基于振动信号MTF变换的并联电容器故障诊断

针对并联电容器运行过程中常出现内部缺陷、接触缺陷、重叠缺陷、油质缺陷等4类典型缺陷，提出了一种基于振动信号马尔可夫转移场变换的并联电容器故障诊断方法。首先，根据现场工况制作了4种典型缺陷样品，测试了不同缺陷下试样的机械振动信号并搭建振动数据集；然后，基于马尔可夫转移场变换将一维振动信号转变为二维图像以提高信号可视能力；最后，通过卷积神经网络对马尔可夫密度图进行特征自提取和分类，讨论了不同分位数下信号的可视化能力，并与常见的诊断方法进行了比较。结果表明：将振动信号进行马尔可夫转移场变换提高了信号的可视化能力，使深度学习算法能够更全面的提取信号特征，文中方法的平均识别准确率达到了98%左右，能较好地实现并联电容器的故障诊断，并优于其他常见方法。