基于分合闸线圈电流的万能式断路器故障诊断

分合闸线圈作为低压万能式断路器操作机构的关键部件,传统的检修方式只能发现其显性故障,而对内部隐性故障不易检测,根据线圈电流能够有效反映断路器的分合闸运动特性,提出一种基于线圈电流的低压万能式断路器故障诊断和程度评估方法,其适用于出厂试验和现场检修。通过对分合闸过程中线圈电流信号特性进行分析,首先将电流信号进行关键时间、电流幅值提取作为局部特征,对电流信号经过集合经验模态分解后,提取各分量的能量矩作为全局特征;其次经主成分分析法降维后构建特征向量;然后采用基于遗传算法优化权值系数的多核学习支持向量机进行模式识别;当诊断出故障需要进行故障程度评估时,通过求取故障电流信号与正常电流信号的集合经验模态分解能量矩相对熵,并参照所求得的故障程度特性曲线,即可完成故障程度的定量评估。试验结果表明,该方法对于断路器分合闸线圈回路故障诊断效果良好,同时能够有效进行故障程度定量评估。     

基于灰色关联度的框架式断路器故障诊断方法

针对断路器故障诊断技术中智能识别算法过于复杂的问题,提出了一种基于灰色关联度的框架式断路器故障诊断方法,该方法利用灰色综合关联度描述故障特征序列曲线之间的几何相似度来判断故障的归属,充分利用故障特征本身的变化趋势。其首先提取触头振动信号局部均值分解能量矩或分合闸线圈电流信号集合经验模态分解能量矩,经归一化后形成能量矩序列,将该能量矩序列与不同故障状态下的参考序列进行灰色综合关联分析,根据最大关联度原则确定故障类型,其中灰色综合关联度各指标的权值系数利用熵值赋权法得到。对断路器触头分合闸机械结构故障和操作附件分合闸线圈回路故障进行了诊断测试,结果表明,该方法能够准确有效地完成对断路器不同故障的诊断。     

断路器相控技术抑制操作过电压的有效性

在某500 k V变电站同一工况的开关操作下,多次测量开关设备暂态外壳电压和汇控柜内电流互感器二次端口的骚扰电压,发现测量值存在很大的差异。为了确定操作过电压与断路器合闸瞬间动静触头间电压初相位的关系,采用断路器相控技术,建立单相断路器在不同相位条件下合闸空载长线的分析模型。仿真结果表明,断路器在最佳相位下击穿时,空载线路侧最大操作过电压为0.96 p.u.,低于500 k V输电线路的额定电压,验证了断路器相控技术用于抑制线路操作过电压的有效性。此外,针对断路器三相同期合闸造成某相出现较大过电压的情况,提出断路器合闸空载线路的选相控制策略,可使三相线路操作过电压均保持在额定电压范围内。     

深度残差网络在滚动轴承故障诊断中的研究

近年来,由于传统人工提取特征的方法不足以准确表征滚动轴承的健康状态,深度学习算法被逐渐应用于滚动轴承的故障诊断中,它能够自适应的从输入数据中学习出所需要的特征.其中,相较于普通的深度学习算法,深度残差网络通过恒等映射的方式可以大幅度降低模型的训练难度.因此,采用了一种用于滚动轴承故障诊断的深度残差网络(ResNet),...     

自动重合闸信号采样电路的设计分析

针对电网中使用的自动重合闸型漏电断路器防雷击浪涌性能不足与自动重合闸功能易失效问题,对漏电断路器自动重合闸信号采样电路的设计进行了分析研究,通过电磁兼容浪涌与模拟电网电压跌落测试,对比了分别使用电压型、电流型和机械型3种重合闸信号采样电路的漏电断路器性能,针对电压型与电流型重合闸信号采样电路的性能不足,提出了改进措施,并通过了复测验证。研究结果表明,使用电压型自动重合闸信号采样电路的漏电断路器浪涌抗干扰性能较差,自动重合闸功能容易失效,使用机械型与改良电流型重合闸信号采样电路具有较强的浪涌抗干扰能力与稳定有效的自动重合闸功能,机械型重合闸信号采样电路因其成本低廉,更具实际应用价值,值得推荐生产企业使用。     

基于深度残差网络的滚动轴承故障诊断方法

在实现滚动轴承故障诊断的过程中,需要通过时频分析方法对原始信号进行特征集构建,期间包含大量计算且对于人工经验有着很强依赖性.针对滚动轴承故障诊断中依赖特征集选取这一问题,提出了基于深度残差网络的故障诊断方法,凭借深度学习的自主学习及强泛化能力以实现故障特征的自我获取和训练,消除故障诊断中人为特征集选取环节,从而简化故障诊断的流程.主要内容包括:首先,构建残差网络模型,通过建立多组卷积层、池化层及残差块,共同组成深层次网络模型;其次,通过滚动轴承故障实验台获取不同类型的故障样本,对信号进行分组并构建训练样本和测试样本;进而,对网络进行初始化设定后,将训练集输入深度残差网络模型,利用多层卷积和池化运算实现对原始信号抽象化表征;最后,在网络模型末端集成Softmax分类器,实现对两类轴承故障样本的分类诊断.所提出方法在两组诊断实验中均达到了 100％的准确率,对于不同类型、转速和损伤程度的滚动轴承故障都具有很好效果.研究说明所建立模型能够自主地挖掘故障信号的特征集,可在一定程度上简化故障诊断研究中的预处理和特征计算环节,避免人工提取特征的主观盲目性和经验依赖性,具有广泛的工程应用前景.     

断路器合闸储能弹簧状态监测

为保证弹簧操动机构断路器安全可靠运行,设计了一种断路器合闸储能弹簧状态监测系统。使用压力传感器、加速度传感器、光电编码器、电流互感器对合闸储能弹簧的压力、合闸储能弹簧动作行程、断路器合闸行程和储能电机电流进行监测,利用MPS-140801采集卡对各个传感器的输出信号进行采集,使用LabVIEW对采集到的数据进行读取、处理、显示和存储。在LW25-126瓷柱式六氟化硫断路器上进行了试验验证,结果表明该监测系统能够准确测量反应断路器合闸储能弹簧性能的状态参数。     

基于深度残差收缩网络的风力发电机齿轮箱故障诊断

提出了一种基于深度残差收缩网络的风力发电机齿轮箱故障诊断方法。首先，通过齿轮箱动力学模拟实验平台采集9种工况下的8种故障的振动信号；其次，对所采集的信号进行数据预处理，将其输入至深度残差收缩网络中训练；最后，利用反向传播算法不断优化网络参数，实现变工况下风力发电机齿轮箱故障的识别与分类。实验结果表明，所提方法在变工况场景下，可有效提取齿轮箱的故障特征并具有较高的识别准确率，证明了其在风力发电机齿轮箱故障诊断方面的可行性及有效性。     

基于残差胶囊网络的滚动轴承故障诊断研究

采用传统的滚动轴承故障诊断方法对时域信号进行特征提取时,过分依赖于专家知识,而且提取到的特征对故障信息表达不充分,针对这一问题,提出了一种基于残差网络和胶囊网络的滚动轴承智能故障诊断方法。首先,以原始振动信号作为输入,使用一维卷积神经网络对其时域信号进行了全局特征提取;然后,利用残差网络提取了数据的低层特征,并将其输入到胶囊网络中,进行了低层特征矢量化处理;随后,采用模糊聚类改进的动态路由方法完成了低层特征到高层特征的聚合,并进行了特征分类;最后,为了验证该方法的有效性,采用滚动轴承数据集对所提出的方法进行了试验验证,并将该方法诊断结果与其他深度学习方法诊断结果进行了比较。研究结果表明:残差胶囊网络在分类精度上达到了99.95%,并且在收敛速度方面得到了提高,通过t-sne可视化分析进一步证明了该网络模型具有自适应挖掘高层特征的能力;残差胶囊网络在滚动轴承故障诊断中具有良好的精确性和泛化性。     

基于振动-电流广域特征与软共享机制的断路器多故障诊断

万能式断路器机械结构复杂,其产生的故障具有多源性,对多源故障进行失效溯源分析是十分必要的。 然而,传统的多 任务诊断方法不能很好地处理任务间存在的干扰问题,导致故障识别率降低。 针对此问题,提出一种基于振动-电流广域特征 与软共享机制的多故障诊断方法。 首先利用 TKEO 与 DTM,实现分合闸振动信号片段的精准分割,在此基础上分别融合触头动 作关联振动信号和附件电流信号的广域特征信息合成彩色图像样本以丰富故障表征信息。 然后基于多任务学习的软共享机制 构建多故障诊断模型,并通过自适应加权方法来自动的调整两个任务损失函数的权重比例,消除了任务间的相互干扰,进而提 高了故障诊断的性能。 最后分别从合闸和分闸两个过程进行实例分析,结果表明本文所提方法在两个任务的分类准确率分别 达到了 99. 78% 和 99. 85% ,可以有效地实现万能式断路器多故障诊断。     

基于振动分析结合人工免疫算法的高压断路器故障诊断预测系统研究

针对电力系统中高压断路器的故障诊断、预测,提出了由一种基于电磁变化与感应原理,结合机械结构合理设计的振动检测装置提取振动信号,并采用人工免疫算法,对高压断路器振动指纹信号进行识别,实现高压断路器故障诊断、预测的有效可行的系统设计方法。     

基于电机电流分析的万能式断路器机械故障诊断

电机电流信号常用于分析电动机本身的故障问题,但对其应用于与电机相连机构的故障分析的研究较少。提出一种基于储能电机电流分析的万能式断路器操作机构故障诊断方法。首先采用Hilbert幅值解调法和改进的小波包阈值法相结合获取交流电流信号的包络线,以解决随机噪声干扰造成的所提取包络线粗糙的问题;然后通过包络线提取电流信号的时间量、电流量以及峭度作为不同故障状态电流波形的特征参数;最后融合模糊聚类和量子粒子群优化的相关向量机实现对断路器正常状态、传动齿轮卡涩、储能弹簧卡涩以及脱落的4种状态的辨识。构建了基于电流分析的万能式断路器故障诊断系统,在不同工况下进行了验证,结果表明该方法能有效提取操作机构储能相关部件的故障特征,实现了对操作机构储能相关部件的故障诊断。     

基于参数优化VMD和改进DBN的滚动轴承故障诊断方法研究

针对滚动轴承早期微弱故障难以检测和故障诊断率不高的问题,提出了一种基于参数优化的变分模态分解(VMD)和改进的深度置信网络(DBN)的故障诊断方法。首先,为了消除人为选择VMD参数的影响,采用了鲸群算法(WOA)寻优VMD算法的最佳模态分解个数和惩罚因子的参数组合;然后,利用参数优化后的VMD算法分解了滚动轴承振动信号,分解后的本征模态分量(IMF)求频谱后组成了高维数据集;最后,直接输入麻雀搜索算法(SSA)优化的深度置信网络进行了模式识别。研究结果表明:针对滚动轴承的故障,相同模式识别方法VMD算法故障识别率为97.4%,相比于EMD算法96.5%的故障识别率更高;相同信号处理方法下,DBN网络故障诊断率为98.7%,相比于SVM算法97.4%故障诊断率更高;WOA-VMD-SSA-DBN算法的故障诊断率达到了100%,故障诊断的效果得到了进一步提升。     

基于改进一维残差网络的轴承故障诊断

针对现有一维卷积网络和残差网络在故障诊断方面的不足,本文将一维卷积网络与残差网络相结合,提出了一种基于改进一维残差网络的轴承故障诊断方法。该方法通过添加一条残差连接通道的方式,增加残差网络宽度,以学习更丰富的特征,提高故障诊断准确率。利用6种轴承状态对所提方法的分类效果进行了测试。实验结果表明,所提方法能直接利用振动信号,在较小训练与测试样本比的情况下实现故障诊断,当训练样本为90,测试样本为810(训练与测试样本比为1:9)时,驱动端故障诊断的正确率为99.6%;当训练样本为270,测试样本为630(训练与测试样本比为3:7)时,风机端故障的正确率为97.3%。     

基于MEEMD-SDP图像特征和DRN的行星齿轮箱故障诊断

在行星齿轮箱齿轮的实际工程应用中,针对故障发生的早期阶段,其非平稳性、非线性振动特征信号导致故障诊断准确率低的问题,提出了一种基于MEEMD-SDP图像特征和深度残差网络的齿轮故障诊断方法。首先,采用了改进的集总平均经验模态分解(MEEMD)方法对齿轮振动信号进行了分解,获得了能够反映齿轮振动信号信息的固有模态函数(IMF);然后,通过对称点图案(SDP)分解方法提取了IMF分量,将其变换到极坐标下的雪花图像特征,并组成了特征向量;最后,引入深度残差网络(DRN)模型,实现了对行星齿轮箱齿轮不同故障的识别与分类,同时将其与卷积神经网络(CNN)模型进行了对比,并在东南大学公开的齿轮箱数据集上进行了不同模型对齿轮状态故障识别准确率的对比实验。研究结果表明：SDP图像特征能够全面表征齿轮的状态信息,相较于CNN模型,采用DRN模型对齿轮进行诊断得到的平均准确率有明显提高,可达到98.1%,能验证基于MEEMD-SDP图像特征和深度残差网络方法的有效性;研究结果对提升现有行星齿轮箱齿轮故障识别的准确率具有一定的价值。     

基于多传感器数据融合和深度残差收缩网络的轴向柱塞泵故障诊断

为了解决单传感器振动信息不能全面表达柱塞泵故障特征信息的问题，提出了一种基于多传感器数据融合深度残差收缩网络学习的轴向柱塞泵故障诊断方法。首先，采用多传感器对振动信号进行采集，完善振动信号的故障特征信息。其次，针对振动信号的非平稳、非线性等特征，提出基于多元多尺度散布熵的多通道融合方法，获取一维故障特征向量，从而达到增强故障冲击特征的目的。然后，将故障特征向量输入到深度残差收缩网络模型，通过注意力机制，利用软阈值函数降低样本噪声及无关特征干扰，实现轴向柱塞泵故障特征识别。最后，通过轴向柱塞泵故障诊断试验验证所提方法的有效性。试验结果表明，该方法可有效提取振动信号的故障特征，识别正确率明显高于典型的深度学习方法。     

基于LabVIEW的万能式断路器故障在线诊断系统

为实现对万能式断路器分合闸故障的非侵入式检测,设计了一种基于LabVIEW的万能式断路器故障在线诊断系统。采用加速度传感器和拾音器对断路器分合闸过程中的振动与声音信号进行监测,并通过LabVIEW对振声数据进行读取、处理、显示、存储。研究了断路器振声数据的特征参数与分合闸动作状态之间的对应关系,利用支持向量机对分合闸动作过程中的故障进行辨识。在DW15-1600万能式断路器上进行故障模拟试验,结果表明该系统可以有效地对断路器分合闸故障进行诊断,具有良好的可靠性与实用性。     

断路器控制系统中的电流信号异常点检测

针对于断路器控制系统中电流信号的分辨准确率不高和断路器执行机构的误操作等问题,提出一种基于滑动时间窗口和斜率的新的检测方法。利用滑动时间窗口将信号流静态化,利用数据流中距离的检测方法的原理对信号进行准确的分类,对可能最具危害性的信号用斜率的方法进行最终判断,分辨出其是否为异常信号,这样可以更有效的达到断路器控制系统的保护的目的。实验结果表明,该检测方法有效的减少了断路器控制系统中的断路器合闸的误操作次数,提高了断路器机械构件的使用寿命。     

基于残差网络的RV减速器故障诊断

为了提升对RV减速器的故障诊断的准确率,采用残差网络诊断RV减速器的故障。通过振动试验台测得RV减速器4种故障模式与正常模式下的振动信号,由此构造训练和测试数据集,并对训练集进行数据增强处理。然后将截取的一维信号样本预处理转换为二维信号样本,输入残差网络进行训练和5折交叉验证。接着通过残差网络的分类准确率与DNN、LeNet、10层CNN等模型的准确率进行比较,结果表明残差网络优于传统方法,对RV减速器故障的分类准确率达到了98.11%。进一步采用了西储大学轴承数据集对模型的泛用性进行验证。最终,通过LDA(线性判别分析)对残差网络平均池化层的输出进行降维,分析了散点图与RV减速器故障类型之间的关系。     

基于次优网络深度学习的3D打印机故障诊断

为实现精度可靠且成本节约的3D打印机故障诊断,采用消费品级的姿态传感器采集打印机的健康状态数据,并提出次优网络深度学习以弥补低成本硬件精度的不足。次优网络深度学习在由预训练和精细调节组成的传统深度学习基础上,一方面提出预分类方法自适应确定次优的网络结构参数,另一方面采用精细分类方法进一步提高故障诊断分类的精度。试验中,将姿态传感器安装于并联臂3D打印传动链的末端即打印头上。传感器全部通道的运动信号作为输入信息,采用深度玻尔兹曼机构建了次优网络故障诊断算法进行大数据驱动的故障诊断。将所提出的次优网络深度学习故障诊断方法与其他方法相比较,其结果表明,所提出方法可以有效诊断3D打印机的传动故障。