基于LMD边际谱能量熵的高压断路器机械故障诊断

断路器分合闸振动信号蕴含着丰富的机械特征信息,为准确提取其特征,提出一种基于LMD边际谱能量熵与GPSO算法相结合的高压断路器机械故障诊断方法。首先将原始振动信号进行小波软阈值去噪处理,然后将去噪后的信号利用LMD进行分解,获取若干反映断路器操动过程中机械状态信息的PF分量;然后依据各PF分量与原始信号相关性确定包含主要状态信息的PF分量,并将前3阶分量进行希尔伯特变换(Hilbert变换),求取其边际谱能量熵作为特征向量;最后将特征向量输入到GPSO-SVM分类器,实现断路器机械故障诊断。实验结果表明:LMD边际谱能量熵能准确反映断路器机械故障特征,GPSO-SVM可有效辨识断路器机械故障。

基于LMD边际谱能量熵与FWA-SVM的变压器绕组松动诊断

变压器空载合闸的振动信号包含了丰富的机械特征信息,为了实现对变压器绕组松动故障诊断,提出了一种局部均值分解(LMD)边际谱能量熵与烟花算法优化支持向量机(FWA-SVM)的方法。通过LMD提取若干反映变压器合闸过程绕组状态信息的乘积函数(Product Function, PF)分量;依据各PF分量相关系数与能量分布,将前6阶PF分量进行希尔伯特变换,并求取对变压器绕组状态变化敏感的边际谱能量熵作为特征向量;将特征向量输入到烟花算法(FWA)优化的支持向量机(SVM)分类器,实现变压器绕组轻微松动故障早期预警。实验结果表明:基于LMD边际谱能量熵能准确反映故障特征,FWA-SVM诊断方法在少量样本情况下仍有较高的故障辨识度。

综合高低频段分量的谐振接地系统故障选线

针对谐振接地系统单相接地故障特征提取困难、故障识别率低的问题,提出一种基于参数优化变分模态分解VMD(variational modal decomposition)的选线方法。首先,利用果蝇优化算法对变分模态分解的影响参数组合进行迭代寻优,以获取最佳分解层数K及惩罚因子α,通过优化后的变分模态分解将各馈线零序电流分解为若干个反映信号局部特性的本征模态函数。其次,通过希尔伯特(Hilbert)边际谱能量熵反映各馈线零序电流低频段衰减直流分量的含量差异度,利用曲线斜率反映各馈线高频段暂态电容分量与母线零序电压导数的线性关系,构成综合高、低频段故障特征的双重选线判据。大量Matlab/Simulink仿真结果验证了该方法在不同故障情况下选线的准确性。

改进变分模态分解的铣刀磨损状态监测方法

针对铣刀切削时磨损特征声音信号较微弱、难以分解和提取的问题,提出改进变分模态分解VMD边际谱能量熵比与最小二乘支持向量机LS-SVM相结合的铣刀磨损状态监测方法,以多尺度排列熵为目标函数,利用自适应遗传算法优化VMD参数,获得信号的最佳分解。通过监测铣刀磨损状态,分析三种状态铣削声音信号,采用改进VMD提取信号的边际谱能量熵比特征,输入到LS-SVM中确定铣刀磨损状态。结果表明,该方法可以有效提取铣刀磨损状态信息,在小样本情况下,对铣刀磨损状态的监测识别准确率可达100%,具有较好的实用性。