基于声纹及振动的变压器故障诊断技术研究

噪声和振动包含了变压器机械状态的大量信息。基于噪声声纹成像和振动信号的分析方法是变压器机械状况带电检测的有效手段,分析声纹成像及振动信号测试结果,对变压器故障诊断具有重要意义。文中基于变压器铁心及绕组噪声及振动机理,建立振动噪声测量系统,并对1台110 kV变压器进行测量。根据声纹成像噪声源定位和振动信号特征值测试分析结果,判定该主变C相高压套管升高座存在故障,验证了该诊断技术的有效性。     

基于VMD模糊熵和SVM的高压断路器故障诊断

为了有效提取高压断路器振动信号的特征,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)模糊熵和支持向量机(Support Vector Machine, SVM)的特征向量提取方法,并采用SVM分类器对断路器的故障类型进行识别。首先,使用VMD对断路器的振动信号进行分解,得到若干个模态分量;然后,计算每一个模态分量的模糊熵,将其组成特征向量;最后,将上述特征向量导入到SVM分类器中进行训练,得到训练好的SVM模型,使用该模型对断路器4种运行状态下的样本数据进行故障识别。结果表明,基于VMD模糊熵的特征向量提取方法所提取出的特征向量相对基于经验模态分解(Empirical Mode Decomposition, EMD)样本熵的特征向量提取方法所提取出的特征向量可分性较好;在小样本的模式识别中,SVM相比于BP神经网络,具有更高的识别精度,能够有效识别断路器的故障。     

基于振动信号经验模态分解及能量熵的高压断路器故障识别

为了准确地检测出高压断路器的故障类型,笔者首次将经验模态分解(EMD)方法引入高压断路器的振动信号分析当中,并提出将EMD分解得到的固有模态函数(IMF)能量熵值作为表征断路器故障类型的新特征向量。为了证实该分析方法的有效性,笔者在实验室的110 kV SF6断路器上进行了模拟实验,提取了正常和故障状态下振动信号的IMF能量熵值特征向量,并以此作为径向基神经网络的输入向量。最后,引入置信度的概念,对径向基神经网络的输出结果进行评价。该方法基于实验室研究取得了较好的识别效果,并为基于振动信号的断路器故障识别提供了一条新的思路。     

基于振动信号谱形状熵特征的高压断路器操动状态辨识方法

高压断路器储能弹簧势能瞬间释放转换为机械能促使机构部件运动,并传递到动触头完成分、合闸操作,其伴随的振动信号表现出非平稳、非线性特点.该文提出非平稳信号的谱形状熵特征分析方法,首先利用自适应噪声集合经验模态分解(CEEMDAN)将频率结构繁杂的非平稳信号逐步拆分,得到代表不同频段特征的分量;然后将筛选后分量的功率谱转换...     

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。     

动态时间规整算法诊断高压断路器故障

为诊断与分析高压断路器的故障,采用动态时间规整算法(DTW),该算法利用高压断路器振动波形具有重复性和独特性的特点,通过比较待测波形与参考波形时间特征量相似度的大小获得诊断结果。该算法只需一组健康数据作为基准参考数据,不但可诊断出高压断路器是否异常,还可确定某一时段对应动作事件的状态。用MATLAB编写动态时间规整算法程序,以试验实测波形为例,对断路器振动波形进行仿真分析,其结果与实际一致,验证了该算法应用于断路器故障诊断的有效性。     

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。     

高压断路器的操作振动现象

高压断路器操作过程伴随着一系列冲击振动,对应着内部构件的冲击或运动变化,利用这一点可以作内部状态、故障的外部监测诊断。实测了样品支架上的振动,加速度的幅值可达100g,信噪比高。监测时传感器位置与方位的选择要合适。     

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.     

特征评估高压断路器机械故障诊断方法的研究

分析断路器的机械振动信号的特性,针对采用单一性质故障特征难以实现整个故障状态空间上准确诊断的局限性,提出了一种基于改进的距离评估技术和多类支持向量机相结合的诊断高压断路器机械故障的方法,该方法由3部分构成:首先从高压断路器机械振动信号中提取时域统计特征、频域统计特征、经验模态分解能量熵及小波包能量特征信息;接着采用改进的距离评估技术从原始特征集合中选取最优特征,实现对原始特征空间的降维处理;最后选取的最优特征量作为"次序二叉树"策略方式的多类支持向量机的输入向量,实现对断路器3种机械故障模式的识别。实验结果表明,该方法诊断高压断路器机械故障能取得良好的效果。     

基于LabVIEW的断路器振动信号监测系统

随着供电系统智能化程度和可靠性要求的提高,迫切需要对断路器运行状态进行实时监测、预报,并为排除故障提供方法和决策。从监测系统的功能需求出发,介绍了基于DSP和LabVIEW的断路器振动信号监测系统总体结构、数据采集单元硬件系统及软件系统。叙述了利用小波变换本身对信号奇异点十分敏感的特点,对振动信号进行跟踪和提取信号特征量进行信号分析处理的方法。在虚拟仪器LabVIEW平台上,基于小波变换算法的VI程序,对采集的信号进行实时分析和处理,从而对断路器的机械状态进行监测和诊断。     

基于熵权的高压断路器状态模糊评判

为了克服传统的模糊综合评判中主观赋权的局限性,借助于信息工程学中“熵”的概念,根据各评价指标的差异程度来修正权重,建立了一种新的综合评判模型,并将该模型应用到高压断路器状态评估当中。讨论影响高压断路器状态的各种因素,从评判的模糊性入手,运用模糊数学的原理和方法对各因素从理论上进行定量分析。对因素权重的确定,不是单凭主观判断,而是采用熵权系数法进行客观计算。评价对象的固有信息得到了充分利用。不仅避免了以往评价中只强调过程中的某几项少数指标而忽略其它指标。因此,该模型具有更好的有效性和实用性。     

基于能量轨迹熵的高压断路器操动机构状态特征提取方法

断路器操动过程伴生的振动信号在能量释放促使动静触头强烈冲击下呈现非平稳的震荡衰减过程。提出一种基于能量轨迹熵的高压断路器操动机构状态特征提取方法。首先,利用谱形态变分模态分解联合快速奇异值分解方法对振动信号降噪处理,并进行小波分解与重构。然后,将重构信号的“簇状”瞬时、瞬频能量波形由旋转因子在极坐标子网格区域进行发散处理,定义能量轨迹熵用于挖掘断路器操动过程能量释放过程的细微变化。通过瞬时、瞬频能量轨迹熵特征,精准捕捉振动信号的瞬态能量特性。最后,通过采用不同识别模型的对比分析,试验表明基于能量轨迹熵特征的支持向量机模型具有较高的识别准确率,达到98.33%,为断路器操动机构状态特征提取提供了一种新方法。     

特高压直流换流阀饱和电抗器振动声纹特性与松动程度声纹检测方法

饱和电抗器作为特高压直流换流阀的核心装备,运行中产生的振动声音包含大量的信息,其状态评估对换流阀的安全运行具有重要意义。该文提出一种基于优化S变换和改进深度残差收缩网络的饱和电抗器铁心松动程度声纹识别模型。首先开展了高频脉冲激励下的饱和电抗器振动试验,并测量了不同铁心松动程度下的声纹信号;其次在声信号频谱主值区间内,根据能量聚集性优化高斯窗参数来提高声纹图谱的时频分辨率;然后对松动后的声纹特性进行分析,发现高低频比和低频分量主频占比两个特征指标仅能对松动程度较高的状态做出预警;最后采用五个不同方位测点的铁心松动数据代入基于自适应参数修正线性单元的改进深度残差收缩网络中进行训练,来消除声纹图中的冗余信息,并对不同松动程度下的特征进行独立映射,从而增强共同特征的学习能力。研究结果表明,该文模型对电抗器不同铁心松动程度的平均识别准确率达到95.93%,优于传统深度学习算法,可为饱和电抗器在线监测提供重要依据。     

基于经验模态分解的高压断路器机械故障诊断方法

分析高压断路器机械振动信号的特性,提出一种以改进的经验模态分解(empirical mode decomposition,EMD)能量熵和支持向量机(support vector machine,SVM)相结合的诊断高压断路器机械故障的方法,并给出了可行的诊断步骤和分析.首先利用经验模态分解方法将高压断路器的振动信号分解成一些相互独立的内禀模态函数"(intrinsic mode function,IMF),然后利用正常状态标准信号所得各固有内禀模态函数包络信号的等能量分段方式,实现对待测状态信号各IMF包络的时间轴分段,计算各待测信号IMF包络的能量熵向量,以此构造的经验模态分解能量熵向量作为支持向量机的输入向量.采用"次序二叉树"向量机分类,利用梯度法和交叉检验优化支持向量机模型参数.实验结果表明,该方法诊断高压断路器机械故障能取得良好的效果.     

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。     

改进的小波包-特征熵在高压断路器故障诊断中的应用

在详细介绍小波包与特征熵的基础上，将二者结合提出了一种诊断高压断路器机械故障的新方法，并给出了切实可行的诊断步骤和分析。该方法首先将断路器基座振动信号进行3层小波包分解，提取第3层各节点重构信号的包络；然后利用正常状态标准信号所得各包络信号的等能量分段方式，实现对应节点待测状态信号包络的时间轴分段，并利用各分段积分能量、按照熵理论提取特征熵向量；最后构造简单的BP神经网络实现特征熵向量的分类。经正常和2种故障状态下高压断路器无负载振动信号测试，证明该方法检测高压断路器故障简单、准确，为断路器的故障诊断开拓了新的思路。