基于振动和电流信号多域特征联合的高压断路器储能状态辨识方法

为实现高压断路器的储能状态辨识,提出了一种基于伴随振动和电流信号多域特征提取的储能状态辨识方法。对振动信号进行倒频谱分析提取频域周期分量特征来体现电机周期性转动轨迹的基频和高频特性;采用相空间重构理论经关联积分法获取相空间域关联维数与Kolmogorov熵,定量评估储能过程随机运动的复杂程度;计算电机电流持续时间、起始电流值及偏度时域特征,与振动信号特征构建多域联合特征向量;通过支持向量机算法实现断路器储能状态辨识。实验结果表明,基于振动和电流信号多域联合特征的辨识算法准确率达到97%,有效地提高了断路器储能典型工况的识别准确率。     

溯源弹簧形变过程的断路器振动信号递归量化分析辨识方法

从锁止机构脱扣引起储能弹簧释能,经部件带动动触头运动再到静止的每个动作具有严格阶段特征,伴随断路器动作的机械振动展现了能量传递及设备健康状态。该文提出一种溯源弹簧形变过程的断路器振动信号递归量化分析方法,首先由高速相机捕捉断路器操动时储能弹簧的动作图像,通过计算机视觉跟踪动态提取反映弹簧形变特征帧,再依据特征帧时序划分操动过程;然后将不同阶段振动信号映射至高维相空间,经递归分析得到体现动力系统变化特征的递归图,并递归量化分析其纹理结构特征;最后利用支持向量机模型对正常及故障状态下的断路器振动特征样本进行分析辨识,对比结果证明,由弹簧释能时序细化振动信号特征分析有效提高了分类识别准确率。该文方法在断路器操动机构状态辨识中具有广阔的应用前景。     

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。     

基于优选泛特征的真空断路器弹簧机构储能状态辨识方法

高压断路器储能过程从电机启动、齿轮减速、弹簧储能至止挡到位都伴随着能量传递,机械振动可反映储能态势的特征变化.论文基于振动信号关键动作节点的时序和频域谱图特征,提出一种优选泛特征的断路器储能机构状态辨识方法.首先,由振动信号计算储能过程的时序、波形以及时频域图谱特征,构建19维泛特征矩阵;然后,利用优化参数的t-分布随机临近嵌入(t-distributed stochastic neighbor embedding,t-SNE)进行泛特征降维处理;最后,通过k最近邻(k-nearest neighbor,KNN)算法实现断路器储能状态的快速辨识.实验结果表明,在大幅节省时间开销的同时,所提方法能保证对典型储能异常状态的识别准确率.     

高压断路器声纹及振动熵特征联合的GWO-KFCM故障诊断

针对复杂环境下高压断路器故障诊断算法的准确率和泛化性问题，提出一种声纹及振动熵特征联合的GWO-KFCM故障诊断算方法。首先，对声音信号进行广义S变换，提取反应声纹的盒维数、方向度和对比度纹理特征；对振动信号进行变分模态分解（VMD），计算信号的排列熵。最后，构造联合特征向量送入模糊核C—均值聚类（KFCM）学习训练，利用灰狼优化（GWO）算法优化KFCM初始聚类中心，对训练样本进行预分类后输入SVM，辨识操动机构运行状态。结果表明，声纹及振动熵特征联合的GWO-KFCM故障诊断方法充分利用声振信号互补优势，对实验样本总体诊断准确率达到了100%，并且有较好的泛化能力。     

基于局域均值分解和支持向量数据描述的高压断路器机械状态监测

为满足断路器机械状态监测的高可靠性要求,弥补现有方法易将轻微故障及无训练故障样本类型误识别为正常状态的不足,提出一种基于局域均值分解(LMD)能量熵和支持向量数据描述(SVDD)的高压断路器机械状态监测新方法。首先,利用LMD方法将断路器振动信号分解为一系列的PF(Product Function)分量,将各PF分量的包络按时间等间隔分段,并提取各PF分量包络的能量熵构成特征向量;然后,采用正常状态断路器振动信号的LMD能量熵向量训练SVDD分类器;最后,通过SVDD分类器对断路器的机械状态进行判断。实测信号实验证明,新方法比支持向量机(SVM)、BP神经网络(BPNN)等传统多类分类方法有更好的状态监测效果。     

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CEEMDAN与样本熵的高压断路器机械故障诊断

依据高压断路器振动信号特性,提出一种自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与样本熵相结合的高压断路器故障特征提取方法。首先利用CEEMDAN将分闸振动信号分解成一系列内禀模态函数(intrinsic mode function,IMF),然后利用相关系数法与归一化能量筛选包含信号主要特征信息的前7阶IMF分量,求取其样本熵作为特征量,最后采用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)分类器,对断路器不同故障类型进行分类识别。实验结果表明该特征提取方法能准确提取振动信号特征量,输入PSO-SVM诊断高压断路器故障能取得良好的效果。     

基于断路器合闸弹簧弹力信号的储能故障诊断方法

对断路器储能故障进行准确诊断能避免出现拒动、合闸失败等问题,有助于电力系统的安全运行,因此提出了一种基于断路器操动机构合闸弹簧弹力信号的储能故障诊断方法。针对断路器合闸弹簧松弛、操动机构卡涩、紧固螺丝松动三种储能故障,选取弹力信号进行统计特征以及类间散布矩阵的计算,提取出了能够判断不同储能故障的时域特征量。建立了基于支持向量机的故障诊断模型,实现了对断路器三种储能故障的准确判断。试验结果表明,提出的故障诊断方法能够准确诊断断路器的合闸弹簧松弛、操动机构卡涩、紧固螺丝松动三种储能故障类型,有助于工程上实现对断路器的精测精修,同时也能够为断路器增设压力传感器并充分利用弹力信号提供理论依据。     

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。