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。     

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。     

高压断路器机械状态诊断与监测技术的探索与实践

提出了基于信号波形特征值和断路器机械动作时序性关系,反映断路器各部件机械特性的高压断路器机械状态诊断新思路.通过介绍根据该思路研制的高压断路器机械状态自动诊断辅助系统的系统原理、系统构成、运行效果以及进一步的扩展试验.表明基于特征值的诊断算法理论,具有反映弹簧操动机构机械状态的普遍意义.     

基于振动信号的SF_6高压断路器操动机构状态监测

操动机构作为高压断路器开断的一级执行元件,其机械状态的健康程度直接影响断路器的工作状况。而断路器动作时的振动信号是由断路器内部一系列机械部件的运动与撞击产生的,含有丰富的时域和频域信息,为了能够实时有效地监测断路器操动机构的状态,需要对操动机构不同部位不同状态下对应的振动信号进行分析,获取能够反映断路器状态的特征量作为评估操动机构状态的判据。文中的研究对象为弹簧疲劳和缓冲器失灵两种操动机构故障,首先,分别对两种故障和正常工况进行了大量的模拟实验并采集相应的机械振动信号,通过形态学滤波对振动信号进行必要的降噪处理;然后对信号进行时域、频域上的分析对比,并以相对小波包能量法获取振动信号各频带的能量分布;最后,采用支持向量机对各个工况下的频带能量进行训练,并预测了待测试振动信号对应的断路器机械状态。结果表明,该方法具有很高的状态识别准确率,能满足实际工程应用中断路器操动机构的机械状态在线监测要求。     

基于半监督学习的断路器弹簧机构机械特性监测及状态评估技术研究北大核心CSCD

针对断路器弹簧机构机械特性监测及状态识别系统普遍存在监测类型不全、特征值提取单一、判断标准太过绝对等问题,文中提出了基于小波及半监督学习的多特征分析的断路器弹簧操动机构机械状态识别新方法。通过感知元件对分合闸线圈电流、动触头位移等信号进行采集,采用小波算法对信号进行滤波处理,分析断路器弹簧操动机构的分合闸线圈电流、动触头位移等信号与断路器异常状态之间的对应关系,提取特征值,建立半监督学习多分类网络模型,实现断路器弹簧操动机构故障的机械特性监测及状态识别。实验结果验证了此方法具有较高的诊断正确率,对断路器的健康运营具有重要意义。     

基于局域均值分解和支持向量数据描述的高压断路器机械状态监测

为满足断路器机械状态监测的高可靠性要求,弥补现有方法易将轻微故障及无训练故障样本类型误识别为正常状态的不足,提出一种基于局域均值分解(LMD)能量熵和支持向量数据描述(SVDD)的高压断路器机械状态监测新方法。首先,利用LMD方法将断路器振动信号分解为一系列的PF(Product Function)分量,将各PF分量的包络按时间等间隔分段,并提取各PF分量包络的能量熵构成特征向量;然后,采用正常状态断路器振动信号的LMD能量熵向量训练SVDD分类器;最后,通过SVDD分类器对断路器的机械状态进行判断。实测信号实验证明,新方法比支持向量机(SVM)、BP神经网络(BPNN)等传统多类分类方法有更好的状态监测效果。     

应用形态学滤波方法去除高压断路器线圈电流信号的噪声

高压断路器是电力系统中重要的控制和保护元件,其可靠性对电力系统的安全具有十分重要的意义。高压断路器机械状态监测能够在一定程度上识别断路器的机械状态。合闸线圈电流信号就是机械状态监测信号之一,合闸线圈电流信号包含有重要的时间和状态信息。笔者在数学形态学理论中的基本形态滤波器基础之上构造形态级联滤波算子对线圈电流信号进行滤波去噪,成功地剔除掉了线圈电流信号中存在的尖峰和沟壑,并且最大限度地保留了电流信号波形的结构特征,使滤波后的电流信号波形平滑性较好、误差较小,便于后续的信号特征提取和状态识别。文中在MATLAB平台中针对上述算法编写了相应的程序,实现了对线圈电流信号的滤波。     

牵引变电站直流断路器机械状态监测与故障诊断研究

直流断路器作为电力系统控制和保护的最重要的开关设备之一,其可靠运行关系着电力系统的安全稳定性。直流断路器在分合闸时的振动信号能直接反映断路器的机械状态,因此选取直流断路器的机械振动信号作为研究对象。首先研究了振动传感器选型对振动信号采集的影响并确定了传感器型号,接着研究了振动信号预处理和提取振动信号特征量的方法,最后模拟了几种常见故障并用Elman神经网络对模拟故障进行诊断。处理结果表明,用小波包分解和Elman神经网络实现了直流断路器机械状态监测和诊断。     

基于小波变换和随机森林算法的高压断路器机构机械特性监测技术研究北大核心CSCD

针对高压断路器弹簧机构机械特性监测数据类型单一、机械特性状态识别准确率低等问题,以平高集团有限公司CT601-2型弹簧操动机构为基础,提出一种小波变换与随机森林算法结合的高压断路器弹簧机构机械特性监测与状态识别方法。文中首先详细分析了机构机械故障类型,其次通过小波变换对电流、行程信号进行预处理,最后采用随机森林算法实现断路器机械状态识别。通过大量的仿真与试验表明,该高压断路器弹簧机构机械特性状态识别方法识别准确率达到94.67%,具备准确率高、实用性强等优点,可为高压断路器机构机械特性方面的研究提供参考,研究意义重大。     

断路器机械特性特征数据稳定性和故障机理

为研究高压断路器诊断与评估方法中特征数据可靠性和故障特征数据变化规律问题,针对断路器触头行程、操作机构电流和机械振动信号搭建数据采集平台,提出3种信号的数据特征值提取方法,在断路器同一状态不同时间下,研究各信号特征数据稳定性;在断路器操作机构控制回路电阻增大、分闸弹簧单根脱落和操作及传动机构卡涩3种不同状态下,研究3种信号的特征数据的变化规律。研究证明搭建的断路器数据采集系统的可靠性和数据特征提取方法可行,并得出了断路器机械特性不同状态下各信号特征值的变化规律,为断路器状态评估与诊断方法提供数据支持。     

基于脱扣线圈电流的断路器机械状态预测算法研究

断路器脱扣线圈电流波形中包含了断路器脱扣回路和操作过程的诸多信息。通过对脱扣线圈电流的分析,可实现对脱扣线圈、铁芯、返回弹簧、脱扣杆及断路器操作过程等参数的故障诊断。笔者介绍了脱扣线圈电流信号的提取、分析以及故障预测算法。提出了基于滑动时间窗的人工神经网络预测算法,并应用于断路器机械故障的预测。笔者的研究成果为实现断路器机械状态在线监测与故障诊断提供了基础。     

基于SOM方法的高压断路器机械故障诊断方法研究

针对断路器辅助控制单元机械故障,采用Ward—SOM方法对分合闸线圈电流信号与辅助触点动作信号进行神经网络聚类分析,对设备做出状态评估。此外,由于自组织竞争网络存在设备状态可视化的优点,采用U矩阵方法获得断路器辅助控制单元状态分类可视化图,样本分析结果表明本方法有很高的状态判断准确性,并且具有很好的可视化效果。     

高压断路器振动信号在线监测系统的研究

机械故障是高压断路器的常见故障,大多数高压断路器的机械故障都可以通过分析其分、合闸振动信号判断出来;为了对高压断路器振动情况进行实时监测和分析,防止其机械故障发生,设计了一个监测高压断路器振动信号的监测装置,该装置采用TI公司的数字信号处理器芯片TMS320X2812,可对高压开关振动信号进行实时监测及时域和频域分析,试验表明该装置能够实现对高压断路器分、合闸振动信号的实时监测和分析,具有现场应用价值。     

基于小波变换的高压断路器机械故障监测装置的研究

高压断路器在电力系统中起着重要的控制和保护作用,对电网安全运行非常重要.对高压断路器的概念进行简单介绍,并对其振动信号特点及原理进行了分析.针对目前高压断路器机械故障监测方法出现的各种弊端,研制出一种基于振动信号分析的断路器机械故障监测装置,该装置通过对振动信号进行小波变换分析能有效对断路器的运行状态和故障进行准确、及...     

断路器机械振动信号特征值提取方法分类性能研究

以ZW45-12型单稳态永磁机构断路器为研究对象,通过搭建数据采集平台得到断路器正常合闸状态、分闸弹簧单根脱落和机构卡涩3种不同运行状态信号数据,利用模糊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种特征提取方法的性能。通过对比研究,得出采用小波包变换方法得到的时频熵向量具有最佳的类可分性能。     

高压断路器机械特性在线监测技术的现状与发展趋势

阐述了高压断路器机械特性在线监测技术的现状及存在的问题，介绍了如今机械特性参数在线测试采用的主要方法及机械特性参数确定的方法，讨论了高压断路器机械特性在线监测技术急需解决的问题，并指出其发展方向是具有机械特性在线监测功能模块的智能化断路器。     

能谱熵向量法及粒子群优化的RBF神经网络在高压断路器机械故障诊断中的应用

高压真空断路器是电力系统开关设备中极其重要的一种高压电器,而高压断路器故障中80%是由于机械特性不良造成,为此通过小波包变换对高压断路器机械振动信号进行了分析,以信号的能谱熵作为特征输入向量,建立了粒子群优化(PSO)径向基函数(RBF)神经网络的高压断路器故障识别系统模型,最后对实际高压断路器振动信号进行获取分析并得到结果。实验结果表明,高压断路器正常信号能谱熵向量各元素分布比较均匀;而故障信号所得能谱熵向量各元素变化较大且有一定变化规律;粒子群优化后的RBF网络模型在正确率、精度等方面高于传统神经网络模型。实验结果表明该方法用于高压断路器的故障诊断是可行的,并且可以为断路器的故障诊断提供更好的理论依据。     

Vibration signal analysis for condition monitoring of puffer‐type high‐voltage circuit breakers using wavelet transform

Nowadays, the goals of electrical supply utilities are to reduce equipment failures, extend service life, increase equipment reliability, and reduce their related operating and maintenance costs. The high‐voltage circuit breaker is an important element in the electrical network. In order to determine or to detect abnormal conditions inside a circuit breaker, powerful vibration analytical techniques have been proposed. In this paper, a vibrational analysis is carried out by analyzing the signal in the time–frequency domain under no‐load switching operations with a commercially available high‐voltage puffer‐type circuit breaker without opening its major parts. Vibration of the circuit breaker poles, operating mechanism, and various monitored parameters were recorded under normal and variable operating conditions. Moreover, a synthetic mechanical damage introduced deliberately is also investigated. The experimental result indicates that mechanical defects can be detected by analyzing the vibration signal. © 2011 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.