针对电磁斥力机构真空快速开关的机械状态监测问题,提出了一种最大奇异值能量熵(energy entropy of maximum singular value,EEMSE)和随机森林的故障诊断方法。首先,在真空快速开关中采集振动信号,对振动信号进行改进S变换得到模矩阵,...针对电磁斥力机构真空快速开关的机械状态监测问题,提出了一种最大奇异值能量熵(energy entropy of maximum singular value,EEMSE)和随机森林的故障诊断方法。首先,在真空快速开关中采集振动信号,对振动信号进行改进S变换得到模矩阵,随后对该矩阵的子矩阵进行奇异值分解,再利用信息熵理论对最大奇异值求熵得到特征向量,最后将特征向量输入随机森林模型进行故障分类和诊断。与不同特征量和分类器比较后的结果表明,文中提出的真空快速开关机械故障诊断方法特征一致性好,模型诊断速度较快,对实验样本总体诊断准确率达到了100%。展开更多
短路电流快速相控开断的关键与难点在于解决故障辨识和零点预测快速性与精准性之间的固有矛盾。为此,研究并提出一种基于长短期记忆网络(long short term memory,LSTM)算法的短路电流零点快速预测方法。搭建了相控装置试验平台,通过实...短路电流快速相控开断的关键与难点在于解决故障辨识和零点预测快速性与精准性之间的固有矛盾。为此,研究并提出一种基于长短期记忆网络(long short term memory,LSTM)算法的短路电流零点快速预测方法。搭建了相控装置试验平台,通过实时数字仿真(real time digital simulation system,RTDS)试验及短路故障录波试验对LSTM算法的电流预测能力进行了验证;研究并讨论了LSTM网络隐藏层节点数、采样窗口长度、故障起始相角、工频分量幅值、直流衰减时间常数以及信噪比等因素对零点预测误差的影响。仿真与试验结果表明,故障识别时间为0.3 ms,零点预测采样时间为3 ms,零点预测误差为±0.5 ms,LSTM方法能在保证预测精度与传统方法相当的条件下,显著缩短预测时间,提升预测快速性,为系统故障的快速开断提供理论依据和技术支撑。展开更多
文摘针对电磁斥力机构真空快速开关的机械状态监测问题,提出了一种最大奇异值能量熵(energy entropy of maximum singular value,EEMSE)和随机森林的故障诊断方法。首先,在真空快速开关中采集振动信号,对振动信号进行改进S变换得到模矩阵,随后对该矩阵的子矩阵进行奇异值分解,再利用信息熵理论对最大奇异值求熵得到特征向量,最后将特征向量输入随机森林模型进行故障分类和诊断。与不同特征量和分类器比较后的结果表明,文中提出的真空快速开关机械故障诊断方法特征一致性好,模型诊断速度较快,对实验样本总体诊断准确率达到了100%。
文摘短路电流快速相控开断的关键与难点在于解决故障辨识和零点预测快速性与精准性之间的固有矛盾。为此,研究并提出一种基于长短期记忆网络(long short term memory,LSTM)算法的短路电流零点快速预测方法。搭建了相控装置试验平台,通过实时数字仿真(real time digital simulation system,RTDS)试验及短路故障录波试验对LSTM算法的电流预测能力进行了验证;研究并讨论了LSTM网络隐藏层节点数、采样窗口长度、故障起始相角、工频分量幅值、直流衰减时间常数以及信噪比等因素对零点预测误差的影响。仿真与试验结果表明,故障识别时间为0.3 ms,零点预测采样时间为3 ms,零点预测误差为±0.5 ms,LSTM方法能在保证预测精度与传统方法相当的条件下,显著缩短预测时间,提升预测快速性,为系统故障的快速开断提供理论依据和技术支撑。