基于小波包的无刷直流电机匝间短路故障特征提取

通过分析无刷直流电机定子绕组匝间短路故障原理,建立其数学模型。利用小波变换的能量与原始信号的能量之间存在着等价关系及小波包分析良好的全频带分解特性,将匝间短路故障信号进行小波包分解,计算出各频带所占能量,进而获取能量分布形式的早期匝间短路故障特征。仿真结果表明此种方法简洁有效。     

基于智能理论的高压断路器机械故障诊断

文中对高压断路器机械故障诊断方法进行了研究,通过监测高压断路器合闸操作振动信号,提出了一种基于小波分解和支持向量机(SVM)的机械故障智能诊断方法。首先利用小波分解对振动信号进行分解,然后提取出振动信号的低频和高频重构信号的能量并将其作为特征量,最后利用SVM实现高压断路器机械故障的分类。为了验证提出的方法,搭建了高压断路器机械故障诊断软硬件平台,并对现场的高压断路器进行了实验研究。实验结果表明,该方法能有效地完成高压断路器机械故障的诊断。     

基于小波能量与神经网络的断路器振动信号识别方法

高压断路器出现机械故障不仅会引起振动冲击事件的时间漂移,还会引起时域波形中一些波峰幅值的变化。依据同一类型断路器振动信号相似的特点,在对高压断路器故障振动信号进行特征分析的基础上,提出了一种识别高压断路器振动信号的新方法:将小波包提取算法和径向基神经网络模式识别功能相结合,利用小波包分解与重构原理将断路器合闸振动信号分解到不同频段中,提取每个频带能量作为断路器状态监测的特征向量,作为径向基神经网络的输入向量;基于径向基神经网络的故障诊断方法在系统参数未知的情况下自动建立动态模型,对于线性系统和非线性系统都有很好的跟踪能力,通过实验室断路器典型合闸振动信号的监测及识别分析验证了该方法的有效性。     

低压断路器振动特性分析与合闸同期性研究

针对低压断路器的机械特性,采用小波分解法对其振动信号进行分析。根据电动操作机构及低压断路器合闸动作的时序关系,以驱动电机电流信号作为时间标识,有效地提取了合闸振动信号。提出小波包能量谱分析低压断路器合闸同期性研究,在小波包对振动合闸信号细节分解基础上,采用小波包重构提取合闸振动主频带信号特征,由此构造合闸同期性状态特征矢量,并应用BP神经网络建立三相合闸不同期故障的识别模型。在断路器基座横梁安装单个加速度传感器,实验模拟了DW15—1600低压断路器的四种同期性状态振动信号,仿真结果表明,本文提出的振动信号小波包能量谱与神经网络相结合的方法,可有效地分析低压断路器合闸同期性。     

基于Kohonen网络的高压断路器机械故障识别方法

引起高压断路器故障的原因大部分都是机械故障,因此对高压断路器进行故障诊断,使其可靠、高效地工作对电力系统的运行具有很大的意义。实验室模拟断路器基座支架上的合闸振动信号,采用小波包变换对取得的3种状态下的振动信号进行分解,计算各频段能量并做归一化处理,构造特征向量作为Kohonen网络的输入,进而进行机械故障识别。最后,将基于Kohonen网络的识别方法与BP网络以及RBF网络识别方法对高压断路器机械故障的识别效果进行比较。结果表明提出的基于Kohonen网络的高压断路器机械故障识别方法优于BP网络以及RBF网络,具有较高的准确性。     

特征评估高压断路器机械故障诊断方法的研究

分析断路器的机械振动信号的特性,针对采用单一性质故障特征难以实现整个故障状态空间上准确诊断的局限性,提出了一种基于改进的距离评估技术和多类支持向量机相结合的诊断高压断路器机械故障的方法,该方法由3部分构成:首先从高压断路器机械振动信号中提取时域统计特征、频域统计特征、经验模态分解能量熵及小波包能量特征信息;接着采用改进的距离评估技术从原始特征集合中选取最优特征,实现对原始特征空间的降维处理;最后选取的最优特征量作为"次序二叉树"策略方式的多类支持向量机的输入向量,实现对断路器3种机械故障模式的识别。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。     

基于振动信号的高压断路器螺栓松动故障诊断研究

断路器在电力系统中肩负着控制和保护的重要任务，加强对断路器机械系统潜伏性故障诊断研究，对提高断路器在运行中的可靠性具有重要意义。文中以ZN98型真空断路器为研究对象，依据其振动强度建立了一套高压断路器振动加速度测试系统，基于MATLAB小波包频带能量分解算法提取故障诊断特征量。以紧固螺栓松动的潜伏性故障为例，分析了不同频段的振动信号能量图谱，提出了一套高压断路器弹簧操动机构螺栓松动潜伏性故障的诊断方法。研究表明，设置单个紧固螺栓故障时，传感器测试位置距离故障螺栓越近所得的特征量阈值越大，应选取特征量阈值的最小值作为测试位置的故障诊断判据；相较于断路器的分闸过程，合闸过程的特征量阈值更能明显准确地反映断路器的机械状态。     

基于集合经验模态分解和多分类相关向量机的高压断路器机械故障诊断方法研究

作为电力系统中最重要的控制和保护设备的高压断路器,由于其故障中机械故障所占的比例最大,所以为了保证电力系统能够可靠地运行和电网质量的提高,有必要对高压断路器机械故障进行诊断及时了解其运行状态。通过对高压断路器分、合闸时产生的声波信号分析发现在声波信号中存在着大量的机械状态信息,因此可以依据声波信号的特征量对高压断路器机械故障进行诊断。通过集合经验模态分解方法提取高压断路器分闸过程中的声波信号特征量,并与多分类相关向量机相结合对高压断路器机械故障进行诊断,实验结果表明该方法具有良好的诊断效果。     

基于振动信号小波包提取和短时能量分析的高压断路器合闸同期性的研究

该文提出了一种分析高压断路器合闸同期性的新方法将小波包提取算法和短时能量分析方法相结合，利用小波包分解与重构原理将断路器合闸振动信号分解到不同频段中，并对代表高频冲击信号的分解系数进行重构，然后运用短时能量分析方法对重构后的信号进行分析，辨识出合闸变位点。通过对三相合闸过程的分析，得出三相同期性。通过MATLAB仿真分析和实验结果验证了该方法的有效性。     

基于振动信号分析的高压断路器机械故障诊断

针对高压断路器机械故障诊断方法准确率较低的现状,提出将改进的小波包分解(wavelet packet,WP)、Hilbert谱分析、粒子群优化(particle swarm optimization,PSO)算法和优化后的支持向量机(support vector machine,SVM)相结合的诊断方法,对弹簧操动式高压断路器进行弹簧疲劳和合闸挚子卡涩故障(在高压断路器机械故障中占比较高)的模拟实验和分析。研究结果表明,振动信号的时频特性能较好反映高压断路器的机械状态,尤其基于PSO-SVM的特征分类方法分类效果较好,能大大提高现有高压断路器机械故障诊断方法的准确率。     

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。     

ZN63型断路器操动机构合闸弹簧应力松弛仿真分析与诊断

文中通过在动力学仿真软件中建立断路器运动仿真模型,设置不同程度的合闸弹簧应力松弛故障,分析了合闸弹簧应力松弛对断路器操动机构运动特性的影响;采集了断路器操动机构合闸弹簧在正常及应力松弛故障下的振动信号,提出一套基于小波包敏感频段能量法的断路器合闸弹簧应力松弛故障的诊断方法。试验表明,该方法能够有效地区分弹簧是否发生应力松弛故障。     

基于小波包分解的断路器振动信号能量谱和能量熵分析

为了获取断路器在多次分合闸动作机械性能劣化过程中振动信号的差异,基于小波包分解理论,提取SF₆断路器在分合闸动作4 000次过程中的振动信号,并进行小波包分解,计算各个节点的能量谱和能量熵。计算结果表明,在合闸与分闸过程振动信号能量谱中,能量主要分布在节点(4,0)与节点(4,1),占比达到95%。随着断路器动作次数增加,分闸振动信号节点(4,0)的能量占比增加,节点(4,1)能量占比减少,能量分布向低频转移。合闸振动信号节点(4,0)与节点(4,1)的能量比均在一定范围内波动,未呈现出明显的变化趋势,合闸振动信号与分闸振动信号各个节点的小波包-能量熵均保持不变。     

基于MODWT的变压器绕组轻微故障检测及分类研究

本文基于变压器在不同运行工况下的等效瞬时励磁电感的差异,利用最大重叠离散小波变换 (MODWT) 提取有效故障特征参数,实现对变压器绕组轻微匝间故障以及匝间电弧放电故障的检测。首先提取变压器在各种工况下的电气量,求取等效瞬时励磁电感,选取基于db4小波函数的最大重叠离散小波变换进行分析,提取特征量。将故障特征量作为决策树的训练集和测试集,从而实现变压器绕组轻微故障的识别以及分类。最后通过仿真证明,所提出的算法能够准确检测以及区分励磁涌流、轻微匝间短路故障以及匝间电弧放电故障。     

基于小波包能量谱和延时时间的断路器故障诊断

在电力系统的运行中,断路器能根据需要灵活的变更运行方式和切断故障。断路器动作如果不可靠就会影响电力系统的正常运行,甚至带来巨大的经济损失。为了检测断路器潜在的机械故障,判断断路器是否能正常使用,文中分析断路器的机械振动信号,提出了一种振动信号的处理方法:将信号进行小波包分析,计算各尺度波形的能量谱;通过互相关函数,计算各类故障工况下,信号相对于正常情况的延时时间。将特征量带入改进型的支持向量机,即特征加权支持向量机(FWSVM)可对断路器进行故障诊断。结果表明,该方法可以有效地分析高压断路器的部分机械故障,对预防断路器故障有实际意义。     

利用骨干微粒群算法和SVM诊断电机定子故障

为了实现感应电机定子匝间短路故障的准确识别,提出一种基于骨干微粒群算法和支持向量机(support vector machine,SVM)的故障诊断方法。根据故障电流信号的特点,提出一种基于骨干微粒群算法的基波滤除方法,用以消除基波分量对故障特征提取的影响。然后利用小波包频带能量分解技术,将残余电流信号的故障特征谐波分解到不同频带,形成感应电机运行状态的特征向量,并以此作为SVM的输入向量。采用SVM进行分类,并利用骨干微粒群算法和交叉检验优化模型参数,避免参数选择的盲目性。实验结果表明,该方法不但可以有效滤除基波分量,突出故障特征,而且能够在小样本情况下准确辨识感应电机定子匝间短路故障。     

改进的小波包-特征熵在高压断路器故障诊断中的应用

在详细介绍小波包与特征熵的基础上，将二者结合提出了一种诊断高压断路器机械故障的新方法，并给出了切实可行的诊断步骤和分析。该方法首先将断路器基座振动信号进行3层小波包分解，提取第3层各节点重构信号的包络；然后利用正常状态标准信号所得各包络信号的等能量分段方式，实现对应节点待测状态信号包络的时间轴分段，并利用各分段积分能量、按照熵理论提取特征熵向量；最后构造简单的BP神经网络实现特征熵向量的分类。经正常和2种故障状态下高压断路器无负载振动信号测试，证明该方法检测高压断路器故障简单、准确，为断路器的故障诊断开拓了新的思路。     

基于波形辨识技术的SF6断路器分/合闸线圈电流监测

监测SF6断路器分/合闸线圈电流是及时发现SF6断路器故障隐患的有效手段之一。提出了一种分析SF6断路器分/合闸线圈电流信号的波形辨识技术,将小波包信号提取算法和相似性原则相结合,利用小波包分解与重构将SF6断路器的分/合闸线圈电流信号分解到不同频段中,并对代表有效电流信号的分解 系数进行重构,然后运用相似性原则对重构后的信号进行辨识,以确定SF6断路器是否正常运行。应用Matlab进行了仿真分析,并对仿真分析结果进行了试验验证,结果表明,该辨识技术辨识SF6断路器分/合闸线圈电流信号分析是有效的。     

基于深度自编码网络的高压断路器操作机构机械故障诊断方法

为了提高操作机构机械故障诊断准确率,充分挖掘高压断路器振动信号中的特征信息,提出了一种基于深度自编码网络的高压断路器操作机构机械故障诊断方法。首先,提取断路器操作机构振动信号并进行小波包变换,并对各个频段的振动信号进行等时间分段;然后计算振动信号时频子平面的能量大小,并以该时频能量分布作为断路器操作机构故障诊断的特征量;最后,通过预训练和微调建立基于深度自编码网络的断路器故障诊断模型,并以126 kV高压断路器进行不同故障类型的模拟实验验证方法有效性。实验结果表明:该方法能够获取故障样本数据并进行故障诊断,诊断准确率达到97.5%;深度自编码网络能够充分挖掘出断路器振动信号中的深层信息,相较于传统的浅层网络能够更加准确有效地诊断操作机构机械故障。     

基于LVQ神经网络的高压断路器机械故障诊断方法

高压断路器作为电力系统的开关及保护设备,其可靠地工作对整个电力系统的安全运行具有很大的意义。为了迅速、精确地诊断高压断路器故障,提出一种基于学习向量量化(LVQ)网络的高压断路器机械故障诊断方法。首先,模拟高压断路器灭弧室机械故障状态,采集断路器的机械振动信号;其次,提取高压断路器机械故障振动信号的小波包能量作为特征量,建立基于LVQ网络的高压断路器机械故障诊断模型;最后,将LVQ网络、思维进化优化(MEA)的LVQ网络、BP网络和RBF网络在网络迭代步数、网络误差以及预测置信度方面进行比较。结果表明,提出的基于LVQ神经网络的高压断路器机械故障诊断方法相比较于其他诊断方法具有一定的快速性,并具有较高的置信度。