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。     

基于小波的输油管道泄漏信号去噪处理

基于小波分析的噪声消除方法,研究负压波法提取泄漏信号的去噪。首先介绍基于小波分析的噪声消除基本原理,然后运用小波方法对实测信号进行具体处理,在信号处理过程中考虑了不同小波基和不同的分解层数对去噪结果的影响。实验证明,合理选择小波基和小波分解的层数,能够有效滤除泄漏信号中的噪声。     

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。     

面粉麸星计算机检测系统

面粉麸星的多少是评价面粉质量的一种重要指标,传统的面粉麸星检测都是依靠人工感官方式,即操作人员利用放大镜(5倍或5倍以上)查找统计视野中能见的麸星。由于麸星的数量多且面积小,因此,靠人工感官检测方式得到的数据结果往往达不到精度要求。针对这一问题提出了一种基于计算机图像处理技术的面粉麸星检测方法,利用该方法可以快速准确地检测出面粉的麸星个数、麸星面积以及面积百分比等指标。     

SF6断路器在线绝缘监测方法研究

在详细分析SF6气体中水分危害和气体水分测试方法的基础上,介绍了一种新型的SF6断路器微水检测仪。检测仪所使用的SF6气体露点温度检测与温度补偿方法不仅可以克服压力因素影响,而且还能够直观地表示气体的绝缘状况。经实验和测试证明该检测仪测量精确,能够满足SF6断路器微水在线监测的需求。     

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.     

基于模糊神经网络的高压断路器故障诊断

提出了一种基于模糊神经网络的高压断路器故障诊断方法,通过参数的相对化屏蔽了外界干扰和随机性因素的影响,增加参数模糊化层,对特征参数的相对模糊化运算,较好地解决了在外界干扰情况下的低诊断精度的问题。改进的BP算法有效避免了局部极小化问题,提高了收敛速度。研究结果表明:该网络即使在断路器受到较大外界干扰的情况下依然能得到较准确的诊断结果。     

基于DS证据理论的SVM分类模糊域数据修正

在介绍支持向量机(SVM)和DS证据理论的基础上,提出了一种利用DS证据理论对SVM分类模糊域数据进行分类修正的方法。该方法首先利用SVM对测试样本进行分类,对SVM分类输出模糊域的样本使用隶属度函数将SVM的输出距离转换成样本对各状态的隶属度;其次利用DS证据理论融合其他传感器信息,对各状态下的隶属度进行适度修正,从而实现该区域数据的重新合理排布;最后将该方法应用于高压断路器故障诊断,以验证其诊断性能。大量的实验结果表明,该方法可以利用断路器操作线圈电流数据,合理修正振动数据分类结果,实现断路器机械故障的准确检测。     

基于纹理分析的改进型Nagao滤波器

介绍了Nagao滤波器的基本原理,针对传统Nagao滤波器滤波后图像存在伪像以及用计算机实现处理速度慢等缺点,提出了一种基于纹理分析的改进型Nagao滤波器.通过对图像进行纹理分析,得到图像纹理复杂度指标,并用该指标作为Nagao滤波器选择模板的参数.实验分析表明,该方法可以很好地克服传统Nagao滤波器的不足,在进行图像自适应滤波时取得了比较好的效果,非常适合于对计算机处理速度要求比较高的应用.     

小波神经网络在黄豆含水率测量中的应用

提出一种用于多元非线性函数逼近的小波神经网络的训练算法,设计了网络拓扑结构和对其参数进行估计的混合递阶遗传算法。该方法避免了经典BP算法容易陷入局部极小和训练效率低的缺点,保持了较高的泛化精度,且收敛速度快,进而提高了测量精度。实验表明:应用小波神经网络多元非线性回归方法的含水率测量值与真实值间相对误差均方差为0.084,相对误差均值为0.117,相对误差最大值为0.159。