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。     

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。     

牵引变电站直流断路器机械状态监测与故障诊断研究

直流断路器作为电力系统控制和保护的最重要的开关设备之一,其可靠运行关系着电力系统的安全稳定性。直流断路器在分合闸时的振动信号能直接反映断路器的机械状态,因此选取直流断路器的机械振动信号作为研究对象。首先研究了振动传感器选型对振动信号采集的影响并确定了传感器型号,接着研究了振动信号预处理和提取振动信号特征量的方法,最后模拟了几种常见故障并用Elman神经网络对模拟故障进行诊断。处理结果表明,用小波包分解和Elman神经网络实现了直流断路器机械状态监测和诊断。     

运行中电力变压器表面三维振动信号小波分析

理论和实践表明根据电力变压器表面振动信号可以分析判断其绕组和铁芯的工作状态。表面振动信号特征分析是振动法分析电力变压器状态的一个重要基础。应用小波多分辨率技术,分析了现场采集的电力变压器表面三维振动信号,并基于帕赛瓦尔定理计算比较了X、Y、Z三个方向振动信号的频段-能量分布特征,为振动法分析电力变压器运行状态提供参考。     

基于LMD和SVM的高压断路器弹簧操动机构状态异常检测方法研究

弹簧操作机构为高压断路器正常分合闸提供能量,其可靠性直接关系着断路器的正常工作,因此对断路器弹簧操动机构进行状态检测有着重要的意义。文中通过IEPE压电式振动传感器采集弹簧存储与瞬间释放过程中伴随断路器本体发生强烈振动信号,采用基于局部均值分解(LMD)的能量特征提取算法结合支持向量机(SVM)理论的方法实现弹簧操作机构状态检测。将采集到的断路器操动时的振动信号进行局部均值分解,得到一系列乘积函数(product function,PF)分量,求出包含主要弹簧异常信息的各个PF分量的归一化能量,将其作为特征向量,输入支持向量机,采用网格参数寻优法对SVM参数进行优化,建立高压断路器弹簧操作机构状态异常检测模型。实验结果表明,该方法的辨识精确度高达97.5%,能够有效识别断路器操动机构弹簧能量状态异常引起的故障类型。     

基于电—振信号熵权特征的断路器储能机构故障诊断方法

弹簧势能的可靠储存是保障断路器后续分合闸操作正确的前提。通过分析控制回路、电机、传动部件和弹簧之间的能量转换和传递关系,提出一种电—振信号熵权特征联合的断路器储能机构故障类型辨识方法。首先利用希尔伯特变换(Hilbert transform)提取储能电机电流信号包络时域特征并计算峭度;然后由局部均值分解(LMD)处理断路器储能过程伴随的振动信号得到乘积函数分量(PF),并提取PF能量谱频域的盒维数特征;进而采用熵权法对电流和振动信号待分类样本进行剪辑,按照样本信息量和重要性赋予对应的权重;最后把熵权特征作为KNN算法的输入,辨识储能机构运行状态。实验结果表明:采用联合电—振信号的熵权特征量,KNN算法能更准确地诊断断路器储能机构发生的故障类型。     

基于EEMD算法的10 kV真空断路器分合闸行程信号降噪方法研究

10 kV真空断路器是电网中最关键的电气设备之一,一旦发生故障就将严重威胁电网的安全与稳定运行,因此开展故障诊断方法的研究具有实际工程价值。为克服10 kV真空断路器分合闸动作产生的振动干扰对CCD传感器采集数据的影响,采用EEMD算法对真空断路器分合闸行程信号进行模态分解,并结合IMF频率和能量分析法,对行程信号进行降噪,重构后的行程信号具有很好的降噪效果,可为真空断路器故障提供准确的判断依据。     

基于振动信号的超程变化情况下断路器刚分刚合时刻识别方法研究

在断路器的长期使用过程中,由于触头磨损、螺丝松动等原因,超程将会发生改变,断路器刚分刚合时刻的确定具有较大难度。刚分刚合时刻的判断方法在超程变化情况下的准确性还未有人研究。文中以12 kV交流中压真空断路器为研究对象,搭建了断路器机械状态离线测试试验平台。在模拟多种超程量的条件下,对断路器分合闸过程中的触头换位信号与振动信号进行同步采集,采用短时能量法对振动信号进行处理,准确分析出断路器换位信号提取的分合闸时刻与振动信号提取的特征量间的对应关系。利用振动信号替代换位信号,通过对断路器分合闸过程振动信号的提取,准确判断刚分刚合时刻,获得分合闸时间。测试试验结果表明,该方法在超程改变情况下对分合闸时刻的判断误差在0.5 ms以内,提高了断路器在超程变化时机械数据的准确性,为断路器机械状态的在线监测提供了依据。     

不同负载电流下变压器表面三维振动信号特征分析

变压器表面振动信号与绕组及铁芯运行状态密切相关。采集正常运行中变压器表面三维振动信号,结合负载电流和运行电压数据,分析总结不同方向变压器表面振动信号的时域峰值特征和频域能量特征。提出能量—电流灵敏度指标EC-S,用于定量描述变压器表面振动信号各频点能量受负载电流变化的影响,基于该指标分析了可表征变压器绕组振动状态的特征频点。结果表明同一位置不同方向的变压器表面振动信号差异显著,三维振动信号较单一方向振动信号能更全面地反映变压器绕组振动变化。     

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.