基于小波时频图和卷积神经网络的断路器故障诊断分析

高压断路器操动机构振动信号为非平稳性信号,蕴含着丰富的操动机构工作状态的信息,对操动机构工作状态的检验辨识具有重大意义。提出一种基于小波时频图和卷积神经网络的断路器故障诊断方法。对操动机构振动信号进行连续小波变换生成时频图(CWT),并对时频图进行统一压缩预处理;将预处理后的时频图作为特征图输入卷积神经网络AlexNet模型;通过对网络参数的调整,逐步改进网络模型,有监督地实现对操动机构故障状态的辨识诊断。结果表明,该方法能够有效地运用于断路器操动机构故障辨识诊断,与小波频带能量-RBF、小波频带能量-SVM的故障识别相比,故障识别准确率最高。     

基于EEMD和卷积神经网络的高压断路器故障诊断

高压断路器分合闸线圈的电流信号蕴含着丰富的断路器操动机构状态信息,对操动机构故障诊断具有重大意义.首先,文中通过集合经验模态分解(ensemble empirical mode decomposition,EEMD)具备的检测突变点性能确定有效分合闸线圈电流信号段,并对其进行EEMD自适应降噪处理.其次,运用时域求极值...     

基于多参量LSTM模型的变压器油纸绝缘老化诊断方法

针对单一特征参量进行油纸绝缘老化诊断容易造成诊断结果偏差和片面性的问题,提出了一种基于多参量长短时记忆(long short-term memory,LSTM)深度学习模型的油纸绝缘老化诊断方法.首先分析变压器油中糠醛与聚合度的相关性,根据糠醛含量和聚合度的良好线性关系建立油纸绝缘老化分级策略;其次深入分析多个时域特征...