基于改进EEMD的高压断路器振声联合故障诊断方法

高压断路器是电力系统中关键的控制和保护设备,针对其故障诊断方法的不足之处,将振声数据级融合和特征级融合应用于高压断路器故障诊断方法。振声特征级融合诊断方法首先将采集到的声波信号通过快速核独立分量分析(Fast KICA)实现盲源分离处理,其次利用改进集合经验模式分解(EEMD)提取振动信号和声波信号的特征向量。振声数据级融合诊断方法首先构建振声联合图像,其次利用改进的BEEMD提取特征向量。最后将两种方法提取的特征向量输入支持向量机模型(SVM)进行故障诊断,实验结果表明,所提方法诊断高压断路器故障能取得良好的效果。     

基于VMD-Hilbert边际谱能量熵和SVM的高压断路器机械故障诊断

针对高压断路器分、合闸动作过程中产生的振动信号持续时间短暂及强烈的非线性非平稳性,导致的特征提取困难问题,提出一种变分模态分解(VMD)-希尔伯特(Hilbert)边际谱能量熵,及支持向量机(SVM)的高压断路器振动信号组合特征提取和机械故障诊断方法。采用VMD对高压断路器振动信号进行分解,得到一系列反映振动信号局部特性的本征模态函数(IMF);对IMF进行Hilbert变换,并求取对高压断路器机械状态变化敏感的Hilbert边际谱能量熵作为特征向量;将特征向量输入到SVM分类器,实现高压断路器机械故障的智能诊断。试验结果表明:该方法能够准确识别高压断路器的常见机械故障类型,具有一定的工程应用价值。     

基于振声时三维图的高压断路器机械故障诊断方法

分析高压断路器机械振动信号和声波信号的特性,针对现有诊断方法的不足,笔者提出了一种基于振声时三维图的高压断路器机械故障诊断方法,并给出了可行的诊断步骤和分析。此方法首先利用分级多时标信号对准的方法构建振声时三维图,然后提取断路器振声时三维图的包络,最后采用基于形状的分级特征向量提取方法构建支持向量机的输入向量进行故障诊断。其中,一级特征提取振声时三维图包络六面八角的特征向量,二级特征提取振声时三维图二维投影的区域弦的分布特征。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。     

基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法

为可靠地进行万能式断路器机械故障诊断,在基于振动信号故障诊断的基础上,提出了一种多特征融合与改进量子粒子群(QPSO)优化的相关向量机(RVM)相结合的万能式断路器分合闸故障振声诊断方法。首先,对振声信号进行小波包软硬阈值结合去噪预处理,并利用互补总体经验模态分解算法对处理后的振声信号进行分解,提取固有模态函数能量系数、样本熵、功率谱熵,并组成多特征参数;然后,通过组合核函数核主元分析对多特征参数降维,并将其特征融合组成特征向量作为RVM的输入,解决单一特征识别断路器分合闸故障的低准确率和低稳定性;最后,利用改进QPSO优化分类模型参数,建立基于RVM的次序二叉树模型对断路器故障进行辨识。实验结果表明,该方法能有效提升不同故障状态下诊断结果的可靠性。     

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CEEMDAN-LMD-KFCM的断路器操动机构机械故障诊断方法

断路器操动机构中高频振动信号蕴含丰富的机械信息,为有效提取振动中高频分量进行诊断分析,提出了一种新的断路器操动机构机械故障诊断方法。此方法对采集到的振动信号时域波形通过CEEMDAN分解,并根据熵权法对其高频分量进行重构以得到去噪信号,将去噪后的信号进行LMD分解,对分解得到的PF分量求取多尺度排列熵作为KFCM识别算法的输入特征分量。经KFCM识别结果表明,此机械故障诊断方法对断路器操动机构转轴卡涩、底座松动、拒动等典型故障具有较高的识别率。     

基于EEMD和马氏距离的高压断路器机械故障诊断研究

断路器的振动信号可以有效反映其机械运行状态,针对目前使用振动信号判别断路器常见机械故障正确率较低的现状,提出一种基于集合经验模态分解(EEMD)和马氏距离判别法的高压断路器机械故障诊断方法。首先,针对断路器振动信号的瞬时非平稳特性,使用EEMD将其分解得到若干个固有模态函数(IMF)。然后,基于EEMD的能量熵并联合其均方根值,构造一种新的故障特征向量。最后,利用马氏距离判别法进行机械故障识别。实验结果表明,该方法用于识别断路器正常、传动机构卡涩和基座螺丝松动等常见机械故障时,正确率可达到95.7%,具有较高的实际应用价值。     

基于S变换和极限学习机的高压断路器机械故障诊断

机械故障是高压断路器最常见的故障,研究高压断路器机械故障诊断方法对于提高电力系统可靠性具有重要意义。为提高高压断路器机械故障诊断的效率,文中提出一种基于S变换和极限学习机(ELM)的高压断路器机械故障诊断新方法。首先,对高压断路器动作期间产生的振动信号进行S变换处理,获得相应的时—频矩阵;然后,对S变换模值矩阵进行时域和频域划分,计算振动信号在不同时段和频段的局部奇异值,并选择各子矩阵的最大奇异值作为故障诊断的特征向量;最后,采用ELM对高压断路器机械状态进行分类。对高压断路器在正常和故障状态下进行诊断实例测试,实验结果表明,该方法能够快速准确地识别断路器机械状态,具有较高的诊断效率。     

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。     

基于因子分析和支持向量机算法的高压断路器机械故障诊断方法

高压断路器操作过程中的振动信号能够反映断路器的机械状态。以高压断路器机械振动信号中振动事件的起始点作为特征参量,使用因子分析对特征量进行降维优化、支持向量机(Support Vector Machine,SVM)经粒子群参数寻优(Particle Swarm Optimization,PSO)后可对断路器的不同状态进行分类。本文对断路器机械故障进行了模拟试验,结果表明,因子分析和支持向量机算法适于诊断高压断路器的机械状态。     

基于非参数检验的高压断路器机械故障声信号特征值提取方法

基于非参数检验的声信号时域特征识别是一种高识别率、小时间开销的高压断路器机械故障诊断方法,但也有无效区间长、特征测量值和检验方法有待优化等问题。对于高压断路器机械故障声信号,根据非参数检验的效果剔除低效区段;利用散布矩阵对比特征测量值的分类能力;搭建高压断路器机械故障试验平台,对采集到的声信号分别进行4种非参数检验,选取特征值并进行机器学习。声信号的纯噪音部分和余震部分被剔除,从而得到有效时域区段;在8种特征测量值中,各种熵的分类能力明显高于均值等传统特征测量值,且Renyi熵的分类能力最好;相比于绝对值均值,Renyi熵作为特征测量值时3种非参数检验方法的诊断识别率提高了10%。所得结果表明:Wilcoxon秩和检验选出的Renyi熵特征值有着最高的诊断识别率。     

基于边界延拓改进EMD的断路器机械故障诊断法

文中针对经验模态分解(EMD)分解结果的准确性对断路器机械故障诊断结果的影响,提出基于边界延拓的EMD和径向基(RBF)神经网络融合的断路器机械故障诊断方法:首先采用最小二乘法进行边界延拓克服EMD分解过程中的端点效应,以减少信号的拟合误差;然后采用改进的EMD分解法将断路器机械振动信号分解为有限个相互独立的IMF函数,并计算包含不同频率成分的IMF包络的能量熵值,将能量熵向量作为RBF神经网络的输入,再采用交替梯度法训练RBF神经网络模型,实现对断路器机械故障的准确诊断;实验结果说明,该方法可以有效的诊断断路器机械故障类型。     

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。     

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。     

基于经验模态分解的高压断路器机械故障诊断方法

分析高压断路器机械振动信号的特性,提出一种以改进的经验模态分解(empirical mode decomposition,EMD)能量熵和支持向量机(support vector machine,SVM)相结合的诊断高压断路器机械故障的方法,并给出了可行的诊断步骤和分析.首先利用经验模态分解方法将高压断路器的振动信号分解成一些相互独立的内禀模态函数"(intrinsic mode function,IMF),然后利用正常状态标准信号所得各固有内禀模态函数包络信号的等能量分段方式,实现对待测状态信号各IMF包络的时间轴分段,计算各待测信号IMF包络的能量熵向量,以此构造的经验模态分解能量熵向量作为支持向量机的输入向量.采用"次序二叉树"向量机分类,利用梯度法和交叉检验优化支持向量机模型参数.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.     

基于谱峭度分析和粒子群Kmeans算法的高压断路器故障诊断研究

为满足电网对高压断路器高效诊断要求,提出一种谱峭度分析和粒子群K均值算法(PSO-Kmeans)相结合的故障诊断方法。该方法首先对正常状态和故障状态振动信号进行快速Kurtogram谱峭度分析,得到谱峭度指标最大中心频率和相应频率分辨率,据此设计带通滤波器对信号进行去噪;对去噪后的信号进行小波分解,提取小波包能量熵作为特征量;进一步采用PSO-Kmeans对特征量进行聚类分析。实验结果表明:改进谱峭度分析法弥补了传统带通滤波器参数确定的不足,提升去噪效果;去噪与PSO-Kmeans算法相结合的诊断方法克服了传统Kmeans易受初始聚类中心影响的缺点,聚类效果良好且精度高于传统算法,证实该方法适用于高精度高压断路器机械故障诊断。     

基于双谱和希尔伯特-黄变换的断路器故障诊断方法

通过对断路器正常合闸和异常合闸时的声波进行双谱分析,发现声波的高频分量能量分布能够体现断路器的工作状态。通过希尔伯特-黄变换分析,发现合闸过程中声波信号高频分量持续时间较短,根据高频分量经过经验模态分解后的各固有模态函数能量分布特点,提出了基于固有模态函数能量熵的故障特征提取方法。模拟实验中取500~3 000 Hz信号的固有模态函数能量熵作为断路器故障诊断的依据,能去除低频环境噪声对分析结果的影响。实验结果验证了基于双谱分析和希尔伯特-黄变换的声波分析方法对于诊断断路器机械故障的有效性。     

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。     

基于粗糙集神经网络和振动信号的高压断路器机械故障诊断

为了准确检测出高压断路器的机械故障类型,该文提出一种基于本征模态边际谱能量与粗糙集神经网络相结合的高压断路器振动信号故障诊断方法。首先将断路器的振动信号经过经验模态分解(EMD),得到若干个本征模态函数(IMF),对各个IMF分量进行希尔伯特(Hilbert)变换得到Hilbert边际谱,求取Hilbert边际谱的二次方得到Hilbert边际谱能量作为特征向量。基于粗糙集理论对特征向量进行属性约简分析,从而建立简单明了的决策表,根据决策表规则建立径向基函数(RBF)神经网络故障模型。实验结果表明,该方法能有效对高压断路器的机械故障类型进行分类。