基于最小二乘支持向量机的局部放电信号的识别

为提高小样本情况下识别局部放电信号的正确率,采用最小二乘支持向量机(LSSVM)对局部放电信号进行识别,利用网格搜索法先进行粗略搜索,再精细搜索参数,进行参数寻优。采用M-ary方法进行多分类。并采用LSSVM和BP神经网络两种分类器对局部放电信号进行识别,识别结果表明,LSSVM识别率比BP要高。该方法在小样本情况下具有更高的识别率。     

航空发电机定子绕组局部放电特征及检测方法研究

通过对航空发电机局部放电信号的检测方法和干扰进行分析 ,并通过计算机模拟了局部放电信号和各种干扰 ,利用小波变换的多分辨分析方法 ,从信噪比较低的信号中检测出局部放电信号。仿真结果表明该方法是有效的 ,为航空发电机定子绝缘状态监测提供了理论基础     

基于BP神经网络算法的电缆局部放电类型模式识别

利用计算机技术的模式识别已被运用到了局部放电分析领域。与人工识别相比,其识别结果准确,识别速度快,有很大的发展潜力。现研究了基于BP神经网络算法的电缆局部放电模式识别技术,简述了模式识别的原理,重点研究了BP神经网络的结构及算法,并利用BP神经网络对电缆典型绝缘缺陷局部放电类型进行模式识别。     

大型发电机局部放电在线监测仪的研究

局部放电在线监测是大型发电机绝缘诊断的重要方法。本文介绍了所研制的一套宽频局部放电在线监测系统,它可正确识别实验室模拟的几种典型局部放电。最后给出了现场监测大型发电机运行工况的实际测试结果。     

基于UHF的局部放电信号小波包去噪与模式识别研究

为有效检测GIS内部局部放电(PD),采用超高频法模拟局部放电实验,采集不同缺陷模型的局部放电信号。应用小波包分析和多种阈值去噪方法滤除白噪声,得到PD信号特征,并引入概率神经网络实现PD模式识别。实验结果表明:经验给定阈值方法去噪效果最佳,且去噪后PNN模式识别准确率可达92.31%,满足工程需求。     

发电机定子绕组局放量化分级的新方法

针对发电机定子绕组早期局部放电难以定量分析和无法根据放电程度判断其维修标准的问题,对定子绕组局部放电强度、时间和环境等方面进行了研究,提出了在发电机定子槽锲中安装紫外传感器的方法,构造了一种新型的紫外在线放电监测系统。该方法通过检测局部放电产生的紫外线有效地对定子绕组局部放电进行了实时监控。同时,针对局部放电程度建立了投影寻踪等级模型,并用格雷码加速遗传算法优化投影向量实现了量化分级处理,用小波包分解技术提取了放电特征量,利用实例对该方法进行了测试,并用Matlab软件进行了仿真。研究结果表明了该模型的可行性和有效性,能够实现实时检测定子绕组局部放电并对放电程度进行量化分级处理,有利于电力工作人员在发生放电故障之前解决安全隐患和延长发电机的使用寿命,对局部放电故障检测具有重要的实际应用价值。     

基于超声波的沟槽电缆局部放电检测技术

为了检测沟槽电缆绝缘层局部放电区域,文中提出了一种基于超声波的局部放电在线检测技术。基于绝缘层三电容模型和气隙放电模型,分析局部放电产生超声波的机理及信号特征;研究了高灵敏度、便携式沟槽电缆局部放电超声波在线检测装置;基于MATLAB的GUI功能研究了数据处理系统。测试结果表明:该装置能可靠地采集处理局部放电超声波信号,且信号幅值与放电量成正比,与传播距离成反比;在局部放电信号频率范围内,低频段放电信号的幅值较大。     

电火花线切割加工中放电间隙大小在线识别

为实现对线切割加工中放电间隙大小的在线识别，开发了电火花线切割加工间隙放电状态检测系统。在试验的基础上，运用时序分析法研究了放电间隙大小与间隙放电状态之间的关系；构造了一个反映放电间隙大小的样本空间，并以此训练一个神经网络模型来在线识别放电间隙大小。试验表明，该模型能较好地识别放电间隙大小。     

基于多重分形维数的GIS局部放电模式识别

根据气体绝缘组合电器（GIS）设备内部绝缘缺陷产生局部放电的特点，设计了4种典型的GIS缺陷模型，采用甚高频高速采集大量局部放电样本，构造了局部放电图谱；以差盒维数和多重分形理论为基础，给出了基于差盒维数的多重分形计算方法；提出了一种基于多重分形特征的GIS局部放电图谱特征提取方法，对局放图像求取了相应的差盒维数、多重分形维数及放电重心特征，最后将提取的特征量通过RBF神经网络进行分类，识别结果显示本文方法有效地提高了GIS局部放电4种缺陷的识别率。     

基于EMD与SVD结合的S变换模型的局部放电信号去噪研究

局部放电监测是目前高压电气设备亟需解决的重要问题。由于局部放电信号往往含有大量白噪声,会影响对真实放电信号的识别,因此提出了一种基于EMD与SVD结合的S变换改进模型进行去噪的新方法。该方法主要由经验模态分解(EMD)、S变换、奇异值分解(SVD)3个部分组成。首先利用经验模态分解对局部放电信号进行分解,提取其中主要的特征量;其次对得到的特征量进行S变换,得到时频矩阵;然后对该矩阵进行奇异值分解,去除噪声;最后进行逆S变换,重构信号,从而得到较为清晰的时域放电信号。     

大型发电机局部放电在线监测仪探究

在分析早期发电机局部放电特点的基础上,探讨了在线监测系统的构成及模拟实验、现场实验,以期使大型发电机局部放电在线监测仪为我国经济的发展做出更大的贡献。     

基于深度学习的局部放电数据诊断系统的样本处理方法研究

电力电缆在工作中由于受到电、热、机械等复杂应力的作用会产生局部放电现象，严重时还会威胁到输电线路的可靠性和电网的安全性。对电缆中局部放电信号的识别和诊断是电缆智能运维的重要手段，鉴于此，介绍了如何使用样本清洗、样本查重等筛选手段和噪声叠加、稀疏处理等数据增强方法对局部放电信号的样本进行处理，从而为基于深度学习的局部放电智能诊断系统提供可靠的基础样本数据，提高局放诊断的准确率。     

基于特征快速构造与卷积神经网络的机泵故障识别研究

将卷积神经网络(CNN)应用于振动信号分析时,往往会出现由于一维信号转化为二维特征导致的计算量巨大的问题,针对这一问题,对卷积神经网络输入构造及不同构造方式对神经网络性能的影响进行了研究。基于机泵振动信号分析特点,提出了一种新的将一维振动信号转换为二维的特征快速构造方法;基于特征快速构造方法和卷积神经网络,构建了机泵故障智能识别模型;利用某石化现场轴承故障和不平衡故障数据对故障模型进行了测试,并与其他信号转化方法及故障识别模型进行了对比。研究结果表明:不同故障类型模型均可以快速收敛,故障识别准确率均达95%以上;在故障识别准确率和训练效率方面,该模型较其他模型有着较显著的优势。     

基于小波包变换的局部放电包络信号模式识别

为实现GIS故障检测和缺陷的模式识别,针对GIS出现的典型绝缘缺陷及其放电特点,设计了4种常见的GIS绝缘缺陷模型并进行放电试验。对获取的大量超高频包络信号,提出了一种基于小波包变换奇异值分解的时域特征提取方法。该方法首先对包络信号进行小波包变换,构建各尺度的小波包分解系数矩阵,然后对其进行奇异值分解,提取特征向量,在此基础上,采用BP神经网络进行模式识别,结果表明采用此方法获得了良好的识别效果。     

基于超声波检测的BP神经网络缺陷识别方法设计

针对石油储罐底板的缺陷损伤问题,建立局部储罐底板模型,应用超声波缺陷检测技术进行分析研究。利用ABAQUS有限元软件进行超声检测的模拟仿真分析,采集并保存接收信号,通过不同位置的发射/接收器信号时间差值对比,应用椭圆定位原理计算得到缺陷类型;从仿真模拟数据中选取不同的超声波回波信号作为神经网络的输入,借助于MATLAB软件训练出可识别底板缺陷的BP神经网络,选取多组数据进行测试,经验证,设计的BP神经网络对缺陷数据识别具有一定正确性。     

基于单片机控制的开关柜局部放电识别方法研究

为解决传统开关柜局部放电识别方法存在精确度不佳的问题,该文引入单片机控制原理,设计了一种新的开关柜局部放电识别方法。采集开关柜局部放电特征数据,检测开关柜运行状态及其中的异常数值;根据采集结果判断开关柜局部放电特征类型,从而实现对开关柜局部放电的识别。仿真实验结果表明,该识别方法具有较高的识别精确度,且识别过程耗时较短,证明该方法实用,可靠性较高。     

基于粗糙集神经网络的刀具磨损监测的研究

针对多传感器刀具磨损监测系统输入维数较多、神经网络结构复杂、收敛速度慢等缺点,提出了粗糙集和遗传算法优化神经网络的模型.该模型首先利用粗糙集理论的属性约简对输入数据进行处理,从而达到减少神经网络输入维数、简化神经网络结构的目的.然后通过遗传算法优化神经网络的初始权值和阈值,以提高神经网络的收敛速度,避免神经网络陷入局部极值点.将该模型应用到刀具磨损监测,通过对声发射信号和电流信号进行处理,提取特征向量值,将特征值先通过自组织神经网络进行连续属性离散化,再通过粗糙集理论进行属性约简,最后通过遗传算法优化的BP神经网络进行识别,取得了很好的效果,证明了此模型的有效性和可行性.     

基于BP-AdaBoost的耦合碰摩故障特征识别研究

旋转机械故障诊断研究中,采用BP神经网络容易陷入局部极小点而无法得到全局最优解,导致对耦合碰摩故障分类识别率不高的问题。研究了经验模态分解方法和BP-Ada Boost方法,结合二者优点,提出了一个故障识别的新方法,首先为了去除背景信号和噪声信号,选用经验模态分解方法来分解转子的振动信号,得到转子系统碰摩信号的主要故障特征,然后用BP-AdaBoost模型对3种不同工况进行识别。基于实验数据的分析表明方法的识别率要优于BP神经网络。     

基于声学特征的微电机故障诊断方法

针对微电机质量检测水平低、故障识别困难等问题,设计一种基于声学特征的微电机故障诊断方法.通过声音采集装置获得微电机转动时的正常声音信号和三种故障信号;从声音信号中提取39维梅尔频率倒谱系数和短时能量,搭建一维卷积神经网络模型进行识别.将声音信号转化成语谱图,建立二维卷积神经网络模型并识别.利用多模型融合技术中的加权平均...     

基于遗传神经网络的发电机转子匝间短路故障辨识

针对BP神经网络对发电机转子匝间短路故障识别方法存在收敛速度慢且极易陷入局部最优解的不足,在分析发电机转子绕组匝间短路后的电磁特性及电机气隙磁场的基础上,提取了故障特征量,采用遗传神经网络法对发电机转子匝间短路故障进行辨识,通过引入遗传算法对BP神经网络进行权重和阀值优化,使模型具有全局寻优、收敛速度快及评价结果客观、准确的优点,并且避免了为得到故障样本所做的损坏性试验过程。仿真结果表明了该方法的可行性和有效性。