断路器合闸储能弹簧状态监测

为保证弹簧操动机构断路器安全可靠运行,设计了一种断路器合闸储能弹簧状态监测系统。使用压力传感器、加速度传感器、光电编码器、电流互感器对合闸储能弹簧的压力、合闸储能弹簧动作行程、断路器合闸行程和储能电机电流进行监测,利用MPS-140801采集卡对各个传感器的输出信号进行采集,使用LabVIEW对采集到的数据进行读取、处理、显示和存储。在LW25-126瓷柱式六氟化硫断路器上进行了试验验证,结果表明该监测系统能够准确测量反应断路器合闸储能弹簧性能的状态参数。     

基于LabVIEW的万能式断路器故障在线诊断系统

为实现对万能式断路器分合闸故障的非侵入式检测,设计了一种基于LabVIEW的万能式断路器故障在线诊断系统。采用加速度传感器和拾音器对断路器分合闸过程中的振动与声音信号进行监测,并通过LabVIEW对振声数据进行读取、处理、显示、存储。研究了断路器振声数据的特征参数与分合闸动作状态之间的对应关系,利用支持向量机对分合闸动作过程中的故障进行辨识。在DW15-1600万能式断路器上进行故障模拟试验,结果表明该系统可以有效地对断路器分合闸故障进行诊断,具有良好的可靠性与实用性。     

一种弹簧操动机构储能簧的结构与性能分析

弹簧操动机构以其合闸时间短、速度快、储能电源容量小的特点在我国电力系统10kV、35kV电压等级的断路器中应用广泛,储能簧决定了操动机构输出能量的大小和合闸是否到位以及合闸时间和合闸速度参数是否满足要求。现对弹簧操动机构储能簧的结构和性能进行分析,希望能提升弹簧操动机构设计质量。     

考虑小波包-灰度共生矩阵的高压断路器弹簧疲劳故障程度诊断研究

弹簧操动机构作为高压断路器(High voltage circuit breakers, HVCBs)分合闸操作的储能单元,其可靠性对电力系统的安全运行具有重要意义。本文以六氟化硫高压断路器的弹簧操动机构为研究对象,分析分合闸弹簧的动作机理,对弹簧进行不同程度的故障设置。介绍了振动、声音传感器设备及采集参数,针对小波包时频分析法的缺点,提出一种基于小波包-灰度共生矩阵(Gray level co-occurrence matrix, GLCM)的特征提取方法。从诊断速度和诊断准确度两方面对比了支持向量机(Support vector machine, SVM)、决策树(Decision tree, DT)、朴素贝叶斯、K近邻(K nearest neighbors,KNN)4种诊断模型。实验结果表明,在模拟实际应用场景中,选用K近邻算法对分合闸弹簧故障进行深度诊断能够准确判断故障类型及故障程度,对高压断路器安全可靠运行具有实际应用价值。     

基于虚拟样机技术的断路器机构弹簧优化

运用虚拟样机技术,可以大大简化机械产品的设计开发过程.大幅度缩短产品开发周期和降低开发费用,提高产品的系统级性能,获得最优化和创新的设计产品.文中将虚拟样机技术用于断路器操作机构的运动仿真,采用优化方法确定机构系统合闸能量,使储能弹簧在合闸过程释放的能量最小,同时满足机构过死点,对所需的储能弹簧进行优化设计.     

重合闸误动作原因分析及防范措施

某电厂220 kV线路断路器由冷备用状态转热备用状态操作过程中,断路器在冷备用状态下发生了重合闸误动作事件。现针对本次事件,结合线路保护重合闸动作原理和保护动作情况进行了分析,提出了防止重合闸误动作的防范措施,以防类似事件再次发生。     

基于Mate30高速摄影的断路器分合闸速度测试方法研究

基于华为Mate30智能手机的高速摄影功能,通过在机构基座和动作部件上粘贴标志,加装刚分刚合时刻检测回路等辅助措施,对弹簧机构断路器动作过程进行高速拍摄,然后通过对视频图像进行位置标记识别和刚分刚合点的时间标记识别,分析获得的断路器分合闸位移过程曲线,并进一步求导得出速度.     

VS1小车开关储能弹簧拆装专用工具的研制

VS1型真空断路器在电网中应用广泛,装备量大。传统手工拆装VS1型真空断路器合闸储能弹簧的方法不科学、操作困难、费时费力、损伤设备且操作方法存在安全隐患。针对这一现状,介绍了一种新型专用工具,其能在不损伤设备、安全无操作风险的前提下操作简单、省时省力地拆装合闸储能弹簧,优化传统的作业方法,并具有相当大的推广空间。     

基于人工蜂群-BP神经网络的刀具磨损监测

为了提高刀具磨损状态监测准确度,提出基于人工蜂群-BP神经网络算法的刀具磨损状态监测方法。使用力传感器和振动传感器设计了磨损状态监测平台;使用匹配追踪算法对信号进行了去噪;提取了信号时域、频域、时频域的特征参数,使用核主成分分析法对特征参数进行了降维,确定了反应刀具磨损状态的15个特征参数;提出了人工蜂群-BP神经网络算法的刀具磨损状态识别方法,使用人工蜂群算法优化BP神经网络算法参数;经实验验证,传统BP神经网络识别准确率为78.75%,优化BP神经网络算法识别准确率为100%。     

基于变电运行的断路器弹簧储能机构异常分析

通过对断路器弹簧储能机构原理及结构进行分析,总结这种构件在使用过程中的常见异常现象。从变电站运行角度全面地看待断路器弹簧储能机构异常,制定出切实有效的措施进行处理,有利于延长断路器弹簧储能机构的使用寿命,优化其工作性能。同时,需要注重相关人员的培训,做好日常的事故预想,促使断路器弹簧储能机构使用中存在的安全隐患得到及时排除。     

基于遗传算法和神经网络的油气弹簧非参数化建模

将遗传算法应用于油气弹簧神经网络模型的优化,首先利用遗传算法的全局搜索能力得到神经网络权值的次优解,然后利用BP算法精确搜索到权值的最优解,从而克服了传统BP算法易陷入局部最小点的缺点。与采用传统BP算法的神经网络比对结果表明,遗传算法能显著地提高神经网络的精度,建立的油气弹簧人工神经网络模型可以对油气弹簧的输出特性进行可靠地预测。     

基于Pro/E和ADAMS的高压断路器机构仿真分析

针对高压开关操动机构的动力学问题,通过Pro/E建立仿真模型,以Parasolid格式导入ADAMS/View,利用多体动力学仿真分析软件ADAMS,对断路器机构系统进行动态仿真建模与分析,为断路器设计和优化提供了良好的平台。分析结果表明,该高压断路器结构响应能满足设计要求,增大合闸弹簧刚度和超程弹簧刚度可以降低合闸时间和动触头弹跳量。     

基于遗传算法改进的BP神经网络模型的磨损机理智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

基于遗传算法改进的BP神经网络模型的磨损机制智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

高压断路器大型储能卷簧应力状态及危险区域仿真分析

储能卷簧是高压断路器开合闸动作机构的核心部件,分析其工作应力状态及其可能出现裂纹的危险区域,是监测现状、提高服役安全的基础工作.按某高压断路器储能卷簧的结构尺寸,利用ABAQUS软件建立了平面涡卷弹簧有限元模型,分析计算了工作载荷下每一层卷簧的转角位移、应力及其每一圈卷簧所受应力沿轴向分布情况.分析表明:平面涡卷弹簧从外向里,其每一层的扭转角位移由大变小,所受应力则由大变小,且沿轴向呈U形分布、中间小边缘大,同一圈层中的不同位置应力有较大差异,远离尾端的右下角会出现较大应力.容易出现裂纹的危险区域将是从外向里各层的边缘,最外两层的边缘将是最容易有裂纹的.     

基于电机电流分析的万能式断路器机械故障诊断

电机电流信号常用于分析电动机本身的故障问题,但对其应用于与电机相连机构的故障分析的研究较少。提出一种基于储能电机电流分析的万能式断路器操作机构故障诊断方法。首先采用Hilbert幅值解调法和改进的小波包阈值法相结合获取交流电流信号的包络线,以解决随机噪声干扰造成的所提取包络线粗糙的问题;然后通过包络线提取电流信号的时间量、电流量以及峭度作为不同故障状态电流波形的特征参数;最后融合模糊聚类和量子粒子群优化的相关向量机实现对断路器正常状态、传动齿轮卡涩、储能弹簧卡涩以及脱落的4种状态的辨识。构建了基于电流分析的万能式断路器故障诊断系统,在不同工况下进行了验证,结果表明该方法能有效提取操作机构储能相关部件的故障特征,实现了对操作机构储能相关部件的故障诊断。     

基于视觉传感的GMAW熔透状态预测

熔透信息的实时获取是实现打底焊接自动化的关键环节之一,通过熔池形状特征预测熔透状态可为熔透信息的有效提取提供参考。鉴于焊工通过视觉观察熔池正面形状特征来对熔透状态进行实时判断,建立基于GMAW的双目视觉传感焊接试验系统。在不同焊接电流及焊接速度下开展打底焊接试验,在焊接过程中实时同步采集熔池正面与背面图像。基于熔池图像特点结合成熟的图像处理算法,提取熔池正面二维与三维形状特征参数以及背面熔宽信息,作为训练样本,以熔池正面形状特征参数作为输入量,以背面熔宽作为输出量。通过BP算法对神经网络进行训练,建立熔透状态预测模型,分析熔池正面形状特征参数与背面熔宽之间的映射关系。采用Garson算法计算出每个形状特征参数对于背面熔宽的权重系数。通过GMAW打底焊试验对熔透状态预测模型进行了验证,试验结果表明,建立的BP神经网络模型可以有效地预测焊缝的熔透状态。     

基于小波分析和神经网络的刀具磨损预测

提出一种基于多分辨率小波分析和BP神经网络的刀具磨损预测方法,采用多分辨率小波分析刀具不同磨损状态的切削力信号,提取其中增幅最大两个尺度上细节信号的能量和均方差作为BP神经网络的输入,通过自我识别法确定BP神经网络的最佳隐含层神经元数目,利用预先训练好的BP神经网络对刀具磨损状态进行预测。该方法能够建立刀具磨损状态与切削条件参数之间复杂的非线性函数关系,可实现一定切削条件下的刀具磨损状态预测。     

基于运转噪声识别数控机床主轴轴承状态的研究

研究数控机床主轴运转过程中噪声信号与主轴轴承健康状态之间的关系。利用声传感装置采集主轴轴承在正常和故障状态下主轴运转噪声,采用三层BP神经网络建立轴承状态识别器,将噪声信号的功率、绝对值均值和方差作为特征参数,通过试验确定BP网络最优隐含层节点数,利用所获得的样本信号对BP网络进行训练,测试结果表明,该方法具有良好的识别效果。     

基于PCA和BP神经网络的立体视觉疲劳度分级及预测研究

目的:通过对志愿者观看3D影片之后的脑电信号进行主成分分析,选取最能代表立体视觉疲劳度的主成分,运用BP神经网络对疲劳等级进行建模,提高对疲劳度等级的预测准确度。方法:采集15名志愿者观看五部不同3D影片前后的脑电信号,先对脑电信号进行疲劳度分级并选取特征通道;再对特征通道的脑电信号进行主成分分析选取影响最大的特征主成分,利用BP神经网络进行建模,根据建立的模型对立体视觉引起的疲劳等级进行预测,将预测结果与已知的疲劳等级进行对比。结果:根据文献中的疲劳等级将实验结果分成三个等级;据累计贡献率超过90%选取的前四个主成分建立的预测模型,准确度达95.4%。结论:运用主成分分析和BP神经网络的方法对立体视觉疲劳度进行预测,预测准确度较高,与直接根据脑电特征参数建立模型的方式相比简便和准确,这一方法对立体视觉引起的疲劳度分级及预测提供了新的思路。