分接开关振动信号EMD熵和小波熵的比较

针对变压器有载分接开关机械故障诊断,引入一种基于经验模态分解EMD(empirical mode decomposi-tion)能量熵的诊断方法,以提取变压器有载分接开关振动信号特征并进行故障诊断。首先进行小波消噪,然后对信号进行经验模态分解,对得出的各阶固有模态函数求能量,最终计算得到信号的能量熵值。运用EMD能量熵作为特征参量,分析了触头正常和烧毁两种情况下分接开关切换时产生的振动信号,并与小波能量熵比较,研究结果表明,分接开关振动信号基于EMD能量熵的方法比基于小波能量熵的方法有效。     

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。     

基于相空间重构与GSA-LVQ的有载调压变压器分接开关机械故障诊断

针对有载调压变压器分接开关机械故障诊断准确率不高以及潜在机械故障不能及时被发现的问题,提出了一种基于互补集合经验模态分解(CEEMD)、相空间重构结合万有引力搜索法(GSA)改进学习矢量量化神经网络(LVQ)的有载分接开关机械故障诊断新方法。采用CEEMD对振动信号进行时频域分解,然后通过C-C算法确定延迟时间和嵌入维数,对反映不同频率特征的固有模态函数(IMF)进行相空间重构,并提取反映混沌特征的两个特征量李雅普诺夫指数和关联维数构成特征向量。利用GSA优化LVQ,解决网络对初始连接权值敏感的问题,增强网络对有载分接开关机械故障分类识别性能。通过对有载分接开关机械状态的实验分析,证明了相空间重构结合GSA-LVQ算法的可行性和有效性。     

基于变分模态分解的变压器有载分接开关振动信号去噪分析

针对变压器有载分接开关振动信号中的环境噪声影响后续特征提取与识别的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)与小波包阈值的去噪算法。首先对信号进行VMD分解,得到一系列窄带、中心频率区分度较好的模态分量。然后对各模态分量分别进行小波包阈值处理,利用均方根误差、信噪比及平滑度构成的复合评价指标确定最佳分解层数,得到最优的去噪效果。最后重构得到去噪后的振动信号。在变压器有载分接开关模拟试验平台上进行试验,并对采集的振动信号进行去噪分析,结果表明该方法的效果优于常用的去噪方法。     

基于改进变分模态分解的SRM功率变换器故障诊断方法

为实现开关磁阻电机功率变换器故障诊断,本文提出了一种改进变分模态分解结合奇异值分析的方法,基于经验模态分解自适应特性和中心频率确定变分模态分解的分解数,并对故障相电流进行处理,根据互信息分析选择最佳模态分量构造初始特征矩阵,进行奇异值分解后计算归一化奇异值作为特征向量,输入支持向量机分类器进行故障识别。为验证诊断方法的可行性,建立了仿真模型与其他诊断方法进行了对比;搭建了开关磁阻电机实验台,测试了开路、短路故障状态,仿真和实验结果均表明本文所提方法可减小噪声影响,提高故障识别准确率。     

基于时频特征分析的变压器有载分接开关运行状态识别

为了对变压器有载分接开关的运行状态进行识别,该研究首先对其运行状态和故障特征进行总结分析,针对分接开关运行过程中产生的振动信号,利用集合经验模态(EEMD)分解为多个固有模态函数分量(IMF),再经过希尔伯特变换法,结合能量熵提取得到基于时频分析的特征向量。将特征向量输入自适应遗传算法(AGA)优化的BP神经网络模型中进行故障识别,并进行数据仿真,与相空间重构后提取的特征向量(PPDC)进行对比,验证不同网络模型下,所提方法的识别准确率和收敛速度。结果表明,以PPDC故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为81.68%和88.32%,收敛次数为981和363,当以基于时频特征提取的故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为91.66%和96.68%,收敛次数为349和159,AGA算法可显著提高BP神经网络模型的性能。由此可见,可将时频特征提取方法与AGA-BP神经网络结合,实现有载分接开关运行状态的有效识别。     

一种换流变双有载分接开关故障检测方法

针对传统电力变压器有载分接开关故障检测方法无法应用于换流变双有载分接开关的不足,提出一种基于模式识别的双有载分接开关故障检测方法。该方法首先对双有载分接开关典型故障进行建模获得典型故障特征向量,通过离散小波变换提取开关动作过程中测试电压波形特征,形成待测特征向量,并与典型故障模式进行比对,计算欧氏距离,进而识别所测有载分接开关的状态。通过仿真和实例信号分析结果说明,所提的故障检测方法能够对双有载分接开关的故障状态进行识别。     

利用窄带噪声辅助多元经验模态分解算法检测换流变压器用有载分接开关机械状态

为有效检测换流变压器用有载分接开关的机械状态,提出一种窄带噪声辅助多元经验模态分解的方法对有载分接开关切换过程中采集到的多通道振动信号进行分析。具体应用时,在原始多通道振动信号中增加若干通道窄带噪声信号,并在统一高维超球面坐标系下进行分解计算,从而在有效抑制经验模态分解过程中模态混叠现象的同时,极大提高了多维振动信号分解的准确性并降低了运算复杂性。进而根据区间最大功率特征计算固有模态函数的功率矩阵,对有载分接开关的机械特征进行描述。对有载分接开关样机正常与典型机械故障时振动信号的计算结果表明,其不同工况下的功率特征有较大区别,所定义的矩阵相似度指标可较好地衡量有载分接开关典型故障时的振动差异程度。此外,触头松动时与正常工况的相似度指标低于绝缘板松动故障,说明触头松动故障对有载分接开关切换过程的影响更为明显。     

基于振动信号EMD分解与支持向量机的有载分接开关机械故障诊断

本文中作者将经验模态分解与支持向量机算法引入到有载分接开关机械故障识别领域。通过对有载分接开关振动信号进行经验模态分解,并选取前5个本征模态函数的能量作为输入特征参量,利用支持向量机算法对有载分接开关弹簧储能不足、触头松动、触头磨损3种机械故障进行了识别,同时比较了不同核函数对支持向量机分类结果的影响。     

基于CEEMDAN的配电变压器放电故障噪声诊断方法

研究配电变压器本体和放电故障噪声的声学特征以及识别方法,是实现配电变压器放电故障可靠识别和诊断的关键。为此,提出了基于自适应白噪声完备集成经验模态分解(CEEMDAN)的配电变压器放电故障诊断方法。该方法首先采用CEEMDAN对所采集的声信号进行分解,得到若干个本征模态函数(IMF),求取各IMF的峭度值,并选取合适的IMF分量进行信号重构,从中提取放电故障声信号;其次对放电故障声信号进行CEEMDAN分解,获取其边际谱熵、重心频率、频带能量熵及奇异谱熵这4个特征量,并构成特征向量;最后利用支持向量描述(SVDD)对典型放电故障进行分类与识别。实验结果表明:所提方法在考虑配电变压器本体噪声的条件下,放电故障的识别率达到90%以上,可用于配电变压器放电故障的识别和诊断。     

基于EEMD和SOM神经网络的水电机组故障诊断

针对水电机组振动信号的非平稳性和特殊性,提出一种基于集合经验模态分解(EEMD)的奇异谱熵和自组织特征映射网络(SOM)相结合的故障诊断方法。首先采用EEMD对振动信号进行分解,得到本征模态函数(IMF);随后进行奇异谱分解,得到反映振动信号的动态特征向量——奇异谱熵;最后将得到的特征向量输入经过训练的SOM神经网络中进行故障自动识别。结果表明:该方法可以准确地提取机组故障特征,具有更高的识别精度和更快的计算速度。     

有载分接开关GLCM纹理特征及改进随机森林算法的故障诊断方法

针对变压器有载分接开关早期故障征兆难以辨识问题,从兼顾信号计算速度和故障诊断准确性出发,提出一种基于图像纹理特征及改进随机森林故障诊断算法。将预处理后振动信号通过小波包分解转换为反映不同运行状态的二维时频灰度图,利用描述区域像素关系的灰度共生矩阵(gray-level co-occurrence matrix, GLCM)对原始信号定量表征,提取出6维特征向量输入到随机森林算法,考虑到传统投票规则忽略了分类器个体强弱差异,构建以受试者工作特征曲线的下方面积(area under the curve, AUC)为判据的改进随机森林分类器,最终实现对分接开关异常状态的准确识别。试验结果表明:GLCM纹理特征及改进随机森林分类器将识别精度提升至97.5%,具有“零漏报率”和更优在线诊断效率。该方法在分接开关现场异常状态识别中具有较高应用价值。     

基于改进掩膜信号优化的经验模态分解算法的有载分接开关机械故障诊断

为了有效在线监测有载分接开关(OLTC)的运行状况,采用基于改进掩膜信号优化的经验模态分解算法和区间最大功率特征矩阵相结合方法对有载分接开关运行过程中产生的振动信号进行分析。通过在采集到的原始信号中加入改进的掩膜信号,有效地消除经验模态分解(EMD)过程中出现的模态混叠现象。然后根据分解得到的固有模态函数(IMF)求得区间最大功率特征矩阵,从而进一步对有载分接开关的实际运行状态进行监测。计算结果显示OLTC在不同运行状态下的区间最大功率特征矩阵有明显的差异,其区间最大功率特征矩阵相似度指标可较好地判别OLTC发生典型故障时振动信号的差异程度。     

数字信号处理器在变压器有载分接开关监测与诊断中的应用

提出一种基于数字信号处理器的电力变压器有载分接开关在线监测和故障诊断系统,并对有载分接开关主要监测信号进行了仿真分析。     

基于重心平均动态时间规整算法的有载分接开关机械故障诊断

有载分接开关(on-load tap changer, OLTC)是电力变压器中故障频率较高的部件之一，为了实现有载分接开关的故障诊断，提出了一种基于重心平均动态时间规整算法的故障诊断方法。针对OLTC振动信号的非线性与强时变性，提出自适应变分模态分解算法，计算OLTC振动信号的时频特征矩阵。进一步地，引入重心平均动态时间规整算法，自适应地计算OLTC振动信号时频特征矩阵之间的差异度，从而实现OLTC的故障诊断。研究结果表明，利用重心平均动态时间规整算法能够通过计算多组信号的重心平均序列提高故障诊断的鲁棒性。同时，基于所计算的差异度，不仅能够实现OLTC故障的有效诊断，还能在一定程度上定量表征故障的严重程度。该研究能够为OLTC的故障诊断提供新的思路。     

基于振动信号EMD-HT时频分析的变压器有载分接开关故障诊断

把一列时间序列数据通过经验模态分解(empirical mode decomposition,EMD)为本征模态函数组(intrinsic mode function,IMF),然后进行希尔伯特变换(hilbert transformation,HT)得到频谱的信号时频分析方法引用到变压器有载分接开关切换机构的振动信号分析领域。笔者介绍了该方法的理论和算法。首先采用仿真信号对该方法进行仿真验证,然后把一实测的有载分接开关故障振动信号进行基于EMD-HT方法的时频分析。通过仿真和实例信号分析结果说明,用EMD-HT时频分析方法对变压器有载分接开关的振动信号进行故障特征提取是有效的。     

基于相空间张量分解的有载分接开关故障诊断

有载分接开关一次档位切换过程中伴生的振动信号与其机械状态密切相关。文中基于有载分接开关档位切换过程中振动信号的高维相点空间分布,对有载分接开关多个位置处的振动信号进行张量化表示,用以捕捉尽可能丰富的有载分接开关机械状态信息。然后对所构建的相空间三阶张量进行Tucker张量分解以获取核心张量,据此建立基于卷积神经网络的有载分接开关机械故障判别模型。以某CM型有载分接开关动作时的振动信号为例进行分析,结果表明,有载分接开关动作时的振动信号的相空间核心张量信息全面且冗余少,所构建的基于卷积神经网络的有载分接开关机械故障诊断模型性能良好,准确率超过95%,可为有载分接开关的故障识别及状态维修提供参考依据。     

基于驱动电机电流与振动信号的有载分接开关故障诊断方法

有载分接开关(on-load tap changer,OLTC)是电力变压器中唯一可以运动的机构,具有复杂的机械结构.为了解决有载分接开关机械故障诊断中样本库无法涵盖所有故障类型的问题,文中提出了一种基于驱动电机电流与振动信号的有载分接开关故障诊断方法.首先,文中研究了有载分接开关多源监测信号的特征提取方法,提出了驱动...     

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。     

基于有效频带特征的有载分接开关机械状态诊断方法

为更加准确地提取变压器有载分接开关(On Load Tap Changer,OLTC)的机械振动信号故障特征,提升OLTC的在线监测品质,提出了基于有效频带多分辨率特征与遗传算法(Genetic Algorithm,GA)优化支持向量机(Support Vector Machine,SVM)的有载分接开关机械状态诊断方法。首先利用小波包对OLTC的机械振动信号进行分解,然后将各有效频带的小波包系数连接构成一个整体计算信息熵,得到有载分接开关机械振动信号的有效频带多分辨率特征参数,同时基于有效频带多分辨率特征参数建立遗传支持向量机(Genetic Algorithm-Support Vector Machine,GA-SVM)的故障分类模型。模拟实验与数据分析结果表明,所提综合模型能够有效地实现OLTC故障诊断,可为OLTC运行与维护提供一定参考。