基于振动信号特征矩阵相似度的变压器机械故障诊断技术研究

目前基于振动信号的变压器机械故障诊断多是通过对某个振动信号进行独立分析、提取特征量进行判定,对变压器机械状态的反映过于片面;基于振动信号特征矩阵相似度可实现综合不同测试位置、多组振动信号的变压器机械故障诊断,但该方法可能受负载条件影响而发成误判。文中改进了振动信号特征矩阵的构造方法,通过实验研究了负载率、功率因数、不平衡度对振动性信号特征矩阵相似度的影响,结果表明:文中所做改进可有效地减少故障诊断中由于负载条件改变造成的误判。应用改进后的特征矩阵相似度对模拟故障进行诊断,结果表明,该方法受负载条件影响较小、能准确诊断出故障存在,有良好的应用前景。     

基于交叉小波变换和主元分析的电力电子电路故障特征提取

针对现有电力电子电路故障特征提取特征量精确度不足、分类差异性不明显以及故障提取过程易受到噪声的影响等缺点,提出一种基于交叉小波变换和主元分析的电力电子电路故障特征提取方法。该方法首先采用交叉小波变换分析故障信号,然后得出表征交叉小波谱图特性的特征量矩阵,最后利用主元分析方法降低特征量矩阵维数,剔除特征向量中的冗余信息。通过BP神经网络进行的故障诊断仿真测试,其诊断准确率达98.2%,证明了该方法的准确性。     

基于交叉小波变换的高压并联电抗器故障诊断方法

为了实现高压并联电抗器智能化诊断,提出一种基于交叉小波变换的电抗器故障诊断方法.搭建振动信号测试平台,采集不同条件下的电抗器振动信号,对比分析了电抗器三种状态下的交叉小波功率谱,通过图谱中颜色、显著性水平曲线与相角变化对电抗器故障进行定性分析;确定了信号的特征频段,提取特征频段中RGB参数与相角信息构造特征矩阵;采用矩阵相识度量化不同特征矩阵间的差异.实验分析结果表明,随着压紧力减弱,D2、D3、D4频段间相关性下降,D6频段间相关性上升.此外,电抗器不同状态下的特征矩阵有明显区别,矩阵相似度指标可准确量化松动前后交叉小波功率谱中的差异.     

基于多信号模型的武器装备故障诊断系统设计

本文介绍了基于多信号模型方法的舰载武器装备故障诊断系统的设计,介绍了其硬件组成及主要故障诊断算法。多信号模型故障诊断平台的核心是武器装备的相关性矩阵。通过多信号模型故障诊断方法,实现了快速而准确的故障诊断与定位,提高了武器装备综合诊断能力。     

基于TEAMS的短波综合通信系统多信号建模与分析

针对某型舰载短波综合通信系统（HFICS）原有技术保障能力不足的问题,提出了采用基于多信号模型的测试性设计解决方案.在深入研究多信号模型理论的基础上,结合HFICS实际情况,依托TEAMS软件平台,对HFICS进行了多信号建模和测试性分析.以该装备宽带发信分系统为例,通过测试诊断需求分析建立了系统组成描述表、诊断功能分解描述表、功能测试属性描述表,并根据测试性分析结果逐步完善了系统的多信号模型.结果表明,基于多信号模型的测试性设计方案提高了该型装备的测试性水平,同时对其他复杂电子装备的测试性设计具有一定的指导作用.     

基于EMD和PNN的故障电弧多变量判据诊断方法

故障电弧单变量判据诊断法受不确定因素影响大、特征量提取困难,针对此提出一种基于经验模态分解(EMD)和概率神经网络(PNN)的故障电弧多变量判据的诊断方法。利用经验模态分解分析法对电弧电流进行时频分解,并借助信号相关性理论自动提取故障特征信号;同时,通过分析故障特征信号的无量纲指标,形成多变量特征向量集。在此基础上,构建基于概率神经网络的故障电弧诊断模型。通过分析燃弧前后烧水壶、吸尘器、卤素灯、电钻、荧光灯、计算机的电流波形,验证故障诊断模型的准确性。结果表明,所提方法解决了单变量判据故障诊断中出现的特征量提取困难、交叉重复等问题,准确率超过90%。     

基于模糊聚类算法的油纸绝缘缺陷识别

采用典型模糊聚类算法(FCM)对电力变压器油纸绝缘缺陷进行诊断,研究不同绝缘缺陷的局部放电超高频信号特征识别问题。根据变压器内部绝缘缺陷特征,文章构建典型油纸绝缘缺陷模型,通过提取局部放电超高频信号特征量,构建综合识别矩阵,对缺陷进行识别。采用模糊C-均值聚类算法分别对信号小波去噪前后两种综合特征矩阵进行聚类分析及识别。对比结果表明,小波包多尺度超高频网格维数和能量参数能有效区分4种绝缘缺陷;小波去噪方法提高了正确识别率、最小识别率、识别稳定性、算法稳定性和收敛性。验证了模糊C-均值算法对油纸绝缘缺陷识别的适用性。     

基于S变换和深度置信网络的变压器局部放电模式识别

针对目前常用的浅层模式识别方法无法有效处理高维特征量的问题,提出一种基于深度置信网络(deep belief network,DBN)的局部放电模式识别方法,并提出在DBN学习过程中采用自适应学习率来控制其在全局和局部的寻优能力。该方法首先对局部放电信号进行S变换得到二维时频矩阵;其次考虑时频矩阵中特征量之间的相关性和计算复杂度,对二维时频矩阵采用双向二维主成分分析(two-directional two-dimensional principal component analysis,(2D)2PCA)进行降维处理。最后,将降维得到的特征量输入DBN,从低层到高层逐层训练,并将训练好的DBN用于测试样本的模式识别。用上述方法对实验室条件下的四种不同放电模型产生的放电信号进行特征提取和模式识别,并与反向传播网络得到的识别结果进行比较,结果表明该方法对于高维特征量具有更高的正确识别率和更快的运行速度,更适用于高维度特征量的模式识别。     

基于支持向量机的风力发电机组故障诊断预警模型

当前的风力发电机组故障诊断预警模型设置的矩阵一般为单元式的,预警的范围受到限制,导致预警响应时间延长,为此提出对基于支持向量机的风力发电机组故障诊断预警模型的设计与验证分析。根据当前的测定需求及标准,提取故障诊断预警特征量,采用多目标的方式,打破预警范围的限制,设计多目标诊断预警矩阵,以此为基础,构建支持向量机故障诊断预警结构,采用阶次分析实现故障诊断预警处理。测试结果表明：对比传统机器学习风力发电机组故障诊断预警模型测试组、传统MSK-CNN和多源机电信息融合风力发电机组故障诊断预警模型测试组,此次所设计的支持向量机风力发电机组故障诊断预警模型测试组最终得出的预警响应时间被较好地控制在0.25 s以下,说明在支持向量机的辅助下,所设计模型对故障诊断预警的效率较高,针对性更强,具有实际的应用价值。     

基于 tSNE-ASC 特征选择和 DSmT 融合决策的 滚动轴承声振信号故障诊断

针对滚动轴承早期故障特征微弱且难以有效辨识的问题,提出一种基于tSNE-ASC特征选择和DSmT融合决策的滚动轴承声振信号故障诊断方法。利用多个传感器采集轴承在不同故障模式下的声振信号,将每个信号通过VMD分解得到K个IMF分量;对各个IMF分量进行特征提取,构建各个特征的数据集矩阵;利用tSNE将各特征数据集矩阵降维至二维,计算平均轮廓系数(ASC);根据ASC大于临界值提取出声振故障信号的敏感特征;基于诊断模型实现轴承故障的初级诊断;利用DSmT将声振信号初级诊断结果进行融合决策,得出最终的诊断结论。实验结果表明：基于tSNE-ASC的特征选择方法能有效提取混合域特征中的敏感特征,在不同工况、不同诊断模型中均具有很高的诊断精度;DSmT决策融合有效降低了单一信号诊断的不确定性,在变载荷和升降速非平稳工况下均有很高的诊断精度。     

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。     

基于广义S变换的有源配电网故障定位方法

有源配电网中,DG中性点接地方式的不同选择将对原有故障电气量造成不同影响.从小电流接地系统与DG中性点接地方式安全配合的角度分析可知,DG采用中性点不接地方式最佳,并由此得出了其暂态零序电流不受DG接入影响的结论.在此基础上,针对故障信息利用不充分且单一判据存在定位盲区的问题,提出一种基于广义S变换多维判据的故障定位方法,对暂态零序电流信号进行广义S变换处理,不仅利用其幅值矩阵故障信息提取了主谐振频率和暂态能量特征量,还提出利用常被忽略的相角矩阵构造了统计极性特征量,构建了完备的多维故障区段判据.通过依次比较两检测点任一故障特征量,差异较大则判定为故障区段.理论分析与仿真验证表明该方法能够有效、准确地定位故障区段,且具有较强的适用性.     

基于信息融合和M-RVM的变压器故障诊断方法

针对仅以油中溶解气体数据为主要依据的变压器故障诊断方法信息量不足以及传统证据理论的缺陷问题,研究了基于信息融合和多分类相关向量机(M-RVM)的变压器故障诊断模型。首先,将油中溶解气体分析数据与电气试验数据作为诊断模型的输入特征量向量,更真实地反映变压器的故障信息。然后,采用4个M-RVM作为分类器,对故障进行初步诊断,并将诊断结果分别转化为证据融合所需证据体,同时引入兰式距离函数与光谱角余弦函数对证据体进行修正。最后,采用改进冲突再分配策略进行决策融合,避免融合过程中出现证据互相矛盾的现象。对比分析结果表明,基于多源信息融合的变压器诊断模型相较单一特征参数诊断以及单一诊断算法具有更高的诊断准确率。     

基于改进CEEMD和RF的低压串联故障电弧识别方法

了解决完整集合经验模态分解(complete ensemble empirical mode decomposition, CEEMD)得到的固有模态函数分量数目及其频段不固定,以及故障电弧特征难以准确提取导致故障识别准确率低的不足,引入T检验和方差贡献率形成了一种改进CEEMD方法,进一步提出一种基于改进CEEMD和随机森林(random forest, RF)的串联故障电弧识别方法。首先,依托串联电弧故障试验平台,采集不同负载的电流信号。然后,采用改进CEEMD对信号进行分析并提取故障特征量,以TreeBagger函数进行特征降维,形成特征向量样本集。最后,结合RF构建故障电弧诊断模型,对样本集进行分类识别。结果表明：改进CEEMD能有效地提取不同负载电流的故障特征,所提故障电弧识别方法的识别准确率达到97.50%。通过进行不同特征提取方法和不同分类模型对诊断结果影响的消融实验,进一步证明了所提方法的可行性。     

Power quality disturbance classificationbased on time-frequency domain multifeatureand decision tree

Accurate classification of power quality disturbance is the premise and basis for improving and governing power quality. A method for power quality disturbance classification based on time-frequency domain multi-feature and decision tree is presented. Wavelet transform and S-transform are used to extract the feature quantity of each power quality disturbance signal, and a decision tree with classification rules is then constructed for classification and recognition based on the extracted feature quantity. The classification rules and decision tree classifier are established by combining the energy spectrum feature quantity extracted by wavelet transform and other seven time-frequency domain feature quantities extracted by S-transform. Simulation results show that the proposed method can effectively identify six types of common single disturbance signals and two mixed disturbance signals, with fast classification speed and adequate noise resistance. Its classification accuracy is also higher than those of support vector machine (SVM) and k-nearest neighbor (KNN) algorithms. Compared with the method that only uses S-transform, the proposed feature extraction method has more abundant features and higher classification accuracy for power quality disturbance.     

多尺度卷积的时频域语音分离方法研究

在进行混合语音分离时,信号时域特征的深度学习语音分离性能优于频域特征。 但目前时域特征的语音分离方法在真 实噪声环境下的鲁棒性较差,且单一时域特征对分离模型的性能存在局限性。 因此,提出一种基于 Conv-TasNet 网络的多特征 语音分离方法,融合频域特征与时域特征,提高数据的多维信息。 为了进一步提高分离网络性能,引入多尺度卷积块,提高网络 对特征的提取能力。 在包含真实噪声的实验环境下,所提方法与 Conv-TasNet 模型和最新的时频域融合语音分离基线模型相 比,性能分别提高了 0. 91 和 0. 52 dB,有效提升了语音分离的性能及鲁棒性。     

基于图论的矩阵算法在配电网故障定位中的应用

分析现有配电网故障定位算法的不足,提出一种基于图论知识的改进配电网故障定位算法。该算法首先利用配电网有向拓扑结构生成一个可反映配电网拓扑信息的网络拓扑矩阵,当配电网发生故障时,安装在开关处的馈线终端（FTU）通过通用分组服务技术（GPRS）网络向主站上传故障信号,生成故障信息矩阵,进而得到故障判定矩阵,由故障判据定位故障发生区段。该算法不仅可以对单电源的配电网单重故障定位,对于多电源网络的多重故障以及馈线末端故障也可作出快速判断,同时对于FTU上传的不完备故障信息情况也同样适用。算例测试结果表明,该算法判断简洁直观,计算量小,实用性强,满足现代配网自动化要求。     

基于改进RIG算法的动态诊断策略生成

针对TEAMS生成的静态诊断策略无法满足现场诊断的需求,在研究rollout信息启发式(RIG)算法的基础上,提出了一种基于改进RIG算法的动态诊断策略生成方法。首先通过改进原有的RIG算法使之符合动态诊断的需要;然后根据现场诊断过程中出现的各种具体情况,获取局部D矩阵;在此基础上利用改进的RIG算法选择出下一步最佳的测试,最终实现了故障诊断策略的动态生成。仿真实例表明,若直接采用基于RIG算法的静态诊断策略,需要4种类型的测试;若采用基于改进RIG算法的动态诊断策略生成方法,只需选择一步测试即能诊断出系统故障。该方法能够实现维修人员的交互式诊断,有效地提高了故障诊断策略的实用性。