基于概率神经网络的高压断路器故障诊断

高压断路器是最重要的电力设备之一,在电力系统中起控制和保护作用。为了提高高压断路器故障诊断的准确率,提出了一种基于概率神经网络(PNN)的高压断路器故障诊断方法。该方法在分析高压断路器的故障特性来确定特征信号的基础上建立了PNN故障诊断模型,该模型将采集的特征数据作为网络的输入,通过Parzen窗估计法得到类条件概率密度,进而按Bayes决策规则对特征数据进行分类。经仿真表明,概率神经网络故障诊断模型具有收敛速度快、故障诊断准确率高、容易训练等特点。因此,该方法是一种有效的故障诊断方法,具有良好的应用前景。     

基于小波神经网络和特征熵的高压断路器故障诊断研究

作为电力系统的一种重要设备,高压断路器的故障诊断一直是研究中的重点。针对传统神经网络收敛速度慢,容易陷入局部极小等不足,提出了一种基于小波神经网络的高压断路器故障诊断方法。首先利用特征熵方法提取振动信号的特征值,然后利用小波神经网络进行分类识别。同时还给出了一种小波神经网络的改进方法,提高了其收敛速度。实验结果表明,相比较于传统神经网络,改进的小波神经网络训练速度更快,分类准确率更高,对于高压断路器的故障诊断效果更佳。     

基于RST-SOM的高压断路器故障诊断

由于高压断路器运行过程中产生的状态数据庞大,传统的基于人工神经网络的高压断路器故障诊断方法在针对这一问题时存在网络结构复杂、训练过程费时、诊断速率缓慢的缺点。由此,文中提出RST粗糙集结合SOM自组织特征映射网络的方法,通过RST理论对断路器故障数据中的各个属性进行评价并寻找最小属性集,以此消除特征信息中存在的冗余属性,得到约简决策表,并将新形成的故障特征数据作为输入结合自组织特征映射网络进行高压断路器故障诊断。经过验证,在确保整体准确率能够达到91%的情况下,缩短了训练时间,简化了网络结构,在工程实践应用中表现良好。     

高压断路器机械特性振动信号特征提取和故障诊断方法研究

针对高压断路器机械振动信号,在正常状态、分闸弹簧单根脱落状态和操作及传动机构卡涩状态下,采用模糊C聚类分析算法比较短时傅里叶变换、小波包能量熵和希尔伯特—黄变换3种特征提取方法的分类性能,提出了基于相关向量机理论的断路器机械特性故障诊断方法,搭建了数据采集系统,研究了断路器机械特性不同状态下信号特征值的变化规律,并通过实验证明了特征提取和故障诊断方法的有效性。     

基于振动信号短时能熵比与DTW的高压断路器状态评估及故障诊断

针对高压断路器在线监测问题,提出了一种基于短时能熵比与动态时间规整(dynamic time warping, DTW)算法的高压断路器状态评估及故障诊断方法。首先对断路器正常工况下的振动信号与未知工况下的振动信号分别进行分帧,依次计算2组振动信号的短时能熵比;然后以正常工况信号计算得到的短时能熵比作为基准向量,以未知工况信号计算得到的短时能熵比作为测试向量输入DTW,得到2个输入向量的最优匹配路径;最后根据匹配路径的变化曲线判断断路器的工作状态。为验证该诊断方法的优越性,将原始信号及原始信号的短时能量作为输入向量输入DTW,结果表明,以短时能熵比作为DTW输入向量的故障诊断方法仅需1组正常工况下的振动信号作为基准,可快速、准确、直观地对断路器的运行状态进行评估判断,并可应用到高压断路器的在线监测中。     

基于信号特征融合与优化的高压断路器机械状态评估

从断路器电磁铁线圈电流和振动信号中分别提取信号特征,是实现断路器状态评估的可靠方法。然而断路器实际运行中的故障类型复杂多样,只靠单一信号可能无法准确实现其状态评估,因此提出一种基于不同信号特征融合的断路器状态评估方法,分析表明,该方法有利于实现断路器在复杂故障前提下的状态评估;对信号融合后的特征量进行了优化分析,结果显示,优化后的特征量依然能够准确实现断路器状态评估。     

基于XGBoost的集成式隔离断路器状态评估

为全面、客观、准确地评估集成式隔离断路器的运行状态,提出一种基于极端梯度提升算法(extreme gradient boosting,XGBoost)的状态评估方法。依据专家经验及状态评价导则选择集成式隔离断路器状态量并对其状态进行划分,以历史信息、试验数据、在线监测数据、外部环境数据建立训练样本。整个模型以分类和回归树(classification and regression tree, CART)作为基础模型,采用XGBoost集成学习算法训练,通过交叉验证选择适当参数,建立最优集成模型。模型输入为各状态量值,输出为每个运行状态中所属叶子节点分值的累加,最大分值对应状态即为评估结果。实例分析表明,该方法建立的模型在测试集中时准确率为95%,能准确地判断集成式隔离断路器的实际运行状态,同时该模型能反映影响评估结果的状态量,为状态检修提供依据。     

基于模糊神经网络的高压断路器故障诊断

提出了一种基于模糊神经网络的高压断路器故障诊断方法,通过参数的相对化屏蔽了外界干扰和随机性因素的影响,增加参数模糊化层,对特征参数的相对模糊化运算,较好地解决了在外界干扰情况下的低诊断精度的问题。改进的BP算法有效避免了局部极小化问题,提高了收敛速度。研究结果表明:该网络即使在断路器受到较大外界干扰的情况下依然能得到较准确的诊断结果。     

基于RBF神经网络的高压断路器机构故障诊断

为诊断高压断路器操作机构故障,分析高压断路器机构故障时的分合闸线圈电流,本文通过提取时间和电流特征参数,对故障特征参数进行相对归一化处理后输入RBF神经网络,建立基于果蝇—粒子群混合算法的高压断路器RBF神经网络模型,用于高压断路器操作机构故障识别.以MATLAB为实验平台,通过训练样本和测试样本的仿真分析,得出RBF...     

基于振动信号特征的高压断路器机械故障诊断技术研究

以ZW-32型永磁机构断路器为研究对象,搭建了断路器动作时振动信号监测平台,采集了操动机构常见故障状态下的振动数据。利用小波包—特征熵提取了振动信号特征值,并建立了基于相关向量机原理的操动机构故障诊断模型,实现了对断路器振动状态的在线监测及故障类型的智能辨别。试验结果表明,该方法具有较高的故障识别能力,对实现断路器机械状态的在线监测与故障诊断有一定的工程实用价值。     

基于小波奇异性检测的高压断路器故障诊断

高压断路器机械故障的出现不仅会引起振动冲击事件的时移,而且会引起时域波形中的一些波峰形态的变化。基于小波变换的信号奇异性检测理论,可以求取振动信号包络的奇异性指数,作为特征参数用于故障诊断。对高压断路器合闸振动信号进行了分析,取得了较好的效果。     

小波包-特征熵在高压断路器故障诊断中的应用

在详细介绍小波包和特征熵的基础上,提出了一种基于振动信号的断路器机械故障诊断新方法.该方法首先在振动信号小波包分解的第3层各节点重构信号,并提取包络;而后利用包络信号的分段能量,计算小波包-特征熵向量;最后将正常状态和待测状态下所得向量之间的欧氏距离作为诊断参量.对某少油断路器无负载开断振动信号的分析证实,该方法检测断路器故障简单、准确,能同时在时域和频域检测断路器状态的变化.     

高压断路器在线状态监测与故障诊断

状态监测与故障诊断在电力系统电气设备的故障诊断和智能决策领域受到了越来越多的关注。阐述了断路器的各种监测方法,运用小波理论对高压断路器进行了振动信号的深入分析,提取了故障特征。     

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。     

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。     

小波包-能量谱在高压断路器机械故障诊断中的应用

文章提出了一种利用小波包变换对高压断路器振动信号进行处理的新方法,应用小波包-能量谱分析得到各尺度上的能量百分比作为特征参量对高压断路器进行故障诊断.小波包变换能将已知信号按任意时频分辨率分解到更加精细频带,且提高了信号处理的频率分辨率,小波包正交分解后的信号具有各频带信号独立、能量守衡的特点.仿真结果表明,小波包-能量谱用于高压断路器机械故障诊断中是行之有效的.     

小波包–能量谱在高压断路器机械故障诊断中的应用

文章提出了一种利用小波包变换对高压断路器振动信号进行处理的新方法,应用小波包–能量谱分析得到各尺度上的能量百分比作为特征参量对高压断路器进行故障诊断。小波包变换能将已知信号按任意时频分辨率分解到更加精细频带,且提高了信号处理的频率分辨率,小波包正交分解后的信号具有各频带信号独立、能量守衡的特点。仿真结果表明,小波包–能量谱用于高压断路器机械故障诊断中是行之有效的。     

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     

基于机械振动信号的高压真空断路器故障诊断研究

提出一种基于小波-包络谱能量提取振动信号特征并进行故障诊断的新方法。首先应用小波分析对振动信号进行降噪处理,然后与希尔伯特变换相结合,提取振动信号的低频和高频包络,最后对包络信号进行谱分析及能量特征提取。实验结果表明,该方法对提取高压真空断路器机械振动信号的特征是有效的,可为故障诊断提供依据。     

基于SO-PAA-GAF和AdaBoost集成学习的高压断路器故障诊断

针对在小样本和复杂工况下高压断路器故障诊断识别精度不高的问题,提出一种基于振动信号处理和Ada Boost集成学习的高压断路器故障诊断方法。首先,搭建高压断路器实验平台并采集8种工况下的分闸振动信号。其次,对振动信号进行绝对值处理后,使用分段聚合近似(piecewise aggregate approximation, PAA)进行分段平均,将输出的新序列采用格拉姆角场(Gramian angular field, GAF)转换成图片,并使用Relief F方法对提取的高维图片特征进行重要度排序。最后,将保留的重要特征输入到Ada Boost集成学习模型进行故障诊断,并用蛇优化算法确定最优PAA分段步长和输入分类器特征数量,以进一步提高故障诊断精度。通过分析多种信号处理方式及分类模型可知,图片信号和Ada Boost集成学习模型能够有效处理振动信号并准确判断故障类型,为准确、可靠地诊断高压断路器故障提供了新途径。