能谱熵向量法及粒子群优化的RBF神经网络在高压断路器机械故障诊断中的应用

高压真空断路器是电力系统开关设备中极其重要的一种高压电器,而高压断路器故障中80%是由于机械特性不良造成,为此通过小波包变换对高压断路器机械振动信号进行了分析,以信号的能谱熵作为特征输入向量,建立了粒子群优化(PSO)径向基函数(RBF)神经网络的高压断路器故障识别系统模型,最后对实际高压断路器振动信号进行获取分析并得到结果。实验结果表明,高压断路器正常信号能谱熵向量各元素分布比较均匀;而故障信号所得能谱熵向量各元素变化较大且有一定变化规律;粒子群优化后的RBF网络模型在正确率、精度等方面高于传统神经网络模型。实验结果表明该方法用于高压断路器的故障诊断是可行的,并且可以为断路器的故障诊断提供更好的理论依据。

小波包—自回归谱分析及在振动诊断中的应用

概叙了小波、小波包理论。由此提出一种称之为小波包—自回归谱分析的新方法，它将小波包和自回归模型结合起来。该方法在机械诊断中，实现不同频道范围内，不同零部件故障信息分离和提取。并以挖掘机提升系统齿轮箱的振动信号为例，说明该方法是提取弱故障信息并进行早期诊断的有效方法。