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。     

一种基于线圈电流的高压断路器机械故障诊断方法

断路器动作过程中的分/合闸电磁铁线圈电流包含了丰富的断路器状态信息,且线圈电流具有采集方式简单、易于分析且重复性较好的特点;在对线圈电流划分为4个阶段基础上,文中提出一种更加全面的利用线圈电流信息的特征提取方法;试验模拟了5种断路器故障,利用支持向量机建立断路器故障诊断模型,并利用上述方法进行了诊断,结果表明,该方法可以更加准确有效地诊断断路器机械故障。     

基于振声时三维图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和声波信号的特性,针对现有诊断方法的不足,笔者提出了一种基于振声时三维图的高压断路器机械故障诊断方法,并给出了可行的诊断步骤和分析。此方法首先利用分级多时标信号对准的方法构建振声时三维图,然后提取断路器振声时三维图的包络,最后采用基于形状的分级特征向量提取方法构建支持向量机的输入向量进行故障诊断。其中,一级特征提取振声时三维图包络六面八角的特征向量,二级特征提取振声时三维图二维投影的区域弦的分布特征。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。     

基于非参数检验的高压断路器机械故障声信号特征值提取方法

基于非参数检验的声信号时域特征识别是一种高识别率、小时间开销的高压断路器机械故障诊断方法,但也有无效区间长、特征测量值和检验方法有待优化等问题。对于高压断路器机械故障声信号,根据非参数检验的效果剔除低效区段;利用散布矩阵对比特征测量值的分类能力;搭建高压断路器机械故障试验平台,对采集到的声信号分别进行4种非参数检验,选取特征值并进行机器学习。声信号的纯噪音部分和余震部分被剔除,从而得到有效时域区段;在8种特征测量值中,各种熵的分类能力明显高于均值等传统特征测量值,且Renyi熵的分类能力最好;相比于绝对值均值,Renyi熵作为特征测量值时3种非参数检验方法的诊断识别率提高了10%。所得结果表明:Wilcoxon秩和检验选出的Renyi熵特征值有着最高的诊断识别率。     

基于多分辨率奇异谱熵和支持向量机的断路器机械故障诊断方法研究

根据高压断路器机械振动信号的特点,提出一种基于多分辨率奇异谱熵的信号特征提取方法,并以此特征向量作为支持向量机的输入对断路器机械状态进行识别.多分辨率奇异谱熵是在信息熵模型的基础上,将多分辨率分析和奇异谱分析有效结合的一种信息处理方法,用信号的奇异谱熵作为特征向量更能体现断路器在不同机械状态下的不同特征.利用交叉检验和粒子群优化方法来对支持向量机模型中的参数进行寻优.通过对断路器实际振动信号分析表明,该方法能对断路器故障进行准确诊断分类.     

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。     

基于改进沙丘猫群算法优化支持向量机的高压断路器故障诊断

为了更加准确地对高压断路器的状态进行分析与故障诊断,提出一种多策略改进沙丘猫群优化(improverd sand cat swarm optimization, ISCSO)算法优化支持向量机(support vector machine, SVM)的故障诊断方法。首先,通过多种改进策略对沙丘猫群优化(sand cat swarm optimization, SCSO)算法进行改进,提高算法的全局搜索能力、局部搜索能力及平衡全局的能力,并利用两种不同类型的测试函数对ISCSO进行性能测试,验证了其具有更强的收敛性和寻优能力。然后,采用ISCSO优化SVM,建立故障诊断模型。接着,用完全自适应噪声集合经验模态分解能量熵对振动信号进行特征提取并构建特征样本集。最后,将提取到的特征样本集输入到ISCSO-SVM模型中,对高压断路器进行故障诊断。实验结果表明,该方法的诊断准确率达到了96.29%,与其他三种模型对比实验,证明了该方法具有更高的准确率及更好的稳定性。     

Method of Mechanical Fault Intelligent Diagnosis Based on Vibration Signal of High Voltage Circuit Breaker

Based on vibration signal of high voltage circuit breaker,a new method of intelligent fault diagnosis that wavelet packet extracts energy entropy which are used as characteristic vector of the support vector machine(SVM)to construct classifier for fault diagnosis is presented.The acceleration sensors are applied to collecting the vibration data of different states of high voltage circuit breakers based on self-made experimental platform in this method.The wavelet packet are fully applied to analyze the vibration signal and decompose vibration signal into three layers,and wavelet packet energy entropy of each frequency band are as the characteristic vector of circuit breaker failure mode.Then the intelligent diagnosis network is established on the basis of the support vector machine theory.It is verified that the method has a better capability of classification and a higher accuracy compared with the traditional neural network diagnosis method through distinguishing the three fault modes which are tripping device stuck,the vacuum arcing chamber fixed bolt looseness and too much friction force of the transmission mechanism of circuit breaker in this paper.     

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。     

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。     

基于振动信号样本熵和相关向量机的万能式断路器分合闸故障诊断

为实现对万能式断路器分合闸故障的非侵入式监测和诊断,以分合闸过程中所产生的包含丰富机械特性信息的振动作为信号来源,提出一种基于振动信号互补总体平均经验模态分解(CEEMD)-样本熵和相关向量机(RVM)相结合的万能式断路器故障诊断方法。该方法首先将振动信号通过改进的小波包阈值去噪算法处理;其次采用CEEMD提取若干个反映断路器状态信息的固有模态函数(IMF)分量,依据各IMF分量的能量分布特点,选择其中前7阶进行处理,计算其样本熵形成有效的特征样本;最后通过计算不同故障类型的样本间欧氏距离来定量评价类间样本平均距离,建立基于RVM的二叉树多分类器,诊断得出万能式断路器故障类型。基于所设计的分合闸典型故障模型进行实验。与其他方法的对比实验表明,所提方法可利用相对较少的故障数据样本实现对万能式断路器故障类型的识别并具有较高的识别率;同时实验表明,辅以同一故障类型的样本间欧氏距离,可实现对分合闸故障中三相不同期故障严重程度的初步评估。     

基于SVM与合分闸线圈电流参数的高压断路器机械故障诊断

高压断路器故障的早期诊断是有效提高电力系统运行可靠性的重要手段,笔者提出应用高性能的支持向量机(SVM)进行高压断路器的机械故障诊断.支持向量机核函数参数的选择直接影响分类结果的好坏,该诊断方法采用群智能算法PSO确定支持向量机中核函数的最优参数以提升分类器性能,将从高压断路器的机械参数信号中提取的动作特性特征量作为支...     

基于支持向量机的高压断路器机械状态分类

基于统计学习理论的支持向量机是专门研究少样本情况下的统计规律及学习方法,为故障诊断向智能化方向发展提供了途径.本文首先介绍了支持向量机的基本原理;其次提出了一种基于小波包和熵理论的振动信号特征提取方法,即利用小波包分解各节点重构信号的熵值反映信号与正常状态的偏移;最后详细介绍了这种新方法在断路器故障诊断中的具体应用,并与传统神经网络方法相比较.使用结果表明:无论在分类效果,还是学习速度方面,支持向量机都优于神经网络,更适合在断路器机械状态识别中的应用.     

高压断路器故障诊断专家系统中快速诊断及新知识获取方法

高压断路器是电力系统关键设备之一，对其进行快速故障诊断对于事故发生后快速寻找故障发生的原因，解决事故源，确保电力系统迅速恢复正常运行有重要的意义。通过改进广义径向基人工神经网络(RBF)算法，使其具有快速故障诊断和网络自更新能力，并应用于断路器在线故障诊断专家系统。专家系统通过神经网络处理在线监测装置传送的故障数据，得到故障类型编码，利用该编码通过正向推理从知识库中找出对应的故障类型，并给出合理的故障解决办法。同时，利用神经网络的自更新能力和与专家系统的配合，专家系统还具有新知识的获取能力。     

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。     

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。