基于dsPIC的电弧故障检测装置

在分析故障电弧特征的基础上,利用Matlab对故障电弧波形进行3次B样条小波分解。经分析得m,可利用第4尺度下的细节分量最大值作为判断故障电弧发生的依据。在实物设计中,以dsPIC为核心搭建了电弧电流采样硬件电路、继电器控制硬件电路,编写Mallat小波分解算法程序、故障判断程序等,设计了一个基于dsPIC的电弧故障检测系统。最后,搭建了串联电弧故障模拟试验电路,并以电水壶为典型负裁对系统的功能进行测试。通过试验,验证了系统对于电弧故障识别的有效性。     

家用空调电弧故障检测装置的研究

针对国内电弧性电气火灾防范的技术要求,依据美国UL1699标准建立低压电弧检测试验平台,利用电弧发生装置进行模拟电弧故障试验。采集空调工作电流波形,分析不同工况下电流波形的变化特征,建立了基于电流时域上的“平肩”宽度和“平肩”宽度变化率检测算法,研制出空调电弧故障检测装置。试验结果表明,检测装置能够有效检测到空调电弧故障,并及时脱扣保护电路。     

基于HCMAC神经网络的故障电弧检测方法

低压故障电弧电流的有效值往往小于热脱扣器的动作电流,导致传统的电路保护装置失效.模拟低压电气线路中的故障电弧,利用电流采样装置对故障电弧电流进行采样.在分析故障电弧电流波形特征的基础上,利用HCMAC神经网络对电流波形的各周期均值、斜率和小波变换高频系数三个判据进行综合评判,有效克服了单一判据的局限性.仿真结果表明,基于HCMAC的故障电弧检测方法可有效识别故障电弧特征,提高辨识故障电弧的准确率.     

基于LinkSwitch-TN的电弧故障检测装置电源设计

提出了一种基于LinkSwitch-TN的电弧故障检测装置(AFDD)电源的设计方案。结合LinkSwitch-TN功率开关控制器件的内部结构,详细分析了该集成电路的工作原理,完成了基于LNK304的三路输出电源的电路设计,并进行了实际检测装置的供电测试。测试结果表明,电源各项参数符合设计要求,在该电源供电下,AFDD工作稳定,并可有效地检测到故障电弧。     

电弧故障检测的分析和研究

介绍了电弧故障检测的基本原理。分析了电弧故障检测技术的现状、难点及其技术应用。通过对串联电弧故障波形和并联电弧故障波形特征的研究,提出了电弧频谱分析方法,既有助于电弧特征的研究,又有助于提高电弧故障检测的可靠性,是电弧故障检测的有力手段。     

基于CNN与特征周期变化率的故障电弧检测嵌入式系统实现研究

针对现有电弧故障检测装置精准度低、实时性不足以及高负载持续运行等问题,提出基于卷积神经网络(convolutional neural networks,CNN)与特征周期变化率的故障电弧检测算法,该算法分为上电和过程两种检测模式。上电模式采用多特征量导入CNN进行检测,过程模式提出电流的不同状态特征值周期变化率的概念,并把特征值变化率进行分区,联合神经网络进行递进检测,在保证准确率的同时降低算法复杂度。该算法以STM32H743为处理器,搭配调理、数据采集等电路形成实时电弧故障诊断系统。经过实验测试,本装置对交流故障电弧检测平均正确率达到97.43%,最快检测时间低至0.045 s,可为电弧故障检测装置的研制提供理论支撑和可靠参考。     

基于神经网络和D-S证据理论的故障电弧检测

基于电弧电流特征的故障电弧检测方法存在信息源单一的不足,容易引起保护误动作和拒动作。针对该问题,文中以电弧辐射的电场和磁场信号以及电弧电流作为检测信号,提出一种基于神经网络和D-S证据理论的故障电弧检测方法。首先,采用模极大值方法提取不同负载下电弧电磁辐射信号特征量,并用波形相似法提取电弧电流信号特征量;其次,利用BP神经网络构建各个特征量与电弧故障之间的映射关系,得到单个特征量的故障电弧识别率;最后,以该识别率作为D-S证据理论的输入,实现决策级多特征信息融合。在典型负载情况下的试验结果表明,该方法能有效提高故障电弧检测的准确率。     

基于广义基尼指数和脉冲神经网络的航空交流 串联电弧故障检测

航空电缆在振动作用下很容易产生电连接器松动、线束断裂等情况,从而引起交流电弧故障。针对交流串联电弧故 障时频域特征不明显而引起的故障检测问题,提出了一种基于广义基尼指数(generalized Gini indices,GGI)和脉冲神经网络 (spiking neural network,SNN)的电弧故障检测方法。首先,提出用广义基尼指数对试验数据电流波形进行分析;其次判断正 常周期和故障周期下的数值差距,然后与时域特征指标裕度、峭度、脉冲因子相比,所提指数对电流波形周期故障判断更准 确;最后,将广义基尼指数转变成特征值,代入到积分泄漏发放(leaky integrate-and-fire,LIF)模型进行训练,进一步提高方法 的普适性。试验结果表明,该方法能够快速有效地检测航空交流串联电弧故障。     

基于非对称卷积神经网络的电弧故障检测系统

串联电弧故障是引发电气火灾的重要原因,对其有效检测能确保线路的正常运行和电气设备的可靠工作。 根据低压串 联电弧故障的检测难点,提出了基于非对称卷积神经网络的识别模型,用于适应性地提取串联电弧故障信息。 针对串联电弧故 障种类多、信息隐蔽等问题,首先利用格拉姆角差场时域数据处理方法,将负载模拟的时域信号经过极坐标变换、三角变换后映 射到二维矩阵中,以增加故障数据点的空间占有率和数据关联信息。 之后,为了不增加时间开销,同时改善模型的识别效能,使 用自适应非对称卷积、多通道离散注意力机制改进残差神经网络,作为低压线路中的串联电弧故障模型。 最后,利用容器封装 已训练好的故障识别模型,实现故障信息的快速分析。 验证表明,所提方法对串联电弧故障的识别率达到 99. 95%,具有良好的 识别效果。     

故障电弧探测装置的研究及发展趋势

对故障电弧的产生原因进行了分析,列出了故障电弧探测装置的相关标准。分析了不同负载下电弧故障时电流和电压的特性,比较了几种常用检测故障电弧的应用算法,阐述了与电弧故障断路器的不同之处并按安装位置进行设计分类。最后对故障电弧探测装置的发展进行了分析。     

基于小波变换的故障电弧检测方法研究

描述了故障电弧的危害、定义及检测方法分类。提出了一种基于Daubechies 4阶小波变换的故障电弧检测方法。通过试验分析证明,其具有计算简单、实时性强等特点,能有效检测线路中是否有故障电弧产生。     

基于小波神经网络的传感器故障诊断方法研究

详细阐述了小波神经网络的结构、原理,在分析智能大厦中空调机组传感器主要故障的基础上,提出了基于小波神经网络的诊断方案.MATLAB仿真和模拟实验结果表明,在相同的条件下,小波神经网络在解决传感器故障检测、分离和补偿问题上优于传统的BP网络.     

基于BP神经网络的机器人容错控制

提出一种基于神经网络的机器人故障检测系统结构,给出在线学习逼近机器人标称模型的故障检测方法。控制系统可运行于两种工作模式：系统正常时,采用常规计算力矩控制器;有故障发生时,引入补偿控制来削弱故障影响,保障系统的正常运行。对机器人的仿真控制结果表明,设计的控制策略在机器人发生故障时,不仅能够继续完成预定工作任务而且还保证了跟踪精度,表明了该方案的有效性。     

基于径向基网络实现变压器故障诊断

研究采用径向基神经网络进行变压器故障诊断,以提高变压器故障诊断率。分析了径向基函数神经网络的结构和工作原理,确立了适合变压器故障诊断的网络学习算法,并设计了一个诊断变压器故障的三层径向基网络。通过采用MATLAB进行仿真实验。结果表明径向基神经网络是一很强的分类器,能够有效的对变压器故障进行诊断。     

弧隙间距对故障电弧特性影响的试验研究

按UL1699标准搭建了试验平台及采集故障电弧测试数据,重点针对电阻性负载下的故障电弧产生与弧间距之间的影响进行了试验研究。比较了不同弧隙间距对于电弧突变电压峰值和电流零休时间的影响,为故障电弧的产生和分析研究提供了试验支撑。