CN108919104B - 一种基于Fisher判别分类法的断路器故障诊断方法 - Google Patents
一种基于Fisher判别分类法的断路器故障诊断方法 Download PDFInfo
- Publication number
- CN108919104B CN108919104B CN201810486731.XA CN201810486731A CN108919104B CN 108919104 B CN108919104 B CN 108919104B CN 201810486731 A CN201810486731 A CN 201810486731A CN 108919104 B CN108919104 B CN 108919104B
- Authority
- CN
- China
- Prior art keywords
- circuit breaker
- fisher
- discriminant
- fault
- current
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000003745 diagnosis Methods 0.000 title claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 80
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 31
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005355 Hall effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Breakers (AREA)
- Arc-Extinguishing Devices That Are Switches (AREA)
Abstract
本发明公开了一种基于Fisher判别分类法的断路器故障诊断方法，一、根据断路器合闸线圈电流参数与时间参数特征值构造特征空间，将断路器故障状态分类；二、通过在不同故障状态下的断路器合闸线圈电流和时间参数特征值数据得到基于Fisher判别分类法的断路器故障诊断的典则判别函数模型；三、将建立Fisher典则判别函数模型的样本数据代入到已建立的模型中，判断已建立模型的准确性，若准确率低于设定值，则回到步骤二，通过提取更多数量的典则判别函数重新建立典则判别函数模型；四、将基于Fisher判别分类法的断路器故障诊断的典则判别函数模型应用于实际断路器故障诊断。本发明对断路器故障诊断准确性高。
Description
技术领域
本发明涉及断路器故障诊断领域，具体涉及一种基于Fisher判别分类法的断路器故障诊断方法。
背景技术
作为电力系统中重要的保护与控制电器，断路器在保障电网安全稳定运行方面起着十分关键的作用，其运行维护也是电力部门日常工作的重要内容。随着智能电网建设的加快，传统的定期巡检模式已不能适应，检修体制正逐步向预知性的状态检修体制过渡。因此，各电气生产厂商与科研院所都加大了对断路器在线监测与故障诊断方面的研究力度，能够为状态检修提供必要的指导意见的故障诊断技术的研究工作尤为突出。
断路器故障诊断技术是通过采集断路器动作数据，经信号处理手段提取特征参数，最后由智能算法建立诊断模型，进而完成对断路器工作状态的评估。故障诊断实质上是一种故障信息的识别与分类问题。目前较为通用的做法是，将正常状态下与故障状态下的特征信息建立训练样本，利用神经网络等人工智能算法建立训练模型，再将所采集的特征信息输入训练器得到最终的诊断结论。传统的状态特征信息选取方法是利用傅里叶变换对断路器动作时的机械振动信号进行处理，但频谱分析在全频域范围内分辨率很大时，时域分辨率很小，不适合对非平稳信号进行分析。另外，目前常用的人工神经网络算法在模型构建时需要大量的训练样本数据，这就使得该方法受限于样本数量规模，并且在训练时容易陷入局部极值点，难以收敛。
本发明采用断路器合闸线圈电流信号作为特征信息，因为线圈电流易于采集、特征明显，其特征包含了断路器合闸过程中的大量信息，能够反映断路器控制回路的许多故障类型(如机构卡涩、线圈卡涩、供电电压不足等)。在处理特征信息时，采用Fisher判别分析法来构建断路器故障诊断的典则函数判别模型。其基本思想是根据类间距离最大、类内距离最小的原则来将高维数据点投影到低维空间中。Fisher判别分类法是一种基于小样本的学习算法，可以解决样本数据少、不能反复操作提取样本的问题，同时Fisher判别分类法是一种线性分类法，可以有效避开神经网络易陷入局部最优的情况。
本发明的断路器故障诊断方法，是从一种新的角度出发，首次运用Fisher 判别法来进行断路器故障诊断研究。该方法在建立Fisher判别模型的基础上，运用特征值来解释模型中典则判别函数所包含的原始数据信息的多少；然后运用原始数据回判的方法验证模型的正确性；最后将Fisher判别分类法运用于实际的断路器故障诊断中。
发明内容
为解决现有技术中人工神经网络算法受样本数量限制并易于陷入局部最优的问题，本发明提供一种基于Fisher判别分类法的断路器故障诊断方法，它能在样本数据较少的情况下对样本进行合理分类，并且从样本数据中提取并包含大量的样本特征信息，从而完成对断路器的故障诊断。
为了实现上述目标，本发明采用如下技术方案：一种基于Fisher判别分类法的断路器故障诊断方法，其特征在于，包括步骤：
一、根据断路器合闸线圈电流参数与时间参数特征值构造特征空间，将断路器故障状态分类；
二、通过在不同故障状态下的断路器合闸线圈电流和时间参数特征值数据得到基于Fisher判别分类法的断路器故障诊断的典则判别函数模型；
三、将建立Fisher典则判别函数模型的样本数据代入到已建立的模型中，判断已建立模型的准确性，若准确率低于设定值，则回到步骤二，通过提取更多数量的典则判别函数重新建立Fisher判别分类法的典则判别函数模型；
四、将基于Fisher判别分类法的断路器故障诊断的典则判别函数模型应用于实际断路器故障诊断。
前述的一种基于Fisher判别分类法的断路器故障诊断方法，其特征是：所述断路器合闸线圈电流参数与时间参数特征值具体包括电流参数{i1,i2,i3}与时间参数{t1,t2,t3,t4,t5}共8个参数，所述参数具体为：
断路器合闸线圈电流曲线分为5个阶段：
(1)阶段I，t＝t0～t1，线圈在t0时刻开始通电，到t1时刻断路器铁芯开始运动，这一阶段电流按指数规律上升，铁芯还没有运动，铁芯刚开始运动时，电流达到大值为i2；
(2)阶段II，t＝t1～t2，在这一阶段，断路器铁芯开始运动，这阶段线圈电流急剧下降，在铁芯刚撞击到断路器扣板时，电流达到最低点为i1；
(3)阶段III，t＝t2～t3，断路器铁芯运动停止，线圈电流按照指数规律增加至接近最大稳态值i3；
(4)阶段IV，t＝t3～t4，这一阶段是阶段III的延续，断路器传动机构和提升机构动作，电流达到最大稳态值i3；
(5)阶段V，t＝t4～t5，电流开断阶段，在此阶段断路器辅助开关分断，在辅助开关触头间产生电弧并被拉长，电弧电压快速升高，迫使电流迅速减小，直到熄灭，线圈电流减小至零。
前述的一种基于Fisher判别分类法的断路器故障诊断方法，其特征是：所述断路器合闸过程包括正常状态ZC和五个典型的故障状态：操作电源过低GD、合闸铁芯开始阶段有卡涩HKS、操作机构有卡涩CKS、铁芯空行程过长TD、辅助开关动作接触不良FK。
前述的一种基于Fisher判别分类法的断路器故障诊断方法，其特征是：所述步骤二具体步骤包括：
1)以故障模拟实验采集了断路器合闸线圈电流正常和故障样本数据，以其中的前N组样本数据作为Fisher判别模型训练数据库，其余M组样本数据作为测试数据集；
2)结合前N个训练样本及Fisher判别原理，得到典则判别函数系数，进而得到多个典则判别函数；
3)计算典则判别函数的方差贡献率，选取累计判别结果准确率达到设定值的若干典则判别函数作为基于Fisher判别分类法的断路器故障诊断的典则判别函数模型。
前述的一种基于Fisher判别分类法的断路器故障诊断方法，其特征是：所述步骤三具体步骤包括：
1)将前N组样本数据按不同的断路器合闸时候的状态进行归类，并分别求取样本数据均值；
2)将样本数据均值带入典则判别函数模型，得到的函数值则为典则判别函数中心值；
3)将前N组故障样本数据代入到建立好的Fisher典则判别函数模型进行检验，若运用原始样本数据对模型准确率进行回判时，准确率低于设定值，则回到步骤二，通过提取更多数量的典则判别函数来提高模型对原始样本数据的解释能力，重新建立Fisher判别分类法的典则判别函数模型。
前述的一种基于Fisher判别分类法的断路器故障诊断方法，其特征是：所述步骤四具体步骤包括：
1)对其余M组待判样本数据进行检验，运用Fisher典则判别函数模型，将典则判别函数中心值代入典则判别函数模型，得到待判样本数据的判别函数计算值；
2)根据Fisher判别原理，求取待判样本数据的判别函数计算值与典则判别函数中心值的欧氏距离；
3)根据最小隶属度原则判断出其余M组待判样本数据分别隶属于何种不同的断路器合闸时候的状态。
前述的一种基于Fisher判别分类法的断路器故障诊断方法，其特征是：所述不同的断路器合闸时候的状态包括正常状态ZC和五个典型的故障状态：操作电源过低GD、合闸铁芯开始阶段有卡涩HKS、操作机构有卡涩CKS、铁芯 空行程过长TD、辅助开关动作接触不良FK。
本发明所达到的有益效果：本发明考虑断路器常见的正常状态(ZC)、操作电源过低(GD)、合闸铁芯开始阶段有卡涩(HKS)、操作机构有卡涩(CKS)、铁芯 空行程过长(TD)、辅助开关动作接触不良(FK)等6类主要故障类型，构建Fisher判别模型，本发明对断路器故障诊断是合理可行的，不同运用场合下可以得到较为准确的诊断结果，故该方法应用性广泛，适用性强，具有比较大的推广价值。
附图说明
图1是本发明的流程图；
图2是断路器合闸线圈电流参数与时间关系图。
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。
如图1所示，一种基于Fisher判别分类法的断路器故障诊断方法，包括步骤：
一、根据断路器合闸线圈电流参数与时间参数特征值构造特征空间，将断路器故障状态分类；
本实施例，以WMBS-12型弹簧操动机构真空断路器作为试验样机，通过故障模拟实验采集故障数据构建故障样本空间。
断路器在动作过程中，合闸线圈电流可以包含断路器工作状态的大量信息，且特征明显，提取容易，可以作为故障诊断的可靠的数据来源。图2所示为断路器合闸线圈电流典型曲线图，线圈电流的测量可采用磁平衡式霍尔电流传感器，它利用霍尔效应，采用磁补偿原理，被测回路与测试回路绝缘。在测试电路中，线圈线路从传感器中穿心而过，这种结构不会对线圈线路造成不利影响。霍尔传感器精度高、线性度好，具有很好的动态特性和电气特性。它另外一个优点是可以测量直流、交流和脉动电流，所以，不论线圈电流是交流还是直流的都能很好的测量。
从图2可以看出，合闸线圈电流曲线基本可以分为5个阶段：
(1)阶段I，t＝t0～t1。线圈在t0时刻开始通电，到t1时刻断路器铁芯开始运动，这一阶段的特点是电流按指数规律上升，铁芯还没有运动，铁芯刚开始运动时，电流达到大值为i2；
(2)阶段II，t＝t1～t2。在这一阶段，断路器铁芯开始运动，由于运动负荷增加及铁芯运动而产生反电动势，并且反电动势随运动速度的增加而增加。因此这阶段线圈电流急剧下降，在铁芯刚撞击到断路器扣板时，电流达到最低点为 i1；
(3)阶段III，t＝t2～t3。断路器铁芯运动停止，线圈电流又按照指数规律增加至接近最大稳态值i3；
(4)阶段IV，t＝t3～t4。这一阶段是阶段III的延续，断路器传动机构和提升机构动作，电流达到最大稳态值i3；
(5)阶段V，t＝t4～t5。电流开断阶段。在此阶段断路器辅助开关分断，在辅助开关触头间产生电弧并被拉长，电弧电压快速升高，迫使电流迅速减小，直到熄灭，线圈电流减小至零；
本发明以断路器合闸线圈电流参数{i1,i2,i3}与时间参数{t1,t2,t3,t4,t5}共8个参数作为特征值构造特征空间，并假定t0＝0作为参照点计算时间参数。
断路器的合闸过程大致包括正常合闸状态(ZC)及五个典型的故障状态：操作电源过低(GD)、合闸铁芯开始阶段有卡涩(HKS)、操作机构有卡涩(CKS)、铁芯 空行程过长(TD)、辅助开关动作接触不良(FK)，本发明主要针对这6种状态进行研究；
二、通过在不同故障状态下的断路器合闸线圈电流和时间参数特征值数据得到Fisher判别分类法的典则判别函数模型；
本发明以故障模拟实验采集了30组断路器合闸线圈电流故障数据，以其中的前24组故障数据作为Fisher判别模型训练数据库，其余最后6组数据作为测试数据集。采用表1所示的原始故障数据训练集，其中，ZC、GD、HKS、CKS、 TD、FK的取值为0或1，1表示所对应的断路器状态。在这里也可以理解为发生此类的概率，数值越接近1表示发生此类故障的几率越大，或者说对应的故障程度越大。
表1原始故障数据训练集
结合表1中的前24个训练样本及Fisher判别原理，可以得到如表2所示的典则判别函数系数：
表2典则判别函数系数
表3特征值和贡献率
表2中列出了三个典则判别函数，这三个典则判别函数是由状态参数x1-x8以及对应的系数组成的，因此由表2我们可以将典则判别函数整理为：
y1＝-0.687x1+0.156x2+0.329x3+0.435x4+0.586x5+0.049x6+0.646x7+0.981x8 (1)
y2＝0.196x1-0.237x2-0.257x3+0.409x4+0.723x5+0.17x6-0.717x7-0.217x8 (2)
y3＝0.715x1+0.13x2+0.094x3-0.239x4+1.036x5-0.718x6-0.397x7+0.738x8 (3)
式中，y1、y2、y3分别表示第一、第二、第三典则判别函数，x1～x8分别表示断路器合闸线圈电流参数i1、i2、i3与时间参数t1、t2、t3、t4、t5。
Fisher判别分类法中，典则判别函数的解释量可以用其方差所占的比例来解释。在表3中列出了第一、第二、第三典则判别函数所对应的方差及其贡献率，即第一、第二、第三典则判别函数所包含的原始数据信息量的多少。
从表3中可以看出，第一典则判别函数的方差贡献率为88.2％，第二典则判别函数的方差贡献率为9.1％，联合运用这两个函数进行判别时，判别结果的准确率可以达到97.2％，几乎可以解释所有样本的信息，本发明采用前两个判别函数即可。至此，基于Fisher判别分类法的断路器故障诊断的典则判别函数模型已经建立，表示如下：
y1＝-0.687x1+0.156x2+0.329x3+0.435x4+0.586x5+0.049x6+0.646x7+0.981x8 (1)
y2＝0.196x1-0.237x2-0.257x3+0.409x4+0.723x5+0.17x6-0.717x7-0.217x8 (2)
三、将建立Fisher典则判别函数模型的样本数据代入到已建立的典则判别函数模型中，判断已建立模型的准确性；
将表1中前24组数据按ZC、GD、HKS、CKS、TD、FK六种不同的断路器合闸时候的状态进行归类，并分别求取这六种状态下的样本数据均值，如表4 所示。
表4 24组样本数据中不同故障状态下的样本均值
将六种状态下的均值带入式(1)-(2)，得到的函数值则为第一、第二典则判别函数在各类别的中心值，如下表5所示：
表5判别函数中心值
将表1中采集到的前24组样本数据代入到建立好的Fisher典则判别函数模型进行检验，经检验该模型的判断正确率达到100％，因此可以用该模型进行断路器的故障诊断分析。
若运用原始数据对模型准确率进行回判时，准确率低于90％，则回到步骤二，通过提取更多数量的典则判别函数来提高模型对原始数据的解释能力，重新建立Fisher判别分类法的典则判别函数模型。
四、将基于Fisher判别分类法的断路器故障诊断的典则判别函数模型应用于实际中断路器的诊断。
对表1所示的25～30共6组待判数据进行检验，代表性数据如表6所示：
表6待诊断的断路器故障数据
运用Fisher典则判别函数模型，将表6的待判样本数据代入典则判别函数式 (1)和式(2)，得到待判数据的判别函数计算值，计算值如下表7所示；然后根据 Fisher判别原理，运用公式(4)求取待判数据的判别函数计算值与第一典则判别函数和第二典则判别函数中心值的欧氏距离m，所得欧式距离计算值如表8 内容所示：
式中，a、b为待判数据的判别函数计算值，分别如表7第二、第三列数据所示；y1和y2为第一典则判别函数和第二典则判别函数中心值，如表5所示第二、第三列所示。
表7待判数据的判别函数计算值
表8判别分析结果
通过表8内容可看出，在运用本文所建立的Fisher典则判别函数模型对断路器故障进行判别后，根据最小隶属度原则可以判断出第25～30组数据分别隶属于正常状态(ZC)、操作电源过低(GD)、合闸铁芯开始阶段有卡涩(HKS)、操作机构有卡涩(CKS)、铁芯 空行程过长(TD)、辅助开关动作接触不良(FK) 状态。与表1中所列的结果皆一致，验证了Fisher判别分类法在断路器故障诊断中的有效性。
当运行中的断路器发生故障时，准确对其进行故障诊断很有必要，Fisher 判别分析理论这一评价方法客观合理，相较于人工智能算法所需样本数据较少，适用于断路器故障诊断研究。Fisher判别分类法在断路器故障诊断中显示出了较高的准确率，并且用典则判别函数来解释模型所包含原始数据信息的多少。实施例表明，本发明对断路器故障诊断是合理可行的，不同运用场合下可以得到较为准确的诊断结果，故该方法应用性广泛，适用性强，具有比较大的推广价值。
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Fisher判别分类法的断路器故障诊断方法，其特征在于，包括步骤：
一、根据断路器合闸线圈电流参数与时间参数特征值构造特征空间，将断路器故障状态分类；
二、通过在不同故障状态下的断路器合闸线圈电流参数和时间参数特征值数据得到基于Fisher判别分类法的断路器故障诊断的典则判别函数模型；
三、将建立Fisher典则判别函数模型的样本数据代入到已建立的模型中，判断已建立模型的准确性，若准确率低于设定值，则回到步骤二，通过提取更多数量的典则判别函数重新建立Fisher判别分类法的典则判别函数模型；
四、将基于Fisher判别分类法的断路器故障诊断的典则判别函数模型应用于实际断路器故障诊断；
所述断路器合闸线圈电流参数与时间参数特征值具体包括电流参数{i1,i2,i3}与时间参数{t1, t2, t3, t4, t5}共8个参数，所述参数具体为：
断路器合闸线圈电流曲线分为5个阶段：
(1)阶段I，t=t0 ~ t1，线圈在t0时刻开始通电，到t1时刻断路器铁芯开始运动，这一阶段电流按指数规律上升，铁芯还没有运动，铁芯刚开始运动时，电流达到大值为i2；
(2)阶段II，t=t1 ~ t2，在这一阶段，断路器铁芯开始运动，这阶段线圈电流急剧下降，在铁芯刚撞击到断路器扣板时，电流达到最低点为i1；
(3)阶段III， t=t2 ~ t3，断路器铁芯运动停止，线圈电流按照指数规律增加至接近最大稳态值i3；
(4)阶段IV， t=t3 ~ t4，这一阶段是阶段III的延续，断路器传动机构和提升机构动作，电流达到最大稳态值i3；
(5)阶段V， t=t4 ~ t5，电流开断阶段，在此阶段断路器辅助开关分断，在辅助开关触头间产生电弧并被拉长，电弧电压快速升高，迫使电流迅速减小，直到熄灭，线圈电流减小至零。
2.根据权利要求1所述的一种基于Fisher判别分类法的断路器故障诊断方法，其特征是：所述断路器合闸过程包括正常状态ZC和五个典型的故障状态：操作电源过低GD、合闸铁芯开始阶段有卡涩HKS、操作机构有卡涩CKS、铁芯空行程过长TD、辅助开关动作接触不良FK。
3.根据权利要求1所述的一种基于Fisher判别分类法的断路器故障诊断方法，其特征是：所述步骤二具体步骤包括：
1）以故障模拟实验采集了断路器合闸线圈电流正常和故障样本数据，以其中的前N组样本数据作为Fisher判别模型训练数据库，其余M组样本数据作为测试数据集；
2）结合前N组样本数据及Fisher判别原理，得到典则判别函数系数，进而得到多个典则判别函数；
3）计算典则判别函数的方差贡献率，选取累计判别结果准确率达到设定值的若干典则判别函数作为基于Fisher判别分类法的断路器故障诊断的典则判别函数模型。
4.根据权利要求3所述的一种基于Fisher判别分类法的断路器故障诊断方法，其特征是：所述步骤三具体步骤包括：
1）将前N组样本数据按不同的断路器合闸时候的状态进行归类，并分别求取样本数据均值；
2）将样本数据均值带入典则判别函数模型，得到的函数值则为典则判别函数中心值；
3）将前N组样本数据代入到建立好的Fisher典则判别函数模型进行检验，若运用原始样本数据对模型准确率进行回判时，准确率低于设定值，则回到步骤二，通过提取更多数量的典则判别函数来提高模型对原始样本数据的解释能力，重新建立Fisher判别分类法的典则判别函数模型。
5.根据权利要求4所述的一种基于Fisher判别分类法的断路器故障诊断方法，其特征是：所述步骤四具体步骤包括：
1）对其余M组待判样本数据进行检验，运用Fisher典则判别函数模型，将典则判别函数中心值代入典则判别函数模型，得到待判样本数据的判别函数计算值；
2）根据Fisher判别原理，求取待判样本数据的判别函数计算值与典则判别函数中心值的欧氏距离；
3）根据最小隶属度原则判断出其余M组待判样本数据分别隶属于何种不同的断路器合闸时候的状态。
6.根据权利要求5所述的一种基于Fisher判别分类法的断路器故障诊断方法，其特征是：所述不同的断路器合闸时候的状态包括正常状态ZC和五个典型的故障状态：操作电源过低GD、合闸铁芯开始阶段有卡涩HKS、操作机构有卡涩CKS、铁芯空行程过长TD、辅助开关动作接触不良FK。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810486731.XA CN108919104B (zh) | 2018-05-21 | 2018-05-21 | 一种基于Fisher判别分类法的断路器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810486731.XA CN108919104B (zh) | 2018-05-21 | 2018-05-21 | 一种基于Fisher判别分类法的断路器故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108919104A CN108919104A (zh) | 2018-11-30 |
| CN108919104B true CN108919104B (zh) | 2020-08-14 |
Family
ID=64402862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810486731.XA Active CN108919104B (zh) | 2018-05-21 | 2018-05-21 | 一种基于Fisher判别分类法的断路器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108919104B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110244219B (zh) * | 2019-07-10 | 2020-07-17 | 西南交通大学 | 基于合闸线圈电流时域统计特征的断路器故障识别方法 |
| CN111142017A (zh) * | 2020-01-03 | 2020-05-12 | 国网江苏省电力有限公司检修分公司 | 一种断路器状态诊断系统及方法 |
| CN111913103B (zh) * | 2020-08-06 | 2022-11-08 | 国网福建省电力有限公司 | 一种弹簧储能操动结构断路器的故障检测方法 |
| CN112731131A (zh) * | 2020-12-22 | 2021-04-30 | 珠海万谱科技有限公司 | 一种电动直流隔离开关的故障诊断方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104793134A (zh) * | 2015-04-29 | 2015-07-22 | 中国电力科学研究院 | 基于最小二乘支持向量机的断路器操作机构故障诊断方法 |
| CN105718958B (zh) * | 2016-01-27 | 2018-09-21 | 国网江苏省电力有限公司检修分公司 | 基于线性判别分析和支持向量机的断路器故障诊断方法 |
| CN106199412B (zh) * | 2016-07-01 | 2019-01-29 | 太原理工大学 | 一种永磁机构高压真空断路器故障模式识别方法 |
| CN107085164A (zh) * | 2017-03-22 | 2017-08-22 | 清华大学 | 一种电网故障类型确定方法及装置 |
| CN107103125A (zh) * | 2017-04-01 | 2017-08-29 | 宁波大学 | 一种基于两分类Fisher判别分析的故障诊断方法 |
-
2018
- 2018-05-21 CN CN201810486731.XA patent/CN108919104B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108919104A (zh) | 2018-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108919104B (zh) | 一种基于Fisher判别分类法的断路器故障诊断方法 | |
| CN107450017B (zh) | 一种开关设备缺陷智能检测系统 | |
| CN105759201B (zh) | 基于异常样本识别的高压断路器自诊断方法 | |
| CN111060813B (zh) | 高压断路器操作机构的故障诊断方法及装置、电子设备 | |
| CN110221200A (zh) | 一种基于深度学习的万能式断路器附件故障诊断方法 | |
| CN104360263A (zh) | 基于分合闸线圈电流的断路器操作机构故障诊断专家系统 | |
| CN111382809B (zh) | 一种基于电机输出功率的隔离开关机械故障诊断方法 | |
| CN104360262A (zh) | 基于特征点的断路器操作机构分合闸线圈电流比对方法 | |
| CN108345906B (zh) | 一种基于Boost模型的非侵入式用电器识别方法 | |
| CN112684329A (zh) | 一种高压断路器机械故障智能诊断方法 | |
| CN115048985A (zh) | 一种电气设备故障判别方法 | |
| CN112149569A (zh) | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 | |
| CN113567845A (zh) | 一种基于深度置信网络的高压断路器生命周期智能评估方法 | |
| CN113901862A (zh) | 一种电磁斥力机构故障监测方法、系统、设备及可读存储介质 | |
| CN115238733A (zh) | 一种高压断路器合分闸线圈运行状态评估方法及相关设备 | |
| US11867763B2 (en) | Method for monitoring circuit breaker and apparatus and internet of things using the same | |
| CN115728628A (zh) | 一种断路器控制回路故障在线监测预警方法及装置 | |
| CN112598152A (zh) | 基于改进仿射传播聚类的高压断路器故障诊断方法 | |
| CN112924856A (zh) | 基于断路器振动过程突变时刻检测的信号通道切换方法 | |
| CN115438744A (zh) | 一种交流接触器运行状态分类可视化方法 | |
| Ke et al. | A distributed ensemble bpnn used for status assessment of circuit breakers based on coil current characteristics | |
| CN110244219B (zh) | 基于合闸线圈电流时域统计特征的断路器故障识别方法 | |
| Zuo et al. | Application of Weighted Degree of Grey Incidence of Optimized Entropy and KFCM for Fault Diagnosis of Circuit Breaker | |
| Zhao et al. | Research on the fault diagnosis of the high-voltage circuit breaker based on the feature extraction of the stroke signal | |
| Fu et al. | Intelligent Detection Algorithm of Medium and Low Voltage Switch Performance Based on the Improved K-means Clustering |
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 |