小波包-能量谱在高压断路器机械故障诊断中的应用

文章提出了一种利用小波包变换对高压断路器振动信号进行处理的新方法,应用小波包-能量谱分析得到各尺度上的能量百分比作为特征参量对高压断路器进行故障诊断.小波包变换能将已知信号按任意时频分辨率分解到更加精细频带,且提高了信号处理的频率分辨率,小波包正交分解后的信号具有各频带信号独立、能量守衡的特点.仿真结果表明,小波包-能量谱用于高压断路器机械故障诊断中是行之有效的.     

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.     

基于振动信号小波包提取和短时能量分析的高压断路器合闸同期性的研究

该文提出了一种分析高压断路器合闸同期性的新方法将小波包提取算法和短时能量分析方法相结合，利用小波包分解与重构原理将断路器合闸振动信号分解到不同频段中，并对代表高频冲击信号的分解系数进行重构，然后运用短时能量分析方法对重构后的信号进行分析，辨识出合闸变位点。通过对三相合闸过程的分析，得出三相同期性。通过MATLAB仿真分析和实验结果验证了该方法的有效性。     

基于小波包分解的断路器振动信号能量谱和能量熵分析

为了获取断路器在多次分合闸动作机械性能劣化过程中振动信号的差异,基于小波包分解理论,提取SF₆断路器在分合闸动作4 000次过程中的振动信号,并进行小波包分解,计算各个节点的能量谱和能量熵。计算结果表明,在合闸与分闸过程振动信号能量谱中,能量主要分布在节点(4,0)与节点(4,1),占比达到95%。随着断路器动作次数增加,分闸振动信号节点(4,0)的能量占比增加,节点(4,1)能量占比减少,能量分布向低频转移。合闸振动信号节点(4,0)与节点(4,1)的能量比均在一定范围内波动,未呈现出明显的变化趋势,合闸振动信号与分闸振动信号各个节点的小波包-能量熵均保持不变。     

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。     

小波包能量谱和功率谱分析在水电机组故障诊断中的应用

小波包克服了小波分析在高频空间分辨率差的缺点,能够给信号提供更加精确的分解。因此在小波包分析的基础上,从能量和功率分析的角度出发,阐述了在水电机组故障诊断中采用小波包能量谱和功率谱分析相结合的信号特征提取的方法。通过对实验及电厂振动故障信号的提取与分析,表明小波包能量谱和功率谱分析相结合的信号特征提取方法准确而高效,是一种应用价值较高的信号特征提取方法,并能为机组故障的准确诊断提供依据。     

基于小波包能量谱和延时时间的断路器故障诊断

在电力系统的运行中,断路器能根据需要灵活的变更运行方式和切断故障。断路器动作如果不可靠就会影响电力系统的正常运行,甚至带来巨大的经济损失。为了检测断路器潜在的机械故障,判断断路器是否能正常使用,文中分析断路器的机械振动信号,提出了一种振动信号的处理方法:将信号进行小波包分析,计算各尺度波形的能量谱;通过互相关函数,计算各类故障工况下,信号相对于正常情况的延时时间。将特征量带入改进型的支持向量机,即特征加权支持向量机(FWSVM)可对断路器进行故障诊断。结果表明,该方法可以有效地分析高压断路器的部分机械故障,对预防断路器故障有实际意义。     

小波包分解在电机故障诊断中的应用

针对常用的时域和频域分析在诊断电机故障时存在不能同时诊断出故障时间和类型的问题，在分析电机故障特征的基础上，利用时频两域都具有表征信号特征能力的小波，对采集来的电机振动信号进行小波包分解，利用分解的小波系数，在各个频段上进行小波信号重构，并计算信号各个频段的能量特征值，提取故障特征，诊断故障发生的时间和故障类型。经仿真验证，小波包分解能将故障信号有效划分到不同的频段内，而且时域和频域局部化特性好，能有效地诊断出电机故障，具有良好的理论意义与工程应用价值。     

小波包分析在滚动轴承故障诊断中的应用

结合小波包分析和能量谱分析方法 ,提出一种新的滚动轴承故障诊断方法。利用小波包对滚动轴承振动加速度信号进行分解 ,求出各频率段的能量 ,并以此作为滚动轴承发生故障的特征量对振动信号进行重构 ,比较正常信号和故障信号的差异 ,从而识别滚动轴承的故障。通过对于实测信号的分析证明该方法具有特征参量少、故障特征突出等优点 ,可有效地用于滚动轴承的故障诊断。     

基于小波包能量谱分析的电机故障诊断

小波包是继小波分析后提出的一种新型的多尺度分析方法[1],解决了小波分析在高频部分分辨率差的缺点,体现了比小波分析更好的处理效果。文章描述了小波包分析方法的基本原理及其实现算法,并从能量分布的角度出发,阐述了在电机故障诊断中,利用小波包分析方法将模糊故障信号进行量化、分解,从而便于用单片机进行处理、判断的一种新的应用途径,在实验室中模拟各种电机故障进行了实验验证,实验进一步表明基于小波包能量谱分析的电机故障诊断方法是一种方便灵活并且准确度很高的故障诊断方法。     

基于小波能量与神经网络的断路器振动信号识别方法

高压断路器出现机械故障不仅会引起振动冲击事件的时间漂移,还会引起时域波形中一些波峰幅值的变化。依据同一类型断路器振动信号相似的特点,在对高压断路器故障振动信号进行特征分析的基础上,提出了一种识别高压断路器振动信号的新方法:将小波包提取算法和径向基神经网络模式识别功能相结合,利用小波包分解与重构原理将断路器合闸振动信号分解到不同频段中,提取每个频带能量作为断路器状态监测的特征向量,作为径向基神经网络的输入向量;基于径向基神经网络的故障诊断方法在系统参数未知的情况下自动建立动态模型,对于线性系统和非线性系统都有很好的跟踪能力,通过实验室断路器典型合闸振动信号的监测及识别分析验证了该方法的有效性。     

LabVIEW在电机振动故障诊断中的应用

基于LabVIEW的小波包理论和能量谱应用于电机振动故障诊断是一种新的尝试，具有良好的应用前景。在时域范围内，故障振动信号幅值虽有变化，但难以确定电机故障程度的大小。用小波包对振动信号分解，可得到能量特征值，由此能有效地判断电机振动故障类型和程度，提高了故障诊断效率。     

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。     

高压断路器机械特性振动信号特征提取和故障诊断方法研究

针对高压断路器机械振动信号,在正常状态、分闸弹簧单根脱落状态和操作及传动机构卡涩状态下,采用模糊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种特征提取方法的分类性能,提出了基于相关向量机理论的断路器机械特性故障诊断方法,搭建了数据采集系统,研究了断路器机械特性不同状态下信号特征值的变化规律,并通过实验证明了特征提取和故障诊断方法的有效性。     

LabVIEW在电机振动故障诊断中的应用

基于LabVIEW的小波包理论和能量谱应用于电机振动故障诊断是一种新的尝试,具有良好的应用前景.在时域范围内,故障振动信号幅值虽有变化,但难以确定电机故障程度的大小.用小波包对振动信号分解,可得到能量特征值,由此能有效地判断电机振动故障类型和程度,提高了故障诊断效率.     

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。     

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。     

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。