基于多尺度量子熵算法的煤矿供电线路故障辨识

针对煤矿电力系统中供电线路故障频繁、短路危害大、故障辨识不高等问题,提出一种基于故障暂态电压信号的多尺度量子熵(MQE)并结合递归神经网络的故障识别方法。首先提取发生故障线路中的各相电压故障分量的MQE值,将MQE值分成训练集和测试集,训练集的故障特征量MQE输入到深度学习中的递归神经网络模型中进行训练,利用测试集数据对模型进行验证,并通过实际线路故障验证所提出的方法,识别具体线路的短路故障类型。结果表明,所提算法可以准确地识别出供电线路发生的故障类型,可实际应用于煤矿的线路故障辨识;与其他线路故障模型相比,在测试样本足够多情况下,所提的算法准确率可近似达到100%,辨识效果具有优越性。

基于广义精细复合多尺度量子熵和核主成分分析的中介轴承故障诊断方法

针对中介轴承振动信号传递到机匣测表面上路径复杂,导致故障特征提取及识别困难等问题,提出了一种基于广义精细复合多尺度量子熵(generalized refined composite multiscale quantum entropy,GRCMQE)、核主成分分析(kernel principal component analysis,KPCA)与参数优化支持向量机的中介轴承故障诊断方法。该方法首先采用GRCMQE从振动信号中提取故障特征,构建高维故障特征集。其次,采用KPCA方法对高维特征数据降维,得到低维流形特征。然后,将得到的特征输入到基于交叉验证优化的支持向量机(cross validation-support vector machine,CV-SVM)中,完成故障模式识别。最后,在中介轴承故障数据集上对所提出的方法进行测试,结果表明该方法能够有效实现中介轴承不同故障类型的识别,并且故障识别精度达到98.33%。

基于多尺度量子熵的中介轴承故障诊断方法

针对中介轴承故障信号传递路径复杂,故障信号特征微弱诊断困难的问题,提出一种基于多尺度量子熵(MQE)、局部线性嵌入算法(LLE)与概率神经网络(PNN)的故障诊断方法。该方法采用空域相关降噪对振动信号进行滤波降噪,提高信号的信噪比;利用MQE提取中介轴承故障特征信息;采用LLE方法对高维特征进行降维处理;将低维故障特征输入PNN中进行故障识别。搭建了中介轴承故障模拟试验台,模拟中介轴承正常、内圈故障、外圈故障和滚动体故障,并采集数据对本文建立的中介轴承故障诊断算法进行验证。试验结果表明:提出的中介轴承故障诊断方法能够有效识别中介轴承故障类型,且没有出现过拟合现象,并表现出良好的泛化能力。

基于EWT-MQE的变压器局部放电特征提取

为了有效提取局部放电信号故障特征,进而对电力变压器故障进行诊断,提出一种基于经验小波变换(Empirical Wavelet Transform,EWT)和多尺度量子熵(Multiscale Quantum Entropy,MQE)的变压器局部放电特征提取方法。首先,该方法利用EWT对局部放电信号进行分解,得到多个不同的固有模态分量(Intrinsic Mode Function,IMF)和残余分量。其次,计算信号分解出的每个IMF的多尺度量子熵序列。然后,对多尺度量子熵序列利用局部切空间排列算法(Local Tangent Space Arrangement,LTSA)进行降维处理。最后,采用层次聚类算法(Hierarchical Agglomerative Clustering,HAC)进行聚类分析,得到不同放电类型的识别结果。通过与不同诊断方法对比,仿真结果及实验数据验证了所提方法的有效性和优越性。

A method combining refined composite multiscale fuzzy entropy with PSO-SVM for roller bearing fault diagnosis

Combining refined composite multiscale fuzzy entropy(RCMFE)and support vector machine(SVM)with particle swarm optimization(PSO)for diagnosing roller bearing faults is proposed in this paper.Compared with refined composite multiscale sample entropy(RCMSE)and multiscale fuzzy entropy(MFE),the smoothness of RCMFE is superior to that of those models.The corresponding comparison of smoothness and analysis of validity through decomposition accuracy are considered in the numerical experiments by considering the white and 1/f noise signals.Then RCMFE,RCMSE and MFE are developed to affect extraction by using different roller bearing vibration signals.Then the extracted RCMFE,RCMSE and MFE eigenvectors are regarded as the input of the PSO-SVM to diagnose the roller bearing fault.Finally,the results show that the smoothness of RCMFE is superior to that of RCMSE and MFE.Meanwhile,the fault classification accuracy is higher than that of RCMSE and MFE.