|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 粒子群优化的KFCM及SVM诊断模型在断路器故障诊断中的应用显示文摘为了利用相对较少的故障数据样本对断路器主要故障类型进行较为准确的在线判断,提出了一种基于融合粒子群的模糊核聚类(particle swarm fused kernel fuzzy C-means,P-KFCM)与支持向量机(support vector machine,SVM)的故障诊断方法。通过对断路器分合闸电流信号的分析,找出与断路器主要故障类型相对应的特征量;据此对采样信号进行处理,建立故障特征样本空间;利用P-KFCM算法对故障训练样本进行预分类,并以此为基础建立多SVM故障预测模型。P-KFCM算法将粒子群(particle swarm optimization,PSO)的全局搜索能力融入KFCM中,有效的解决了局部最优问题,在一定程度上提升了诊断结果的可靠性。实验结果表明,该方法在诊断断路器主要机械故障方面能够取得较好的效果。 | 梅飞 梅军 郑建勇 张思宇 朱克东 | 2013 | 中国电机工程学报2013，33，36： | 66 |
| 2 | 高压断路器机械故障诊断方法综述显示文摘机械故障仍然是高压断路器的主要故障类型。及时、准确地诊断出高压断路器的机械故障是实现高压断路器状态维修和保障电网安全运行的关键,相关研究得到了广泛的重视。文中介绍了高压断路器机械故障的基本情况,按照故障诊断的基本流程,从信号预处理、特征提取和降维筛选、故障识别方法等三个环节综述了高压断路器机械故障诊断方法的研究现状和主要不足。最后,讨论了高压断路器机械故障诊断领域存在的关键难点问题,并对今后诊断方法的发展进行了展望。 | 关永刚 杨元威 钟建英 程铁汉 | 2018 | 高压电器2018，54，7： | 72 |
| 3 | 采用EWT和OCSVM的高压断路器机械故障诊断显示文摘根据断路器故障诊断对可靠性要求较高的实际工程需求,提出了一种采用经验小波变换(EWT)和单类支持向量机(OCSVM)的高压断路器机械故障诊断新方法。首先,通过EWT准确分离断路器振动信号中具有不同物理意义的固有模态函数(IMF);之后,通过Hilbert谱分析,获得时-频矩阵并计算其时-频熵,构成用于分类的特征向量;然后,仅使用易于获取的正常状态振动信号训练经粒子群算法(PSO)常数参数寻优的OCSVM,并通过OCSVM来准确判断断路器是否发生机械故障,提高故障诊断可靠性;如OCSVM判断发生机械故障,则进一步通过支持向量机(SVM)判断具体故障类型。在SF6高压断路器上进行实验证明,新方法能够更加准确地区分故障与正常样本,满足高压断路器故障诊断的高可靠性要求。 | 黄南天 张书鑫 蔡国伟 徐殿国 | 2015 | 仪器仪表学报2015，36，12： | 44 |
| 4 | 基于振动信号样本熵和相关向量机的万能式断路器分合闸故障诊断显示文摘为实现对万能式断路器分合闸故障的非侵入式监测和诊断,以分合闸过程中所产生的包含丰富机械特性信息的振动作为信号来源,提出一种基于振动信号互补总体平均经验模态分解(CEEMD)-样本熵和相关向量机(RVM)相结合的万能式断路器故障诊断方法。该方法首先将振动信号通过改进的小波包阈值去噪算法处理;其次采用CEEMD提取若干个反映断路器状态信息的固有模态函数(IMF)分量,依据各IMF分量的能量分布特点,选择其中前7阶进行处理,计算其样本熵形成有效的特征样本;最后通过计算不同故障类型的样本间欧氏距离来定量评价类间样本平均距离,建立基于RVM的二叉树多分类器,诊断得出万能式断路器故障类型。基于所设计的分合闸典型故障模型进行实验。与其他方法的对比实验表明,所提方法可利用相对较少的故障数据样本实现对万能式断路器故障类型的识别并具有较高的识别率;同时实验表明,辅以同一故障类型的样本间欧氏距离,可实现对分合闸故障中三相不同期故障严重程度的初步评估。 | 孙曙光 于晗 杜太行 王景芹 赵黎媛 | 2017 | 电工技术学报2017，32，7： | 46 |
| 5 | 基于SOM的真空断路器机械故障诊断显示文摘给出了适用于小样本训练的自组织映射(SOM)网络的基本概念和突出特点,分析了真空断路器的机械特性与对应机械故障的关系。在此基础上,提出以真空断路器的机械特性作为训练与识别样本并基于SOM的真空断路器机械故障诊断方法。重点介绍了应用该方法进行断路器机械故障分类的全过程:通过提取正常与故障状态下断路器的机械特性并输入至SOM网络中进行故障区分。实验分析表明,该故障诊断方案可有效对真空断路器常见机械故障进行分类。 | 刘艳 陈丽安 | 2017 | 电工技术学报2017，32，5： | 33 |
| 6 | 基于粗糙集神经网络和振动信号的高压断路器机械故障诊断显示文摘为了准确检测出高压断路器的机械故障类型,该文提出一种基于本征模态边际谱能量与粗糙集神经网络相结合的高压断路器振动信号故障诊断方法。首先将断路器的振动信号经过经验模态分解(EMD),得到若干个本征模态函数(IMF),对各个IMF分量进行希尔伯特(Hilbert)变换得到Hilbert边际谱,求取Hilbert边际谱的二次方得到Hilbert边际谱能量作为特征向量。基于粗糙集理论对特征向量进行属性约简分析,从而建立简单明了的决策表,根据决策表规则建立径向基函数(RBF)神经网络故障模型。实验结果表明,该方法能有效对高压断路器的机械故障类型进行分类。 | 林琳 陈志英 | 2020 | 电工技术学报2020，35，S01： | 32 |
| 7 | 用于高压断路器机械故障诊断的AM-ReliefF特征选择下集成SVM方法显示文摘针对高压断路器机械故障诊断过程中存在的原始特征维度过高,导致过拟合现象,而传统Relief-F算法在筛选特征过程中对诊断模型没有针对性,以及支持向量机(support vector machine,SVM)算法受参数选择限制导致诊断精度不佳的问题,提出一种AM-ReliefF特征选择下集成SVM的诊断算法。该算法对原始特征空间进行有效筛选,生成适应模型的最优特征子集,并将SVM作为基学习器与Ada Boost算法有效集成,提高诊断性能。首先对LW30-252型SF6高压断路器典型6种工况的合闸振动信号提取特征,构成原始特征空间,然后利用AM-ReliefF特征选择算法构造与集成SVM模型匹配的最优特征子集,最后用集成SVM模型进行故障诊断。与原始特征下单一SVM算法对比,所提方法使故障诊断精度由83.0%提升到98.9%,为高压断路器机械故障诊断研究提供了新思路。 | 邵阳 武建文 马速良 苌瑶 冯英 杨宁 李德阁 | 2021 | 中国电机工程学报2021，41，8： | 34 |
| 8 | 基于优化VMD的高压断路器机械状态检测显示文摘为有效检测高压断路器的机械状态,提高其运行可靠性,基于优化变分模式分解(VMD)法对高压断路器分合闸过程中的振动信号进行了分析。首先利用粒子群优化算法基于整体正交系数得到了最优的VMD结果,然后对振动信号Hilbert变换的时频谱进行了合理划分,据此定义了振动信号的特征向量及相似度指标。对某40.5 kV断路器正常与典型故障下振动信号的分析结果表明,所提出的优化VMD算法的分解结果更为准确,所定义的相似度指标能有效识别断路器的典型故障。当相似度大于0.9时,断路器机械状态正常;当相似度在0.7~0.9之间,可能发生缓冲机构故障;当相似度小于0.7时,可能发生传动机构故障。 | 李舒适 王丰华 耿俊秋 耿超 | 2018 | 电力自动化设备2018，38，11： | 27 |
| 9 | 基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法显示文摘为可靠地进行万能式断路器机械故障诊断,在基于振动信号故障诊断的基础上,提出了一种多特征融合与改进量子粒子群(QPSO)优化的相关向量机(RVM)相结合的万能式断路器分合闸故障振声诊断方法。首先,对振声信号进行小波包软硬阈值结合去噪预处理,并利用互补总体经验模态分解算法对处理后的振声信号进行分解,提取固有模态函数能量系数、样本熵、功率谱熵,并组成多特征参数;然后,通过组合核函数核主元分析对多特征参数降维,并将其特征融合组成特征向量作为RVM的输入,解决单一特征识别断路器分合闸故障的低准确率和低稳定性;最后,利用改进QPSO优化分类模型参数,建立基于RVM的次序二叉树模型对断路器故障进行辨识。实验结果表明,该方法能有效提升不同故障状态下诊断结果的可靠性。 | 孙曙光 于晗 杜太行 王景芹 赵黎媛 | 2017 | 电工技术学报2017，32，19： | 25 |
| 10 | 基于VMD和样本熵的高压断路器故障特征提取及分类显示文摘提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和样本熵的高压断路器振动信号的特征向量提取方法,并采用支持向量机(Support Vector Machine,SVM)对故障类型进行识别。将断路器振动信号进行滤波处理,对信号进行变分模态分解,利用分解得到的固有模态函数分量(Intrinsic Mode Function,IMF)表征断路器各个振动事件,计算其样本熵作为特征向量,利用SVM对断路器不同运行状态进行分类识别。仿真信号表明,VMD对于处理瞬态非周期性的振动信号具有优越的分解特性。利用该方法在实验室条件下对四类故障状态进行特征提取和识别,对比结果表明应用该方法能有效提取高压断路器的故障特征并准确地识别出故障类型。 | 万书亭 豆龙江 李聪 刘荣海 | 2018 | 振动与冲击2018，37，20： | 25 |
| 11 | 基于S变换D-SVM AlexNet模型的GIS机械故障诊断与试验分析显示文摘机械故障是气体绝缘组合电器(gas insulated switchgear,GIS)最主要的故障之一,尚缺乏有效的在线诊断方法。为此该文利用GIS断路器激振能力强的优势,以GIS断路器分合操作为激振源,根据振动信号所包含的设备机械特性信息对GIS各构件的机械状态进行评估。搭建了包含3种GIS典型机械故障的试验模拟测试系统,并提出了一种基于S变换D-SVMAlex Net模型的GIS机械故障诊断方法。利用S变换处理断路器动作激发的非平稳振动信号,得到含有设备机械特征的时频图谱;建立D-SVM AlexNet模型,使用预训练的Alex Net神经网络模型提取S变换图像特征作为预测变量,通过Fitcecoc函数拟合支持向量机(support vector machine,SVM)进行图像预分类,根据模糊矩阵显示的分类结果筛选出有效测点;将有效测点的时频图送入AlexNet进行迁移学习,获得经微调后的神经网络模型。实验验证发现,训练完毕的卷积神经网络的故障诊断训练准确率达到99%,验证准确率达到92%,具备较好的时频图像分类效果,可实现GIS机械故障的有效诊断。 | 刘宝稳 汤容川 马钲洲 马宏忠 许洪华 | 2021 | 高电压技术2021，47，7： | 24 |
| 12 | 基于复合特征的断路器机械故障诊断方法研究显示文摘断路器机械状态的变化可以通过振动信号表征出来,但是需要借助有效的信号处理手段将隐藏在信号中的特征提取出来,该文提出基于时频特征和数据序列特征的复合特征提取方法。首先利用奇异值分解提取信号突变点,以突变点为依据将振动区间划分为多个平稳区间,再利用总体最小二乘–旋转矢量不变技术进行参数辨识。利用变分模态分解对信号进行分解,再利用广义分形维数进行参数辨识,组合得到高维特征向量。最后对断路器的机械状态进行诊断。实验结果表明,基于复合特征方法的诊断精度要明显强于采用单一特征方法的情况。 | 姚杨 林金涛 刘洪正 肖怀硕 李清泉 王志涛 马帅 赵遵龙 | 2019 | 中国电机工程学报2019，39，21： | 22 |
| 13 | 基于动态电阻测量的SF_6断路器触头烧蚀特性显示文摘为研究SF_6断路器在开断过程的触头烧蚀特性,对被试断路器进行了开断30 k A短路电流的烧蚀试验,通过动态电阻测量得到了触头在不同烧蚀程度下的动态电阻–行程曲线,并从曲线中提取了触头状态参数。根据这些参数在触头电寿命过程的变化规律,可以得到:1)动静触头运动存在最小有效接触行程,即14.2 mm;2)触头电阻值存在正常范围,主触头为50-150mW,弧触头为200-400mW;3)每次烧蚀试验中触头烧蚀量不变,为0.318 mm。根据以上结果,分析了断路器在开断电流过程中触头材料损失过程及其对断路器性能的影响,并计算出每次烧蚀试验中触头烧蚀量为0.268 mm,与测量值0.318 mm数量相当,最后初步得出了SF_6断路器触头电寿命的预测方法。 | 蓝磊 陈功 文习山 吴杨 | 2016 | 高电压技术2016，42，6： | 21 |
| 14 | 基于深度信念网络的高压断路器故障识别算法显示文摘针对高压断路器故障现有故障诊断算法中,特征提取不准确导致分类正确率较低的问题,提出了基于深度信念网络的高压断路器故障识别方法。深度信念网络(Deep Belief Network,DBN)是非监督的深度神经网络,由多个受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)叠加起来组成。首先使用无标签的数据样本自下而上的对各RBM层逐层训练,得到各层最优参数;再以此为初始参数将DBN展开成反向传播的结构,使用带标签的数据样本进行全局的参数微调;最后得到DBN分类网络。这一过程中,有效避免了特征提取的人工操作,解决了网络训练的局部最优问题,使断路器故障诊断更加智能化。通过试验结果可知,该方法可准确、可靠地用于诊断断路器主要机械故障。 | 朱萌 梅飞 郑建勇 沙浩源 戴永正 顾宇锋 | 2019 | 电测与仪表2019，56，2： | 20 |
| 15 | 基于EEMD样本熵和支持向量机的高压断路器故障诊断显示文摘首先提出了一种以集合经验模态分解(ensemble empirical mode decomposition,EEMD)样本熵和支持向量机(support vector machine,SVM)相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。然后提出并分析了分闸弹簧力减小、缓冲弹簧无效两种新故障对高压断路器的性能影响,同时针对输电线路发生永久故障时,断路器按照跳闸、重合闸然后二次跳闸指令动作的实际情况,首次探索性选择振动能量相对较小的分闸振动信号作为诊断对象。最后实测了某35 k V高压SF6断路器正常运行、分闸弹簧力减小、缓冲弹簧无效、基座螺丝松动工况下断路器分闸振动数据进行识别,结果表明该方法检测高压断路器故障快速、准确,为断路器的故障诊断提供了新的思路。 | 刘荣海 豆龙江 万书亭 杨迎春 郑欣 | 2018 | 华北电力大学学报(自然科学版)2018，45，2： | 19 |
| 16 | 基于贝叶斯定理的系统谐波阻抗估计显示文摘提出了基于贝叶斯定理计算系统侧谐波阻抗的方法。首先根据最大熵原则,系统侧谐波阻抗的先验分布设为均匀分布;其次利用核密度估计获得停机时刻的真实背景谐波电压的概率分布,从而得到先验阻抗值对应的背景谐波电压条件概率;然后根据贝叶斯定理,利用已求得的条件概率修正先验分布,得到后验分布;最后以损失函数最小化为准则求得系统侧谐波阻抗。该文方法适用于任意背景谐波分布,且背景谐波干扰较大时,仍具有较高的准确性。此外,从概率的角度分析系统侧谐波阻抗,提出利用信息熵减量和可信区间宽度,为计算的可靠性评估提供依据。仿真分析和现场数据计算表明,该文方法具有有效性和准确性。 | 赵熙 杨洪耕 | 2016 | 中国电机工程学报2016，36，11： | 18 |
| 17 | 基于经验小波变换和相关向量机的断路器机械故障诊断显示文摘为了更准确的提取断路器故障特性,得到更可靠的故障诊断结果,在振动信号的基础上,提出了一种基于经验小波变换(Empirical Wavelet Transform,EWT)和相关向量机(Relevance Vector Machine,RVM)的断路器机械故障诊断方式。首先提取不同故障振动信号,设置阈值来初始化信号傅里叶频域分解区间,利用EWT分解得到有限带宽的多个模态。然后计算样本熵参数,计算并作为特征向量。最后,将特征向量输入相关向量机(RVM),建立不同故障的模型,对测试样本进行诊断。通过与其他方法实验对比,文中方法具有更高的故障诊断识别率,更快的识别速度。 | 辛忠良 霍明霞 贾鹏举 韩光 李峙 丁其 | 2019 | 电测与仪表2019，56，13： | 17 |
| 18 | 基于振动信号的高压断路器合闸特性参数在线检测方法研究显示文摘机械特性参数是评价断路器动作性能的有效依据,传统测试方法不能在线测试,且传感器安装复杂。提出了一种利用振动信号提取断路器合闸过程中运动时间参数的方法。首先根据断路器弹簧操作机构的工作原理,分析了断路器在合闸运动过程中各个部件之间的冲击引发的对应的振动;然后对采集到的存在噪声的干扰振动信号采用变分模态分解对其进行分解,选择与原始信号波形变化相一致的分量进行重构;最后采用基于短时能熵比的双门限法实现了振动信号时域内关键时刻点的时间参数的检测,完成了断路器合闸过程中时间参数的提取。通过振动信号的理论提取的时间参数和传统的动触头行程曲线提取的时间参数进行对比分析,验证了所提方法的正确性。 | 万书亭 豆龙江 李聪 马晓棣 刘荣海 | 2019 | 振动工程学报2019，32，2： | 16 |
| 19 | 基于定量递归分析的高压断路器机械缺陷辨识及应用显示文摘针对采用振动信号识别高压断路器(HVCBs)机械缺陷困难及难于实现工程应用问题,提出一种基于定量递归分析(RQA)的振动信号分析方法,并将其应用于变电站在运高压断路器机械缺陷辨识中。为便于缺陷部位的准确定位,将高压断路器振动信号分割为各功能子区,将各功能子区信号映射至高维相空间,以充分展示高压断路器动力学变化特征,并在相空间进行递归图重构。最后,引入递归率(RR)、确定率(DET)、最大对角线长度(Lmax)、信息熵(ENT)、层状度(LAM)和捕获时间(TT)对各功能子区递归图进行定量分析,以实现高压断路器机械缺陷的有效辨识。试验结果表明,所提方法能够准确地辨识高压断路器的机械缺陷,在实际工程应用中也表现出较高的准确率。 | 杨秋玉 阮江军 张灿 庄志坚 翟鹏飞 | 2020 | 电工技术学报2020，35，18： | 16 |
| 20 | 基于局域均值分解和支持向量数据描述的高压断路器机械状态监测显示文摘为满足断路器机械状态监测的高可靠性要求,弥补现有方法易将轻微故障及无训练故障样本类型误识别为正常状态的不足,提出一种基于局域均值分解(LMD)能量熵和支持向量数据描述(SVDD)的高压断路器机械状态监测新方法。首先,利用LMD方法将断路器振动信号分解为一系列的PF(Product Function)分量,将各PF分量的包络按时间等间隔分段,并提取各PF分量包络的能量熵构成特征向量;然后,采用正常状态断路器振动信号的LMD能量熵向量训练SVDD分类器;最后,通过SVDD分类器对断路器的机械状态进行判断。实测信号实验证明,新方法比支持向量机(SVM)、BP神经网络(BPNN)等传统多类分类方法有更好的状态监测效果。 | 黄南天 方立华 王玉强 赵振峰 | 2017 | 电工电能新技术2017，36，1： | 15 |
您所在的机构暂未开通此部分的功能，请联系管理员