基于多特征选择方法的高压断路器故障诊断

为了提高高压断路器操作机构故障诊断效率与准确性,文中提出了基于多特征选择方法和K最近邻算法的高压断路器操作机构故障诊断方法。首先从分合闸线圈电流中提取包括峰值电流、关键时刻点、电流变化率及线圈电流不同阶段持续时间等16个特征;随后使用3种不同评价准则的特征选择方法计算故障特征综合重要度并确定最优特征子集;最后,以最优特征子集作为输入特征,建立基于K最近邻算法的断路器操作机构故障诊断模型,依据交叉验证准确率评价模型故障诊断性能。实例分析结果表明,该方法能有效消除特征冗余性,简化诊断模型结构,提升诊断效率,使用少数关键特征可获得理想的故障诊断准确率。     

基于优化型SVM的高压断路器故障诊断方法研究

为准确评估高压断路器的运行状态,提出了一种基于分合闸线圈电流的断路器故障诊断方法。首先提取断路器分合闸线圈电流时间和电流值,并将其作为局部特征;然后对电流信号数据求取均值、标准差、峭度以及能量值并作为全局特征,由局部特征和全局特征组成综合特征;再利用PCA(主分量分析)法对特征矩阵进行降维处理,获得主分量特征;最后构建SVM(支持向量机)的训练样本集,获得SVM决策函数,实现断路器运行状态分类。利用该方法对断路器4种运行状态进行试验分析,结果表明该方法能够有效识别断路器不同故障状态。     

高压断路器机械故障诊断专家系统设计

针对高压断路器的操动机构故障信息能反映在线圈电流、机械振动和辅助触点位置信号中的特点,在分析各信号特征提取和利用专家系统实现故障诊断的优点的基础之上,提出一种多参数规则推理的故障诊断专家系统.首先阐述高压断路器的操作过程,并根据其操作特性提取隐含在线圈电流和机械振动信号的有效信息,找出特征参数与断路器状态的对应关系,接...     

基于神经网络集成模型在高压断路器机械故障诊断中的应用

高压断路器健康情况严重影响着电网的安全、稳定运行。文中提出一种基于高压断路器合闸过程振动信号时频特征下的集成学习神经网络模型,满足高压断路器故障情况高精度诊断的要求。首先,分析高压断路器在多测量位置下合闸振动信号特征,并在时、频两域定义合闸过程多测量位置振动信号的广义能量和小波能量比进行特征空间描述;然后,设计基于集成学习思想的神经网络算法划分特征空间,诊断故障类别;最后,通过实验数据分析和多种诊断方法的对比验证文中所述的诊断过程合理、诊断结果精确,有利于高压断路器故障排查。     

基于VMD-Hilbert边际谱能量熵和SVM的高压断路器机械故障诊断

针对高压断路器分、合闸动作过程中产生的振动信号持续时间短暂及强烈的非线性非平稳性,导致的特征提取困难问题,提出一种变分模态分解(VMD)-希尔伯特(Hilbert)边际谱能量熵,及支持向量机(SVM)的高压断路器振动信号组合特征提取和机械故障诊断方法。采用VMD对高压断路器振动信号进行分解,得到一系列反映振动信号局部特性的本征模态函数(IMF);对IMF进行Hilbert变换,并求取对高压断路器机械状态变化敏感的Hilbert边际谱能量熵作为特征向量;将特征向量输入到SVM分类器,实现高压断路器机械故障的智能诊断。试验结果表明:该方法能够准确识别高压断路器的常见机械故障类型,具有一定的工程应用价值。     

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...     

基于分合闸线圈电流特征的高压断路器机械故障诊断

为准确评估高压断路器操作机构的运行状态,提出一种基于三次样条插值和近似导数法的电流信号特征提取方法。该方法以电流曲线极值点对应的电流和时间参数为特征向量,首先用三次样条插值方法对曲线进行光滑处理,然后采用近似导数法取得可能的极值点,通过分组处理得到信号的特征向量。应用该方法对某断路器的运行状态进行检测,结果表明:该电流特征提取方法简单有效,可实现对高压断路器的故障评估与检测。     

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。     

基于振动信号的高压断路器机械故障诊断

评述了近年来国内外基于操作过程中振动信号的高压断路器状态监测、故障诊断技术及其分析处理方法     

基于机械和电气特性融合的高压断路器故障诊断方法

为解决高压断路器故障诊断精度低的问题,提出了一种基于机械和电气特性融合的高压断路器故障诊断方法,该方法基于机械特性诊断高压断路器故障类型,将电气特性作为故障辅助判别依据,进而实现机械和电气特性融合的故障诊断。首先基于最小欧式距离和相关性原理,建立基于机械特性的高压断路器典型故障库,并基于典型故障特征指标权值计算得到典型故障特征向量相似度;然后分析高压断路器分合闸线圈电流波形阶段特性,在选取得到基于分合闸线圈电流的特征向量后,计算基于电气特性的故障辨识度;最后搭建故障诊断试验平台验证方法的有效性。结果表明,该方法的平均故障诊断精度为93.2%,能够精确诊断高压断路器故障,验证了该方法的有效性。     

高压断路器振声联合故障诊断方法

针对现有的高压断路器机械故障诊断方法存在的不足,本文提出了一种新的高压断路器振声联合诊断机械故障的方法。此方法首先利用快速核独立分量分析(fast KICA)对采集到的声波信号进行盲源分离处理,并对处理后的声波信号和采集到的振动信号进行改进集合经验模式分解(EEMD)。其次,对分解后的每一个固有模态函数(IMF)求其二维谱熵,并以此二维谱熵矩阵的变换矩阵作为支持向量机的输入特征向量对断路器机械状态进行识别。最后实验表明,振声联合复合分析方法有效提高了高压断路器机械故障诊断的正确性和实用性。     

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。     

基于改进SVM算法的高压断路器故障诊断北大核心CSCD

为了能更快速、准确的对高压断路器进行状态分析与故障诊断,文中提出了基于APSO-PCA-SVM算法的高压断路器故障诊断模型。首先提取分合闸电流信号中峰谷电流值、关键时刻等7维特征及动触头位移信号中的3维特征;随后利用PCA(主成分分析)对10维特征进行数据降维并确定最终特征集;最后采用APSO(自适应粒子群)算法进行SVM(支持向量机)核参数寻优,将最终特征集作为模型输入,建立了APSOPCA-SVM故障诊断模型,对高压断路器进行故障分类诊断。实例分析结果表明,该方法能够最大程度去除冗余信息,简化了诊断模型的同时提高了诊断精度和效率,在故障样本较少时采用有限特征量即可较为理想的实现对高压断路器此类小样本设备的高效故障诊断。     

用于高压断路器机械特性测量的计算机系统

一、前言在高压断路器产品试验中,机械特性的测试是一个很重要的项目,开关的分、合闸时间;速度;三相分、合闸同期性以及合闸弹跳等性能参数是检测断路器设计生产及装配质量的一个重要标志。因此,如何快速,准确的测试断路器的机械特性已成为试验工作中的重要课题。按照过去的试验手段,我们是通过SC16型光线记录示波器和在断路器上安装辅助触头进行测试的。在断路器分合闸瞬间所拍摄,在示波图上进行人工测量,计算。但是,这种方法费时且准确度低。由于计算测试     

基于相空间重构的高压断路器机械故障诊断研究

针对现有时频分析方法提取断路器振动信号特征时存在的不足,引入相空间变换对一维振动观测序列进行重构,并提取有效特征信息用于断路器机械故障诊断。基于互信息法和G-P算法计算延迟时间和嵌入维数,对振动信号进行相空间重构。根据重构得到的振动模型,分别计算相点分布因数(PPDC)及振动信号的网格维数。为了增强特征对信号描述的差异性,结合常用时域特征参数,构成一种新的故障特征描述向量。最后应用支持向量机进行特征分类,实现了对断路器操作机构卡涩和基座螺丝松动等常见机械故障类型的有效识别,具有良好的应用价值。     

基于振动信号分析的高压断路器机械故障诊断

针对高压断路器机械故障诊断方法准确率较低的现状,提出将改进的小波包分解(wavelet packet,WP)、Hilbert谱分析、粒子群优化(particle swarm optimization,PSO)算法和优化后的支持向量机(support vector machine,SVM)相结合的诊断方法,对弹簧操动式高压断路器进行弹簧疲劳和合闸挚子卡涩故障(在高压断路器机械故障中占比较高)的模拟实验和分析。研究结果表明,振动信号的时频特性能较好反映高压断路器的机械状态,尤其基于PSO-SVM的特征分类方法分类效果较好,能大大提高现有高压断路器机械故障诊断方法的准确率。     

基于SO-PAA-GAF和AdaBoost集成学习的高压断路器故障诊断

针对在小样本和复杂工况下高压断路器故障诊断识别精度不高的问题,提出一种基于振动信号处理和Ada Boost集成学习的高压断路器故障诊断方法。首先,搭建高压断路器实验平台并采集8种工况下的分闸振动信号。其次,对振动信号进行绝对值处理后,使用分段聚合近似(piecewise aggregate approximation, PAA)进行分段平均,将输出的新序列采用格拉姆角场(Gramian angular field, GAF)转换成图片,并使用Relief F方法对提取的高维图片特征进行重要度排序。最后,将保留的重要特征输入到Ada Boost集成学习模型进行故障诊断,并用蛇优化算法确定最优PAA分段步长和输入分类器特征数量,以进一步提高故障诊断精度。通过分析多种信号处理方式及分类模型可知,图片信号和Ada Boost集成学习模型能够有效处理振动信号并准确判断故障类型,为准确、可靠地诊断高压断路器故障提供了新途径。     

基于PSO-LSSVM的高压真空断路器弹簧机构机械故障诊断

电流检测法在进行高压断路器弹簧机构机械故障诊断时,由于样本数据小导致诊断准确率低。针对这一问题,文中通过模拟各种常见故障和分析不同故障下合闸线圈电流变化规律,提取能够反映断路器工作状态的特征值,并采用最小二乘支持向量机法进行故障诊断。在此基础上,采用粒子群算法不断进行优化以加快诊断速度和准确率。将上述方法进行实例验证,结果表明,文中提出的故障诊断法在相同条件下诊断效果优于广泛应用的BP神经网络诊断法,并且样本空间减小对其诊断结果无明显影响,从而验证文中方法的可行性。