结合机构动力学特性仿真将ANN用于高压断路器机械状态识别初探

该文将断路器机构动力学特性仿真分析和基于人工神经网络(ANN)的状态识别算法相结合,为高压断路器的状态在线检测方法的研究提供了一条新思路。利用所建立的VS1型真空断路器机构动力学模型对故障状态下的断路器机构动力学特性进行了仿真分析,分析结果表明:不同状态下的可检测参量主轴转角具有明显不同的特征。之后对主轴转角进行了参数化描述,从而为断路器的状态识别奠定了基础。最后,引入可信度的概念,提出一种基于ANN的断路器机械状态识别算法,该算法不仅能够识别已知的状态类型,而且具有新状态类型的识别功能。

基于多重分形-贝叶斯融合算法的变压器绕组机械状态识别

针对变压器振动信号非线性特征及其绕组机械状态识别问题,该文引入多重分形与贝叶斯相结合的状态识别方法,搭建振动测试平台,采集配电变压器在不同负载电流下正常运行和存在绕组松动故障运行时的振动信号。运用多重分形理论对振动信号进行多重分形特征分析,提取出随变压器绕组机械状态变化明显的多重分形谱参数作为状态特征量,使用贝叶斯分算法对试验变压器状态特征量进行状态识别。研究结果表明:变压器振动信号具有较强的多重分形特性;多重分形谱参数αfmax、αmin在负载电流波动时变化不明显,绕组松动时变化明显;多重分形-贝叶斯算法能准确的识别出变压器负载电流变化时的正常状态与绕组松动时的故障状态,准确率都在98%以上,研究结论可为负荷多变情况下基于振动信号的变压器绕组故障诊断提供一种新思路和新算法。

基于主成分分析和支持向量机的高压断路器机械状态识别方法

高压断路器分合闸过程中的触头行程曲线蕴含着反映其内部机构机械状态的丰富信息,是实现其状态识别和故障诊断的重要依据。文中提出了一种基于主成分分析和支持向量机的高压断路器机械状态识别方法,基于奇异值分解计算特征量的主成分,降低特征量的维度,筛选出包含主要信息的特征矩阵,然后基于特征矩阵构建支持向量机,结合交叉验证网格搜索确定最优参数,进而确定最优分类模型。对实验数据的分析结果表明,该方法可以有效提取触头行程曲线中蕴含的特征信息,准确度高达99%,可以实现对高压断路器机械状态的识别。

基于最优特征向量分类的高压断路器机械状态识别方法

对高压断路器动作过程中状态特征参量的提取与分析是状态识别与故障诊断的关键。高压断路器分合闸过程中的触头行程曲线蕴含着反映其内部机构机械状态的丰富信息。然而,仅依靠常规的时间和速度等参量无法对高压断路器的机械状态进行准确识别。文中提出了一种基于最优特征向量分类的高压断路器机械状态识别方法,通过计算各个特征与状态分类之间的互信息,根据最大相关最小冗余的准则筛选出最优特征子集,然后基于最优特征量构建支持向量机(SVM),利用分类准确度进行评价,确定出最优的特征向量和分类模型。对实验数据的分析结果表明,该方法可以有效提取触头行程曲线中蕴含的特征信息;基于最优特征向量集构建的分类模型的准确度高达97%,可以实现对高压断路器机械状态的识别。

旋转机械运行经验量化原理与实现探索

旋转机械是工业生产中的关键设备之一,其运行维护和维修是工业正常生产的重要保障,本文介绍运行维护的经验量化原理和实现方法。有经验的老师傅通常可以“听出”设备的问题,为设备的正常运行提供有力支持,但当问及具体原因,却不能说出,常常用“只可意会不可言传”来回答,如何才能将老师傅“听”的经验量化,成为故障识别“标志”,更好服务于设备管理。

基于CWD及分块SVD的配电开关故障诊断方法

通常,配电开关分合闸操作产生的振动信号中蕴含有体现机械状态的重要信息。提出一种基于振动信号分析的新型配电开关故障诊断方法。首先对振动信号求取乔-威廉斯分布获得二维时频矩阵,然后对时频矩阵作分块奇异值分解,用于表征不同机械状态的时频特性,最后结合极限学习机算法对4类实测振动信号的特征向量进行训练和测试。所提方法的优点是有效提取了配电开关振动信号时频域的特征,并且可以在较少样本的情况下训练诊断模型。基于实测数据的实验表明,该方法具有较高的识别精度和较快的收敛速度。