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...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。展开更多
文摘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。