基于功率谱密度与随机配置网络的低压串联电弧故障检测

低压串联电弧电流为非平稳信号,故障特征区分度低、且具有随机性,给电弧故障特征提取和准确检测带来困难,本文提出基于功率谱密度与随机配置网络的低压串联电弧故障检测方法。首先,搭建了串联电弧故障发生平台,采集不同负载类型的电流数据,构建数据集。其次,采用功率谱密度对电流信号执行随机信号分析,实现对电流信号的定量化频域特征描述,增强故障电流与正常电流特征的区分度。然后,采用随机配置网络构建串联电弧故障检测模型,将功率谱密度特征用于随机配置网络的自适应训练学习,提升网络训练效率和模型故障检测能力。在本文构建的电流数据集上,串联电弧故障检测的平均准确率达到96.157%,证明了方法的有效性。     

基于多维特征量的航空串联故障电弧检测

航空交流系统工作环境复杂、故障电弧检测可靠性要求较高,而单一特征的检测方法适应能力相对较差。开展了航空交流电源条件下串联型故障电弧模拟试验,分别对电源频率为360 Hz、400 Hz、450 Hz时的线性负载线路电流进行数据采集。根据电弧电流的特点,提出了一种融合波形畸变特征、间谐波特征和能量分布不确定性特征的多维特征量检测方法。引入支持向量机和粒子群优化算法进行参数寻优,用训练得到的分类模型对测试集进行分类预测。结果表明,该串联故障电弧分类模型最高分类准确率可达到98.83%。     

基于加权差分电流的直流故障电弧检测方法

为了解决低压直流系统中传统电弧故障检测方法精确度不足及对不同系统通用性较差的问题，本文提出一种新的基于加权差分电流的直流电弧故障检测方法。首先搭建直流源实验平台，开展串联直流电弧高频特性实验，利用快速傅里叶变换提取电弧电流的特征频段为20～30 kHz、40～50 kHz和55～65 kHz。然后，研究电极材料和负载类型对电弧特征频率的影响，实验结果表明直流电弧的特征频段不随电极材料和负载类型改变。将3个特征频段内幅值的最大值I_max、幅值之和I_sum以及幅值的标准差I_std作为特征参量。基于对电弧电流特征频段和特征参量的双重加权差分，利用差分结果是否大于阈值0.5作为直流故障电弧检测判据。最后，在低压直流系统和光伏系统中验证所提出检测方法的有效性。检测方法能够准确区分开关动作与负载突变等系统正常操作。该方法克服了传统单一频段单一指标检测方法的不稳定性，能够有效检测直流电弧故障，提高检测的准确性，并在光伏系统中验证了检测方法的通用性。检测方法对保障低压直流系统的安全稳定运行具有重要的应用价值。     

一种基于一维卷积神经网络的旋转机械智能故障诊断方法

状态监测和故障诊断对于维护系统性能和保证运行安全具有重要意义.针对传统智能识别方法需要复杂的特征提取过程和大量的诊断经验等问题,结合振动信号自身的一维性的特点,提出一种基于一维卷积神经网络(1-Dimensional Convolutional Neural Network,1DCNN)的旋转机械智能故障诊断方法.首先将数据信号通过傅里叶变换转换成频域信号并进行预处理,然后训练卷积神经网络自动提取特征,最后通过Softmax回归进行分类.在基准数据集上的实验结果表明,1DCNN模型不仅能有效地从原始信号中进行多种工况、多种故障位置、多种故障程度的特征提取和诊断,而且具有很高的故障识别精度,获得了优于主流故障诊断方法的结果.     

采用小波变换的光伏串联电弧故障检测

建立光伏系统电弧故障实验平台,利用光伏模拟器仿真不同天气环境下的光伏阵列,对光伏系统中串联电弧故障信号进行检测和分析.采用小波变换的方法对串联电弧故障信号进行特征频带提取,并利用移动时间窗方法统计信号在小波分解后的高频系数的能量值,用其表征电弧故障信号的杂乱度和混沌度.研究结果表明:该检测方法为快速准确地诊断串联电弧故障提供有效判据.     

阀门泄漏与声发射信号能量关系的实验研究与时频域分析

为解决阀门小泄漏时难以检测的问题,文章利用声发射检测技术搭建阀门泄漏检测实验平台,采集大量实验数据,分析阀门小泄漏率时的声发射信号特征。为了减小环境噪声的干扰,对阀门泄漏声发射信号进行频谱分析,确定声发射信号所在的频段;对信号进行带通滤波,计算滤波后信号在时域上的能量,用最小二乘法拟合出能量和泄漏率之间的线性关系;从频域角度计算信号所在频段功率谱的面积,用最小二乘法对面积和泄漏率进行拟合,拟合结果证实了时域能量计算方法的正确性。     

PI控制的故障电弧电流还原装置设计

针对故障电弧保护电器动作特性测试的试验周期长、效率低等问题，设计了基于PI控制的电弧电流还原装置.通过搭建Multisim与LabVIEW联合仿真环境对电流还原装置的硬件电路进行仿真，以此验证方案的可行性.同时调试硬件装置进行试验验证，对比原始信号与还原信号的时域、频域特征参数和THD值作为电流还原度指标.试验结果表明，电弧电流还原整体还原度良好，该装置基于原始电弧故障数据给电弧故障检测算法和AFDD产品测试提供了更加真实和便利的测试条件.     

低阶自回归参数模型检测串联故障电弧

针对电气系统中串联回路故障电弧的多发情况,利用电弧发生器、波形记录仪等实验装置对故障电弧进行模拟实验研究.提出基于自回归参数模型的故障电弧检测方法,采用二阶Burg方法对采集的信号建立自回归模型,提取AR模型参数,通过计算、比较相应的距离测度实现对故障电弧的检测.研究结果表明:通过二阶Burg方法建立的自回归参数模型能快速、准确地检测出故障电弧,同时相对于高阶Burg方法,减少了很大的运算量.     

典型神经网络串联型电弧故障检测及选线方法研究

为解决传统特征分析加机器学习的电弧故障检测方法的准确率和实时性受到特征参数选取的主观性及特征分析过程的影响问题,搭建了三相多负载并联的串联型电弧故障实验系统,对不同支路、不同相发生电弧故障时的干路电流信号时间序列进行分析。将电流信号进行分类、分段、标准化处理并作为检测模型样本;对深度卷积神经网络模型、长短期记忆网络模型、普通神经网络模型进行架构及训练;通过差分处理对网络模型在线分类结果进行优化分析;以准确度和损失函数值、在线测试速度、优化后多分类识别准确率为评价指标,对比分析了3种模型故障检测及选线效果。研究结果表明：基于深度卷积神经网络的串联型电弧故障检测及选线模型对电机类负载故障检测及选线准确率可达96.77%,对变频器类负载故障检测及选线准确率可到98%,准确率高于近几年其他三相回路电弧故障检测模型。     

煤矿通风机故障诊断的小波包方法

针对常用的时域和频域分析在诊断通风机故障时存在不能同时诊断出故障时间和类型的瓶颈问题,提出基于小波包分解的煤矿通风机故障诊断方法.在分析通风机故障特征的基础上,利用时频两域都具有表征信号特征能力的小波,对采集来的通风机振动信号进行小波包分解,利用分解的小波系数,在各个频段上进行小波信号重构,并计算信号各个频段的能量特征值,提取故障特征,诊断故障发生的时间和故障类型.经实际验证,小波包分解能将故障信号有效的划分到不同的频段内,而且时域和频域局部化特性好,能有效的诊断出通风机故障,具有良好的理论意义与工程应用价值.     

基于多尺度一维卷积神经网络的弯管冲蚀损伤智能检测方法

针对高压管汇损伤需要提高检测效率和准确率的问题,提出一种基于多尺度一维卷积神经网络(multi-scale one-dimensional convolutional neural network, MS-1DCNN)的弯管冲蚀损伤智能检测新方法,即用多尺度卷积层代替传统的单一尺度卷积层。在MS-1DCNN模型中,把通过模拟实验所得弯管冲蚀损伤原始时域信号作为多尺度一维卷积神经网络的输入,这样能解决传统方法依赖人工提取特征和专家知识的问题;然后,通过多尺度卷积层和池化层的交替连接对输入信号进行特征提取;最后,经由输出层输出弯管冲蚀损伤分类结果。模型试验结果表明：基于MS-1DCNN弯管冲蚀损伤检测方法可以有效检测出弯管冲蚀损伤,且平均检测准确率达到99.18%。研究可为高压管汇冲蚀损伤智能检测提供一种新思路。     

周期平稳故障信号分析

针对周期平稳故障信号的特点,给出了时域、频域、时频域分析以及统计理论分析方法.首先,利用周期平稳信号的特点,采用季节性模型,对周期平稳信号进行建模,并作预测预报;其次,采用循环平稳度、循环相关谱等周期平稳信号的特征量有效地获取其他方法难以获得的信息;通过实例给出了进化谱理论及其应用方法,结果表明进化谱在故障诊断中有着较好的分析作用;最后,采用时频域分析较好地分析出非平稳信号的各种尺度信号的特征.     

基于复Morlet变换和改进AlexNet神经网络的柴油机气门间隙异常故障诊断方法

针对柴油机缸盖振动信号非线性、非平稳的特点,以及传统故障诊断方法需要先验知识且特征提取费时费力的缺点,提出了一种基于复Morlet变换和改进AlexNet神经网络的柴油机气门间隙异常故障诊断方法。首先通过复Morlet小波将柴油机缸盖振动信号转换为时频图,该变换包含了信号的时频域信息,比单一的时域或频域信号更适合分析柴油机缸盖振动这种非平稳信号;其次将时频图输入至AlexNet神经网络进行特征自动提取并建立故障诊断模型,解决了传统手工提取特征费时费力且需要专家经验的问题;然后通过Batch Normalization和Dropout技术改进网络结构,并优化神经网络超参数以提高模型的准确度和计算效率;最后将本文方法与传统的故障诊断方法应用于柴油机气门间隙异常故障诊断并进行对比,发现其诊断准确率最高,验证了所提方法的优越性。     

基于深度特征提取神经网络的滚动轴承故障诊断

滚动轴承作为旋转机械的重要组成部分,其运行安全性受到大量关注,但传统的基于信号处理的时频分析故障诊断方法较为依赖专家知识从而难以广泛应用。结合应用较广的卷积神经网络和长短时记忆网络模型的优点-自动提取振动信号的深层特征信息以及可识别所提取的长时连续的振动信号时序特征信息,提出一种深度特征提取神经网络模型,将原始的振动信号作为模型输入,进而通过多层卷积与长短时记忆网络对振动信号进行故障特征信息提取,可以有效提取滚动轴承振动信号中的深层时序故障特征信息,进而准确辨识滚动轴承不同的故障模式,并且避免了复杂的信号预处理与人工进行信号特征提取的过程。通过凯斯西储大学滚动轴承故障实验的10类健康状态数据验证了所提方法的有效性,并对实验结果进行分析,解释了在迭代过程中出现精度波动的可能原因。     

基于Wigner-Hough变换的P3/P4多相码雷达信号检测研究

Wigner-Ville分布是分析非平稳信号的常用时频分析方法,它将一维时间信号映射到二维时频平面上,而Hough变换在图像处理和计算机视觉中经常被用来提取图像中的图形特征。文章将这2种方法结合,提出了一种检测多相码雷达信号的方法,该方法首先计算信号的Wigner-Ville分布,得到二维时频分布图,然后在时频平面上再进行Hough变换,从而检测由LFM信号得到的多相码信号,如P3和P4多相码。仿真结果证明,此方法可有效地对线性调频类多相码信号进行检测,并且有较好的抗噪声性能。     

复合材料粘接质量定量评价研究

研究了复合材料粘接质量定量评价问题.首先介绍了有关复合材料的超声无损检测方法;分析了检测回波信号的特征,并提取了能够反映粘接质量的两个特征值;然后介绍了概率神经网络,并设计了基于该神经网络的复合材料粘接质量分类算法,并且根据实验获取的数据,对所设计的神经网络的性能进行了测试.最后通过实验证明,该算法对于粘接质量定量识别的准确度比较高.     

基于核主元分析的滚动轴承故障混合域特征提取方法

为有效利用时域、频域、时-频域中各类具有显著类别差异信息的非平稳统计特征,提高滚动轴承状态监测和故障诊断的性能和效率,提出一种基于核主元分析的混合域特征提取方法.通过对原始信号分别生成时域、频域状态特征,并利用多分辨率小波分解生成时-频域状态特征,构建出144个表征原始振动信号特征的混合域特征集.采用核主元分析方法对其中能敏感地反映故障特性的特征进行二次非线性特征提取,按累计贡献率大于90％的标准,选取前11个核主元作为主要特征量,将其输入支持向量机分类器进行状态识别.仿真结果表明:混合域特征集比单个特征、单域特征能更全面准确地反映故障特性,核主元分析方法能有效降低输入特征维数,并确保输出特征具有较高的反映轴承运行状态的敏感性和适于模式识别的可分性;与通常使用的基于小波分解的特征提取方法相比,本文方法能更加准确有效地提取不同运行条件下滚动轴承不同类型不同程度的故障特征.     

基于干扰子空间估计的跳频多址信号检测

通过对跳频多址信号的时频图案分析,建立了基于信号子空间的系统模型和跳频多址信号的解相关检测算法.该算法采用子空间跟踪的思想,将干扰子空间从检测信号空间上予以消除,克服了传统检测器需要知道系统中所有用户跳频图案的约束和串行干扰消除中的干扰扩散问题.与传统检测器相比,该算法具有更好的系统误码性能、较低的计算复杂度和很好的系统稳健性.MonteCarlo仿真结果表明,在同一个误码率条件下,基于子空间的盲多用户检测器比传统检测器的信噪比提高了2～4dB.     

高精度故障电弧检测多传感器数据融合算法

 由于故障电弧的物理特性复杂, 且电路中存在与故障电弧波形相似的负载, 因此传统 检测故障电弧的方法误判率较高. 提出了一种多传感器数据融合算法, 用于提高故障电弧的检测精度. 该算法包括自适应加权融合算法和神经网络融合算法, 实现了对温度传感器、声音传 感器和弧光强度传感器所获取的传感信号的数据融合. 自适应加权融合算法克服了单个传感 器的不确定性, 实现了同质传感器中故障电弧特征的提取, 为神经网络融合算法提供了精确的测试样本数据; 神经网络融合算法可自行调整各类异质传感器的权重, 使故障电弧的辨识率更高. 实验结果表明, 该算法可有效提取故障电弧的特征, 辨识精度超过98%, 实现了高精度的故障电弧检测.