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。     

基于改进Hilbert-Huang变换和支持向量机的高压断路器触头超程状态识别

引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)方法进行改进,并将改进的HHT方法结合支持向量机(SVM)应用于高压断路器振动信号特征提取和触头超程状态识别中。采用EEMD提取反映振动信号局部特性的本征模态函数(IMF)分量,并计算IMF分量的Hilbert边际谱能量值,由此构造高压断路器触头超程状态特征量,利用得到的特征向量对SVM进行训练,实现高压断路器触头超程状态的自动识别。试验提取了高压断路器在不同触头超程下的振动信号并进行分析,结果表明所提方法能够有效识别高压断路器触头超程状态。     

基于振动信号的高压断路器触头超程状态识别

提出了一种利用振动信号识别高压断路器触头超程状态的新方法。高压断路器分/合闸动作过程中产生的振动信号包含有触头超程状态信息,合适的信号处理方法及特征提取技术可以将该信息提取出来。试验获取高压断路器不同触头超程下的振动信号,采用经验模态分解(EMD)对振动信号进行分解,计算分解得到的本征模态函数(IMF) Hilbert边际谱能量,作为触头超程状态特征量,并详细分析该特征量与触头超程之间的变化规律。结果表明,所提方法能够有效提取高压断路器的触头超程状态信息,能够实现触头超程状态的准确识别,为高压断路器触头超程状态在线监测与诊断提供一种新方法。     

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HHT的振动信号趋势项提取方法

针对振动信号中的趋势项成分的提取,提出一种基于希尔伯特-黄变换(HHT)的新方法.先用经验模态分解(EMD)方法将信号分解为一系列固有模态函数(IMF),然后对各IMF分量进行Hilbert变换得到希尔伯特边际谱;通过计算各IMF希尔伯特边际谱,可以获得各IMF的主频成分,对属于趋势项的IMF分量进行判别,最终确定趋势项.仿真结果表明,该方法能准确的提取振动信号中的趋势项成分.     

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。     

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EEMD和SOM神经网络的水电机组故障诊断

针对水电机组振动信号的非平稳性和特殊性,提出一种基于集合经验模态分解(EEMD)的奇异谱熵和自组织特征映射网络(SOM)相结合的故障诊断方法。首先采用EEMD对振动信号进行分解,得到本征模态函数(IMF);随后进行奇异谱分解,得到反映振动信号的动态特征向量——奇异谱熵;最后将得到的特征向量输入经过训练的SOM神经网络中进行故障自动识别。结果表明:该方法可以准确地提取机组故障特征,具有更高的识别精度和更快的计算速度。     

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。     

Hilbert-Huang变换在电力故障暂态信号检测中的应用

提出利用Hilbert-Huang变换对电力系统故障信号检测的方法.通过对检测点获得的故障电流信号进行经验模式分解(EMD),得到一系列的本征模态分量(IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率.为进一步故障检测提供了依据.仿真试验表明Hilbert-Huang变换的方法能准确地检测故障时刻.     

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。     

基于分形理论的低压断路器三相合闸同期性振动信号特征分析

在综述现有断路器机械故障振动信号研究方法的基础上,提出了一种经验模态分解(EMD)和分形理论相结合的方法用于提取低压断路器振动信号的特征量,并以典型的三相合闸不同期性低压断路器故障为对象,研究了EMD结合分形维数的故障振动信号特征分析,且给出以分形维数均方根作为故障特征量的实验仿真数据结果。首先,利用EMD方法对低压断路器的振动信号进行分解,得到若干个本征模态函数(IMF);其次,对振动信号以及各IMF分量求分形维数及其均方根,作为低压断路器振动信号的特征量。通过对低压断路器三相合闸不同期性模拟故障振动信号处理,对比其不同状态下的分形维数及其均方根的变化规律,表明该方法不仅可作为低压断路器三相同期性故障诊断的判据,且可应用于断路器其他各类机械故障的振动信号特征的提取分析。     

采用HHT振动分析的低压断路器合闸同期辨识

利用振动信号辨识三相合闸不同期故障,应解决有效的振动信号消噪及其故障特征提取方法.提出一种希尔伯特-黄变换(HHT)的低压断路器振动信号分析方法,采用经验模态分解(EMD)有效地提取反映振动信号局部特性的本征模态函数(IMF)分量,以前5阶IMF分量表征振动信号特性且起到信号消噪作用.通过时域特征分析,得出振动信号的峭度和均方值可作为判别机械特性的辅助特征指标.提出前5阶IMF分量能量比及峭度、均方值为特征向量,建立粒子群优化径向基(PSO-RBF)神经网络的低压断路器合闸不同期故障识别模型.实验与仿真结果表明,基于单个传感器振动特性,综合采用时域分析、EMD分解、粒子群优化神经网络等人工智能的合闸同期性故障识别效果良好,为断路器故障尤其是三相合闸同期性振动分析提供了一种新的诊断方法.     

高压断路器振声联合故障诊断方法

针对现有的高压断路器机械故障诊断方法存在的不足,本文提出了一种新的高压断路器振声联合诊断机械故障的方法。此方法首先利用快速核独立分量分析(fast KICA)对采集到的声波信号进行盲源分离处理,并对处理后的声波信号和采集到的振动信号进行改进集合经验模式分解(EEMD)。其次,对分解后的每一个固有模态函数(IMF)求其二维谱熵,并以此二维谱熵矩阵的变换矩阵作为支持向量机的输入特征向量对断路器机械状态进行识别。最后实验表明,振声联合复合分析方法有效提高了高压断路器机械故障诊断的正确性和实用性。     

低压断路器振动特性分析及其故障诊断研究

以低压断路器三相不同期故障为对象,首先,利用经验模态分解(EMD)方法,将振动信号分解为若干本征模态函数(IMF),经频谱分析确定前四阶IMF分量作为振动信号特性,并起到振动信号消噪作用;其次,利用分形理论对前四阶IMF分量求取关联维数,以表征低压断路器三相合闸不同期的故障特征;最后,引入极端学习机(ELM)建立三相合闸不同期故障识别模型。试验与仿真结果表明,基于EMD及分形理论的ELM模型可有效区分三相不同期故障。根据上述故障诊断原理,该方法对低压断路器其他故障类型的诊断具有适用性。     

基于EMD的Hilbert变换应用于暂态信号分析

将一种新的非平稳信号处理方法--基于经验模态分解(EMD)的希尔伯特(Hilbert)变换方法,应用于电力系统暂态信号分析中。通过EMD方法提取信号的固有模态函数(IMF),再进行Hilbert变换,求瞬时频率、瞬时振幅,得到信号的Hilbert谱,进而得到Hilbert边际谱,对故障暂态和扰动信号进行了分析。通过瞬时频率进行故障暂态和扰动时刻的准确检测;通过Hilbert边际谱与傅里叶幅值谱的比较,表明Hilbert边际谱在分辨率上具有明显的优越性。该方法为电力系统暂态信号分析提供了一种新的分析手段。仿真结果验证了该方法的有效性。     

基于HHT的风力发电机组滚动轴承故障特征提取

采用振动信号对风力发电机组滚动轴承的状态进行监测。运用经验模态分解方法对轴承振动信号进行模态分解,获得了振动信号的本征模函数。依据振动信号随轴承磨损的变化特征,采用希尔伯特-黄变换对分解后的本征模函数进行处理,得到了与本征模态函数对应的时频谱和边际谱。研究结果表明在时频谱和边际谱中呈现的特征量与轴承状态之间存在密切联系,根据振动信号的时频谱特征和边际谱特征可实现轴承故障状态的监测。     

动平衡测试系统中不平衡量的测试方法研究

针对动平衡测试系统中不平衡量测试精度较低的问题,提出了一种基于希尔伯特黄变换(HHT)的滤波方法,该方法应用于动平衡测试系统,对获取的转子原始振动信号和转频信号进行分析,可以有效得到不平衡量的质量和相位.方法先对原始振动信号进行经验模态分解(EMD),将振动信号分解为一系列固有模态函数(IMF),再经过希尔伯特(Hilbert)变换计算出各IMF的希尔伯特边际谱,根据转子转频信号滤除掉高低频干扰信号,筛选出针对不平衡量的有效振动信号,根据该信号的幅度和频率即可得到不平衡量的质量和相位.与普通数字滤波方法比较,实验结果表明,该方法用于动平衡测试系统比普通数字滤波方法精度高,效果好.     

基于经验模态分解的高压断路器机械故障诊断方法

分析高压断路器机械振动信号的特性,提出一种以改进的经验模态分解(empirical mode decomposition,EMD)能量熵和支持向量机(support vector machine,SVM)相结合的诊断高压断路器机械故障的方法,并给出了可行的诊断步骤和分析.首先利用经验模态分解方法将高压断路器的振动信号分解成一些相互独立的内禀模态函数"(intrinsic mode function,IMF),然后利用正常状态标准信号所得各固有内禀模态函数包络信号的等能量分段方式,实现对待测状态信号各IMF包络的时间轴分段,计算各待测信号IMF包络的能量熵向量,以此构造的经验模态分解能量熵向量作为支持向量机的输入向量.采用"次序二叉树"向量机分类,利用梯度法和交叉检验优化支持向量机模型参数.实验结果表明,该方法诊断高压断路器机械故障能取得良好的效果.     

基于CEEMDAN与样本熵的高压断路器机械故障诊断

依据高压断路器振动信号特性,提出一种自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与样本熵相结合的高压断路器故障特征提取方法。首先利用CEEMDAN将分闸振动信号分解成一系列内禀模态函数(intrinsic mode function,IMF),然后利用相关系数法与归一化能量筛选包含信号主要特征信息的前7阶IMF分量,求取其样本熵作为特征量,最后采用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)分类器,对断路器不同故障类型进行分类识别。实验结果表明该特征提取方法能准确提取振动信号特征量,输入PSO-SVM诊断高压断路器故障能取得良好的效果。