CN108845250B - 基于振动信号特征提取的有载分接开关故障识别方法 - Google Patents
基于振动信号特征提取的有载分接开关故障识别方法 Download PDFInfo
- Publication number
- CN108845250B CN108845250B CN201810553103.9A CN201810553103A CN108845250B CN 108845250 B CN108845250 B CN 108845250B CN 201810553103 A CN201810553103 A CN 201810553103A CN 108845250 B CN108845250 B CN 108845250B
- Authority
- CN
- China
- Prior art keywords
- changer
- vibration signal
- load tap
- modal
- feature extraction
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种基于振动信号特征提取的有载分接开关故障识别方法,首先通过加速度传感器采集有载分接开关OLTC运行过程中的振动信号,并对振动信号做预处理;对所采集到的分接开关振动信号进行变分模式分解即VMD分解并剔除其中的虚假成分,计算有效模态分量的峭度,作为OLTC的故障特征量;最后根据分接开关的故障特征量进行分接开关故障诊断。本发明可以有效地提取OLTC机械故障特征,且其效果优于EMD。
Description
技术领域
本发明属于电力设备技术领域,涉及有载分接开关故障诊断技术,具体涉及一种基于振动信号特征提取的有载分接开关故障识别方法。
背景技术
在有载分接开关操作过程中,机构零部件之间的碰撞或摩擦会产生振动信号,这些振动信号包含着丰富的设备状态信息。目前,基于振动信号分析已成为有载分接开关机械故障诊断的重要手段。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、EMD(经验模态分解)和小波包等。这些方法大多是将非平稳信号分解为若干个简单的平稳信号之和,然后对每个分量进行处理,提取时频特征。然而,研究表明,OLTC(有载分接开关,本申请以下简称为OLTC)切换过程中的振动信号表现出明显的非线性行为,采用时频分析的方法,将信号分解为平稳信号,难免有一定的局限性。EMD算法虽适应非线性非稳态信号的分析,但它本身也存在很多缺点,尤其是对频率相近的分量无法正确分离,存在虚假分量问题。因此,本发明提出一种基于振动信号特征提取的有载分接开关故障识别方法。
发明内容
为解决现有技术中的不足,本发明提供一种基于振动信号特征提取的有载分接开关故障识别方法,故障特征明显,结果简单,可操性强。
为了实现上述目标,本发明采用如下技术方案:
一种基于振动信号特征提取的有载分接开关故障识别方法,其特征在于,所述有载分接开关故障识别方法包括以下步骤:
步骤1:通过加速度传感器采集有载分接开关OLTC运行过程中的振动信号,并对振动信号做预处理;
步骤2:对步骤1所采集到的分接开关振动信号进行变分模式分解即VMD分解,得到K-1个模态分量;
步骤3:剔除步骤2中分接开关振动信号经VMD分解得到的模态分量中的虚假成分得到有效模态分量,然后提取有效模态分量的峭度,作为OLTC的故障特征量;
步骤4:根据分接开关的故障特征量进行分接开关故障诊断。
本发明包括以下优选方案:
在步骤1中,所述加速度传感器安装在分接开关的顶端。
在步骤1中,所述预处理是指对采集到的振动信号进行降噪处理。
在步骤2中,对步骤1所采集的有载分接开关振动信号进行VMD分解,具体内容为:
2.1首先赋初值给模态数K;
2.2然后再基于初始的K值对分接开关振动信号f(t)进行VMD分解;
2.3计算步骤2.2分解后得到的每两个模态分量之间的波形相似系数,若最大波形相似系数位于第一设定区间,则返回2.1,重新对模态数K赋值,K=K+1;若最大波形相似系数位于第二设定区间,则说明这两个模态分量很相似,出现了重叠,记录步骤2所分解的K-1个模态分量。
在步骤2.2中,具体包括以下内容:
2.2.1构造变分模型,其对应的约束变分模型表达式为:
式中,{uk(t)}为分解得到的K-1个模态分量,为时域的量,简记为{uk},{uk}={u′1,…,u′k};{ωk}为各模态分量的中心频率,{ωk}={ω′1,…,ω′k};是对函数求时间t的偏导数;δ(t)为单位脉冲函数;j为虚数单位;*表示卷积;
此时{uk(t)}是未知的,通过求解上述约束变分问题的最优解,即可得到{uk(t)}的具体解析信号;
2.2.2变分模型的求解
1)先将约束性变分问题变为非约束性变分问题
通过引入二次惩罚因子α和拉格朗日乘法算子λ(t),将约束性问题变为非约束性问题,则式(1)变为增广拉格朗日函数:
2)采用乘法算子交替方向法ADMM求取增广拉格朗日函数的鞍点,即式(1)约束变分模型的最优解;求得的模态分量uk及中心频率ωk分别为:
式中,为分接开关振动信号f(t)的傅里叶变换,为拉格朗日乘法算子λ(t)的傅里叶变换,为当前剩余量的维纳滤波;为当前模态函数功率谱的中心频率;表示进行傅里叶逆变换,取实部即可得到时域模态分量{uk(t)};其中,n为迭代次数。
在步骤2.1中,根据分接开关振动信号特性设定模态数K的初值,通常所述K的初值设定为2-6。优选将模态数K的初值设定为4。
在步骤2.3中,所述第一设定区间为(0,0.5),第二设定区间为[0.5,+∞)。
在步骤3中,采用相关系数法剔除步骤2中分接开关振动信号经VMD分解得到的模态分量中的虚假成分,具体内容为:
计算每个模态分量与原始振动信号的相关系数,并设置一个相关系数阈值,当某个模态分量与原始信号的相关系数小于阈值时,则判定该模态分量是虚假分量,否则认为该模态分量为有效模态分量。
所述相关系数阈值取所有相关系数中最大值的1/10。
在步骤3中,提取有效模态分量的峭度,作为OLTC的故障特征量,其中峭度的数学表达式如下式:
在步骤4中,根据分接开关的故障特征量进行分接开关故障诊断的具体内容为:计算分接开关故障特征量与分接开关标准正常特征量之间的距离,若距离大于10,则说明分接开关处于故障状态,若距离在0-10之间,则说明分接开关处于正常状态。
本发明所达到的有益效果:
1.本发明采用VMD方法提取OLTC机械振动信号故障信息,相比较与其他方法,该方法简便易行,算法简单;
2.本发明相较于EMD分解算法,不存在虚假分量问题;
3.本发明采用波形相似系数来确定VMD的模态数,清晰可靠,而且简单。
附图说明
图1是本发明基于振动信号特征提取的有载分接开关故障识别方法的流程示意图。
具体实施方式
下面结合附图对本发明做进一步描述。以下实施案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。
如附图1所示,本发明公开了一种有载分接开关振动信号特征提取方法,所述识别方法包括以下步骤:
步骤1:通过加速度传感器对OLTC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;
加速度传感器采用永磁体吸附在有载分接开关OLTC测试点的表面的安装方式,这种安装方式简单易行,适合频繁更换测试点的场合。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;
对振动信号做预处理,具体为对振动信号进行了降噪处理。
在步骤2中,对步骤1所采集的有载分接开关振动信号进行VMD分解,具体内容为:
2.1首先赋值给模态数K,本领域技术人员会根据分接开关振动信号特性来选取模态数K的初始值,通常会选择2-6中某一个数作为初始值。
在本发明的实施例中,优选K=4;
2.2然后再基于K值对分接开关振动信号f(t)进行VMD分解,具体步骤如下:
2.2.1构造变分模型,其对应的约束变分模型表达式为:
式中,{uk(t)}为分解得到的K-1个模态分量,{uk}={u′1,…,u′k};{ωk}为各模态分量的中心频率,{ωk}={ω′1,…,ω′k};是对函数求时间t的偏导数;δ(t)为单位脉冲函数;j为虚数单位;*表示卷积。
注:此时{uk(t)}是未知的,通过求解上述约束变分问题的最优解,即可得到{uk(t)}的具体解析信号。
2.2.2变分模型的求解
1)先将约束性变分问题变为非约束性变分问题
通过引入二次惩罚因子α和拉格朗日乘法算子λ(t),将约束性问题变为非约束性问题,则式(1)变为增广拉格朗日函数:
2)采用乘法算子交替方向法求取增广拉格朗日函数的鞍点,即式(1)约束变分模型的最优解。求得的模态分量uk及中心频率ωk分别为
式中,为分接开关振动信号f(t)的傅里叶变换,为拉格朗日乘法算子λ(t)的傅里叶变换,为当前剩余量的维纳滤波;为当前模态函数功率谱的中心频率;表示进行傅里叶逆变换,取实部即可得到时域模态分量{uk(t)};其中,n为迭代次数。
2.3根据相关系数法确定K值;
计算每两个模态分量之间的波形相似系数,若最大波形相似系数在0-0.5之间,则增加K值(每次增加的幅度为1),重复步骤2.2,重新计算每两个模态分量之间的波形相似系数,若重新计算出的最大波形相似系数仍在0-0.5之间,则继续增加K值。当出现波形相似系数超过0.5时,则说明这两个模态分量很相似,出现了重叠,则停止,此时的K-1值即为所需值。
2.3计算K-1个模态分量之间的相关系数。
经循环后,表1给出了6个模态分量之间的相关系数。由表可知,最大相关系数在0-0.5之间,则需要增加K值,即K=7,重复步骤3.2。得到7个模态分量之间的相关系数,如表2所示,由表2可知,最大相关系数超过0.5。因此,分接开关振动信号经VMD分解后得到6个模态分量。
表1
表2
步骤3:采用相关系数法剔除步骤2中分接开关振动信号经VMD分解得到的模态分量中的虚假成分,具体内容为:
计算每个模态分量与原始振动信号的相关系数,并设置一个阈值,即相关系数中最大值的1/10,当每个模态分量与原始信号的相关系数小于阈值时,是虚假分量,否则为有效分量。
为说明VMD算法的优越性,本发明在此与经验模态分解EMD算法进行比较。
对OLTC振动信号进行EMD分解,采用相关系数法比较EMD与VMD分解得到的虚假分量。
如表3为分接开关振动信号经VMD分解得到的6个模态分量与原始信号间的相关系数。由表可知,没有相关系数小于相关系数最大值的1/10(即0.07342),即该6个模态分量没有虚假分量。
表3
1 | 2 | 3 | 4 | 5 | 6 |
0.7342 | 0.2852 | 0.2944 | 0.3620 | 0.3949 | 0.5205 |
如表4为分接开关振动信号经EMD分解得到的10个模态分量与原始信号间的相关系数。由表可知,有4个模态分量与原始信号间的相关系数小于相关系数最大值的1/10(即0.05693),即该10个模态分量中有4个虚假分量。
表4
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
0.4545 | 0.3359 | 0.5693 | 0.5193 | 0.3199 | 0.0613 | 0.0117 | 0.00062 | 0.00063 | 0.00052 |
虚假分量的存在,会使算法耗时,且影响信号的分析。因此,从虚假分量方面看,基于VMD算法的分接开关振动信号特征提取比基于EMD算法的分接开关振动信号提取更好。
在步骤3中,提取有效模态分量的峭度,作为OLTC的故障特征量,其中峭度的数学表达式如下式:
式中,E为数学期望,μ为模态分量u′k的均值,σ为模态分量u′k的标准差。
如表5所示,为分接开关3种状态下的峭度特征量。
表5
由表3可知,正常状态下的分接开关特征量与故障状态下的特征量峭度分布不一样,因此,可以把6个模态分量的峭度作为分接开关特征量,可以较好地进行故障诊断。
步骤4:根据分接开关的故障特征量进行分接开关故障诊断的具体内容为:
计算分接开关故障特征量与分接开关标准正常特征量之间的距离,若距离大于10,则说明分接开关处于故障状态,若距离在0-10之间,则说明分接开关处于正常状态。
如表6所示,列举了4组分接开关2种故障状态下的特征量与标准正常特征量之间的距离,由表可知其之间的距离均超过了10,也即是分接开关发生了故障。由此说明,本发明的有效性。
表6
申请人结合说明书附图对本发明的实施例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (9)
1.一种基于振动信号特征提取的有载分接开关故障识别方法,其特征在于,所述有载分接开关故障识别方法包括以下步骤:
步骤1:通过加速度传感器采集有载分接开关OLTC运行过程中的振动信号,并对振动信号做预处理;
步骤2:对步骤1所采集到的有载分接开关振动信号进行变分模式分解即VMD分解,得到K-1个模态分量;
2.1首先赋初值给模态数K;
2.2然后再基于初始的K值对有载分接开关振动信号f(t)进行VMD分解;
2.2.1构造变分模型,其对应的约束变分模型表达式为:
式中,{uk(t)}为分解得到的K-1个模态分量,为时域的量,简记为{uk},{uk}={u′1,···,u′k};{ωk}为各模态分量的中心频率,{ωk}={ω′1,···,ω′k};是对函数求时间t的偏导数;δ(t)为单位脉冲函数;j为虚数单位;*表示卷积;
此时{uk(t)}是未知的,通过求解上述约束变分问题的最优解,即可得到{uk(t)}的具体解析信号;
2.2.2变分模型的求解
1)先将约束性变分问题变为非约束性变分问题
通过引入二次惩罚因子α和拉格朗日乘法算子λ(t),将约束性问题变为非约束性问题,则式(1)变为增广拉格朗日函数:
2)采用乘法算子交替方向法ADMM求取增广拉格朗日函数的鞍点,即式(1)约束变分模型的最优解;求得的模态分量uk及中心频率ωk分别为:
式中,为有载分接开关振动信号f(t)的傅里叶变换,为拉格朗日乘法算子λ(t)的傅里叶变换,为当前剩余量的维纳滤波;为当前模态函数功率谱的中心频率;表示对进行傅里叶逆变换,取实部即可得到时域模态分量{uk(t)};其中,n为迭代次数;
2.3计算步骤2.2分解后得到的每两个模态分量之间的波形相似系数,若最大波形相似系数位于第一设定区间,则返回2.1,重新对模态数K赋值,K=K+1;若最大波形相似系数位于第二设定区间,则说明这两个模态分量很相似,出现了重叠,记录步骤2所分解的K-1个模态分量;
步骤3:剔除步骤2中有载分接开关振动信号经VMD分解得到的模态分量中的虚假成分得到有效模态分量,然后提取有效模态分量的峭度,作为OLTC的故障特征量;
步骤4:根据有载分接开关的故障特征量进行有载分接开关故障诊断。
2.根据权利要求1所述的基于振动信号特征提取的有载分接开关故障识别方法,其特征在于:
在步骤1中,所述加速度传感器安装在有载分接开关的顶端。
3.根据权利要求2所述的基于振动信号特征提取的有载分接开关故障识别方法,其特征在于:
在步骤1中,所述预处理是指对采集到的振动信号进行降噪处理。
4.根据权利要求1所述的基于振动信号特征提取的有载分接开关故障识别方法,其特征在于:
在步骤2.1中,根据有载分接开关振动信号特性设定模态数K的初值,其中,所述K的初值设定为2-6。
5.根据权利要求4所述的基于振动信号特征提取的有载分接开关故障识别方法,其特征在于:
优选将模态数K的初值设定为4。
6.根据权利要求4或5所述的基于振动信号特征提取的有载分接开关故障识别方法,其特征在于:
在步骤2.3中,所述第一设定区间为(0,0.5),第二设定区间为[0.5,+∞)。
7.根据权利要求1所述的基于振动信号特征提取的有载分接开关故障识别方法,其特征在于:
在步骤3中,采用相关系数法剔除步骤2中有载分接开关振动信号经VMD分解得到的模态分量中的虚假成分,具体内容为:
计算每个模态分量与原始振动信号的相关系数,并设置一个相关系数阈值,当某个模态分量与原始信号的相关系数小于阈值时,则判定该模态分量是虚假分量,否则认为该模态分量为有效模态分量。
8.根据权利要求7所述的基于振动信号特征提取的有载分接开关故障识别方法,其特征在于:
所述相关系数阈值取所有相关系数中最大值的1/10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810553103.9A CN108845250B (zh) | 2018-06-01 | 2018-06-01 | 基于振动信号特征提取的有载分接开关故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810553103.9A CN108845250B (zh) | 2018-06-01 | 2018-06-01 | 基于振动信号特征提取的有载分接开关故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108845250A CN108845250A (zh) | 2018-11-20 |
CN108845250B true CN108845250B (zh) | 2021-06-29 |
Family
ID=64211205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810553103.9A Active CN108845250B (zh) | 2018-06-01 | 2018-06-01 | 基于振动信号特征提取的有载分接开关故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108845250B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109507579B (zh) * | 2018-12-05 | 2022-09-20 | 中国电力科学研究院有限公司 | 有载分接开关切换程序在线检测诊断方法 |
CN109633431B (zh) * | 2019-01-09 | 2021-07-09 | 国网江苏省电力有限公司电力科学研究院 | 基于振动信号特征提取的有载分接开关故障识别方法 |
CN109900465B (zh) * | 2019-03-12 | 2020-07-28 | 西安交通大学 | 一种基于声音信号的有载分接开关故障诊断方法 |
CN110132404A (zh) * | 2019-05-29 | 2019-08-16 | 国网江苏省电力有限公司南京供电分公司 | 一种变压器有载分接开关机械故障在线监测方法 |
CN110286286B (zh) * | 2019-05-30 | 2021-04-30 | 昆明理工大学 | 一种基于vmd-elm的vsc-hvdc换流站故障识别装置及方法 |
CN110514294A (zh) * | 2019-08-30 | 2019-11-29 | 鞍钢矿业爆破有限公司 | 一种基于emd与vmd的爆破振动信号降噪方法 |
CN111308272B (zh) * | 2020-03-09 | 2021-03-16 | 西南交通大学 | 一种小电流接地故障区段定位方法 |
CN111413588B (zh) * | 2020-03-31 | 2022-03-11 | 陕西省地方电力(集团)有限公司咸阳供电分公司 | 一种配电网单相接地故障选线方法 |
CN114152454B (zh) * | 2020-09-08 | 2024-03-22 | 中国科学院上海高等研究院 | 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法 |
CN112380762A (zh) * | 2020-11-02 | 2021-02-19 | 国网重庆市电力公司电力科学研究院 | 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法 |
CN113486750A (zh) * | 2021-06-29 | 2021-10-08 | 国家电网有限公司 | 一种基于改进vmd算法和小波包去噪算法的油浸式变压器局部放电信号去噪方法 |
CN113640660A (zh) * | 2021-08-05 | 2021-11-12 | 国网江苏省电力有限公司电力科学研究院 | 一种有载分接开关振动信号的降噪方法及设备 |
CN115468645A (zh) * | 2022-08-26 | 2022-12-13 | 国网湖北省电力有限公司黄冈供电公司 | 一种基于振动信号分段时频图谱优选的有载分接开关故障智能诊断方法 |
CN115238560B (zh) * | 2022-09-21 | 2023-01-20 | 广东电网有限责任公司佛山供电局 | 基于有限元仿真的变压器有载开关故障识别方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107505135A (zh) * | 2017-08-15 | 2017-12-22 | 河北建设集团卓诚路桥工程有限公司 | 一种滚动轴承复合故障提取方法及系统 |
-
2018
- 2018-06-01 CN CN201810553103.9A patent/CN108845250B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107505135A (zh) * | 2017-08-15 | 2017-12-22 | 河北建设集团卓诚路桥工程有限公司 | 一种滚动轴承复合故障提取方法及系统 |
Non-Patent Citations (3)
Title |
---|
Fault Diagnosis of On-load Tap-Changer Based on Variational Mode Decomposition and Relavance Vector Machine;Jinxin Liu,et al;《Energies》;20171231;第1-4节 * |
基于EMD重构和SVM的滚动轴承故障诊断方法研究;周小龙等;《东北电力大学学报》;20161231;第36卷(第6期);第3节 * |
滚动轴承振动信号特征提取及诊断方法研究;朱可恒;《中国博士学位论文全文数据库 工程科技II辑》;20140615(第6期);第2.2、2.5.1章节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108845250A (zh) | 2018-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108845250B (zh) | 基于振动信号特征提取的有载分接开关故障识别方法 | |
Yan et al. | Improved Hilbert–Huang transform based weak signal detection methodology and its application on incipient fault diagnosis and ECG signal analysis | |
CN107451557B (zh) | 基于经验小波变换与局部能量的输电线路短路故障诊断方法 | |
CN109557429B (zh) | 基于改进小波阈值去噪的gis局部放电故障检测方法 | |
CN107728018A (zh) | 一种电力电缆现场局部放电信号的降噪方法 | |
CN109633431B (zh) | 基于振动信号特征提取的有载分接开关故障识别方法 | |
CN108229382A (zh) | 振动信号特征提取方法、装置、存储介质和计算机设备 | |
Dwivedi et al. | Enhanced detection of power-quality events using intra and interscale dependencies of wavelet coefficients | |
CN103499445A (zh) | 一种基于时频切片分析的滚动轴承故障诊断方法 | |
CN102323518A (zh) | 一种基于谱峭度的局部放电信号识别方法 | |
CN111414893B (zh) | 基于vmd精细复合多尺度散布熵的转子故障特征提取方法 | |
CN103163050A (zh) | 一种基于电磁感应信号的润滑油系统金属磨粒检测方法 | |
CN114492538B (zh) | 一种城市中压配电电缆局部放电信号去噪方法 | |
Li et al. | Enhancement of oil debris sensor capability by reliable debris signature extraction via wavelet domain target and interference signal tracking | |
CN112014692A (zh) | 基于主成分分析的局部放电特高频信号盲源分离去噪方法 | |
CN103995950A (zh) | 基于空域相关修正阈值的变小波系数局部放电信号消噪方法 | |
CN113537102B (zh) | 一种微震信号的特征提取方法 | |
CN112287796B (zh) | 基于VMD-Teager能量算子的辐射源识别方法 | |
CN112082793A (zh) | 一种基于SCA和FastICA的旋转机械耦合故障诊断方法 | |
CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 | |
CN113268924B (zh) | 基于时频特征的变压器有载分接开关故障识别方法 | |
CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
CN108020761B (zh) | 一种局部放电去噪方法 | |
CN114462452B (zh) | 用逐次变模态分解算法的异步电机转子断条故障诊断方法 | |
CN116086807A (zh) | 一种用于滚动轴承的故障判断方法和相关产品 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |