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。     

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.     

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。     

基于小波包能谱熵与自组织RBF神经网络的低压断路器机械故障诊断

利用小波包分解技术分析断路器故障时的振动信号,提取小波包的能谱熵,将其作为断路器故障模式的特征向量。然后,建立基于K-均值聚类方法的自组织径向基神经网络,对断路器的几种模拟故障进行识别分析,证明了算法的收敛性,给出收敛速度计算公式。通过仿真实验,验证了该方法的有效性,且较之传统BP神经网络有更快的收敛速度和更高的准确度。     

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。     

小波包特征熵神经网络在尾水管故障诊断中的应用

为精确诊断水轮机尾水管涡带，该文提出一种基于小波包特征熵的神经网络故障诊断新方法。对采集到的尾水管压力脉动信号进行三层小波包分解，提取小波包特征熵，然后构造信号的小波包特征熵向量，并以此向量作为故障样本对三层BP神经网络进行训练，实现智能化故障诊断。试验结果表明训练成功的BP网络能够很好地诊断机组尾水管是否发生涡带以及涡带的严重程度，为水轮机故障诊断开辟新的途径。     

基于粒子群优化神经网络的高压断路器故障诊断

传统的反向传播神经网络训练算法存在学习速度慢,容易陷入局部最优值等弊端。将粒子群优化的神经网络用于高压断路器故障诊断中,根据高压断路器测试系统检测所得的实验数据,提取相应的特征向量,建立高压断路器故障诊断模型。仿真结果表明此方法简单、有效、精度高,与采用传统的反向传播神经网络的模型相比具有明显的优越性,为高压断路器故障诊断提供了有效的方法。     

基于卷积神经网络算法的高压断路器故障诊断

传统的高压断路器故障诊断方法太过于依赖经验,不能准确地反映特征量和故障模式之间的关系,诊断准确度不高。针对这个问题,采用卷积神经网络算法进行高压断路器故障诊断,结合高压断路器分合闸线圈电流特点建立诊断模型,通过输入零点故障特征参数进行学习训练,得到相应故障类型输出。仿真结果表明,所提算法的整体准确率高达93.68%,与其他基于神经网络的算法相比具有很大的优势。     

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。     

基于小波变换的高压断路器振动信号故障诊断仿真研究

小波变换在时域和频域内同时具有局部化能力,是分析故障信号奇异性的主要工具。对振动信号进行小波消噪,提取有用信号;利用Hilbert变换求取信号包络,对包络进行小波变换取得各尺度上的信号波形。根据小波变换各尺度上模极大值的传递性来计算信号包络波峰的奇异性指数,以此作为断路器故障诊断的一种特征参数,是一种新颖而有效的方法。     

基于RBF神经网络在高压断路器故障诊断的研究

针对高压断路器的故障诊断,通过分析断路器的合闸电流波形,提取相应的特征量,并经过一定的预处理作为神经网络的输入.由于BP神经网络存在的训练收敛速度慢且容易陷入局部极小、网络初值对学习性能影响比较大等缺陷,提出了一种基于交替梯度训练法RBF网络的故障诊断方法.仿真结果表明,RBF网络训练速度快、分类性能良好,有很好的实用性.     

基于模糊RBF神经网络的高压断路器机构故障诊断

为了快速准确诊断高压断路器是否发生操作机构故障,文章提出了一种基于模糊RBF神经网络的高压断路器机构故障诊断方法。该方法首先分析高压断路器的分(合)闸线圈电流,提取时间和电流特征参数t_1、t_2、t_3、t_4、t_5、I_1、I_2、I_3,然后在RBF神经网络增加模糊化层,对特征参数进行相对模糊化运算,最后将模糊化后的特征参数输入到RBF神经网络进行故障识别、分类。该方法以ABB VD4高压断路器的88组实验数据为训练样本建立4种高压断路器操作机构的模糊RBF神经网络故障诊断模型,12组测试样本来验证其准确性,实验结果显示,模糊RBF神经网络高压断路器的故障诊断模型能够准确的诊断出故障类型,其准确率达到99%,具有良好的实用性。与基于模糊BP神经网络的故障诊断方法相比,该方法收敛速度快,训练时间短,均方差较小,为0.107 3。     

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。     

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。     

基于小波神经网络的电网故障诊断研究

分析了小波神经网络的基本原理,将小波神经网络引入到电网故障诊断并在4母线系统进行了测试.仿真结果表明,该方法具有很好的故障诊断能力,与基于BP神经网络的电网故障诊断方法相比,基于小波神经网络的电网故障诊断方法原理简单、诊断效果更为理想.     

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     

基于振动信号的高压断路器螺栓松动故障诊断研究

断路器在电力系统中肩负着控制和保护的重要任务,加强对断路器机械系统潜伏性故障诊断研究,对提高断路器在运行中的可靠性具有重要意义。文中以ZN98型真空断路器为研究对象,依据其振动强度建立了一套高压断路器振动加速度测试系统,基于MATLAB小波包频带能量分解算法提取故障诊断特征量。以紧固螺栓松动的潜伏性故障为例,分析了不同频段的振动信号能量图谱,提出了一套高压断路器弹簧操动机构螺栓松动潜伏性故障的诊断方法。研究表明,设置单个紧固螺栓故障时,传感器测试位置距离故障螺栓越近所得的特征量阈值越大,应选取特征量阈值的最小值作为测试位置的故障诊断判据;相较于断路器的分闸过程,合闸过程的特征量阈值更能明显准确地反映断路器的机械状态。     

基于多特征评估与XGBoost的高压断路器故障诊断

高压断路器是电力系统中的关键设备,其可靠运行是维护电网安全的重要保障。在智能电网的建设下,高压断路器的故障诊断研究受到广泛关注。文中研究了高压断路器不同工况下的机械振动信号,并提出一种基于多特征评估与XGBoost的故障诊断模型。从时域、频域以及时频域提取振动信号的多维特征量,采用融合特征重要性的方法并结合XGBoost模型对多维特征评估筛选,剔除冗余特征量,同时采用贝叶斯优化算法对XGBoost模型中的参数进行优化,提高了分类的准确率。结果表明,基于多特征评估与XGBoost的诊断方法准确率较高,能够有效实现对高压断路器机械振动信号的准确分类。