基于连续信号自适应分解的钢轨交流闪光焊接过梁爆破定量分析

为实现对钢轨闪光焊微观过程——过梁爆破的定量分析,将钢轨交流闪光焊接过程细分为断路、短路、多过梁爆破、单过梁爆破4种类型;基于GoogLeNet卷积神经网络,提出将钢轨交流闪光过程高频连续电信号进行类Gram矩阵转化,再依据矩阵元素自适应优化生成时域图谱的卷积神经网络识别方法;应用该方法对闪光焊接过程高频数据进行识别,并对完整焊接过程进行定量分析。结果表明:经过数据自适应优化,4种类型时域图谱的分类识别准确率上升至97.8%,识别的最大混淆发生在多过梁爆破和单过梁爆破之间;多过梁爆破比率在闪平和脉动阶段约为20%,进入连续阶段后迅速上升至80%以上,短路比率在稳定脉动期间可稳定维持在60%;各类型的比率在不同阶段呈现明显阶段特征,且各阶段特征与钢轨交流闪光焊接实际过程的宏观特征相匹配,采用该方法也可实现对闪光焊接微观过程的定量分析。

局部放电脉冲信号特征向量的提取方法

为检测和识别高压开关柜的绝缘故障,提出一种局部放电特征向量的提取方法。首先,基于二维参数的降维统计方法提出了相位中值、正负半轴放电频次比值等主要统计算子,用以提取放电脉冲信号的幅值、相位等特征向量。然后模拟测试尖端、沿面、悬浮、接触不良等开关柜内部放电故障,并提取局部放电故障的相关信息。最后,分析局部放电图谱、时域图和放电模式识别效果,得出不同统计算子的贡献率。结果表明:该方法能够有效提取局部放电特征向量,降维提取的统计算子能够用于还原实际局部放电故障的相关信息。