改进的小波包-特征熵在高压断路器故障诊断中的应用

在详细介绍小波包与特征熵的基础上，将二者结合提出了一种诊断高压断路器机械故障的新方法，并给出了切实可行的诊断步骤和分析。该方法首先将断路器基座振动信号进行3层小波包分解，提取第3层各节点重构信号的包络；然后利用正常状态标准信号所得各包络信号的等能量分段方式，实现对应节点待测状态信号包络的时间轴分段，并利用各分段积分能量、按照熵理论提取特征熵向量；最后构造简单的BP神经网络实现特征熵向量的分类。经正常和2种故障状态下高压断路器无负载振动信号测试，证明该方法检测高压断路器故障简单、准确，为断路器的故障诊断开拓了新的思路。     

振动信号小波包特征熵的时变与频变特性分析

为了更好的反应高压断路器的机械振动状态,介绍了一种基于小波包分解的断路器振动信号特征提取新方法。将正常状态标准信号3层小波包分解后提取第3层各节点重构信号的包络,利用能量均等的原则将各包络分成15段并提取各分段时间点并利用正常状态标准信号所得包络的分段时间点分段测试信号的对应节点包络,再利用熵原理计算各节点熵,组合后形成小波包特征熵向量用于断路器故障诊断。利用实际信号分别模拟时变和频变信号测试所得向量变化特性的仿真结果表明:无论在时变还是频变情况下,该方法所提取的振动信号特征向量都可以以不同的变化特性直观、明显地反映信号的变化。     

一种基于振动信号的高压断路器故障诊断新方法

提出一种以小波包特征节点最大系数为特征向量、利用支持向量机状态分类的断路器故障诊断新方法。首先利用小波包分解振动数据,提取状态变化敏感节点作为特征节点形成分解树,利用敏感节点重构完好状态振动信号,并以此作为当前大多断路器诊断系统中使用的指纹信号;同时提取特征节点最大系数形成特征向量,作为支持向量机的输入向量,使用"一对其余"策略进行特征分类。经高压断路器无负载振动信号测试,该方法检测高压断路器故障简单、准确,在实际分析中取得良好诊断效果。     

基于支持向量机的高压断路器机械状态分类

基于统计学习理论的支持向量机是专门研究少样本情况下的统计规律及学习方法,为故障诊断向智能化方向发展提供了途径.本文首先介绍了支持向量机的基本原理;其次提出了一种基于小波包和熵理论的振动信号特征提取方法,即利用小波包分解各节点重构信号的熵值反映信号与正常状态的偏移;最后详细介绍了这种新方法在断路器故障诊断中的具体应用,并与传统神经网络方法相比较.使用结果表明:无论在分类效果,还是学习速度方面,支持向量机都优于神经网络,更适合在断路器机械状态识别中的应用.     

基于振动信号特征的高压断路器机械故障诊断技术研究

以ZW-32型永磁机构断路器为研究对象,搭建了断路器动作时振动信号监测平台,采集了操动机构常见故障状态下的振动数据。利用小波包—特征熵提取了振动信号特征值,并建立了基于相关向量机原理的操动机构故障诊断模型,实现了对断路器振动状态的在线监测及故障类型的智能辨别。试验结果表明,该方法具有较高的故障识别能力,对实现断路器机械状态的在线监测与故障诊断有一定的工程实用价值。     

采用振动信号零相位滤波时频熵的高压断路器机械故障诊断

为了以较少的计算量从高压断路器振动信号中获取机械状态信息,提出一种零相位滤波时频熵方法。通过小波包方法分析高压断路器振动信号的时频分布,并利用边际谱和瞬时能量密度计算时频平面的划分间隔。依据频带间隔,采用零相位数字滤波器提取频带分量;依据时间间隔,将各频带分量划分为多个子时间段。用子时段幅值包络的积分构造各频带分量的信息熵,并共同组成时频熵向量,对振动信号的时频特性进行量化表达。在真空断路器上进行模拟试验,获得了正常状态、铁心卡涩、软连接松动和绝缘拉杆故障等模式的样本数据。引入支持向量机分类器,对不同状态的样本数据进行诊断,准确率达90%。验证了通过零相位滤波时频熵方法诊断高压断路器机械故障的可行性。     

粒子群优化神经网络在高压断路器机械故障诊断中的应用

提出了一种以振动信号小波包特征熵为特征向量的高压断路器机械故障诊断的智能算法,该算法利用小波包分解原理将高压断路器振动信号分解到不同的频段中,计算各频段的能量熵值,并将其作为神经网络的输入向量,同时利用粒子群算法对神经网络进行优化,以提高故障诊断的精度。试验结果表明：该方法不仅能够取得良好的分类效果,而且诊断速度与精度均高于传统神经网络算法,适用于高压断路器机械故障诊断     

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。     

基于振动信号区间特征快速提取的断路器储能状态辨识方法

针对断路器伴随振动信号分析故障的特征提取费时、实时性差无法用于在线监测问题,提出一种基于快速提取区间特征的断路器储能状态辨识方法。首先由峭度-小波模极大值检测断路器储能状态起始点,将振动信号通过KS检验标记包络幅值差异明显区间,然后提取信号包络和作为特征向量,采用ReliefF-SFS方法对特征进行筛选降维得到最优特征子集。最后通过模糊C均值聚类（KFCM）对特征进行预分类获得风险最小的最优超平面,由支持向量机（SVM）建立训练模型进行状态辨识。实验结果表明：所提出振动信号区间特征快速提取的储能状态辨识方法,在保证准确率的前提下,提取特征仅需0.2 s,在断路器状态监测领域具有重要的应用价值。     

基于多传感器振动信号融合的真空断路器故障诊断

根据真空断路器故障诊断特点,提出了小波包、RBF神经网络与D-S证据理论相结合的决策层信息融合诊断方法。首先,运用小波包—能量谱分析方法对振动信号进行分解处理,提取特征向量,并以此作为诊断的依据;其次,建立神经网络模型,以特征向量为RBF神经网络的输入,进行断路器初步故障诊断;然后将诊断结果作为对各种故障模式的基本概率分配值,利用D-S证据理论,实现对初步诊断结果的融合,从而得到最终的融合诊断结果。实验结果表明,该方法诊断真空断路器故障能取得良好的效果。     

基于小波能量与神经网络的断路器振动信号识别方法

高压断路器出现机械故障不仅会引起振动冲击事件的时间漂移,还会引起时域波形中一些波峰幅值的变化。依据同一类型断路器振动信号相似的特点,在对高压断路器故障振动信号进行特征分析的基础上,提出了一种识别高压断路器振动信号的新方法:将小波包提取算法和径向基神经网络模式识别功能相结合,利用小波包分解与重构原理将断路器合闸振动信号分解到不同频段中,提取每个频带能量作为断路器状态监测的特征向量,作为径向基神经网络的输入向量;基于径向基神经网络的故障诊断方法在系统参数未知的情况下自动建立动态模型,对于线性系统和非线性系统都有很好的跟踪能力,通过实验室断路器典型合闸振动信号的监测及识别分析验证了该方法的有效性。     

基于小波包能量谱的电网故障行波定位方法

为减少电网故障行波传播色散特性对行波波头检测和波速测量的影响,提高电网故障行波定位的准确度,提出了基于小波包能量谱的电网故障行波定位方法。该法结合小波包技术与傅立叶变换的谱分析,对行波信号进行分析,提取能量相对集中的故障频带信号进行故障行波定位计算;行波到达时间由该频带相应尺度下的小波包能量时谱提取的行波特征点位置计算;该频带行波传播速度由输电线路两端对外部扰动的实测行波数据计算。大量的电网故障行波定位ATP仿真分析结果和现场实验测试分析表明,该电网故障行波定位方法能有效提取电网行波特征信号,减少行波传播色散特性和线路长度变化的影响,定位误差<200m。     

基于小波包分析的电机故障检测

电机是一种复杂的旋转机械,故障种类多而且难以辨别。为了对电机的常见故障进行正确、快速地检测,在分析电机故障特征的基础上,对采集来的电机振动信号的时域和频域进行了小波包分解;利用分解的小波系数,在各个频段上进行小波系数重构,诊断故障发生的类型。仿真试验结果表明:小波包分析是对电机故障进行检测的有效方法,同时也给出了一种思路,为电机故障实时检测提供了理论依据。     

小波包分析在汽轮机转子振动故障诊断中的应用

针对汽轮发电机组振动的频谱特点，提出了基于小波包变换的汽轮机转子振动故障诊断方法，它较一般的小波变换更能反映振动信号所包含的频谱成分及能量。根据Bently实验台所采集的4种典型汽轮机转子振动故障信号，运用小波包分析方法对其进行能量分析并提取故障特征。实验分析表明，基于小波包分析与信号能量分解的故障特征提取方法，可以获得汽轮机转子振动的故障状况；根据不同故障发生时的频谱特征，识别出不同的故障，从而进行汽轮机转子振动故障诊断。该方法比基于Fourier变换的故障特征提取方法更有效，适合于机械故障诊断。     

基于波形辨识技术的SF6断路器分/合闸线圈电流监测

监测SF6断路器分/合闸线圈电流是及时发现SF6断路器故障隐患的有效手段之一。提出了一种分析SF6断路器分/合闸线圈电流信号的波形辨识技术,将小波包信号提取算法和相似性原则相结合,利用小波包分解与重构将SF6断路器的分/合闸线圈电流信号分解到不同频段中,并对代表有效电流信号的分解 系数进行重构,然后运用相似性原则对重构后的信号进行辨识,以确定SF6断路器是否正常运行。应用Matlab进行了仿真分析,并对仿真分析结果进行了试验验证,结果表明,该辨识技术辨识SF6断路器分/合闸线圈电流信号分析是有效的。     

基于小波变换的高压断路器机械故障监测装置的研究

高压断路器在电力系统中起着重要的控制和保护作用,对电网安全运行非常重要。对高压断路器的概念进行简单介绍,并对其振动信号特点及原理进行了分析。针对目前高压断路器机械故障监测方法出现的各种弊端,研制出一种基于振动信号分析的断路器机械故障监测装置,该装置通过对振动信号进行小波变换分析能有效对断路器的运行状态和故障进行准确、及时、自动监测识别,同时能够实现故障前告警,对调整高压断路器运行状态,保证高压断路器的安全稳定运行具有重要意义。