基于BP神经网络的电抗器铁心柱轴向松动诊断∗

油浸式高压并联电抗器是电力系统中重要的设备之一,而铁心柱轴向松动是高压并联电抗器常见的机械故障,可以通过测试振动信号对其进行有效诊断.探讨了高压并联电抗器振动机理,分析了并联电抗器振动信号的频谱特征.以油浸式高压并联电抗器模型为研究对象,提出了借助BP神经网络预测油浸式高压并联电抗器振动信号,将预测信号与实测信号相对比,诊断并联电抗器铁心柱松动的方法.研究结果表明,所提方法可以有效诊断油浸式高压并联铁心电抗器铁心柱轴向松动.     

高压电抗器绕组和铁芯机械故障的混沌特性分析与特征识别

首先,根据Kolmogorov熵判断高压并联电抗器振动信号的混沌特性,在证明其具有混沌特性的基础上重构振动信号,分析不同电压等级、不同故障类型和故障程度下振动信号相轨迹的变化规律.然后,将最大Lyapunov指数、Kolmogorov熵、关联维数作为一组混沌指标定量计算和表征高压并联电抗器绕组和铁芯发生机械故障前、后振...     

基于CNN算法的并联电抗器机械故障诊断方法

为解决并联电抗器的机械故障诊断问题,本文提出了一种基于卷积神经网络算法的机械故障诊断方法。首先以一台10 kV并联电抗器为研究对象搭建了振动实验平台,在油箱表面采集了5种机械状态下的振动信号,将原始振动信号进行预处理得到其时域波形与频谱,然后分析了振动时频特性并验证了其区分机械状态的可行性,因此将振动信号输入分类模型中进行特征自适应提取和训练,最终通过分类器输出结果达到诊断的目的。该方法与传统的故障诊断方法相比,不但省略了人工提取特征环节,并且减少了误判问题,最终可以以较高的精度诊断电抗器机械故障。因此,本文提出的方法对并联电抗器的安全可靠运行具有重要意义。     

基于振动信号总离散频谱的高压并联电抗器健康评估方法

文章设计并实现了一套高压并联电抗器健康评估系统,具有振动信号采集、存储、分析,及健康评估等功能。因单一位置振动信号无法全面反映电抗器健康状态且不具备检测拓展性,系统将电抗器表面多路振动信号离散频谱按权重叠加,作为特征向量输入机器学习模型中,实现了对现场运行的6台某公司750 kV高压并联电抗器的检测和健康状态评估。将基于振动信号总离散频谱的评估结果与油色谱检测法和超声波局放法的实测结果进行比较,发现该方法与上述两种常规检测方法的分析结果保持一致,且状态评估准确率达到100%。因此,基于振动信号的电抗器健康状态评估具有很大的实际工程意义。     

基于CRP和RQA的高压并联电抗器振动信号分析

并联电抗器油箱表面的振动信号与电抗器绕组和铁心的状态密切相关。因此,可以通过振动信号来监测并联电抗器绕组和铁心状态。本文针对电抗器振动信号的非线性特征,提出了一种基于交叉递归图(CRP)与递归量化分析(RQA)相结合的信号处理方法,对铁心饼上表面振动信号与油箱表面多个测点信号的相关性进行研究。实验结果表明,该方法不仅能定性描述电抗器不同测点信号的相关性,还可利用提取的RQA参量对递归现象定量表述。研究结果从非线性动力学角度为高压并联电抗器振动敏感区域确定及振动测点选取提供了依据。     

高压电抗器振动特性及实验分析

为进一步研究高压电抗器振动机理及特性,针对一台油浸式并联电抗器,根据其结构特点和受力情况,建立了绕组与铁心的振动数学模型,理论分析了电抗器振动特性;对油浸式并联电抗器进行振动实验,研究了不同测点的振动特性、最佳测点的选择、不同电压下振动变化规律与振动信号特征频率。研究结果表明:电抗器振动频率以100 Hz为主,内部铁心饼表面振动幅值最大,在油箱外部采集的振动信号与内部具有相同的振动特性,可以反映电抗器内部运行状态。研究结果为电抗器减振降噪以及基于振动法分析电抗器故障提供了有效信息与有效依据。     

紧固件松动对高压并联电抗器振动特性的影响研究

紧固件松动是导致高压并联电抗器振动加剧，进而引发故障的重要原因。本文采用多物理场耦合仿真软件建立了考虑内部结构件的三维全尺寸物理模型，仿真分析了紧固件松动对高压并联电抗器振动及其传播特性的影响。研究结果表明：铁芯饼及拉杆预紧力下降均会导致电抗器本体和外壳振动的加剧，且对芯柱顶端和外壳正面及侧面上部的振动影响更为明显；相比于拉杆，铁芯松动导致的振动增加更为显著。仿真结果可为基于声学振动信号的高压并联电抗器缺陷检测及故障诊断提供理论依据。     

基于在线监测系统与声振特征预测模型的高压并联电抗器运行状态评估方法

高压并联电抗器的声振信号特征是评估其运行状态的重要参考依据.当油箱内部重要结构件因长期振动出现松动,油箱振动形态发生改变,而油箱外部的声振特征变化程度也反映了重要结构件的缺陷程度.该文采用电抗器声振信号在线监测系统,对高压并联电抗器油箱表面振动信号和噪声信号进行持续监测.基于历史声振数据和时间序列预测模型,对未来一段时...     

基于经验小波变换的特高压并联电抗器振动信号分析

为有效分析特高压并联电抗器振动信号特征,提出一种基于经验小波变换的特高压并联电抗器振动信号分析方法。该方法通过对信号傅里叶谱自适应的分割,在每个区间内构造正交小波滤波器来提取具有紧支撑傅里叶谱的固有模态,对提取出的模态成分进行希尔伯特变换,得到每一个分量的瞬时频率和振幅;综合仿真信号和实测特高压并联电抗器振动信号,将经验小波变换与经验模态分解两种方法进行探索性对比分析研究。研究结果表明,经验小波变换具有完备的小波理论支撑,可以自适应地设置信号模态分解层数,改善了经验模态分解存在的端点效应、模态混叠等现象,能更准确地体现振动信号的特征,区分特高压并联电抗器的不同运行状态。该方法为特高压并联电抗器振动信号特征提取与安全运行监测提供了一种新的手段。     

考虑铁心磁致伸缩与绕组受力的高压并联电抗器振动研究

铁心磁致伸缩效应与绕组受力是高压并联电抗器振动的主要原因。基于晶粒取向型硅钢片的磁致伸缩产生机理,将铁心磁致伸缩本质模型及Jiles磁致伸缩模型与实验数据进行对比分析,结果表明本质计算模型能准确地模拟硅钢片的磁致伸缩应变。在确定磁致伸缩本质计算模型有效性的基础上,用多物理场仿真软件COMSOL建立了一台额定电压为10.5 kV、容量为30 000 kvar高压并联电抗器本体结构的振动计算模型。从磁-机械场耦合的角度分析高压并联电抗器铁心振动与绕组受力特性,结果表明绕组受力很大,引起的振动不容忽略。同时研究了具有不同杨氏模量的气隙垫块对并联电抗器铁心振动的影响,杨氏模量越大的气隙垫块对高压并联电抗器的振动抑制效果越好。     

基于交叉小波变换的高压并联电抗器故障诊断方法

为了实现高压并联电抗器智能化诊断,提出一种基于交叉小波变换的电抗器故障诊断方法.搭建振动信号测试平台,采集不同条件下的电抗器振动信号,对比分析了电抗器三种状态下的交叉小波功率谱,通过图谱中颜色、显著性水平曲线与相角变化对电抗器故障进行定性分析;确定了信号的特征频段,提取特征频段中RGB参数与相角信息构造特征矩阵;采用矩...     

高压断路器机械故障振动诊断综述

针对高压断路器的机械故障诊断问题,笔者评述了近十年来国内外高压断路器机械故障振动诊断的方法.从振动信号的特征提取、故障识别的角度,对其进行了具体的分析.展望了高压断路器机械故障振动诊断的发展趋势,为后续的深入研究打下基础.     

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     

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EWT及多尺度形态谱的高压并联电抗器故障诊断研究

针对高压并联电抗器故障诊断问题,提出一种基于经验小波变换(EWT)、多尺度数学形态谱进行特征提取,采用KernelK-means聚类进行故障模式识别的诊断新方法。首先,将实测三种工况下的电抗器振动信号经EWT分解得到数个模态分量。然后分别计算每个模态分量与原信号的相关系数并按系数大小降序排列,取前4个模态分量构成有效分量向量。再利用多尺度形态谱对有效分量向量进行分析计算,构成一个四维特征向量。最后利用KernelK-means聚类对样本特征集进行分类识别。实验验证,该方法能有效提取电抗器振动信号特征量,能正确识别电抗器所属的不同工况。     

小波降噪及Hilbert变换在电机轴承故障诊断中的应用

针对振动信号降噪处理及故障特征提取是机械故障诊断的重点问题,为了有效消除高频信号的影响,并充分提取出电机轴承的低频故障特征。提出利用小波降噪及Hilbert变换的方法对采集的电机轴承振动数据进行处理并提取其故障特征信息。首先,运用小波降噪对采集到的振动数据进行降噪处理,抑制噪声干扰,然后对其进行Hilbert变换解调出故障特征频率。通过对现场测取的轴承振动数据进行信号处理可以达到理想的诊断效果,由此得知,该方法能通过电机轴承振动信号进行故障特征信息处理,有效地进行轴承故障分析及诊断。     

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...     

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。     

基于卷积深度网络的高压真空断路器机械故障诊断方法

高压断路器执行机构所产生的振动信号蕴含着丰富的机械状态信息.针对传统基于浅层的振动信号分析法存在特征提取和泛化能力等方面的不足,提出一种基于卷积神经网络和长短期记忆网络的混合深度网络.该网络利用卷积层对原始振动数据进行特征转换,结合门控循环单元的局部时域特征表示能力,对故障敏感特征进行提取.通过对10 kV真空断路器振...