基于小波神经网络的水电机组振动故障诊断研究

提出应用频谱法和小波神经网络对水电机组的振动故障进行诊断。在对水电机组振动信号进行频谱分析后,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使构造的小波神经网络能够反映频谱特征向量和故障类型之间的映射关系,从而达到故障诊断的目的。诊断结果表明,与常规神经网络诊断方法相比,频谱分析与这种小波神经网络相结合的方法进行故障诊断简单有效、并具有诊断速度快和泛化能力强等优点。     

基于振动的电力变压器铁心松动故障诊断研究

电力变压器发生铁心松动故障后,虽然振动信号中基频分量(100 Hz)会发生变化,但影响振动基频信号的因素众多,很难据此准确诊断铁心松动故障。研究发现,变压器铁心松动后,50 Hz分量及其部分倍频分量、基频的倍频分量等新特征频率能够反映故障。根据特征频率之间的关系提出基于振动的变压器铁心故障诊断方法,不仅能够诊断出变压器铁心内部有无故障,还能判断其故障类型。为了验证提出的模型和方法,文中对实际变压器设置铁心松动故障,采集其监测点处的振动信号,经过消噪、折算处理,采用提出的诊断方法对实际变压器进行故障诊断,其诊断结果与实际故障一致,验证了提出的诊断方法准确、可行。根据所提出的诊断方法研制出基于振动的电力变压器故障诊断系统,并应用于实际变电站。     

基于多重分形谱和改进BP神经网络的水电机组振动故障诊断研究

本文建立了小波分析、多重分形谱和改进BP神经网络相结合的水电机组振动故障诊断模型。该模型首先利用小波分解对振动信号波形进行去噪提纯,得到各种故障信号的小波近似系数,应用多重分形谱算法提取出振动故障的特征向量,并将该特征向量作为BP神经网络的输入向量进行分类识别。该模型直接通过振动波形提取信号特征,避免提取其频谱特性,并结合先进的多重分形谱进行诊断识别,为水电机组故障诊断提供了一种新的方法。应用实例表明,该方法能够提高诊断的智能化和人性化,增强了人机交互性,识别结果令人满意。     

改进粒子群优化神经网络在变压器故障诊断中的应用

变压器绕组早期故障的诊断是实现安全生产、避免大事故的技术前提。由于变压器器身振动信号包含有丰富的信息,所以可以通过监测变压器振动信号来预估绕组的状况。笔者首先利用小波包分解原理将变压器振动信号分解到不同的频段中,然后计算各频段的能量熵值,并将其作为BP神经网络的输入向量,同时利用改进粒子群算法(IPSO)对BP神经网络进行优化。最后利用训练好的BP神经网络对变压器进行故障诊断。试验结果表明:与传统BP神经网络法和PSO-BP神经网络方法相比,该方法克服了BP神经网络的一些缺陷,具有较快的收敛速度和较高的诊断精度,对变压器绕组的早期故障具有良好的预测能力。     

基于小波包能量分析和信号融合的异步电机转子故障诊断

为提高异步电机转子故障诊断的可靠性,文中介绍了一种基于小波包能量分析和信号融合的异步电机转子故障诊断方法。采用定子电流信号和振动信号的频谱特征融合作为转子断条以及气隙偏心故障的诊断依据,首先对信号进行小波包分解,获得不同小波包频带节点下对应的能量分布,并与正常电机信号进行比较,进而对能量异常的信号频段进行小波包节点重构,最后通过快速傅里叶变换识别故障特征频率,诊断电机故障是否发生。通过仿真分析,验证了该方法的有效性和实用性,对于电机运行状态的准确监测具有重要意义。     

一种利用融合相关谱的异步电机故障诊断方法

为提高异步电机故障诊断的可靠性,针对故障特征频谱分量小信号、多成分、难识别的问题,提出一种异步电机融合相关谱故障诊断方法.该方法基于多源信息融合的思想,采用电机定子电流和振动信号的融合相关谱特征作为转子断条及定子匝间短路故障的诊断依据.通过将含有相同故障频率分量的特征信号作融合相关分析,建立不同信号间的相关关系,能够有效抑制单一信号频谱中与故障识别不相关的频谱分量,使得电机故障特征频率分量更加突出,降低故障识别难度.通过仿真分析,揭示了融合相关谱特征频率与电机故障类型的对应关系,实现了转子断条及定子匝间短路故障的快速诊断,并与单一信号频谱分析进行对比,验证了该方法的有效性和实用性,对于异步电机运行状态的准确监测具有重要意义.     

基于卷积神经网络的变压器振动信号分析

为研究变压器振动与运行状态之间的关系,在小波分析方法的基础上,结合卷积神经网络的方法进行变压器振动信号分析。首先对1台油浸式变压器模拟绕组松动和铁心松动两种故障状态并分别测量其振动信号,然后对测试所得的振动信号进行小波变换,生成小波灰度图,并进行卷积神经网络训练分析。根据卷积神经训练的结果,该方法准确率在84.03%,说明卷积神经网络结合小波灰度图的分析方法可以有效识别振动信号中故障信息。比较2类故障验证样本中错误结果的分布情况可以发现,错误结果受变压器振动测点位置影响较大,在改善测点和增加训练数据的前提下,准确率还能有所提升。     

基于振动的电力变压器绕组变形故障诊断新方法

通过分析变压器箱体表面振动信号的特点并进行大量试验发现,除基频分量能够反映故障以外,50Hz分量及其部分倍频分量、基频的倍频分量等新特征频率也能够反映故障。计及电流、电压、温度等运行状态量对基频振动信号的影响,提出基频折算模型。文中建立了变压器绕组变形故障诊断模型和基于该模型的诊断方法,不仅能够诊断出变压器绕组内部有无故障,还能判断其故障类型并进行初步故障定位。为了验证所提出的模型和方法,文中对实际变压器设置绕组变形故障,采集其监测点处的振动信号,经过消噪、折算处理,利用提出的模型和方法对实际变压器进行故障诊断,其诊断结果与实际故障一致,表明所提出的诊断模型和方法准确、可行。     

基于频谱法与径向基函数网络的水电机组振动故障诊断

引起水电机组振动的原因很复杂,而且水电机组的振动故障往往是多故障同时发生,使得故障诊断很困难,目前主要是应用基于模式识别的神经网络来进行故障分类,尤其是BP网络应用较多。文章提出应用频谱法与径向基神经网络相结合的方法对水电机组的振动故障进行诊断。采用对水电机组振动信号进行频谱分析,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使神经网络能够反映频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的。水电机组振动故障诊断仿真分析表明,与常规方法相比,利用频谱分析和神经网络相结合的方法进行故障诊断具有简单有效等优点。     

基于EMD相关去噪的风电机组振动噪声抑制及特征频率提取

针对风电机组振动信号同时受背景白噪声和短时干扰噪声的影响,使得早期微弱故障特征频率难以提取的问题,提出一种结合经验模态分解(EMD)、相关性分析和小波包变换(WPT)的振动信号噪声抑制及故障特征频率提取方法(EMD相关去噪-WPT)。该方法首先利用EMD分解振动信号得到能表征不同频率的固有模态函数(IMF),然后筛选表征故障特征频率的IMF,并重构得到故障特征信号;其次,利用自相关分析去除重构信号中噪声的影响;最后,结合小波包变换(WPT)提取去噪重构振动信号中的特征频率。为了验证所提方法的有效性,以实测和模拟的双馈风电机组轴承故障振动信号为例,对轴承振动信号分别利用小波包变换(WPT)、EMD相关去噪-WPT、小波硬阀值-WPT方法进行特征频率提取分析。通过不同特征频率提取方法比较表明,所提出的基于EMD相关去噪-WPT特征频率提取方法,能够更有效地抑制背景白噪声和短时干扰噪声的影响,提取出早期微弱故障特征。     

油中溶解气体分析的变压器故障诊断新方法

为克服电气分析应用中BP网络算法遇到的困难,改进基本遗传算法并将其与BP算法相结合构成混合算法应用到基于油中溶解气体分析的变压器故障诊断的小波神经网络的训练中。混合算法先利用改进后的遗传算法优化小波神经网络的4个初始值,再利用梯度下降算法训练小波神经网络。针对实际情况,对所采用的遗传算法运用实数编码,采用通过自适应调整的交叉和变异概率,使遗传算法在广泛的空间搜索,向解的方向尽快收敛。仿真结果表明,该算法有效解决了小波网络若初值设置不合理,极易进入局部极小的区域使网络振荡增大、不收敛及GA算法独立训练神经网络速度缓慢等缺点。用训练过的该小波神经网络模型对456台次的变压器故障进行验证和诊断的仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电力变压器故障诊断的有效性。     

小波模糊神经网络应用于配电网输电线的故障测距

在小电流接地系统单相接地故障特征分析的基础上，提出了一种基于故障后稳态及暂态电气量的小波模糊神经网络的故障测距方法。单相接地故障时的暂态分量故障特征非常明显，且故障暂态高频分量受故障前负荷的影响较少，故可以采用故障暂态分量描述故障模式特征并进行故障定位，鉴于已有的小波神经网络模型不适合于故障测距，作者从广义的小波神经网络概念出发，结合模糊控制理论，提出了适合于电力系统故障暂态和稳态信号分析的小波模糊神经网络方法，并将该方法应用于小电流接地系统直配输电线路的故障测距。理论分析及大量的EMTP仿真结果表明：本文所提出的小波模糊神经网络理论，模型及算法具有较好的故障测距性能，并可应用于电力系统的故障分析。     

基于小波分析和神经网络的电机故障诊断方法研究

在电机故障诊断技术中,电机振动信号最能全面反映电机的运行状态.由于电机振动信号属于非平稳随机信号,传统的傅里叶变换从频域角度进行信号分析,只能说明信号中某频率成分幅值的大小和频率密度,不能检测奇异信号点的时域信息,而且还可能将含有丰富故障信息的微弱信号作为噪声滤去.因此,不能完全满足故障信号特征提取的要求.为解决这一问题,提出一种基于小波分析和神经网络的电机故障诊断方法,该方法采用小波时频分析技术对电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,应用BP神经网络进行故障识别,并采用Matlab仿真软件予以实现.结果表明,该方法不需要建立电机的故障诊断模型,能有效提高电机故障诊断的准确性.     

基于改进粒子群算法的小波神经网络在变压器 故障诊断中的应用

针对变压器故障征兆和故障类型的非线性特性,结合油中气体分析法,设计了一种改进粒子群算法的小波神经网络故障诊断模型。模型采用3层小波神经网络,并用一种改进粒子群算法对其进行训练。该算法在标准粒子群算法的基础上,通过引入遗传算法中的变异算子、惯性权重因子和高斯加权的全局极值,加快了小波神经网络训练速度,提高了其训练的精度。仿真实验证明这种改进粒子群算法的小波神经网络可以有效地运用到变压器故障诊断中,为变压器故障诊断提供了一条新途径。     

基于小波包分析与神经网络的变压器区内外故障判断方法

作为变压器主保护的瓦斯保护经常在发生变压器区外故障时误动作,严重影响了变压器和电力系统运行的安全性和可靠水平,准确识别区内外故障是解决瓦斯保护误动作的重要前提。研究了适用于区内故障仿真的变压器PSCAD模型,验证了该仿真模型与原有模型的一致性。设计了基于小波包分析的变压器区内外故障特征量提取方法,通过不同小波包能量的对比,分析了区内外故障时差动电流的特征。基于小波包能量差异性,提出了利用神经网络进行区内外故障识别的方法。通过具体算例验证了方法的正确性和有效性。     

电力变压器励磁涌流判别的自适应小波神经网络方法

励磁涌流识别一直是电力变压器差动保护中比较关注的问题。文中提出了一种基于自适应小波神经网络实现变压器励磁涌流判别的新方法。结合励磁涌流和内部故障电流的特点，构建了一个四层的自适应小波神经网络模型，并对其具体的实现方法进行了详细的分析；利用ATP—EMTP程序进行仿真计算生成训练样本和测试样本，对所构建的网络进行了训练和测试，结果表明自适应小波神经网络能准确、可靠地识别出变压器的励磁涌流状态。     

A novel probabilistic neural network‐based algorithm for classifying internal fault in transformer windings

The major function of protective devices in a power system is to detect the occurrence of faults and to isolate the faulty sections from the rest of the system. Much progress has been made in the development algorithms for detecting faults in power transformers, which depend on transients‐based techniques. This paper presents an algorithm based on a combination of discrete wavelet transforms and probabilistic neural networks (PNNs) for classifying internal faults in a two‐winding three‐phase transformer. Fault conditions of the transformer are simulated using alternative transients program/electromagnetic transients program (ATP/EMTP) in order to obtain current signals. The mother wavelet Daubechies4 is employed to decompose the high‐frequency components from these signals. All three phases of the differential current signals are used in the fault detection decision algorithm. The variations of first‐scale high‐frequency component that detects fault are used as an input for the training pattern. The training process for the neural network and fault diagnosis decision is implemented using toolboxes on MATLAB/Simulink. Various cases and fault types based on the Thailand electricity transmission and distribution systems are studied to verify the validity of the algorithm. Backpropagation neural network is also compared with the PNN in this paper. It is found that the proposed method gives satisfactory accuracy with less training time, and will be particularly useful in the development of a modern differential relay for a transformer protection scheme. © 2013 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

Power transformers’ condition monitoring using neural modeling and the local statistical approach to fault diagnosis

On-line monitoring of electric power transformers can provide a clear indication of their status and ageing behavior. This paper proposes neural modeling and the local statistical approach to fault diagnosis for the detection of incipient faults in power transformers. The method can detect transformer failures at their early stages and consequently can deter critical conditions for the power grid. A neural-fuzzy network is used to model the thermal condition of the power transformer in fault-free operation (the thermal condition is associated to a temperature variable known as hot-spot temperature). The output of the neural-fuzzy network is compared to measurements from the power transformer and the obtained residuals undergo statistical processing according to a fault detection and isolation algorithm. If a fault threshold (that is optimally defined according to detection theory) is exceeded, then deviation from normal operation can be detected at its early stages and an alarm can be launched. In several cases fault isolation can be also performed, i.e. the sources of fault in the power transformer model can be also identified. The performance of the proposed methodology is tested through simulation experiments.