基于振动信号复合特征向量的配电变压器机械故障检测技术研究

为诊断配电变压器机械故障，提出基于振动信号复合特征向量的检测方法。针对使用单个特征量在识别故障时的信息不完整性，采集了振动信号中波形特征量和能量特征量组成复合特征向量，并使用主成分分析法将高维的复合特征向量优化得到主成分特征向量，最后利用深度置信网络对其进行配电变压器状态识别。研究结果表明：复合特征向量可以准确反映配电变压器的机械故障，使用主成分分析法的优化方法可以有效提高机器识别的工作效率，基于振动信号复合特征向量的检测方法可以实现变压器机械故障的检测。     

基于小波包能量熵的电力变压器运行状态评估方法研究

振动在线检测法在电力变压器机械故障诊断中的应用越来越广泛,在此基础上将能量熵引入电力变压器绕组振动信号的特征提取中。通过实验提取一台电力变压器绕组正常运行和短路冲击运行时的振动信号,运用小波包分解重构原理分解出信号的子频带,采用频段-能量熵方法来检测电力变压器绕组不同运行条件下短路故障类型。实验结果表明,不同机械状态下电力变压器绕组振动信号特征向量之间的差异性可作为故障诊断的依据。     

基于特征筛选和改进深度森林的变压器内部机械状态声纹识别

变压器声纹信号包含大量反映内部机械状态的有效信息。为实现变压器内部机械状态不停电检测,提出一种基于特征筛选和改进深度森林的变压器机械状态声纹识别方法。首先,利用自适应噪声完备集合经验模态分解(CEEMDAN)声纹信号得到本征模态函数(IMF),并通过频谱分析和皮尔逊相关系数对IMF分量进行筛选,得到包含故障信息的IMF分量。其次,利用各IMF分量在频段上的分布情况进行高、低频段划分,依据高、低频段IMF分量的差异性,将高频段IMF分量的时频能量和低频段IMF分量的幅值特性作为特征指标,构成特征向量,输入改进后的深度森林模型,得到10种机械松动状态的声纹识别结果。最后,通过现场试验验证了该方法的有效性。研究结果表明：所提方法对10种机械松动状态的平均识别准确率达99.2%。与传统变压器声纹特征相比,所提声纹特征区分度更高;与传统识别模型相比,所提改进深度森林识别模型复杂度更低,训练速度更快,识别准确率更高。     

结合经验模态分解能量总量法的断路器振动信号特征向量提取

为了检测出断路器的机械结构故障类型,本文分析了断路器机械振动信号的特性,提出基于经验模态分解(EMD)能量总量法与支持向量机(SVM)理论相结合的中压断路器振动信号的特征向量提取和故障分类的分析方法。首先将断路器的振动信号进行经验模态分解,得到所需要的内禀模态函数(IMF),通过离散采样点求能量总量的方法求出包含主要故障特征信息的各个内禀模态函数分量的能量总量。利用IMF分量能量总量作为特征向量,并以此作为支持向量机输入,将测试样本信号的故障特征向量输入训练好的SVM,并对SVM及核函数参数进行遗传算法优化,采用"二叉树分类"支持向量机分类机制进行故障分类。经实验分析该方法能很好地识别出振动信号的差别及故障类型。     

基于振动信号经验模态分解及能量熵的高压断路器故障识别

为了准确地检测出高压断路器的故障类型,笔者首次将经验模态分解(EMD)方法引入高压断路器的振动信号分析当中,并提出将EMD分解得到的固有模态函数(IMF)能量熵值作为表征断路器故障类型的新特征向量。为了证实该分析方法的有效性,笔者在实验室的110 kV SF6断路器上进行了模拟实验,提取了正常和故障状态下振动信号的IMF能量熵值特征向量,并以此作为径向基神经网络的输入向量。最后,引入置信度的概念,对径向基神经网络的输出结果进行评价。该方法基于实验室研究取得了较好的识别效果,并为基于振动信号的断路器故障识别提供了一条新的思路。     

基于优化K-Means的变压器绕组机械状态检测

为更加准确有效地检测变压器的绕组机械状态,提出了优化K-Means聚类算法对变压器突发短路下的振动信号进行分析。首先提取了振动信号的特征向量分布,然后引入数据密度的概念,对现有的K-Means算法进行优化,使得初始聚类簇中心的选取更加合理。进而基于优化K-Means算法得到了振动信号特征向量的簇中心,根据簇中心向量的模值和角度对变压器绕组状态进行检测。对某110 kV变压器突发短路试验时的振动信号计算结果表明,所提出的优化K-Means算法有效提高了计算结果的准确性,振动信号特征向量的簇中心位置变化可以清晰地反映出变压器绕组状态改变的演变过程,从而可为变压器状态检修策略的提出提供依据。     

基于VMD和WOA-SVM的变压器绕组松动故障诊断

为了更加准确有效地诊断变压器绕组松动故障,提出了一种基于变分模态分解(VMD)和鲸鱼优化支持向量机(WOA-SVM)的变压器绕组松动故障诊断方法。首先,对某10 kV变压器进行模拟故障试验,测量其振动信号;随后,采用VMD将非平稳的振动信号分解成多个本征模态函数(IMF),并计算各层IMF的能量熵,构成特征向量;最后,将特征向量输入鲸鱼算法(WOA)优化的支持向量机(SVM)中训练出分类模型,实现变压器绕组松动故障诊断。结果表明,所提方法适用于变压器绕组松动故障诊断,并且相较于传统的改进SVM分类模型,所提方法的故障识别准确率更高。     

基于LMD边际谱能量熵与FWA-SVM的变压器绕组松动诊断

变压器空载合闸的振动信号包含了丰富的机械特征信息,为了实现对变压器绕组松动故障诊断,提出了一种局部均值分解(LMD)边际谱能量熵与烟花算法优化支持向量机(FWA-SVM)的方法.通过LMD提取若干反映变压器合闸过程绕组状态信息的乘积函数(Product Function,PF)分量;依据各PF分量相关系数与能量分布,将前6阶PF分量进行希尔伯特变换,并求取对变压器绕组状态变化敏感的边际谱能量熵作为特征向量;将特征向量输入到烟花算法(FWA)优化的支持向量机(SVM)分类器,实现变压器绕组轻微松动故障早期预警.实验结果表明:基于LMD边际谱能量熵能准确反映故障特征,FWA-SVM诊断方法在少量样本情况下仍有较高的故障辨识度.     

基于振动信号特征分析的变压器绕组故障检测

变压器运行中油箱表面振动信号与其绕组的机械状况密切相关。通过分析变压器油箱外壁的振动信号来检测变压器绕组机械故障,关键在于从振动信号中提取反映故障前后变化的特征信息量。通过试验得到同一型号试验变压器绕组正常运行、短路冲击后运行和模拟故障运行时变压器油箱外壁的振动信号,运用小波包分析对振动信号进行特征提取,提出基于频段-能量-欧式距离的方法来检测变压器绕组机械故障。试验分析结果表明,变压器油箱外壁的振动信号能够反映出绕组内部结构的特性,通过对振动信号的分析能够有效地诊断变压器绕组故障。     

小波包分析技术在大型电机转子故障诊断系统中的应用

通过精密离心机电机驱动系统和机械系统的故障机理的分析,提出了两种故障信号基于小波包分析的特征提取方法.一个是渐进性故障信号的特征提取方法,控制器误差信号通过小波包分解与重构,最后在最低频段的节点得到了已经去噪的故障信号.另一个是振动信号频带能量的特征向量提取方法,动平衡系统的振动信号被分解到独立的频段,不同频带内的信号能量变化反映了系统机械运行状态的改变,每个能量成分被提取形成特征向量用于故障诊断.试验与仿真结果表明这种基于小波包分析的故障方法具有算法简单、可行的优点.     

变压器振动信号模态特征提取及分析

针对变压器故障情况下振动信号具有非平稳、非线性的特点,提出了利用集合经验模态分解(ensemble empirical mode decomposition method,EEMD)变压器振动信号进而选择有效本征模式函数(intrinsic mode function,IMF)的方法。该方法通过计算变压器原振动信号与分解后的本征模式函数的归一化相关系数来选取有效分量。再利用筛选出的本征模式函数构造特征矢量,将其作为变压器绕组状态识别的依据。实验结果证明了该方法可准确诊断变压器绕组的故障。     

基于EEMD排列组合熵的SVM转子振动故障诊断研究

对汽轮机转子故障状态进行准确判别一直是工程领域研究的重点。在使用支持向量机作为模式识别方法进行故障诊断的过程中,提取能明显区别不同故障的信号特征参数,构建高质量的样本可以较大提高支持向量机（support vector machine,SVM）模型的分类正确率。针对此问题,提出一种总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)、排列组合熵和SVM相结合的汽轮机转子振动多故障诊断方法。方法首先引入有向无环图建立了多故障诊断模型,利用EEMD将振动信号分解成单一无混叠的内禀模态函数（intrinsic mode function,IMF）分量,然后计算对振动信号变化非常敏感的IMF排列组合熵作为特征向量,并应用到有向无环图SVM进行多故障状态识别。实验结果表明,该方法实现了汽轮机转子的振动多故障诊断,同时与基于EEMD能量法提取的特征向量进行对比,通过实验证明,该方法具有更加准确的识别率。     

HHT与SVM在离心泵故障振动信号处理中的应用

提出了希尔伯特-黄变换HHT和支持向量机SVM相结合的离心泵振动信号故障诊断方法。首先将离心泵振动信号时间序列数据经验模态分解EMD,然后经过HHT获得各模态的能量,并以“能量比”为元素,构造离心泵振动信号的特征向量,用SVM方法训练测试样本获得了很好的分类效果。实验结果表明该方法对离心泵振动信号具有很高的诊断率。     

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。     

基于CEEMDAN样本熵与FWA-SVM的高压断路器机械故障诊断

针对振动信号判别断路器机械故障过程受干扰影响的特征提取问题,提出一种自适应白噪声完整集合经验模态分解(CEEMDAN)与样本熵相结合的故障特征提取方法。通过CEEMDAN提取若干反映断路器操动过程机械状态信息的本征模态函数(IMF)分量,依据各IMF相关系数与能量分布,将前7阶IMF分量进行小波包软阈值去噪,计算其样本熵作为特征量,最后采用基于免疫浓度思想的烟花算法(FWA)优化支持向量机(SVM)分类器,对断路器不同运行状态进行分类识别。实验结果表明:基于CEEMDAN样本熵特征对于信号干扰不敏感,FWA-SVM诊断方法对于高压断路器分闸操动过程故障辨识效果良好。     

基于瞬时能量熵和SVM的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特性和难以获得大量实际故障样本的情况,提出了一种基于经验模式（EMD）分解的新型故障特征撮方法,并与支持向量机（SVM）相结合实现滚动轴承的故障诊断.该方法首先将振动信号进行小波包降噪,再对去噪信号进行EMD分解,求解分解后各单元的瞬时能量变化,取瞬时能量变化的熵值组成特征向量,最后将其作为支持向量机的输入实现滚动轴承故障分类.经过实验验证,该方法能够有效的识别轴承正常状态、内圈故障、外圈故障以及滚珠故障.     

基于时变滤波经验模态分解和SSA-LSSVM的变压器内部机械故障诊断方法

为了准确有效地识别变压器内部的潜伏性机械故障,提出了一种基于时变滤波经验模态分解(TVFEMD)和麻雀搜索算法优化最小二乘支持向量机(SSA-LSSVM)的变压器内部机械故障诊断方法。首先,对铁心处于不同松动状态的变压器进行振动信号采集;其次,利用时变滤波改进的经验模态分解（EMD）对所得振动信号进行分解,以获取多个本征模态函数(IMF)即模态分量;然后,采用相关系数法计算IMF分量与原始振动信号的相关性,并计算相关性最大的IMF分量的样本熵,以此构建特征向量集;最后,以诊断准确率最高为目标函数,利用SSA对LSSVM的正则化参数和核函数参数进行优化,搭建SSA-LSSVM诊断模型,并利用诊断模型对特征向量集进行诊断识别,实现变压器铁心内部潜伏性机械故障的诊断。试验结果表明,所提方法能够有效识别变压器内部潜伏性机械故障,识别准确率达到了98%以上,比对比算法的识别准确率高出5%以上,达到了高识别准确率的诊断效果。     

基于希尔伯特-黄变换的变压器铁心振动特性分析

变压器铁心振动与铁心紧固状况、绝缘层损伤程度密切相关.利用希尔伯特-黄变换对非平稳信号的敏感性,提出一种可有效提取故障特征的铁心振动在线监测方法.对铁心振动信号进行经验模态分解,自适应地获得本征模态函数,继而对每组本征模态函数进行希尔伯特变换,得到了表征铁心振动信号时频变化的三维希尔伯特能量谱及边界谱,揭示了正常运行和隐含故障的铁心振动特征,为变压器的早期故障诊断奠定了坚实的基础.