基于VMD模糊熵和SVM的高压断路器故障诊断

为了有效提取高压断路器振动信号的特征,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)模糊熵和支持向量机(Support Vector Machine, SVM)的特征向量提取方法,并采用SVM分类器对断路器的故障类型进行识别。首先,使用VMD对断路器的振动信号进行分解,得到若干个模态分量;然后,计算每一个模态分量的模糊熵,将其组成特征向量;最后,将上述特征向量导入到SVM分类器中进行训练,得到训练好的SVM模型,使用该模型对断路器4种运行状态下的样本数据进行故障识别。结果表明,基于VMD模糊熵的特征向量提取方法所提取出的特征向量相对基于经验模态分解(Empirical Mode Decomposition, EMD)样本熵的特征向量提取方法所提取出的特征向量可分性较好;在小样本的模式识别中,SVM相比于BP神经网络,具有更高的识别精度,能够有效识别断路器的故障。     

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。     

多维度能量熵提取的不同负载下电机轴承故障诊断

为了提高电机轴承故障诊断的准确率,针对电机轴承故障不稳定的振动信号及故障特征提取困难问题,提出了一种基于变分模态分解（VMD）能量熵与卷积神经网络（CNN）相结合的电机轴承故障诊断方法。为了使故障的特征更精确地体现出来,采取三维度的能量熵提取办法,将轴承故障分为内圈磨损、外圈磨损和保持架断裂三类,然后每个类别再细分为负载为0%、25%和50%三种情况,共9种情况。利用VMD方法将故障信号分解得到内禀模态函数(IMF)的分量并提取各个维度IMF的能量熵值从而构成特征向量。结果表明该方法可以有效提高故障诊断正确率。     

采用奇异能量谱与改进ELM的轴承故障诊断方法

针对滚动轴承故障特征不易提取,进而影响诊断精度的问题,研究一种将信号处理与智能算法相结合的轴承故障诊断方法.首先,利用粒子群算法对变分模态分解(VMD)法进行优化,以确定VMD法的最优输入参数,并利用优化VMD算法对振动信号进行分解得到若干本征模态函数进而建立特征矩阵.然后,对特征矩阵进行奇异值分解,根据不同故障下奇异能量谱的差异构造故障特征向量,并采用改进的极限学习机(ELM)进行故障识别.针对传统ELM输入层权值与隐含层阈值随机选取对分类效果的影响,采用自适应差分进化极限学习机对其进行优化,以保证故障诊断性能.最后,利用实验结果验证所研究故障诊断方法的可行性.     

基于VMD的变压器绕组松动故障分析与诊断

为了及时有效地诊断变压器绕组松动故障,针对变压器空载合闸振动信号,提出了一种基于变分模态分解(VMD)的分析方法。首先运用VMD对绕组松动前后变压器表面合闸振动信号进行最优模态分解,建立信息熵—峭度—相关系数综合评价模型,并运用熵权—TOPSIS法提取特征模态分量;通过计算变压器振动信号能量熵进一步判定绕组状态;最后搭建测试平台进行实验验证。结果表明,绕组松动和正常状态下变压器振动信号在特征频率和能量分布上均存在明显差异,该方法为变压器绕组松动故障诊断提供了新的思路。     

基于振动信号经验模态分解及能量熵的高压断路器故障识别

为了准确地检测出高压断路器的故障类型,笔者首次将经验模态分解(EMD)方法引入高压断路器的振动信号分析当中,并提出将EMD分解得到的固有模态函数(IMF)能量熵值作为表征断路器故障类型的新特征向量。为了证实该分析方法的有效性,笔者在实验室的110 kV SF6断路器上进行了模拟实验,提取了正常和故障状态下振动信号的IMF能量熵值特征向量,并以此作为径向基神经网络的输入向量。最后,引入置信度的概念,对径向基神经网络的输出结果进行评价。该方法基于实验室研究取得了较好的识别效果,并为基于振动信号的断路器故障识别提供了一条新的思路。     

结合经验模态分解能量总量法的断路器振动信号特征向量提取

为了检测出断路器的机械结构故障类型,本文分析了断路器机械振动信号的特性,提出基于经验模态分解(EMD)能量总量法与支持向量机(SVM)理论相结合的中压断路器振动信号的特征向量提取和故障分类的分析方法。首先将断路器的振动信号进行经验模态分解,得到所需要的内禀模态函数(IMF),通过离散采样点求能量总量的方法求出包含主要故障特征信息的各个内禀模态函数分量的能量总量。利用IMF分量能量总量作为特征向量,并以此作为支持向量机输入,将测试样本信号的故障特征向量输入训练好的SVM,并对SVM及核函数参数进行遗传算法优化,采用"二叉树分类"支持向量机分类机制进行故障分类。经实验分析该方法能很好地识别出振动信号的差别及故障类型。     

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VMD-Hilbert边际谱能量熵和SVM的高压断路器机械故障诊断

针对高压断路器分、合闸动作过程中产生的振动信号持续时间短暂及强烈的非线性非平稳性,导致的特征提取困难问题,提出一种变分模态分解(VMD)-希尔伯特(Hilbert)边际谱能量熵,及支持向量机(SVM)的高压断路器振动信号组合特征提取和机械故障诊断方法。采用VMD对高压断路器振动信号进行分解,得到一系列反映振动信号局部特性的本征模态函数(IMF);对IMF进行Hilbert变换,并求取对高压断路器机械状态变化敏感的Hilbert边际谱能量熵作为特征向量;将特征向量输入到SVM分类器,实现高压断路器机械故障的智能诊断。试验结果表明:该方法能够准确识别高压断路器的常见机械故障类型,具有一定的工程应用价值。     

基于VMD和WOA-SVM的变压器绕组松动故障诊断

为了更加准确有效地诊断变压器绕组松动故障,提出了一种基于变分模态分解(VMD)和鲸鱼优化支持向量机(WOA-SVM)的变压器绕组松动故障诊断方法。首先,对某10 kV变压器进行模拟故障试验,测量其振动信号;随后,采用VMD将非平稳的振动信号分解成多个本征模态函数(IMF),并计算各层IMF的能量熵,构成特征向量;最后,将特征向量输入鲸鱼算法(WOA)优化的支持向量机(SVM)中训练出分类模型,实现变压器绕组松动故障诊断。结果表明,所提方法适用于变压器绕组松动故障诊断,并且相较于传统的改进SVM分类模型,所提方法的故障识别准确率更高。     

基于参数自适应VMD和SA-ELM的有载分接开关故障诊断

机械振动信号能反映有载分接开关的运行状态。为提高有载分接开关机械故障的诊断准确率,提出了一种基于参数自适应变分模态分解(VMD)和模拟退火优化极限学习机(SA-ELM)的故障诊断方法。首先对振动信号进行VMD分解,根据能量准则自适应确定模态数的取值,得到一组窄带、区分度较好的模态分量。然后求取各模态的能量值,形成特征向量组,不同故障状态的模态特征区分明显。最后将特征向量组输入SA-ELM,实现振动信号的识别和诊断。在模拟试验平台上进行试验并对采集的信号进行分析,结果表明文中故障诊断方法可有效提高有载分接开关机械故障的诊断准确率。     

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。     

基于改进变分模态分解排列熵和极限学习机的汽轮发电机转子故障诊断方法

针对实际转子振动信号的非线性、非平稳性引起的故障类型难以准确识别的问题,提出了一种基于改进变分模态分解(VMD)排列熵和极限学习机的转子故障诊断方法。首先,为克服VMD中惩罚因子和分解个数按经验选择的问题,提出一种基于人工化学反应算法的改进VMD方法,将其用于振动信号分解,得到若干个不同尺度的固有模态分量(IMF);随后计算蕴含主要故障特征信息的前几个IMF的排列熵值;最后将得到的前几个排列熵值作为特征矢量,输入到建立的极限学习机中实现不同状态下转子振动信号的模式识别。将提出方法应用于汽轮发电机转子试验台采集的数据,结果表明:提出的方法能有效实现不同运行状态下的转子振动信号的辨识,提高了模式识别精度。     

基于VMD分解和支持向量机的水电机组振动故障诊断

针对传统方法难以精确提取水电机组非平稳振动信号的故障特征,首先引入变分模态分解(variational modal decomposition,VMD)将水电机组非平稳振动信号分解为一系列中心频段互不重叠的IMF分量,进而采取能量法提取各IMF分量的故障特征,最后将提取的故障特征向量输入到本文建立的基于遗传算法优化支持向量机的故障诊断模型中,实现故障模式的识别与诊断。将该方法应用于实际水电机组故障振动信号的处理中,仿真结果表明,该方法能够有效识别机组的异常状况,具有较高的故障诊断正确率。     

小波包-特征熵在高压断路器故障诊断中的应用

在详细介绍小波包和特征熵的基础上,提出了一种基于振动信号的断路器机械故障诊断新方法.该方法首先在振动信号小波包分解的第3层各节点重构信号,并提取包络;而后利用包络信号的分段能量,计算小波包-特征熵向量;最后将正常状态和待测状态下所得向量之间的欧氏距离作为诊断参量.对某少油断路器无负载开断振动信号的分析证实,该方法检测断路器故障简单、准确,能同时在时域和频域检测断路器状态的变化.     

基于EMD近似熵的高压断路器故障诊断

为了利用断路器较少的状态数据样本对断路器的主要故障进行分析与判断,提出以近似熵作为一种新的断路器振动信号特征量,通过在SF6断路器上进行试验,采集到正常状态、铁心卡涩、润滑不足、底座松动4种状态的样本。将原始信号利用经验模态进行分解,得到的一组固有模态函数分量做为近似熵算法的输入,将多个分量的近似熵组成一个特征向量来表征原始信号。最后,引入支持向量机对不同状态的样本进行有效分类,验证以近似熵作为断路器振动信号特征量的有效性。     

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     

基于小波包能量熵的电力变压器运行状态评估方法研究

振动在线检测法在电力变压器机械故障诊断中的应用越来越广泛,在此基础上将能量熵引入电力变压器绕组振动信号的特征提取中。通过实验提取一台电力变压器绕组正常运行和短路冲击运行时的振动信号,运用小波包分解重构原理分解出信号的子频带,采用频段-能量熵方法来检测电力变压器绕组不同运行条件下短路故障类型。实验结果表明,不同机械状态下电力变压器绕组振动信号特征向量之间的差异性可作为故障诊断的依据。     

基于相空间重构与改进GSA-SVM的高压断路器机械故障诊断

断路器机械部件传动、撞击产生的振动信号具有混沌特性,运用常规的信号处理方法很难分析其特性。首先采用互信息法和Cao算法将振动信号重构至高维空间后,计算其排列熵作为特征向量,输入支持向量机对断路器机械故障类型进行诊断,最后用粒子群算法（PSO）改进的万有引力搜索算法（GSA）混合算法优化支持向量机参数,利用断路器实测振动信号进行验证。结果表明：相空间重构与排列熵结合能够准确提取断路器振动信号的特征,采用PSO-GSA改进的支持向量机能快速有效分辨断路器故障类型,解决了现有诊断方法的路径扭曲、能量泄露和模态混叠等问题。     

基于经验小波变换和相关向量机的断路器机械故障诊断

为了更准确的提取断路器故障特性,得到更可靠的故障诊断结果,在振动信号的基础上,提出了一种基于经验小波变换(Empirical Wavelet Transform,EWT)和相关向量机(Relevance Vector Machine,RVM)的断路器机械故障诊断方式。首先提取不同故障振动信号,设置阈值来初始化信号傅里叶频域分解区间,利用EWT分解得到有限带宽的多个模态。然后计算样本熵参数,计算并作为特征向量。最后,将特征向量输入相关向量机(RVM),建立不同故障的模型,对测试样本进行诊断。通过与其他方法实验对比,文中方法具有更高的故障诊断识别率,更快的识别速度。