基于RBF神经网络的变压器绕组及铁心振动信号分离研究

对变压器油箱表面混合的绕组和铁心振动信号进行分离,可以提高利用振动信号诊断内部机械状态的准确程度。文中利用径向基(radial basis function,RBF)神经网络以任意精度逼近非线性函数的优点,建立了以混合振动信号频域特征为输入,铁心、绕组源信号频域特征为输出的分离模型,将采集到的振动信号分为训练集和验证集,用训练集对网络进行训练,验证集进行验证,设定训练误差的目标值,当网络迭代到训练误差达到指定精度时,网络训练完成,从而可以利用该网络实现铁心、绕组振动信号的分离。波形相似系数的计算结果表明,分离信号与振动源信号的相似系数高于0.7,分离效果理想。与传统的盲源分离方法相比,基于RBF神经网络的分离方法克服了前者的两个局限性:一个是源信号排列顺序的不确定性,即分离出的铁心和绕组振动信号的排序无法确定;另一个是信号幅值的不确定性,即分离得到信号与源信号波形相似而幅值差距较大。此方法能够更准确地获得绕组和铁心的振动信号,实现对绕组、铁心机械状态的诊断。

Research on Vibration Signal Separation of Transformer Winding and Core Based on RBF Neural Network