基于小波变换—振动起始时刻分析的高压断路器故障诊断方法

高压断路器是电网中最关键的电气设备之一,一旦发生故障,将严重威胁电网的安全与稳定运行,因此,开展高压断路器故障诊断方法的研究具有实际工程价值。为避免振动特征量的计算复杂,文中提出一种基于小波变换和振动起始时刻分析的高压断路器故障诊断方法,采用小波变换和突变信号起始点提取方法对断路器的振动信号进行振动起始时刻特征量提取;以振动起始时刻作为指纹特征对断路器故障分析,提高了运算速度及特征提取准确性。在实验室利用该方法对模拟电压波动故障和分闸电磁铁故障进行处理分析,结果表明,当振动起始时刻整体偏移在-2 ms至24 ms范围以内,可判定断路器操作电压在合理波动范围内,超过此范围则表示断路器故障可能性较大;同时可诊断出由分闸电磁铁心松动造成的动静铁心间距变大的缺陷,从而验证了该方法的正确性与有效性。     

振动工况下高压断路器紧固螺栓松动过程仿真分析与试验

高压断路器分、合闸操作造成的振动冲击是螺栓连接出现松动现象的主要原因。文中建立了螺栓连接有限元模型;仿真分析了轴向振动、横向振动及夹紧力大小对螺栓连接松动过程的影响。搭建螺栓连接结构松动试验装置;试验研究了振动工况下的螺栓连接松动过程;对仿真结果进行验证。研究结果有助于解决断路器螺栓连接紧固件的松动问题。     

基于断路器合闸弹簧弹力信号的储能故障诊断方法

对断路器储能故障进行准确诊断能避免出现拒动、合闸失败等问题,有助于电力系统的安全运行,因此提出了一种基于断路器操动机构合闸弹簧弹力信号的储能故障诊断方法。针对断路器合闸弹簧松弛、操动机构卡涩、紧固螺丝松动三种储能故障,选取弹力信号进行统计特征以及类间散布矩阵的计算,提取出了能够判断不同储能故障的时域特征量。建立了基于支持向量机的故障诊断模型,实现了对断路器三种储能故障的准确判断。试验结果表明,提出的故障诊断方法能够准确诊断断路器的合闸弹簧松弛、操动机构卡涩、紧固螺丝松动三种储能故障类型,有助于工程上实现对断路器的精测精修,同时也能够为断路器增设压力传感器并充分利用弹力信号提供理论依据。     

基于深度自编码网络的高压断路器操作机构机械故障诊断方法

为了提高操作机构机械故障诊断准确率,充分挖掘高压断路器振动信号中的特征信息,提出了一种基于深度自编码网络的高压断路器操作机构机械故障诊断方法。首先,提取断路器操作机构振动信号并进行小波包变换,并对各个频段的振动信号进行等时间分段;然后计算振动信号时频子平面的能量大小,并以该时频能量分布作为断路器操作机构故障诊断的特征量;最后,通过预训练和微调建立基于深度自编码网络的断路器故障诊断模型,并以126 kV高压断路器进行不同故障类型的模拟实验验证方法有效性。实验结果表明:该方法能够获取故障样本数据并进行故障诊断,诊断准确率达到97.5%;深度自编码网络能够充分挖掘出断路器振动信号中的深层信息,相较于传统的浅层网络能够更加准确有效地诊断操作机构机械故障。     

基于神经网络集成模型在高压断路器机械故障诊断中的应用

高压断路器健康情况严重影响着电网的安全、稳定运行。文中提出一种基于高压断路器合闸过程振动信号时频特征下的集成学习神经网络模型,满足高压断路器故障情况高精度诊断的要求。首先,分析高压断路器在多测量位置下合闸振动信号特征,并在时、频两域定义合闸过程多测量位置振动信号的广义能量和小波能量比进行特征空间描述;然后,设计基于集成学习思想的神经网络算法划分特征空间,诊断故障类别;最后,通过实验数据分析和多种诊断方法的对比验证文中所述的诊断过程合理、诊断结果精确,有利于高压断路器故障排查。     

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。     

基于声—振信号的高压断路器机械故障设置与数据采集研究

高压断路器机械故障数据的可靠、全面采集是有效分析和准确故障诊断的前提,也是提高设备操作安全可靠性的基础。文中以LW30-252型SF6高压断路器的CT26弹簧操动机构为研究对象,分析其结构特点及数据采集难点,详细阐述了高压断路器正常、油缓冲器漏油、合闸弹簧疲劳、分闸弹簧疲劳、传动轴销磨损、主轴卡涩、地脚螺栓松动共7种典型工况的模拟过程。文中以断路器分合闸过程中的振动、声音信号为检测信号,解决了传感器型号确定及安装位置选择问题,研制了故障信号采集系统,并介绍了故障检测采集系统的软硬件组成。本研究为后续高压断路器机械故障特征提取及故障诊断提供可靠的数据基础。     

基于小波包能量谱的铁塔螺栓完全松动检测方法

螺栓连接松动故障严重影响铁塔的正常运行，对铁塔螺栓连接松动故障进行检测十分必要。本文提出了基于小波包能量谱的铁塔螺栓完全松动检测方法，首先利用脉冲激振法实测了铁塔螺栓完全松动前后振动信号，分别得到了激振点所在塔材的振动信号，以及通过螺栓相连接的塔材振动信号。然后采用小波包对原始信号进行小波包分解，利用能量特征提取的方法找出分解后各个频段的能量谱图，通过比较相连接的2段塔材在螺栓松动后小波包能量谱的变化规律，确立了基于小波包能量谱的铁塔螺栓完全松动检测依据。     

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S变换和极限学习机的高压断路器机械故障诊断

机械故障是高压断路器最常见的故障,研究高压断路器机械故障诊断方法对于提高电力系统可靠性具有重要意义。为提高高压断路器机械故障诊断的效率,文中提出一种基于S变换和极限学习机(ELM)的高压断路器机械故障诊断新方法。首先,对高压断路器动作期间产生的振动信号进行S变换处理,获得相应的时—频矩阵;然后,对S变换模值矩阵进行时域和频域划分,计算振动信号在不同时段和频段的局部奇异值,并选择各子矩阵的最大奇异值作为故障诊断的特征向量;最后,采用ELM对高压断路器机械状态进行分类。对高压断路器在正常和故障状态下进行诊断实例测试,实验结果表明,该方法能够快速准确地识别断路器机械状态,具有较高的诊断效率。     

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。     

330MW汽轮机联轴器松动故障诊断分析

某330 Mw汽轮机在168 h试运行期间2号、3号轴振突然增大至报警范围.通过故障诊断及处理,机组振动达到优良范围.分析了故障因为,探讨了联轴器螺栓松动对汽轮机振动造成的影响,并总结了该类型故障的振动特征,为同类型机组联轴器螺栓松动故障提供判断依据.     

基于模糊逻辑的断路器状态检测

高压断路器的监测与诊断是提高电力系统可靠性和安全性的一项重要工作,本文基于模糊逻辑推理建立了一套高压断路器模糊的故障诊断方法.通过该方法对高压断路器运行数据进行模糊化处理,有效降低了谐波信号对故障诊断过程的影响,同时通过断路器运行的典型故障特征分析,进而实现对断路器的状态检测.     

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。     

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     

基于机器学习算法的高压断路器故障诊断研究

高压断路器是电力网络中关键的控制设备,其正常工作能够保障系统稳定运行。对高压断路器进行故障诊断能够在设备故障初期发现问题,避免故障发生。分析了高压断路器位移信号的特点,选出平均速度等4个参数作为故障诊断特征量。基于Spark平台,提出了一种高压断路器故障诊断方法,对方法原理及参数选择过程进行了介绍。使用实际数据对提出的方法进行验证,分类准确度可达93%。最后将本方法与几种传统分类模型的准确率和耗时进行对比分析,验证了本方法的优越性,研究结果为高压断路器的故障诊断提供参考。     

一种螺栓联结状态检测及带电锁紧装置设计

为了减少由于螺栓松动带来的用电隐患,设计了一种基于嵌入式系统的螺栓联结状态检测及带电锁紧装置,可在设备带电的情况送入带电作业位置紧固螺栓。为保持紧固过程的稳定性,提出了一种动态PID控制算法,经实际测试,可实现螺栓联结状态检测和修复。     

一种基于振动信号的高压断路器故障诊断新方法

提出一种以小波包特征节点最大系数为特征向量、利用支持向量机状态分类的断路器故障诊断新方法。首先利用小波包分解振动数据,提取状态变化敏感节点作为特征节点形成分解树,利用敏感节点重构完好状态振动信号,并以此作为当前大多断路器诊断系统中使用的指纹信号;同时提取特征节点最大系数形成特征向量,作为支持向量机的输入向量,使用"一对其余"策略进行特征分类。经高压断路器无负载振动信号测试,该方法检测高压断路器故障简单、准确,在实际分析中取得良好诊断效果。     

基于控制回路的断路器永磁机构故障特征提取方法

为了识别高压断路器故障模式并提取其故障特征,文中以ZNY1-10(6)/630-12.5型高压断路器永磁操作机构为研究对象,分析了断路器分合闸时操作机构的动作过程,在此基础上模拟了操作机构供电电压异常、分合闸线圈老化、触头及连杆机构卡涩、储能电容故障、辅助开关失效5种常见故障,选择控制回路中分合闸线圈电流和电容电压做为监测信号,确定并提取了对应特征量。提出了一种基于模糊理论的断路器故障特征提取算法,获得了故障与特征量变化的对应关系,实现对故障的区分、归类并达到辨识的目的,为高压断路器故障诊断及寿命评估提供了判断依据。     

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。