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。     

采用HHT振动分析的低压断路器合闸同期辨识

利用振动信号辨识三相合闸不同期故障,应解决有效的振动信号消噪及其故障特征提取方法.提出一种希尔伯特-黄变换(HHT)的低压断路器振动信号分析方法,采用经验模态分解(EMD)有效地提取反映振动信号局部特性的本征模态函数(IMF)分量,以前5阶IMF分量表征振动信号特性且起到信号消噪作用.通过时域特征分析,得出振动信号的峭度和均方值可作为判别机械特性的辅助特征指标.提出前5阶IMF分量能量比及峭度、均方值为特征向量,建立粒子群优化径向基(PSO-RBF)神经网络的低压断路器合闸不同期故障识别模型.实验与仿真结果表明,基于单个传感器振动特性,综合采用时域分析、EMD分解、粒子群优化神经网络等人工智能的合闸同期性故障识别效果良好,为断路器故障尤其是三相合闸同期性振动分析提供了一种新的诊断方法.     

基于分形理论的低压断路器三相合闸同期性振动信号特征分析

在综述现有断路器机械故障振动信号研究方法的基础上,提出了一种经验模态分解(EMD)和分形理论相结合的方法用于提取低压断路器振动信号的特征量,并以典型的三相合闸不同期性低压断路器故障为对象,研究了EMD结合分形维数的故障振动信号特征分析,且给出以分形维数均方根作为故障特征量的实验仿真数据结果。首先,利用EMD方法对低压断路器的振动信号进行分解,得到若干个本征模态函数(IMF);其次,对振动信号以及各IMF分量求分形维数及其均方根,作为低压断路器振动信号的特征量。通过对低压断路器三相合闸不同期性模拟故障振动信号处理,对比其不同状态下的分形维数及其均方根的变化规律,表明该方法不仅可作为低压断路器三相同期性故障诊断的判据,且可应用于断路器其他各类机械故障的振动信号特征的提取分析。     

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。     

一种新的中压真空断路器三相同期在线监测方法

针对单独利用短时能量分析法在线监测断路器机械状态时可靠性较低的缺点,该文研究了利用脱扣线圈电流包含的信息来排除机械干扰信号带来的影响,从而提高断路器三相同期性在线监测的可靠性。通过对实际振动信号的分析得出,该方法可以屏蔽掉大范围的干扰噪声,显著提高短时能量法从现场含复杂噪声的振动信号中提取出振动起始时刻的可靠性。并与单独使用短时能量分析法和小波包提取法进行了比较。试验中将该方法应用于ZN12-35型真空断路器分合闸时的振动信号分析,准确得到了空载状态下三相分合闸的同期性。试验结果表明,此改进方法明显提高了短时能量法从振动信号中提取三相同期性的可靠性。     

基于空载合闸振动信号的变压器绕组松动诊断

针对变压器空载合闸机械振动特性,采用小波包变换对其振动信号进行分析。在实验中,模拟了变压器正常和绕组松动2种状态,对其空载合闸时的振动信号进行采集,并采用小波包-能量谱分析得到各个尺度上能量的百分比作为特征量对2种状态下的振动信号进行特征提取和对比分析。实验结果表明,故障前后的振动信号的能量分布特征有明显的差异,该方法可以有效地提取不同状态下合闸振动信号特征量,应用于空载合闸振动信号的变压器绕组松动诊断。     

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。     

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.     

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。     

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。     

断路器操作三维振动信号差异特征的研究

针对单轴传感器在断路器中应用的缺陷与不足,为了获取更多断路器分合闸时的状态信息,利用三维振动传感器同步采集断路器操作时振动信号,在时域、频域方面以及时频联合对X、Y、Z 3个方向的信号进行分析对比。在时域方面,运用X、Y、Z3个方向振动信号各个特征和能量的分布;在频域方面,运用快速傅立叶算法得出频谱分布图和功率谱图;在时频联合方面,运用小波包分解将三维传感器信号进行分解,并求出能量在各节点的分布和Wigner-Ville分布,说明三轴传感器放置方向对断路器测量信号故障诊断正确率的影响。实验分析结果表明,三维振动传感器采集的断路器振动信号时频特征均有显著差异,可更全面反映断路器分合闸时的状态信息。     

小波包分析和BP神经网络在滚动轴承故障模式识别中的应用

根据滚动轴承振动信号的不同故障模式在频域能量分布中的差异性,提出了基于小波包分解与重构和BP神经网络的轴承故障模式识别技术。论文首先对轴承振动信号进行小波包三层分解,完成了振动信号在空间的完整拆分,同时得到了第三层由低频到高频的小波包分解系数,再依据小波包分解系数分别重构各频段的信号,并提取信号各频段的能量。然后利用信号各频段的能量组成的特征矢量作为BP神经网络的输入样本,对BP神经网络进行训练,获得不同故障模式识别网络模型,最后利用测试数据对建立起来的BP神经网络模型进行检验,通过BP神经网络判别滚动轴承的故障类型。实验结果证明,采用小波包分解与重构和BP神经网络相结合的方法可以比较准确地识别滚动轴承的故障。     

基于声学指纹分析的高压断路器机械故障诊断方法

断路器分合闸过程产生的声音信号中含有丰富的信息,文中提出一种基于声学指纹的高压断路器机械故障诊断方法。搭建了声学指纹故障模拟试验实验平台,对某252 kV高压断路器分合闸试验采集声音信号;然后分别基于短时能量、总能量、信息熵和小波包分解等方法分析声学指纹信号并提取特征量,克服了单一类型特征值难以区分故障的问题。结果表明:多种特征量联合分析可实现对高压断路器不同工况的有效辨识,得到了基于声学指纹的高压断路器不同工况机械故障相互区分判据表,并提供了分析示例;对相同工况下不同严重程度故障的特征量及趋势进行分析,发现匝间短路电阻90%的小波包分解的能量系数分别呈现正常与匝间短路特征。     

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     

一种基于振动信号的高压断路器故障诊断新方法

提出一种以小波包特征节点最大系数为特征向量、利用支持向量机状态分类的断路器故障诊断新方法。首先利用小波包分解振动数据,提取状态变化敏感节点作为特征节点形成分解树,利用敏感节点重构完好状态振动信号,并以此作为当前大多断路器诊断系统中使用的指纹信号;同时提取特征节点最大系数形成特征向量,作为支持向量机的输入向量,使用"一对其余"策略进行特征分类。经高压断路器无负载振动信号测试,该方法检测高压断路器故障简单、准确,在实际分析中取得良好诊断效果。     

振动信号小波包特征熵的时变与频变特性分析

为了更好的反应高压断路器的机械振动状态,介绍了一种基于小波包分解的断路器振动信号特征提取新方法。将正常状态标准信号3层小波包分解后提取第3层各节点重构信号的包络,利用能量均等的原则将各包络分成15段并提取各分段时间点并利用正常状态标准信号所得包络的分段时间点分段测试信号的对应节点包络,再利用熵原理计算各节点熵,组合后形成小波包特征熵向量用于断路器故障诊断。利用实际信号分别模拟时变和频变信号测试所得向量变化特性的仿真结果表明:无论在时变还是频变情况下,该方法所提取的振动信号特征向量都可以以不同的变化特性直观、明显地反映信号的变化。     

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。     

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。     

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.