基于SOM的变压器绕组和铁芯故障诊断

为了实现变压器故障的直观分类和故障识别,在分析变压器振动机理的基础上,提出一种基于自组织特征映射(SOM)神经网络的变压器故障检测方法。首先利用集合经验模式分解(EEMD)方法提取变压器不同运行状态下振动信号的特征矢量,以其表示变压器运行状态,降低故障分类和识别时运算量。然后通过采用SOM网络自组织学习算法,不断学习样本的特征矢量确定故障隶属函数,从而可以快速有效地诊断变压器的故障类型。试验结果表明,该方法可实现对变压器正常状态、绕组轴向变形、绕组径向变形、铁芯故障4种状态分类,并对测试样本进行快速的模式识别。

基于振动分析法的变压器故障分类和识别

为了实现变压器故障的直观分类和故障识别,在分析变压器振动机理的基础上,提出一种基于主成分分析和KNN分类识别的变压器故障测量方法。该方法采用EMMD(集合经验模式分解)方法提取变压器不同运行状态下振动信号的特征矢量,将该特征矢量通过主成分分析投影到直观的二维图像中。利用KNN分类识别实现故障分类和自动故障识别。试验结果表明,该方法可以实现对变压器正常状态、绕组变形、铁芯故障3种状态直观分类,并对测试样本进行快速的自动模式识别。

基于VMD的去噪算法在套管引线检测中的应用

超声检测套管引线的信号数据中存在大量的噪声干扰,使得回波时间提取精度产生较大误差。针对上述问题提出了一种基于变分模态分解(VMD)与小波阈值的去噪新方法。采用VMD对含噪信号进行分解,通过计算相关系数筛选出固有模态函数(IMF)中的高频分量进行小波阈值降噪,保留高频分量中的回波信息,最后与低频IMF进行信号重构。实测数据的去噪结果表明,去噪效果良好,有效地保留了高频分量中的真实信息,提高了超声回波信号的信噪比,从而增加了超声检测套管引线的测量精度。