基于ICEEMDAN多尺度模糊熵和MVO-KELM的变压器绕组铁心机械故障诊断

针对变压器绕组铁心机械故障诊断精度不足的问题,提出了一种基于改进自适应白噪声完整集成经验模态分解(ICEEMDAN)多尺度模糊熵(MFE)和多元宇宙优化算法优化核极限学习机(MVO-KELM)的变压器绕组铁心机械故障诊断方法。首先,为了避免虚假模态分量的产生,采用改进的ICEEMDAN对变压器原始振动信号进行分解。其次,利用Pearson相关系数法选取相关性最高的模态分量,并计算其MFE值。然后,将MFE值作为特征量构建特征数据集,并利用MVO优化KELM的核参数和正则化系数。最后,将特征数据集输入所建MVO-KELM模型进行分类识别,实现高准确率诊断目标。试验结果表明,所提方法具有优秀的诊断精度和稳定性,能够精确诊断变压器绕组铁心不同松动程度的故障,诊断准确率达到了99%以上,可为变压器现场检修策略的制定提供一定的指导。     

GIL机械故障诊断与预警技术研究

为了有效诊断气体绝缘金属封闭输电线路(GIL)的机械故障,搭建了110 kV GIL试验平台并设计了3种典型机械故障,通过互补集合经验模态分解(CEEMD)模糊熵值与鲸鱼优化极限学习机(WOA-ELM)模型联合方法对GIL机械故障模式进行识别与诊断。首先,利用CEEMD方法对振动信号进行分解,引入正负白噪声组对信号进行处理,得到含有故障信息的模态分量(IMF)。其次,利用模糊熵计算模态分量特征值,得到能表征故障特征的模糊熵值。最后,结合WOA-ELM模型对特征向量集进行模式识别,根据聚类结果与自适应阈值对GIL设备机械故障进行诊断和预警。结果表明,利用CEEMD与模糊熵对GIL振动信号特征进行分析,可以有效避免模态混叠和冗余噪声分量的干扰,得到能够表征故障特征的特征值;利用WOA-ELM模型可以有效实现GIL设备机械故障诊断与预警。     

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。     

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。     

基于参数自适应VMD和SA-ELM的有载分接开关故障诊断

机械振动信号能反映有载分接开关的运行状态。为提高有载分接开关机械故障的诊断准确率,提出了一种基于参数自适应变分模态分解(VMD)和模拟退火优化极限学习机(SA-ELM)的故障诊断方法。首先对振动信号进行VMD分解,根据能量准则自适应确定模态数的取值,得到一组窄带、区分度较好的模态分量。然后求取各模态的能量值,形成特征向量组,不同故障状态的模态特征区分明显。最后将特征向量组输入SA-ELM,实现振动信号的识别和诊断。在模拟试验平台上进行试验并对采集的信号进行分析,结果表明文中故障诊断方法可有效提高有载分接开关机械故障的诊断准确率。     

基于EEMD和马氏距离的高压断路器机械故障诊断研究

断路器的振动信号可以有效反映其机械运行状态,针对目前使用振动信号判别断路器常见机械故障正确率较低的现状,提出一种基于集合经验模态分解(EEMD)和马氏距离判别法的高压断路器机械故障诊断方法。首先,针对断路器振动信号的瞬时非平稳特性,使用EEMD将其分解得到若干个固有模态函数(IMF)。然后,基于EEMD的能量熵并联合其均方根值,构造一种新的故障特征向量。最后,利用马氏距离判别法进行机械故障识别。实验结果表明,该方法用于识别断路器正常、传动机构卡涩和基座螺丝松动等常见机械故障时,正确率可达到95.7%,具有较高的实际应用价值。     

基于振动信号识别的断路器故障诊断研究

文中搭建了真空断路器试验平台,实现了主轴卡涩等四类机械故障状态。通过将正常及故障状态下的实测振动信号进行经验模态分解,得到所需要的内禀模态函数(intrinsic made function,IMF),利用能量法求出包含主要故障特征信息的各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,分析对比了不同分类策略、核函数的分类时间和分类准确率,经实验分析选用"一对其他"分类策略并且核函数为径向基函数的分类效果最优,为研制完善的断路器故障诊断系统提供理论依据及实际的数据基础。     

应用改进Hilbert-Huang变换下的Volterra模型诊断OLTC机械故障

为提高有载分接开关(OLTC)机械故障诊断的自适应性、特征分辨率以及识别效率,提出一种包含聚合经验模态分解(EEMD)分解和Hilbert边际谱分析的改进HHT方法,与混沌时间序列的Volterra模型相结合来提取OLTC的机械故障特征。具体应用时,首先对OLTC切换过程中的多通道振动信号进行EEMD分解得到固有模态函数(IMF)分量,然后应用Hilbert谱分析法求取各IMF的Hilbert边际谱。进一步,应用Volterra模型根据Hilbert边际谱构建Volterra特征矩阵,以矩阵奇异值为故障特征参量。最后搭建了OLTC典型机械故障真型实验平台,采用文中方法获取并分析了几种典型机械故障的振动信号,并借助多分类支持向量机对数据集进行分类识别,验证了所提出故障诊断方法的有效性。与其他方法对比得知,新方法取得了较高的故障识别准确率。     

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。     

CEEMDAN 与 GCN 结合的配电变压器故障诊断

针对配电变压器故障特征提取困难、故障识别难度大的问题,提出一种将振动信号、自适应噪声完备集合经验模态分解 (CEEMDAN)与图卷积神经网络(GCN)三者有机结合的故障诊断方法。 首先,采用 CEEMDAN 对来自加速度传感器的振动信 号进行处理,获得一组固有模态分量(intrinsic modal function);其次求取边际谱信息作为特征向量;然后,对特征向量矩阵构造 无向加权完全图,并使用改进灰狼优化算法对高斯核带宽进行寻优;最后,搭建一个具备多通道和多连通的改进 GCN 模型进行 特征二次挖掘与故障分类。 与此同时,还在模型中加入一种名叫“峰值因子”指标实现对未知类型故障的辨识。 在实例分析 中,分别对油浸式和干式变压器进行故障模拟,提取不同状态的样本进行测试。 实验结果表明,所提方法对油浸式和干式变压 器的故障识别准确率分别达到 97. 73%和 95. 6%,优于其他两种对比方法。 在面对未知类型故障以及运行工况发生变化时,也 具备较高是识别能力。     

基于相空间重构与GSA-LVQ的有载调压变压器分接开关机械故障诊断

针对有载调压变压器分接开关机械故障诊断准确率不高以及潜在机械故障不能及时被发现的问题,提出了一种基于互补集合经验模态分解(CEEMD)、相空间重构结合万有引力搜索法(GSA)改进学习矢量量化神经网络(LVQ)的有载分接开关机械故障诊断新方法。采用CEEMD对振动信号进行时频域分解,然后通过C-C算法确定延迟时间和嵌入维数,对反映不同频率特征的固有模态函数(IMF)进行相空间重构,并提取反映混沌特征的两个特征量李雅普诺夫指数和关联维数构成特征向量。利用GSA优化LVQ,解决网络对初始连接权值敏感的问题,增强网络对有载分接开关机械故障分类识别性能。通过对有载分接开关机械状态的实验分析,证明了相空间重构结合GSA-LVQ算法的可行性和有效性。     

基于DCT和EMD的滚动轴承故障诊断

根据轴承故障振动信号特点,提出了一种离散余弦变换和经验模态分解相结合的轴承振动信号故障诊断新方法。将离散时间序列经过离散余弦变换处理成对应的系数向量,在阈值处理的基础上,重构信号提高故障信号的信噪比;对重构信号进行经验模态分解,通过相关系数计算去除伪分量,并进行频谱分析。仿真信号和轴承故障信号的分析表明,该方法提高了信噪比,降低了EMD运算成本,减少了IMF的数量,保证了IMF的物理意义,成功完成微弱故障诊断。     

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。     

基于特征判定系数的CSO-SVM的电力变压器振动信号故障诊断

变压器带电故障诊断对于保证电力变压器安全平稳运行具有重要的意义。针对变压器工作环境复杂且单一参数表征变压器故障类型不全面的问题,提出一种基于自适应噪声完备集合经验模态分解（CEEMDAN）和特征熵权法（EWM）进行故障诊断的方法。通过相关系数加权峭度（CCWK）原则筛选CEEMDAN分量并重构信号,实现在剔除冗余分量的同时,提升变压器振动信号特征的表征能力;利用EWM构建特征判定系数（FDC）实现单一数据诊断变压器故障类型;通过主成分分析法（PCA）减小混合域特征尺度,采用鸡群优化算法（CSO）优化支持向量机（SVM）模型进行故障诊断。对某变电站110kV三相油浸式变压器进行分析,结果表明与概率神经网络（PNN）和SVM等变压器故障诊断方法相比,文中方法在提前定性故障类型的同时,能够进一步提高变压器故障诊断准确率与效率。     

基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法

绕组松动故障是变压器最主要的机械故障之一，尚缺乏有效的智能化诊断方法。为此提出基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法。变压器稳态运行时的振动信号存在周期性的特点，导致其构建足量具有时间相关性的图像集十分困难，提出了一种样本构建方法用于生成变压器振动信号的格拉姆角场图像集。将生成的图像集送入AlexNet进行迁移学习，获得微调后的神经网络模型。实验结果表明：利用该样本构建方法生成的图像集作为训练集和验证集，建立的卷积神经网络模型训练准确率与验证准确率均达到99%以上；利用变压器周期性振动信号生成的图像集作为测试集，测试准确率达到99%以上，实现了变压器绕组松动故障的准确诊断，并为周期性信号运用具有时间相关性的图像变换方法构建足量样本集提供了一种新思路。     

改进双谱和经验模态分解在牵引电机轴承故障诊断中的应用

铁路机车传动系统的故障诊断,对保障列车安全可靠运行、防范事故发生起重要的作用。为了有效诊断牵引电机轴承的早期故障,提出基于经验模态分解和改进双谱的故障特征提取方法。经验模态分解是一种数据驱动的信号处理算法,相当于一个自适应滤波器组,其可将信号分解成占据不同频带的固有模态函数,实现信号消噪。滚动轴承承载运转时,局部损伤点以故障特征频率反复撞击与之接触的其它元件表面,会引发机械系统共振;基于此,采用改进双谱分析轴承振动信号各分量间的相互作用,检测轴承故障特征频率。机车实际运行试验表明,所提方法能准确诊断牵引电机轴承的早期故障。