器进行状态监测、异常识别和故障分类。振动、电流和声音等传感器可用来采集断路器运行的各项数据,     

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S变换D-SVM AlexNet模型的GIS机械故障诊断与试验分析

机械故障是气体绝缘组合电器(gas insulated switchgear,GIS)最主要的故障之一,尚缺乏有效的在线诊断方法。为此该文利用GIS断路器激振能力强的优势,以GIS断路器分合操作为激振源,根据振动信号所包含的设备机械特性信息对GIS各构件的机械状态进行评估。搭建了包含3种GIS典型机械故障的试验模拟测试系统,并提出了一种基于S变换D-SVMAlex Net模型的GIS机械故障诊断方法。利用S变换处理断路器动作激发的非平稳振动信号,得到含有设备机械特征的时频图谱;建立D-SVM AlexNet模型,使用预训练的Alex Net神经网络模型提取S变换图像特征作为预测变量,通过Fitcecoc函数拟合支持向量机(support vector machine, SVM)进行图像预分类,根据模糊矩阵显示的分类结果筛选出有效测点;将有效测点的时频图送入AlexNet进行迁移学习,获得经微调后的神经网络模型。实验验证发现,训练完毕的卷积神经网络的故障诊断训练准确率达到99%,验证准确率达到92%,具备较好的时频图像分类效果,可实现GIS机械故障的有效诊断。     

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。     

采用时频矩阵奇异值分解的配电开关振动信号特征量提取方法

配电开关振动信号具有非线性非平稳特性,蕴含有机械状态信息。提出一种采用时频矩阵奇异值分解的配电开关振动信号特征量提取方法,对振动信号做希尔伯特-黄变换以进行带通滤波,构造其时频矩阵,对该矩阵进行奇异值分解,可将振动信号的特征信息分解到不同的时频子空间,以得到的时频矩阵奇异值作为振动信号的特征量,用于表征配电开关的机械状态。对配电开关在正常及卸掉A相触头绝缘拉杆、机械结构卡涩、底座螺丝松动等3种典型故障情况下实测振动信号的时频矩阵奇异值做模糊c均值聚类,结果表明该特征量能够准确、有效地表征配电开关的机械状态。     

高压断路器机械故障诊断方法综述

机械故障仍然是高压断路器的主要故障类型。及时、准确地诊断出高压断路器的机械故障是实现高压断路器状态维修和保障电网安全运行的关键,相关研究得到了广泛的重视。文中介绍了高压断路器机械故障的基本情况,按照故障诊断的基本流程,从信号预处理、特征提取和降维筛选、故障识别方法等三个环节综述了高压断路器机械故障诊断方法的研究现状和主要不足。最后,讨论了高压断路器机械故障诊断领域存在的关键难点问题,并对今后诊断方法的发展进行了展望。     

小波分析在真空断路器机械振动信号分析中的应用

研究了基于高压断路器振动信号的分析对断路器的机械故障进行诊断的方法,其中对振动信号的分析采用小波分析。研究表明,小波分析在断路器机械振动信号的分析中优于传统的Fourier分析,并在机械故障诊断方面有显著的效果。     

高压断路器机械故障诊断技术

高压断路器安全可靠运行具有十分重要的工程意义。文中在调研高压断路器常见机械故障类型的基础上,探讨了不同故障产生的原因。评述了目前国内外高压断路器机械故障诊断技术,从机械故障特征量的提取以及故障识别的角度,对其进行了深入的分析。最后综合高压断路器机械故障诊断技术发展现状,指出了目前机械故障诊断急需解决的问题及其发展方向。     

基于径向基函数网络的高压断路器在线监测和故障诊断

介绍了一种高压断路器在线检测和故障诊断的方法。由于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。基于径向基函数（RBF）网络理论,将健康振动信号和断路器实际振动信号波峰幅值之差形成的残差以及波峰幅值发生的时间区段作为断路器故障诊断的特征参数,来判别断路器是否发生故障及其故障类型。在实际工程应用中,可以将断路器正常工作时的动静触头接触时产生的振动信号记录下来,存入用于巡回检测的微机系统。用RBF网络预测器的输出与预先给定的阈值进行比较,实现故障的自动诊断。对模拟故障信号进行了仿真实验,仿真结果表明：RBF网络在线学习只需1组样本,因而其收敛速度比BP网络的收敛速度快,更适合于断路器在线检测。该方法还具有精度高和鲁棒性的特点,是一种比较有效的方法。     

基于因子分析和支持向量机算法的高压断路器机械故障诊断方法

高压断路器操作过程中的振动信号能够反映断路器的机械状态。以高压断路器机械振动信号中振动事件的起始点作为特征参量,使用因子分析对特征量进行降维优化、支持向量机(Support Vector Machine,SVM)经粒子群参数寻优(Particle Swarm Optimization,PSO)后可对断路器的不同状态进行分类。本文对断路器机械故障进行了模拟试验,结果表明,因子分析和支持向量机算法适于诊断高压断路器的机械状态。     

基于S变换与奇异值分解的有载分接开关机械故障识别

为了及时准确地获得有载分接开关(on-load tap-changer,OLTC)的状态信息,将S变换和奇异值分解(singular value decomposition,SVD)引入OLTC的机械故障识别。通过S变换获得振动信号的模时频矩阵(module time-frequency matrixes,MTFM);对MTFM进行SVD,得到原始矩阵的左右奇异向量组和奇异值;针对前3阶奇异值,提取对应左右奇异向量的重心,得到不同振动模式的时域重心和频域重心;基于奇异值、左右奇异向量重心构成一个9维的特征向量,利用最小二乘支持向量机(least squares support vector machines,LS-SVM)实现OLTC故障的识别。测试结果表明所提出的方法简洁高效,并且能得到较高的OLTC故障识别准确率。