CN108398252A - 基于itd与svm的oltc机械故障诊断方法 - Google Patents

基于itd与svm的oltc机械故障诊断方法 Download PDF

Info

Publication number
CN108398252A
CN108398252A CN201810166794.7A CN201810166794A CN108398252A CN 108398252 A CN108398252 A CN 108398252A CN 201810166794 A CN201810166794 A CN 201810166794A CN 108398252 A CN108398252 A CN 108398252A
Authority
CN
China
Prior art keywords
signal
svm
itd
isc
oltc
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810166794.7A
Other languages
English (en)
Inventor
马宏忠
徐艳
李思源
刘宝稳
刘勇业
宋开胜
李盛翀
吴书煜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201810166794.7A priority Critical patent/CN108398252A/zh
Publication of CN108398252A publication Critical patent/CN108398252A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于ITD与SVM的OLTC机械故障诊断方法，1）通过加速度传感器对有载分接开关正常状态下的振动信号、故障状态下的振动信号进行采集，并对振动信号做预处理；2）对预处理后的振动信号进行固有时间尺度分解ITD分析，构造特征向量，作为SVM的输入；3）对SVM进行训练，将特征向量输入到SVM中，对SVM进行训练，将测试数据输入到训练好的SVM从而判断OLTC的故障模式。本发明可以克服经验模态分解、局部均值分解中存在比较严重的端点效应和虚假分量的问题，适合提取OLTC机械故障信号的特征量；不需要大量数据进行SVM的训练，诊断精度更高；OLTC的诊断效果明显优于BP网络。

Description

基于ITD与SVM的OLTC机械故障诊断方法
技术领域
本发明涉及有载分接开关故障诊断技术领域，具体涉及一种基于ITD与SVM的有载分接开关OLTC机械故障诊断方法。
背景技术
随着对电能质量要求的提高，电网大量应用自动电压控制等系统，现有有载分接开关调节相当频繁，故障发生率很高。据国外资料统计，分接开关故障占有载调压变压器故障的40％以上，国内平均统计数据表明，分接开关的故障占变压器故障的20％以上，且主要为机械故障，若不及时发现和处理，其故障会严重破坏OLTC和变压器的固有结构，影响电力设备和系统的正常安全运行并造成严重后果。因此，为了确保分接开关安全可靠地运行，有必要开展分接开关机械故障诊断方法的相关研究。
作为变压器中唯一可进行机械动作的部件，分接开关操作过程中包含一系列动作事件，这些事件中包含丰富的振动信号，其中触头动作过程中的碰撞、摩擦等都伴有机械振动信号的产生。利用加速度传感器监测设备操作过程中的振动信号，对振动信号进行分析，提取故障特征，是目前比较有效的监测和诊断方法。已有的振动信号分析方法有小波奇异性检测、自组织映射法、经验模态分解(EMD)和小波包等。这些方法大多是基于线性理论，然而，研究表明，OLTC切换过程中的振动信号表现出明显的非线性行为。因此，将振动信号假设为平稳或分段平稳信号进行时频分析的方法，其分析效果不是很明显。而EMD分解是近年来提出的一种信号时频分析方法，因此更适合处理非平稳信号，但是EMD分解存在比较严重的端点效应和虚假分量的问题。时间固有尺度分解(intrinsic time-scaledecomposition,ITD)是在研究EMD和局部均值分解(Local Mean Decomposition,LMD)的基础上提出的一种自适应时频分析方法，因此，本发明采用时间固有尺度分解ITD方法提取OLTC机械故障特征，可以克服EMD的缺点，再结合支持向量机SVM，可以取得较好的OLTC机械故障诊断效果。
发明内容
为解决现有技术中的不足，本发明提供一种基于ITD与SVM的有载分接开关OLTC机械故障诊断方法，其诊断结果确实精度高，结构简单，可操作性强。
为了实现上述目标，本发明采用如下技术方案：一种基于ITD与SVM的OLTC机械故障诊断方法，包括以下步骤：
1)通过加速度传感器对有载分接开关正常状态下的振动信号、故障状态下的振动信号进行采集，并对振动信号做预处理；
2)对预处理后的振动信号进行固有时间尺度分解ITD分析，构造特征向量，作为SVM的输入；
3)对SVM进行训练，将步骤2)构造的特征向量输入到SVM中，对SVM进行训练，将测试数据输入到训练好的SVM从而判断OLTC的故障模式。
前述的一种基于ITD与SVM的OLTC机械故障诊断方法，其特征是：所述预处理具体为：对振动信号进行去噪处理。
前述的一种基于ITD与SVM的OLTC机械故障诊断方法，其特征是：所述故障状态包括有载分接开关OLTC触头松动以及弹簧性能下降。
前述的一种基于ITD与SVM的OLTC机械故障诊断方法，其特征是：所述加速度传感器安装在分接开关的顶端。
前述的一种基于ITD与SVM的OLTC机械故障诊断方法，其特征是：所述固有时间尺度分解ITD分析，具体步骤包括：
①确定原始信号Xt(t≥0)的极值x(t)及相应的时刻tk'，k'＝1,2,…,M，M为极值点的个数，并且计算：
式中，t表示原始信号的序列时刻，k＝1,2,3,…,M-2，0＜α＜1，x(k)、x(k+1)、x(k+2)分别表示原始信号Xt在第k、k+1、k+2个极值点的极值，tk、tk+1和tk+2表示极值x(k)、x(k+1)、x(k+2)分别对应的时刻，Lk+1表示各基线控制点；
②式(1)中可以得到L2,L3,…,LM-1，两端点L1、LM的值需要估计计算，采用镜像延拓向左右两端各延拓一个极值点，得到左右两端极值点分别为(t0,x(0))、(tM+1,x(M+1))，其中x(0)为向左端延拓的极值，t0为极值x(0)对应的时刻，x(M+1)也为向右端延拓的极值，tM+1为极值x(M+1)对应的时刻，令k分别等于0和M-1，按照式(1)求出L1、LM的值，采用有理样条插值函数拟合所有的L1，L2，L3，...LM，得到基线信号Lt；
③将基线信号Lt从原始信号中分离出来，得到剩余信号，即信号经ITD分解，第一次分解的结果记为h1(t)：
h1(t)＝Xt-Lt (2)
若h1(t)满足内禀尺度分量ISC的条件，输出h1(t)，令ISC1＝h1(t)，ISC1是第一个分解出来的内禀尺度分量ISC；否则，h1(t)作为原始数据，继续重复上述步骤①到步骤③，直到h1s(t)为内禀尺度分量，记ISC1＝h1s(t)，h1s(t)为h1(t)重复步骤①～③s次后满足ISC条件后h1(t)的值；
④将ISC1分量从原始信号中分离出来，则得到新的剩余信号u1(t)＝Xt-ISC1；
⑤新的剩余信号u1(t)作为原始数据，重复上述步骤①～④循环n-1次，直到剩余信号un(t)为单调信号或常信号，即为ITD分解终止条件，将信号能量添加到分解中作为终止条件判据，即：
式中，l的范围为1～原始信号的序列长度；uz n(t)为剩余信号un(t)的均值，Xz(t)为X(t)的均值，X(t)为原始信号，ε为阈值；ITD分解结束后固有时间尺度分解ITD将非平稳信号分解成若干个表征信号特征的内禀尺度分量ISC和一个单调信号之和，即：
式中，ISCi为第i个分解出来的内禀尺度分量；
⑥采用ITD分解得到的前5个分量ISC1、ISC2、…、ISC5，分别计算出它们的能量E1、E2、E3、E4和E5，pm为第m个ISC的能量占总能量E中的比重，m＝1，2，…，5，能量为信号各点幅度值平方后的求和，将p1、p2、p3、p4和p5作为有载分接开关机械故障诊断的特征向量。
前述的一种基于ITD与SVM的OLTC机械故障诊断方法，其特征是：所述振动数据分成两组，每组包括正常振动信号与故障信号，一组用于SVM的训练，另一组用于SVM的测试；步骤3)中，先将特征向量归一化处理到[0，1]之间，将归一化后的训练特征向量输入到支持向量机SVM中，对支持向量机进行训练，然后将归一化后的测试特征向量输入到训练好的SVM，从而判断OLTC的故障模式。
本发明所达到的有益效果：
1、本发明采用的ITD算法可以克服经验模态分解(EMD)、局部均值分解(LMD)中存在比较严重的端点效应和虚假分量的问题，适合提取OLTC机械故障信号的特征量；
2、本发明不需要大量数据进行SVM的训练，诊断精度更高；
3、本发明对OLTC的诊断效果明显优于BP网络。
附图说明
图1是正常信号的ITD分解结果图；
图2是正常信号的EMD分解结果图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
一种基于ITD与SVM的OLTC机械故障诊断方法，包括以下步骤：
1)通过加速度传感器对有载分接开关正常状态下的振动信号、故障状态下的振动信号进行采集，并对振动信号做预处理；
2)对预处理后的振动信号进行固有时间尺度分解ITD分析，构造特征向量，作为SVM的输入；
3)对SVM进行训练，将步骤2)构造的特征向量输入到SVM中，对SVM进行训练，将测试数据输入到训练好的SVM从而判断OLTC的故障模式。
步骤1)中振动传感器采用永磁体吸附在测试点的表面的安装方式，考虑到振动信号的传播介质以及传播过程的阻尼，本发明将振动传感器安装在分接开关的顶端，此位置所拾取的振动信号高频衰减比较少，信号较完整；将采集到的振动数据分成两组，每组都包括正常振动信号与故障信号，一组用于SVM的训练，另一组用于SVM的测试。
故障状态是指有载分接开关OLTC触头松动以及弹簧性能下降两种情况。
振动信号做预处理包括：对振动信号进行去噪处理。
步骤2)中，对预处理后的振动信号进行固有时间尺度分解ITD分析，提取特征量，ITD具体分解步骤如下：
①确定原始信号Xt(t≥0)的极值x(t)及相应的时刻tk'，k'＝1,2,…,M，M为极值点的个数，并且计算：
式中，t表示原始信号的序列时刻，k＝1,2,3,…,M-2，0＜α＜1，一般α＝0.5，x(k)、x(k+1)、x(k+2)分别表示原始信号Xt在第k、k+1、k+2个极值点的极值，tk、tk+1和tk+2表示极值x(k)、x(k+1)、x(k+2)分别对应的时刻，Lk+1表示各基线控制点；
②式(1)中可以得到L2,L3,…,LM-1，两端点L1、LM的值需要估计计算，采用镜像延拓向左右两端各延拓一个极值点，得到左右两端极值点分别为(t0,x(0))、(tM+1,x(M+1))，其中x(0)为向左端延拓的极值，t0为极值x(0)对应的时刻，x(M+1)为向右端延拓的极值，tM+1为极值x(M+1)对应的时刻，令k分别等于0和M-1，按照式(1)求出L1、LM的值，采用有理样条插值函数拟合所有的L1，L2，L3，...LM，得到基线信号Lt；
③将基线信号Lt从原始信号中分离出来，得到剩余信号，即信号经ITD分解第一次分解的结果记为h1(t)：
h1(t)＝Xt-Lt (2)
若h1(t)满足内禀尺度分量ISC的条件，输出h1(t)，令ISC1＝h1(t)，ISC1是第一个分解出来的内禀尺度分量ISC；否则，h1(t)作为原始数据，继续重复上述步骤①到步骤③，直到h1s(t)为内禀尺度分量，记ISC1＝h1s(t)，h1s(t)为h1(t)重复步骤①～③s次后满足内禀尺度分量ISC条件后h1(t)的值；在实际应用中，设置一个变量H，当|Lt|小于等于H时，则h1(t)满足内禀尺度分量ISC条件；
④将ISC1分量从原始信号中分离出来，则得到新的剩余信号u1(t)＝Xt-ISC1；
⑤新的剩余信号u1(t)作为原始数据，重复上述步骤①～④循环n-1次，直到剩余信号un(t)为单调信号或常信号，剩余信号un(t)为单调信号或常信号即为ITD分解终止条件；在实际工程应用中，在对分析结果没有影响的情况下，提高分解速度可减少分解时间，因此ITD分解终止条件可适当的放宽，将信号能量添加到分解中作为终止条件判据，即：
式中，l的范围为1～原始信号的序列长度；uz n(t)为剩余信号un(t)的均值，Xz(t)为X(t)的均值，X(t)为原始信号，ε为阈值，本发明ε取0.001，即剩余信号能量小于原始信号能量的0.1％时，ITD分解结束，固有时间尺度分解ITD将非平稳信号分解成若干个表征信号特征的内禀尺度分量ISC和一个单调信号之和，即：
式中，ISCi为第i个分解出来的内禀尺度分量；
⑥有载分接开关处于不同的机械状态下，产生的振动信号能量随频率的分布也不同。当信号经固有时间尺度分解ITD后，n-1个ISC分量包含的频率成分也不一样，经分析，ITD分解得到的内禀尺度分量其主要信息集中在前5个分量，因此，本发明采用ITD分解得到ISC1、ISC2、…、ISC5，分别计算出它们的能量E1、E2、E3、E4和E5，pm为第m个ISC的能量占总能量E中的比重，这个比重记为能量熵，m＝1，2，…，5，能量为信号各点幅度值平方后的求和。本发明将p1、p2、p3、p4和p5作为有载分接开关机械故障诊断的特征向量。
由于经验模态分解过程中常出现虚假分量，因此，本文针对虚假分量问题，比较ITD和EMD的分解效果。由于虚假分量与原信号的相关性很小，通常采用相关系数来识别虚假分量，但相关系数法存在误识别情况，因此，本文采用K-L散度来识别虚假分量。
K-L散度是2个概率分布差异的度量，设信号X＝{x1,x2,…,xN}和Y＝{y1,y2,…,yN}的概率分布分别为p(x)、q(x)，则信号X和Y的K_L散度D(p,q)为：
D(p,q)＝δ(p,q)+δ(q,p) (5)
式中，δ(p,q)以及δ(q,p)为信号X和Y的K_L距离，N为信号点总数。
步骤3)中，先使用matlab自带的数据预处理-归一化函数mapminmax将特征量归一化处理[0，1]之间，将归一化后的训练特征向量输入到SVM中，对SVM进行训练，然后将归一化后的测试特征向量输入到训练好的SVM，从而判断OLTC的故障模式。训练特征向量和测试特征向量分别利用采集到的训练信号和测试信号进行ITD分解得到。
实施例：
对CMIII-500-63B-10193W型分接开关模拟实验。此分接开关为三相Y连接，最大的分接位置数为19。振动传感器采用分辨率高且抗干扰能力强的LC0151型压电式加速度传感器。实验时振动传感器采用永磁体吸附在测试点的表面的安装方式，把振动传感器安装在分接开关的顶端，通过加速度传感器对OLTC正常状态下的振动信号、故障状态(OLTC触头松动以及弹簧性能下降)下的振动信号进行采集，将采集到的振动数据分成2组，每组都包括正常振动信号与故障信号，一组用于SVM的训练，另一组用于SVM的测试；
为了体现ITD方法的优势，本发明对OLTC正常状态下的振动信号分别进行EMD、ITD分解，比较两者性能。其中ITD算法分解得到7个内禀尺度分量，而EMD算法分解得到10个分量，其主要分量波形如图1、图2。由图1、图2可以看出(图1中仅展示了ITD分解得到的前五个分量，图2仅展示了EMD分解得到的前六个分量)，ITD分解得到的分量与EMD相比，前者毛刺部分较少。由于EMD分解过程中常出现虚假分量，因此，本发明针对虚假分量问题，比较ITD和EMD的分解效果。
针对虚假分量问题，ITD和EMD的分解效果很难从图1、图2中直观看出。由于虚假分量与原信号的相关性很小，通常采用相关系数来识别虚假分量，但相关系数法存在误识别情况，因此，本文采用K-L散度来识别虚假分量。K-L散度值越小，表明该分量与原信号的关系越紧，是真实信号；反之，表明该分量与原始信号的关系越远，是信号的虚假分量，应当去除。真实分量与虚假分量具有数量级差异的散度值，因此，经多次仿真分析，本发明选取0.1为阈值，K-L散度大于0.1时，表明该分量是虚假分量，反之，则说明该分量为真实信号。如表1、表2为原始信号与各分量间的K-L散度值。由表1、表2可知，表1中的后两个为虚假分量，ITD的虚假分量占2/7*100＝28.6％，表2中的后4个为虚假分量，EMD虚假分量占比40％，由此可知，ITD算法改善了EMD虚假分量问题。
表1原信号与ITD各分量间的K-L散度值
SCI1 SCI2 SCI3 SCI4 SCI5 SCI6 SCI7
0.0010 0.0053 0.0064 0.0107 0.0711 0.3762 1
表2原信号与EMD各分量间的K-L散度值
imf1 imf2 imf3 imf4 imf5 imf6 imf7 imf8 imf9 imf10
0.0010 0.0040 0.0057 0.0032 0.0105 0.0706 0.1024 0.2731 0.5537 1
注：imf为分接开关振动信号经EMD分解后得到的10个分量，分别记为imf1，imf2，...imf10；
由于ITD分解由于EMD分解，因此，本发明使用ITD分解得到的各个分量能量熵构造特征向量。由表1、表2分析可知，分接开关经ITD分解后，其机械运行状态信息主要集中在前5个分量，因此本发明使用ITD分解得到的前5个分量的能量熵构造特征向量，作为SVM的输入。
对SVM进行训练，将构造的特征向量输入到SVM中，对SVM进行训练，将测试数据输入到训练好的SVM从而判断OLTC的故障模式。
采用同样的15组数据对BP网络进行训练，并对这15组数据进行预测，表3为SVM的预测结果与BP网络预测结果的比较：
表3 SVM的预测结果与BP网络预测结果的比较
注：1表示分接开关正常状态，2表示分接开关处于触头松动故障，3表示分接开关弹簧性能下降故障，每种状态5组数据，共15组，表1给出的是统计后的结果比较。
由表3中可以看出，基于ITD和SVM的OLTC机械故障诊断方法可以有效地识别出故障类型，从而说明了本发明的可行性，由表3也知，本发明诊断效果优于BP网络。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种基于ITD与SVM的OLTC机械故障诊断方法，包括以下步骤：
1)通过加速度传感器对有载分接开关正常状态下的振动信号、故障状态下的振动信号进行采集，并对振动信号做预处理；
2)对预处理后的振动信号进行固有时间尺度分解ITD分析，构造特征向量，作为SVM的输入；
3)对SVM进行训练，将步骤2)构造的特征向量输入到SVM中，对SVM进行训练，将测试数据输入到训练好的SVM从而判断OLTC的故障模式。
2.根据权利要求1所述的一种基于ITD与SVM的OLTC机械故障诊断方法，其特征是：所述预处理具体为：对振动信号进行去噪处理。
3.根据权利要求1所述的一种基于ITD与SVM的OLTC机械故障诊断方法，其特征是：所述故障状态包括有载分接开关OLTC触头松动以及弹簧性能下降。
4.根据权利要求1所述的一种基于ITD与SVM的OLTC机械故障诊断方法，其特征是：所述加速度传感器安装在分接开关的顶端。
5.根据权利要求1所述的一种基于ITD与SVM的OLTC机械故障诊断方法，其特征是：所述固有时间尺度分解ITD分析，具体步骤包括：
①确定原始信号Xt(t≥0)的极值x(t)及相应的时刻tk'，k'＝1,2,…,M，M为极值点的个数，并且计算：
式中，t表示原始信号的序列时刻，k＝1,2,3,…,M-2，0＜α＜1，x(k)、x(k+1)、x(k+2)分别表示原始信号Xt在第k、k+1、k+2个极值点的极值，tk、tk+1和tk+2表示极值x(k)、x(k+1)、x(k+2)分别对应的时刻，Lk+1表示各基线控制点；
②式(1)中可以得到L2,L3,…,LM-1，两端点L1、LM的值需要估计计算，采用镜像延拓向左右两端各延拓一个极值点，得到左右两端极值点分别为(t0,x(0))、(tM+1,x(M+1))，其中x(0)为向左端延拓的极值，t0为极值x(0)对应的时刻，x(M+1)也为向右端延拓的极值，tM+1为极值x(M+1)对应的时刻，令k分别等于0和M-1，按照式(1)求出L1、LM的值，采用有理样条插值函数拟合所有的L1，L2，L3…,LM，得到基线信号Lt；
③将基线信号Lt从原始信号中分离出来，得到剩余信号，即信号经ITD分解，第一次分解的结果记为h1(t)：
h1(t)＝Xt-Lt (2)
若h1(t)满足内禀尺度分量ISC的条件，输出h1(t)，令ISC1＝h1(t)，ISC1是第一个分解出来的内禀尺度分量ISC；否则，h1(t)作为原始数据，继续重复上述步骤①到步骤③，直到h1s(t)为内禀尺度分量，记ISC1＝h1s(t)，h1s(t)为h1(t)重复步骤①～③s次后满足ISC条件后h1(t)的值；
④将ISC1分量从原始信号中分离出来，则得到新的剩余信号u1(t)＝Xt-ISC1；
⑤新的剩余信号u1(t)作为原始数据，重复上述步骤①～④循环n-1次，直到剩余信号un(t)为单调信号或常信号，即为ITD分解终止条件，将信号能量添加到分解中作为终止条件判据，即：
式中，l的范围为1～原始信号的序列长度；uz n(t)为剩余信号un(t)的均值，Xz(t)为X(t)的均值，X(t)为原始信号，ε为阈值；ITD分解结束后固有时间尺度分解ITD将非平稳信号分解成若干个表征信号特征的内禀尺度分量ISC和一个单调信号之和，即：
式中，ISCi为第i个分解出来的内禀尺度分量；
⑥采用ITD分解得到的前5个分量ISC1、ISC2、…、ISC5，分别计算出它们的能量E1、E2、E3、E4和E5，pm为第m个ISC的能量占总能量E中的比重，m＝1，2，…，5，能量为信号各点幅度值平方后的求和，将p1、p2、p3、p4和p5作为有载分接开关机械故障诊断的特征向量。
6.根据权利要求1所述的一种基于ITD与SVM的OLTC机械故障诊断方法，其特征是：所述振动数据分成两组，每组包括正常振动信号与故障信号，一组用于SVM的训练，另一组用于SVM的测试；步骤3)中，先将特征向量归一化处理到[0，1]之间，将归一化后的训练特征向量输入到支持向量机SVM中，对支持向量机进行训练，然后将归一化后的测试特征向量输入到训练好的SVM，从而判断OLTC的故障模式。
CN201810166794.7A 2018-02-28 2018-02-28 基于itd与svm的oltc机械故障诊断方法 Pending CN108398252A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810166794.7A CN108398252A (zh) 2018-02-28 2018-02-28 基于itd与svm的oltc机械故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810166794.7A CN108398252A (zh) 2018-02-28 2018-02-28 基于itd与svm的oltc机械故障诊断方法

Publications (1)

Publication Number Publication Date
CN108398252A true CN108398252A (zh) 2018-08-14

Family

ID=63096774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810166794.7A Pending CN108398252A (zh) 2018-02-28 2018-02-28 基于itd与svm的oltc机械故障诊断方法

Country Status (1)

Country Link
CN (1) CN108398252A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109187023A (zh) * 2018-09-04 2019-01-11 温州大学激光与光电智能制造研究院 一种汽车发电机轴承故障诊断方法
CN110263832A (zh) * 2019-06-11 2019-09-20 哈尔滨工程大学 一种基于多尺度分析的auv导航系统故障诊断方法
CN110320466A (zh) * 2019-06-13 2019-10-11 国网江苏省电力有限公司电力科学研究院 一种有载分接开关运行状态在线监测方法、系统及存储介质
CN110658445A (zh) * 2019-09-02 2020-01-07 红相股份有限公司 一种有载分接开关机械故障的分析诊断方法
CN110929673A (zh) * 2019-12-02 2020-03-27 吉林松江河水力发电有限责任公司 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法
CN112729531A (zh) * 2020-12-25 2021-04-30 国网浙江省电力有限公司电力科学研究院 配电变压器设备故障研判方法及系统
CN113627268A (zh) * 2021-07-15 2021-11-09 安标国家矿用产品安全标志中心有限公司 模型训练方法、矿井提升机用减速器故障检测方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198225A (zh) * 2013-04-17 2013-07-10 华北科技学院 一种镜像延拓方法
CN104155108A (zh) * 2014-07-21 2014-11-19 天津大学 一种基于振动时频分析的滚动轴承故障诊断方法
CN104697767A (zh) * 2014-12-17 2015-06-10 天津大学 一种基于振动分析的转子系统故障诊断方法及装置
CN105319071A (zh) * 2015-09-21 2016-02-10 天津大学 基于最小二乘支持向量机的柴油机燃油系统故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198225A (zh) * 2013-04-17 2013-07-10 华北科技学院 一种镜像延拓方法
CN104155108A (zh) * 2014-07-21 2014-11-19 天津大学 一种基于振动时频分析的滚动轴承故障诊断方法
CN104697767A (zh) * 2014-12-17 2015-06-10 天津大学 一种基于振动分析的转子系统故障诊断方法及装置
CN105319071A (zh) * 2015-09-21 2016-02-10 天津大学 基于最小二乘支持向量机的柴油机燃油系统故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周超等: "基于改进ITD边际谱熵的单相自适应重合闸", 《电力系统及其自动化学报》 *
张少波等: "基于IITD样本熵和支持向量机的齿轮故障诊断方法", 《机械设计与制造》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109187023A (zh) * 2018-09-04 2019-01-11 温州大学激光与光电智能制造研究院 一种汽车发电机轴承故障诊断方法
CN110263832A (zh) * 2019-06-11 2019-09-20 哈尔滨工程大学 一种基于多尺度分析的auv导航系统故障诊断方法
CN110263832B (zh) * 2019-06-11 2023-01-06 哈尔滨工程大学 一种基于多尺度分析的auv导航系统故障诊断方法
CN110320466A (zh) * 2019-06-13 2019-10-11 国网江苏省电力有限公司电力科学研究院 一种有载分接开关运行状态在线监测方法、系统及存储介质
CN110320466B (zh) * 2019-06-13 2022-02-15 国网江苏省电力有限公司电力科学研究院 一种有载分接开关运行状态在线监测方法、系统及存储介质
CN110658445A (zh) * 2019-09-02 2020-01-07 红相股份有限公司 一种有载分接开关机械故障的分析诊断方法
CN110658445B (zh) * 2019-09-02 2021-06-01 红相股份有限公司 一种有载分接开关机械故障的分析诊断方法
CN110929673A (zh) * 2019-12-02 2020-03-27 吉林松江河水力发电有限责任公司 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法
CN112729531A (zh) * 2020-12-25 2021-04-30 国网浙江省电力有限公司电力科学研究院 配电变压器设备故障研判方法及系统
CN113627268A (zh) * 2021-07-15 2021-11-09 安标国家矿用产品安全标志中心有限公司 模型训练方法、矿井提升机用减速器故障检测方法和装置

Similar Documents

Publication Publication Date Title
CN108398252A (zh) 基于itd与svm的oltc机械故障诊断方法
CN103713237B (zh) 一种电力系统输电线路短路故障诊断方法
CN108362488A (zh) 基于mpe与svm的oltc机械故障诊断方法
CN103308292A (zh) 基于振动信号分析的真空断路器机械状态检测方法
Yang et al. Condition evaluation for opening damper of spring operated high-voltage circuit breaker using vibration time-frequency image
CN101924354B (zh) 利用s变换能量样本属性的配电网故障的人工神经网络选线方法
CN110146268A (zh) 一种基于均值分解算法的oltc故障诊断方法
CN105528741B (zh) 一种基于多信号特征融合的断路器状态识别方法
Yang et al. Chaotic analysis and feature extraction of vibration signals from power circuit breakers
CN108693437B (zh) 一种判断变压器绕组变形的方法及系统
CN112329914B (zh) 地埋式变电站的故障诊断方法、装置及电子设备
CN106932184A (zh) 一种基于改进层次聚类的变压器故障诊断方法
CN112557950B (zh) 基于矩阵相似性的配电网谐振接地系统故障选线方法
CN104713714B (zh) 一种基于网格多密度聚类的高压断路器动作特性分析方法
CN117390408B (zh) 一种电力变压器运行故障检测方法及系统
CN110677125A (zh) 电弧故障检测的方法及装置
Mishra et al. Intrinsic time decomposition based fault location scheme for unified power flow controller compensated transmission line
CN110579684A (zh) 一种基于融合算法的小电流接地系统选线方法
Yuan et al. Study on fault line detection methods based on multi‐feature fusion in distribution systems
CN108089100A (zh) 小电流接地系统弧光电阻接地故障的检测方法
Shuyou et al. Extracting power transformer vibration features by a time-scale-frequency analysis method
CN110132567A (zh) 一种基于lcd和排列熵的oltc故障诊断方法
CN109886063B (zh) 基于小波时频图处理的有载调压开关振动故障诊断方法
CN110929673A (zh) 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法
Liu et al. Fault diagnosis of OLTC based on time-frequency image analysis of vibration signal

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180814

RJ01 Rejection of invention patent application after publication