基于FAVMD-时变峰度的电缆局部放电多传感器在线检测与定位

在利用多传感器测量法进行电缆局放故障在线定位时,由于强环境噪声的干扰,局放初至脉冲的拾取误差较大或无法拾取,造成精确定位失败。针对这一实际工程问题,提出一种基于FAVMD-时变峰度的电缆局放初至脉冲检测方法。首先利用相关系数法自适应确定最优基本模态个数,将其应用于变分模态分解,将局放信号和噪声信号快速分解到不同的基本模态中,实现噪声信号的有效分离。然后运用时窗能量比方法确定局放时窗,并采用一种新的时变峰度法在局放时窗内精确拾取局放初至脉冲。最后运用多传感器测量法实现电缆局放源的在线定位。实验结果表明,相对于现有方法,该算法适应噪声能力强,定位精度高,在信噪比为-16 dB的强噪声环境下,相对定位误差仅为0.23%,在实际工程中有良好的应用前景。

基于FVMD多尺度排列熵和GK模糊聚类的故障诊断

针对设备故障信号的非线性、非平稳特征,提出了基于快速变分模态分解、参数优化多尺度排列熵和特征加权GK模糊聚类的故障诊断方法。首先,在变分模态分解的基础上,引入快速迭代的思想,提出快速变分模态分解方法,以减少算法运行时间与迭代次数;其次,针对多尺度排列熵算法的参数确定问题,综合考虑参数之间的交互影响,提出一种基于多作用力微粒群算法的参数优化方法,并通过快速变分模态分解和参数优化多尺度排列熵算法提取故障特征;之后,考虑到样本特征矢量中各维特征在聚类过程中的贡献不同,提出基于ReliefF特征加权的GK模糊聚类方法,由特征加权GK模糊聚类确定标准聚类中心,通过择近原则实现故障模式的分类识别;最后,以在机械故障试验平台上采集到的轴承不同故障类型的振动信号为研究对象,应用所提方法进行分析。结果表明,相对于改进前的变分模态分解、多尺度排列熵和GK模糊聚类方法,本文所提方法不仅能够有效提取故障特征,还能准确实现故障模式的分类识别,而且故障识别率得到提高。