CN110146268A - 一种基于均值分解算法的oltc故障诊断方法 - Google Patents
一种基于均值分解算法的oltc故障诊断方法 Download PDFInfo
- Publication number
- CN110146268A CN110146268A CN201910454354.6A CN201910454354A CN110146268A CN 110146268 A CN110146268 A CN 110146268A CN 201910454354 A CN201910454354 A CN 201910454354A CN 110146268 A CN110146268 A CN 110146268A
- Authority
- CN
- China
- Prior art keywords
- function
- mean value
- state
- signal
- vibration signal
- 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
Links
Classifications
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于均值分解算法的OLTC故障诊断方法,包括以下步骤:(1)将振动检测探头贴敷在有载分接开关的箱壁顶端,分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号,并对各个状态下的分别采集的多组振动信号进行降噪;(2)利用LMD方法将去噪后的振动信号自适应分解,选取前面若干个乘积函数分量作为主分量;(3)计算选取的乘积函数的排列熵,组成特征向量;(4)把特征向量输入到建立好的SVM分类器进行工作模式识别。该方法可实时监测变压器有载分接开关的工作状态,满足有载分接开关实时故障诊断的要求。为有目的的检修提供数据支撑,避免人力、物力和时间的浪费。
Description
技术领域
本发明涉及一种电力设备故障诊断方法,具体涉及一种基于均值分解算法的OLTC故障诊断方法。
背景技术
有载分接开关(OLTC)是电力变压器的一个重要组成部分,其运行状况直接关系到变压器及系统的稳定与安全。OLTC是变压器故障率最高部件之一,其故障不但直接影响变压器运行,而且影响电网质量与电网运行。根据沟内资料统计,由OLTC故障引起的事故约占变压器总事故的28%左右且故障类型基本为机械故障,例如触头松动、触头脱落、机构卡涩、滑档、拒动等。机械故障会直接损坏OLTC和变压器本身,进而引起其他更严重的电气故障,以致造成严重的后果。因此,对运行中的OLTC的机械性能进行监测,及早发现其故障隐患,对变压器及电力系统的安全运行有着十分重大的意义。
目前,对有载分接开关机械故障的诊断方法主要是停电检修和在线监测。有载分接开关的停电检修往往周期较长,难以及时发现早期的机械故障,经常在停电检修前即发生故障损坏,并且停电检修影响变压器正常运行,需要耗费大量人力、物力和财力。在线监测方法主要有基于热噪声诊断法和基于振动的在线监测等,基于热噪声的诊断是由于变压器分接开关故障后发热产生的热噪声传播到变压器外面,通过在变压器外壳上安装噪声传感器检测来进行分接开关故障诊断,但热噪声传到传感器时,能量损耗太大再加上各种噪音大干扰工程运用很难实现。
发明内容
发明目的:为了克服现有技术的缺陷,本发明提供一种基于均值分解算法的OLTC故障诊断方法,通过该方法能及时发现有载分接开关运行过程中的潜伏性故障,提高有载分接开关可靠性。
技术方案:本发明所述的一种基于均值分解算法的OLTC故障诊断方法,包括以下步骤:
(1)将振动检测探头贴敷在有载分接开关的箱壁顶端,分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号,并对各个状态下的分别采集的多组振动信号进行降噪;
(2)利用LMD方法将去噪后的振动信号自适应分解,选取前面若干个乘积函数分量作为主分量;
(3)计算所述前面若干个乘积函数分量的排列熵,组成特征向量;
(4)把特征向量输入到建立好的SVM分类器进行工作模式识别。
其中,所述步骤(1)中,采集到振动信号z(t)后对振动信号进行降噪,步骤如下:
(1.1)选取db5小波基和分解层数为3,对含噪电流包络信号进行小波包分解;
(1.2)选取改机阈值函数(1)对小波分解系数进行阈值量化处理,得到相应的小波系数;
式中:β为调节系数,取值范围为0≤β≤1;阈值λ=0.48;
(1.3)将处理后的小波系数反变换,重构去噪后的振动信号Xi。
作为优选,调节系数β=0.5。
所述步骤(2)中,计算乘积函数的步骤如下:
(2.1)Xi={x1,x2,...,xN},N为采样点,信号的所有局部极值为n(i),根据式(2)得到所有相邻的局部极值点的平均值m(i)和包络估计值a(i);
(2.2)将各m(i)依次用直线相连,做滑动平均处理后得到局部均值函数m11(t);将所有相邻两个包络估计值a(i)用直线连接,做滑动平均处理后得到包络估计函数a11(t);
(2.3)将Xi与m11(t)相减得到h11(t)后,再与a11(t)相除得到s11(t);
继续对s11(t)进行步骤(2.1)-(2.3)的计算,得到其包络估计函数a12(t),若a12(t)≠1,说明s11(t)为非纯调频信号,需要重复上述迭代过程n次,直到s1n(t)的包络估计函数a1(n+1)(t)=1;
(2.4)计算包络信号a1(t):
式中,n为重复次数;
(2.5)将a1(t)和s1n(t)相乘得到原始信号Xi的第一个乘积函数分量PF1(t);
(2.6)将Xi与PF1(t)相减得新的信号u1(t)后,再将u1(t)作为原始信号重复步骤(2.1)-(2.6)的计算,循环j次,当uk(t)为单调函数时结束;分解得到j个分量和残余项R,即:
式中,PFi(t)为乘积函数分量。
前四个乘积函数分量包含了振动信号的所有特征,因此,作为优选k=4。
所述步骤(3)中,乘积函数分量PFi(t)=Yi(t)={y1(t)...yN(t)},对乘积函数进行嵌入维数m和延迟时间τ,对其进行相空间重构得到如下矩阵:
式中:其中K=N(m-1)τ,K为重构分量的个数,取m=3,τ=8;上述相空间重构产生的符号序列有m!种可能性,第k种符号序列出现的概率记作Pk,则Yi的排列熵为:
对HP进行归一化得:
Hp=H* p/In(m!) (7)
分别求出前4个乘积函数排列熵组成特征向量T=[T1,T2,T3,T4]。
所述步骤(4)中,把分别采集的各个状态的多组数据中的若干组数据的排列熵作为样本训练SVM分类器,该SVM分类器的核函数形式为:
其中,σ为控制核函数高宽的参数;对于线性不可分情况,引入惩罚因子C来控制错误分类;参数取值为σ=1,惩罚因子C=10;然后把各个状态的剩下的数据作为测试样本,带入SVM分类器进行故障诊断。
有益效果:与现有技术相比,本发明基于振动法提取排列熵特征量,然后与支持向量机相结合实现OLTC的故障诊断,具有速度快,结论直观,诊断机械故障正确率高特点。具体而言,该诊断方法采用LMD分解具有良好的自适应性和时频聚集性,保证了后续进行故障程度评估的准确性,当OLTC出现轻微故障时,排列熵熵值会突然变大,这种特性表明样本熵在OLTC早期故障诊断方面具有工程应用前景。
附图说明
图1为本发明的流程图;
图2为正常状态下的振动信号。
具体实施方式
下面,结合附图对本发明做进一步详细说明。
本实施例选用某公司生产的CMIII-500-63B-10193W型有载分解开关作为研究对象,实验重点模拟OLTC切换过程中各种故障。
如图1所示,本实施例公开了一种均值分解算法的OLTC故障诊断方法,包括以下步骤:
(1)将振动检测探头贴敷在有载分接开关的箱壁顶端,分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号,对各个状态下分别采集的80组振动信号进行降噪;
OLTC垂直顶端(箱壁顶端)直接与触头动作结构相连,所以顶端的振动信号最强,因此,将振动传感器放置于OLTC的垂直顶端,采集到的正常工作状态下的信号如图2所示。采集到振动信号z(t)后对振动信号进行降噪,具体步骤如下:
(1.1)选取db5小波基和分解层数为3,对含噪电流包络信号进行小波包分解;
(1.2)选取改机阈值函数(1)对小波分解系数进行阈值量化处理,得到相应的小波系数;
式中:β为调节系数,取值范围为0≤β≤1;本实施例中,作为优选调节系数β=0.5;阈值λ=0.48;
(1.3)将处理后的小波系数反变换,重构去噪后的振动信号Xi。
(2)利用LMD(局部均值分解Local Mean Decomposition,简称LMD)方法将去噪后的振动信号自适应分解,选取前4个乘积函数分量作为主分量;
计算乘积函数的步骤如下:
(2.1)Xi={x1,x2,...,xN},N为采样点,信号的所有局部极值为n(i),根据式(2)得到所有相邻的局部极值点的平均值m(i)和包络估计值a(i);
(2.2)将各m(i)依次用直线相连,做滑动平均处理后得到局部均值函数m11(t);将所有相邻两个包络估计值a(i)用直线连接,做滑动平均处理后得到包络估计函数a11(t);
(2.3)将Xi与m11(t)相减得到h11(t)后,再与a11(t)相除得到s11(t);
继续对s11(t)进行步骤(2.1)-(2.3)的计算,得到其包络估计函数a12(t),若a12(t)≠1,说明s11(t)为非纯调频信号,需要重复上述迭代过程n次,直到s1n(t)的包络估计函数a1(n+1)(t)=1;
(2.4)计算包络信号a1(t):
式中,n为重复次数;
(2.5)将a1(t)和s1n(t)相乘得到原始信号Xi的第一个乘积函数分量PF1(t);
(2.6)将Xi与PF1(t)相减得新的信号u1(t)后,再将u1(t)作为原始信号重复步骤(2.1)-(2.6)的计算,循环j次,当uk(t)为单调函数时结束;分解得到j个分量和残余项R,即:
式中,PFi(t)为乘积函数分量;由于前4个乘积函数包含了振动信号的所有特性,因此本实施例中k=4。
(3)计算前4个乘积函数分量的排列熵,组成特征向量;
乘积函数分量PFi(t)=Yi(t)={y1(t)...yN(t)},对乘积函数进行嵌入维数m和延迟时间τ,对其进行相空间重构得到如下矩阵:
式中:其中K=N(m-1)τ,K为重构分量的个数,取m=3,τ=8;上述相空间重构产生的符号序列有m!种可能性,第k种符号序列出现的概率记作Pk,则Yi的排列熵为:
对HP进行归一化得:
Hp=H* p/In(m!) (7)
分别求出前4个乘积函数排列熵组成特征向量T=[T1,T2,T3,T4]。
本实施例中,各个状态下的熵值特征量如表1所示:
表1各个状态下的熵值特征量
正常状态 | T=[0.212,0.315,0.302,0.251] |
触头松动 | T=[0.353,0.306,0.224,0.225] |
触头磨损 | T=[0.296,0.205,0.255,0.223] |
触头烧毁 | T=[0.224,0.235,0.265,0.352] |
(4)把特征向量输入到建立好的SVM分类器进行工作模式识别。
把分别采集的各个状态的80组数据中的20组数据的排列熵作为样本训练SVM分类器,该SVM分类器核函数为最常用的高斯核函数形式,具体的核函数形式为:
其中,σ为控制核函数高宽的参数;对于线性不可分情况,引入惩罚因子C来控制错误分类;参数取值为σ=1,惩罚因子C=10;然后把各个状态的剩下的60组数据作为测试样本,带入SVM分类器进行故障诊断。最后测试的结果如表2所示:
表2测试的结果
数据集 | 训练样本(组) | 测试样本(组) | 总的分辨率 |
正常状态 | 20 | 60 | 97.25% |
触头松动 | 20 | 60 | 95.36% |
触头烧毁 | 20 | 60 | 96.65% |
触头磨损 | 20 | 60 | 97.22% |
从实验的结果来看本发明的诊断方法结论准确,结果直观,识别故障率高,适合工程应用。
Claims (7)
1.一种基于均值分解算法的OLTC故障诊断方法,其特征在于,包括以下步骤:
(1)将振动检测探头贴敷在有载分接开关的箱壁顶端,分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号,并对各个状态下的分别采集的多组振动信号进行降噪;
(2)利用LMD方法将去噪后的振动信号自适应分解,选取前面若干个乘积函数分量作为主分量;
(3)计算所述前面若干个乘积函数分量的排列熵,组成特征向量;
(4)把特征向量输入到建立好的SVM分类器进行工作模式识别。
2.根据权利要求1所述的基于均值分解算法的OLTC故障诊断方法,其特征在于,所述步骤(1)中,采集到振动信号z(t)后,对振动信号进行降噪的步骤如下:
(1.1)选取db5小波基和分解层数为3,对含噪电流包络信号进行小波包分解;
(1.2)选取改机阈值函数(1)对小波分解系数进行阈值量化处理,得到相应的小波系数;
式中:β为调节系数,取值范围为0≤β≤1;阈值λ=0.48;
(1.3)将处理后的小波系数反变换,重构去噪后的振动信号Xi。
3.根据权利要求2所述的基于均值分解算法的OLTC故障诊断方法,其特征在于,所述步骤(1.2)中,调节系数β=0.5。
4.根据权利要求2所述的基于均值分解算法的OLTC故障诊断方法,其特征在于,所述步骤(2)中,计算乘积函数的步骤如下:
(2.1)Xi={x1,x2,...,xN},N为采样点,信号的所有局部极值为n(i),根据式(2)得到所有相邻的局部极值点的平均值m(i)和包络估计值a(i);
(2.2)将各m(i)依次用直线相连,做滑动平均处理后得到局部均值函数m11(t);将所有相邻两个包络估计值a(i)用直线连接,做滑动平均处理后得到包络估计函数a11(t);
(2.3)将Xi与m11(t)相减得到h11(t)后,再与a11(t)相除得到s11(t);
继续对s11(t)进行步骤(2.1)-(2.3)的计算,得到其包络估计函数a12(t),若a12(t)≠1,说明s11(t)为非纯调频信号,需要重复上述迭代过程n次,直到s1n(t)的包络估计函数a1(n+1)(t)=1;
(2.4)计算包络信号a1(t):
式中,n为重复次数;
(2.5)将a1(t)和s1n(t)相乘得到原始信号Xi的第一个乘积函数分量PF1(t);
(2.6)将Xi与PF1(t)相减得新的信号u1(t)后,再将u1(t)作为原始信号重复步骤(2.1)-(2.6)的计算,循环j次,当uk(t)为单调函数时结束;分解得到j个分量和残余项R,即:
式中,PFi(t)为乘积函数分量。
5.根据权利要求4所述的基于均值分解算法的OLTC故障诊断方法,其特征在于,所述步骤(2.6)中,j=4。
6.根据权利要求4所述的基于均值分解算法的OLTC故障诊断方法,其特征在于,所述步骤(3)中,乘积函数分量PFi(t)=Yi(t)={y1(t)...yN(t)},对乘积函数进行嵌入维数m和延迟时间τ,对其进行相空间重构得到如下矩阵:
式中:其中K=N(m-1)τ,K为重构分量的个数,取m=3,τ=8;上述相空间重构产生的符号序列有m!种可能性,第k种符号序列出现的概率记作Pk,则Yi的排列熵为:
对HP进行归一化得:
Hp=H* p/In(m!) (7)
分别求出前4个乘积函数排列熵组成特征向量T=[T1,T2,T3,T4]。
7.根据权利要求6所述的基于均值分解算法的OLTC故障诊断方法,其特征在于,所述步骤(4)中,把分别采集的各个状态的多组数据中的若干组数据的排列熵作为样本训练SVM分类器,该SVM分类器的核函数形式为:
其中,σ为控制核函数高宽的参数;对于线性不可分情况,引入惩罚因子C来控制错误分类;参数取值为σ=1,惩罚因子C=10;然后把各个状态的剩下的数据作为测试样本,带入SVM分类器进行故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910454354.6A CN110146268A (zh) | 2019-05-28 | 2019-05-28 | 一种基于均值分解算法的oltc故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910454354.6A CN110146268A (zh) | 2019-05-28 | 2019-05-28 | 一种基于均值分解算法的oltc故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110146268A true CN110146268A (zh) | 2019-08-20 |
Family
ID=67592023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910454354.6A Pending CN110146268A (zh) | 2019-05-28 | 2019-05-28 | 一种基于均值分解算法的oltc故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110146268A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110618196A (zh) * | 2019-11-01 | 2019-12-27 | 云南电网有限责任公司电力科学研究院 | 一种基于lmd样本熵与svm支柱绝缘子故障识别方法 |
CN110987494A (zh) * | 2019-12-02 | 2020-04-10 | 吉林松江河水力发电有限责任公司 | 一种基于声发射对水轮机空化状态监测的方法 |
CN112557966A (zh) * | 2020-12-02 | 2021-03-26 | 国网江苏省电力有限公司南京供电分公司 | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 |
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 |
CN113191247A (zh) * | 2021-04-27 | 2021-07-30 | 国网山西省电力公司电力科学研究院 | 一种gis设备机械故障诊断方法及系统 |
CN113392511A (zh) * | 2021-05-28 | 2021-09-14 | 广西电网有限责任公司电力科学研究院 | 基于频谱包络符号熵的有载分接开关机械状态监测方法 |
CN115184788A (zh) * | 2022-06-29 | 2022-10-14 | 云南电网有限责任公司电力科学研究院 | 一种气体断路器触头接触状态判别方法、系统及设备 |
CN117620838A (zh) * | 2024-01-25 | 2024-03-01 | 湖南科技大学 | 凸轮轴非圆轮廓高速磨削颤振在线监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587017A (zh) * | 2009-06-19 | 2009-11-25 | 湖南大学 | 一种基于局部均值分解循环频率谱的齿轮故障诊断方法 |
CN104897403A (zh) * | 2015-06-24 | 2015-09-09 | 北京航空航天大学 | 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法 |
CN107101813A (zh) * | 2017-04-26 | 2017-08-29 | 河北工业大学 | 一种基于振动信号的框架式断路器机械故障程度评估方法 |
CN108362488A (zh) * | 2018-02-28 | 2018-08-03 | 河海大学 | 基于mpe与svm的oltc机械故障诊断方法 |
CN109308491A (zh) * | 2018-09-12 | 2019-02-05 | 温州大学 | 一种用于多工位冷镦机状态检测的改进多分类支持向量机方法 |
CN109753951A (zh) * | 2019-02-26 | 2019-05-14 | 河海大学 | 一种基于瞬时能量熵和svm的oltc故障诊断方法 |
-
2019
- 2019-05-28 CN CN201910454354.6A patent/CN110146268A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587017A (zh) * | 2009-06-19 | 2009-11-25 | 湖南大学 | 一种基于局部均值分解循环频率谱的齿轮故障诊断方法 |
CN104897403A (zh) * | 2015-06-24 | 2015-09-09 | 北京航空航天大学 | 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法 |
CN107101813A (zh) * | 2017-04-26 | 2017-08-29 | 河北工业大学 | 一种基于振动信号的框架式断路器机械故障程度评估方法 |
CN108362488A (zh) * | 2018-02-28 | 2018-08-03 | 河海大学 | 基于mpe与svm的oltc机械故障诊断方法 |
CN109308491A (zh) * | 2018-09-12 | 2019-02-05 | 温州大学 | 一种用于多工位冷镦机状态检测的改进多分类支持向量机方法 |
CN109753951A (zh) * | 2019-02-26 | 2019-05-14 | 河海大学 | 一种基于瞬时能量熵和svm的oltc故障诊断方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110618196A (zh) * | 2019-11-01 | 2019-12-27 | 云南电网有限责任公司电力科学研究院 | 一种基于lmd样本熵与svm支柱绝缘子故障识别方法 |
CN110987494A (zh) * | 2019-12-02 | 2020-04-10 | 吉林松江河水力发电有限责任公司 | 一种基于声发射对水轮机空化状态监测的方法 |
CN112557966A (zh) * | 2020-12-02 | 2021-03-26 | 国网江苏省电力有限公司南京供电分公司 | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 |
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 |
CN113191247A (zh) * | 2021-04-27 | 2021-07-30 | 国网山西省电力公司电力科学研究院 | 一种gis设备机械故障诊断方法及系统 |
CN113392511A (zh) * | 2021-05-28 | 2021-09-14 | 广西电网有限责任公司电力科学研究院 | 基于频谱包络符号熵的有载分接开关机械状态监测方法 |
CN115184788A (zh) * | 2022-06-29 | 2022-10-14 | 云南电网有限责任公司电力科学研究院 | 一种气体断路器触头接触状态判别方法、系统及设备 |
CN117620838A (zh) * | 2024-01-25 | 2024-03-01 | 湖南科技大学 | 凸轮轴非圆轮廓高速磨削颤振在线监测方法及系统 |
CN117620838B (zh) * | 2024-01-25 | 2024-06-04 | 湖南科技大学 | 凸轮轴非圆轮廓高速磨削颤振在线监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110146268A (zh) | 一种基于均值分解算法的oltc故障诊断方法 | |
Yang et al. | Condition evaluation for opening damper of spring operated high-voltage circuit breaker using vibration time-frequency image | |
CN109884459B (zh) | 一种电力变压器绕组变形智能在线诊断定位方法 | |
CN109753951A (zh) | 一种基于瞬时能量熵和svm的oltc故障诊断方法 | |
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 | |
CN110146269A (zh) | 基于eemd的多尺度模糊熵的oltc故障诊断方法 | |
Dai et al. | Feature extraction of GIS partial discharge signal based on S‐transform and singular value decomposition | |
CN108398252A (zh) | 基于itd与svm的oltc机械故障诊断方法 | |
CN106990303A (zh) | 一种变压器故障诊断方法 | |
CN108490345B (zh) | 一种换流变压器分接开关的故障模拟诊断方法 | |
CN108362488A (zh) | 基于mpe与svm的oltc机械故障诊断方法 | |
CN109800740A (zh) | 一种基于样本熵和svm的oltc机械故障诊断方法 | |
CN109443717B (zh) | 一种有载分接开关机械故障在线监测方法 | |
CN108535638B (zh) | 基于多层滤波器的有载分接开关机械状态监测方法及系统 | |
CN110132565A (zh) | 一种基于小波包和神经网络结合的oltc故障诊断方法 | |
CN109933865A (zh) | 一种基于递归图和递归定量分析的oltc故障诊断方法 | |
CN110412458A (zh) | 一种oltc传动机构故障诊断方法 | |
CN107356843A (zh) | 基于分层阈值同步挤压小波的变压器局部放电故障诊断方法 | |
CN105241643A (zh) | 采用hs变换和单类支持向量机的高压断路器机械状态监测方法 | |
CN110132567A (zh) | 一种基于lcd和排列熵的oltc故障诊断方法 | |
CN109900465B (zh) | 一种基于声音信号的有载分接开关故障诊断方法 | |
CN109946597A (zh) | 基于机电信号的分接开关运行状态评估方法 | |
CN113745049B (zh) | 一种真空灭弧室内真空度监测方法及系统 | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
CN108089100A (zh) | 小电流接地系统弧光电阻接地故障的检测方法 |
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: 20190820 |
|
RJ01 | Rejection of invention patent application after publication |