CN110926778A - 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 - Google Patents
基于异常振动的气体绝缘组合开关设备机械故障诊断方法 Download PDFInfo
- Publication number
- CN110926778A CN110926778A CN201911205810.XA CN201911205810A CN110926778A CN 110926778 A CN110926778 A CN 110926778A CN 201911205810 A CN201911205810 A CN 201911205810A CN 110926778 A CN110926778 A CN 110926778A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- vibration
- gis
- abnormal
- wavelet packet
- 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.)
- Granted
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Arc-Extinguishing Devices That Are Switches (AREA)
Abstract
本发明涉及一种基于异常振动的气体绝缘组合开关设备机械故障诊断方法,首先以正常状态GIS的振动信号为基准,判定振动信号异常后,进入特征提取;采用小波包分解处理异常振动信号,获取各频段的小波包特征熵,构造特征熵向量;根据特征熵向量构造数据集,采用BP神经网络进行故障模式识别。本发明利用小波包能量熵具有多分辨率的优点,时频局部化的刻画优势明显,非常适用于处理平稳和非平稳振动信号,同时统筹断路器、隔离开关、接地开关、以及电磁力四种激振力作用下的振动信号,数据信息全面,诊断可靠性高,计算结果精确。
Description
技术领域
本发明属于智能变电站技术领域,尤其是一种基于异常振动的气体绝缘组合开关设备机械故障诊断方法。
背景技术
GIS设备自20世纪60年代实用化以来,已经广泛运用于世界各地。当前在国内,高压断路器使用SF6气体来代替绝缘油和空气已成为主流,新建或者已经改造的220KV及以上等级变压站基本全部采用开关设备。截止到2000年前,全国的220KV及以上电压等级断路器共12162台,其中,100%的500KV开关设备和接近100%的330KV开关设备为断路器和GIS;而220KV电压等级的断路器和GIS占装运开关设备的50%~60%。
尽管具有很多优点,GIS也依旧存在着一些缺点。例如,因为GIS设备的内部元件全部都封装在金属壳体内,一旦GIS发生故障,很难确定故障具体发生位置,且由于GIS结构复杂,内部元件难以拆卸,所以很难实现现场维护,检修工作繁杂,停电检修时间长。因此,有必要对GIS的运行进行实时监测,从而提高供电的可靠性。
GIS在运行时,运行设备会产生一定的振动,但是这些振动都属于正常振动。当GIS内部元件出现缺陷时就会产生有别于正常振动时的异常振动,从而引发机械故障。通常引起GIS机械故障异常振动的因素有以下几个方面:①GIS内部出现局部放电;②断路器或隔离开关等操作机构在操作时产生的振动;③GIS筒体紧固件松动变形等静止机构异常振动;④在电动力的激励下,某些部件可能产生异常振动;⑤当GIS相邻设备间振动频率相同时,会发生共振,使得GIS出现异常振动。
经检索发现,申请号为CN201810245653的一种气体绝缘组合开关设备的机械故障在线诊断方法,公开了一种以断路器的分合闸操作为激振源,基于S变换能量均等的振动信号时频平面分割思想,并提取正常与故障状态下的每个特征子区间的能量值,采用遗传算法优化的SVM对故障进行分类识别。但是该专利未统筹其他激振源(如隔离开关激振、接地开关激振和电磁力激振)作用下的机械故障诊断问题。
发明内容
本发明的目的在于克服现有技术的不足,提供统筹断路器、隔离开关、接地开关、以及电磁力4种激振力作用下的振动信号,通过提取小波包特征熵和BP神经网络实现GIS机械故障诊断的一种基于异常振动的气体绝缘组合开关设备机械故障诊断方法。
本发明所采用的具体技术方案如下:
一种基于异常振动的气体绝缘组合开关设备机械故障诊断方法,其特征在于:振动信号包含操动机构动作激发的非平稳振动信号和运行状态电磁力激发的平稳振动信号,其中操动机构包括断路器、隔离开关、接地开关;
以正常状态GIS的振动信号为基准,判定振动信号异常后,进入特征提取;采用3层小波包分解处理异常振动信号,获取第3层各频段的小波包特征熵,构造特征熵向量;根据特征熵向量构造数据集,采用BP神经网络进行故障模式识别。
再有,振动信号包含操动机构动作激发的非平稳振动信号和运行状态电磁力激发的平稳振动信号,包括以下步骤:
⑴建立正常GIS的振动信号库;
⑵建立被监测GIS的振动信号库;
⑶计算步骤⑴的振动信号库中的操动机构激发的非平稳振动信号的包络面积ES0,计算步骤⑴的运行状态电磁力激发的平稳振动信号的振动能量EQ0;
计算步骤⑵的振动信号库中的操动机构激发的非平稳振动信号的包络面积ES;计算步骤⑵的运行状态电磁力激发的平稳振动信号的振动能量EQ;
⑷分别对ES和ES0、EQ和EQ0进行比较;
⑸三个操动机构的ES均满足|ES-ES0|/ES0<5%且被监测GIS的100Hz振动能量EQ与正常GIS的100Hz振动能量EQ0之间满足|EQ-EQ0|/EQ0<5%,则GIS工作正常;
任意两个操动机构的ES均满足|ES-ES0|/ES0≥5%且被监测GIS的100Hz振动能量EQ与正常GIS的100Hz振动能量EQ0之间满足|EQ-EQ0|/EQ0≥5%,则判定振动信号异常,进入下一步;
⑹对被监测GIS的振动信号进行小波包分解处理,并构造特征熵向量;
⑺对步骤⑹的结果采用BP神经网络进行故障模式识别。
再有,步骤⑴和⑵所述振动信号库中的操动机构激发的非平稳振动信号的采集起始时间为操动机构动作开始瞬间,结束时间为操动机构动作完毕后延时0.5秒。
再有,步骤⑴和⑵所述的运行状态电磁力激发的平稳振动信号的采集时长为2秒,采样频率为20kHz。
再有,步骤⑸中的ES与ES0的比较为相同的操动机构激振源下进行的。
再有,所述操动机构激振源包括断路器激振、隔离开关激振和接地开关激振。
再有,步骤⑸中的EQ与EQ0的比较为相同的电磁力激振源下进行的。
再有,步骤⑹所述的小波包分解处理为:选用Daubechies小波系列的dbl0小波进行三层小波包分解变换。
本发明的优点和有益效果是:
本发明中,以正常状态GIS的振动信号为基准,判定振动信号异常后,进入特征提取;采用小波包分解处理异常振动信号,获取各频段的小波包特征熵,构造特征熵向量;根据特征熵向量构造数据集,采用BP神经网络进行故障模式识别。本发明利用小波包能量熵具有多分辨率的优点,时频局部化的刻画优势明显,非常适用于处理平稳和非平稳振动信号,同时统筹断路器、隔离开关、接地开关、以及电磁力四种激振力作用下的振动信号,数据信息全面,诊断可靠性高,计算结果精确。
附图说明
图1是本发明的工作流程图;
图2是GIS的断路器的传动杆正常和卡涩两种状态下的振动信号时域图;其中,(a)为正常,(b)为卡涩;
图3是图2的正常或卡涩两种状态时的小波包能量熵谱图;
图4是包含训练、验证、测试三个结果的神经网络性能图;
图5是训练、验证、测试、全体数据四种运算下的故障分类结果。
具体实施方式
本发明通过以下实施例进一步详述,但本实施例所叙述的技术内容是说明性的,而不是限定性的,不应依此来局限本发明的保护范围。
一种基于异常振动的气体绝缘组合开关设备机械故障诊断方法,如图1~5所示,本发明的创新在于:振动信号包含操动机构动作激发的非平稳振动信号和运行状态电磁力激发的平稳振动信号,其中操动机构包括断路器、隔离开关、接地开关;以正常状态GIS的振动信号为基准,判定振动信号异常后,进入特征提取;采用3层小波包分解处理异常振动信号,获取第3层各频段的小波包特征熵,构造特征熵向量;根据特征熵向量构造数据集,采用BP神经网络进行故障模式识别。
更优选的方案是:
振动信号包含操动机构动作激发的非平稳振动信号和运行状态电磁力激发的平稳振动信号,GIS的振动信号包含操动机构动作激发的非平稳振动信号和运行状态电磁力激发的平稳振动信号。操动机构动作信号就是非平稳信号,即振动能量随着时间有较大变化;电磁力激发的振动其能量比较平稳,为平稳信号。
信号采集需要用到振动加速度传感器、信号采集仪、计算机三种仪器,具体传感器的安装位置以及与信号采集仪、计算机之间的连接均为现有技术。
上述诊断方法包括以下步骤:
⑴建立正常GIS的振动信号库。
⑵建立被监测GIS的振动信号库。
⑶非平稳振动信号,采用Hilbert变换提取振动信号的包络曲线,计算非平稳振动信号包络的面积。平稳振动信号采用FFT提取100Hz的振动能量。
计算步骤⑴的振动信号库中的操动机构激发的非平稳振动信号的包络面积ES0,计算步骤⑴的运行状态电磁力激发的平稳振动信号的振动能量EQ0。
计算步骤⑵的振动信号库中的操动机构激发的非平稳振动信号的包络面积ES;计算步骤⑵的运行状态电磁力激发的平稳振动信号的振动能量EQ。
⑷分别对ES和ES0、EQ和EQ0进行比较。
正常GIS的振动信号库中的信号是提前测量好的,在进行监测的时候调取正常状态的信号,与被监测的信号进行比对。
⑸三个操动机构的ES均满足|ES-ES0|/ES0<5%且被监测GIS的100Hz振动能量EQ与正常GIS的100Hz振动能量EQ0之间满足|EQ-EQ0|/EQ0<5%,则GIS工作正常;
任意两个操动机构的ES均满足|ES-ES0|/ES0≥5%且被监测GIS的100Hz振动能量EQ与正常GIS的100Hz振动能量EQ0之间满足|EQ-EQ0|/EQ0≥5%,则判定振动信号异常,进入下一步;
⑹对被监测GIS的振动信号进行小波包分解处理,并构造特征熵向量;
⑺对步骤⑹的结果采用BP神经网络进行故障模式识别。
其中,步骤⑴和⑵所述振动信号库中的操动机构激发的非平稳振动信号的采集起始时间为操动机构动作开始瞬间,结束时间为操动机构动作完毕后延时0.5秒。步骤⑴和⑵所述的运行状态电磁力激发的平稳振动信号的采集时长为2秒,采样频率为20kHz。
步骤⑸中的ES与ES0的比较为相同的操动机构激振源下进行的。操动机构激振源包括断路器激振、隔离开关激振和接地开关激振。步骤⑸中的EQ与EQ0的比较为相同的电磁力激振源下进行的。操动机构激振源相同的含义是指:正常GIS振动信号库中的振动信号为断路器激振源,那么被监测GIS振动信号库中的振动信号也同样是断路器激振源,即两个包络面积的比较在激振源相同的情况下才有可比性。同样的电磁力激振源也是这个含义。
步骤⑹所述的小波包分解处理为:选用Daubechies小波系列的dbl0小波进行三层小波包分解变换。
实施例
以西安西开高压电气股份有限公司(西安高压开关厂)生产的126kV的SF6气体绝缘金属封闭开关设备(GIS),型号为120-SFMT-32CA,模拟断路器传动杆卡涩故障。模拟用小波包能量熵法对断路器卡涩实验得到的数据进行处理,得到的振动信号实测图见附图2。图2的a、b的激振源为GIS中的断路器激振。
首先,根据采集的正常和被监测的数据,计算两种状态的差异,卡涩故障发生后振动包络面积明显减小,达到5%的阈值。继而,采用小波包能量熵法处理数据得到的断路器卡涩故障下的特征熵向量如下表1所示。
表1:断路器卡涩故障的特征熵向量表
对以上两种情况画出小波包能量熵谱图如附图3所示,图3是小波包的能量熵谱图,是提取的特征信息。
将经过小波包能量熵法提取出的特征熵向量放入MATLAB中的神经网络工具箱中进行训练。将隐含层神经元数目设为10,采用L-M优化算法进行处理,得到的各项性能见附图4。
从附图4可以看出,误差曲线具有较好的收敛速度(图4包含训练、验证、测试三个结果,图中可以看出运算的误差收敛效果较好)。从附图5可以看出,拟合效果较好。从中发现,BP网络能够较好地对GIS机械故障异常振动信号进行分类识别(图5的曲线表示训练、验证、测试、全体数据四种运算下的故障分类结果,均达到95%以上的准确率)。同时,这也证明了小波包能量熵法在GIS机械故障异常振动诊断上的有效性。
本发明中,以正常状态GIS的振动信号为基准,判定振动信号异常后,进入特征提取;采用小波包分解处理异常振动信号,获取各频段的小波包特征熵,构造特征熵向量;根据特征熵向量构造数据集,采用BP神经网络进行故障模式识别。本发明利用小波包能量熵具有多分辨率的优点,时频局部化的刻画优势明显,非常适用于处理平稳和非平稳振动信号,同时统筹断路器、隔离开关、接地开关、以及电磁力四种激振力作用下的振动信号,数据信息全面,诊断可靠性高,计算结果精确。
Claims (8)
1.一种基于异常振动的气体绝缘组合开关设备机械故障诊断方法,其特征在于:振动信号包含操动机构动作激发的非平稳振动信号和运行状态电磁力激发的平稳振动信号,其中操动机构包括断路器、隔离开关、接地开关;
以正常状态GIS的振动信号为基准,判定振动信号异常后,进入特征提取;采用3层小波包分解处理异常振动信号,获取第3层各频段的小波包特征熵,构造特征熵向量;根据特征熵向量构造数据集,采用BP神经网络进行故障模式识别。
2.根据权利要求1所述的一种基于异常振动的气体绝缘组合开关设备机械故障诊断方法,其特征在于:振动信号包含操动机构动作激发的非平稳振动信号和运行状态电磁力激发的平稳振动信号,包括以下步骤:
⑴建立正常GIS的振动信号库;
⑵建立被监测GIS的振动信号库;
⑶计算步骤⑴的振动信号库中的操动机构激发的非平稳振动信号的包络面积ES0,计算步骤⑴的运行状态电磁力激发的平稳振动信号的振动能量EQ0;
计算步骤⑵的振动信号库中的操动机构激发的非平稳振动信号的包络面积ES;计算步骤⑵的运行状态电磁力激发的平稳振动信号的振动能量EQ;
⑷分别对ES和ES0、EQ和EQ0进行比较;
⑸三个操动机构的ES均满足|ES-ES0|/ES0<5%且被监测GIS的100Hz振动能量EQ与正常GIS的100Hz振动能量EQ0之间满足|EQ-EQ0|/EQ0<5%,则GIS工作正常;
任意两个操动机构的ES均满足|ES-ES0|/ES0≥5%且被监测GIS的100Hz振动能量EQ与正常GIS的100Hz振动能量EQ0之间满足|EQ-EQ0|/EQ0≥5%,则判定振动信号异常,进入下一步;
⑹对被监测GIS的振动信号进行小波包分解处理,并构造特征熵向量;
⑺对步骤⑹的结果采用BP神经网络进行故障模式识别。
3.根据权利要求2所述的一种基于异常振动的气体绝缘组合开关设备机械故障诊断方法,其特征在于:步骤⑴和⑵所述振动信号库中的操动机构激发的非平稳振动信号的采集起始时间为操动机构动作开始瞬间,结束时间为操动机构动作完毕后延时0.5秒。
4.根据权利要求2所述的一种基于异常振动的气体绝缘组合开关设备机械故障诊断方法,其特征在于:步骤⑴和⑵所述的运行状态电磁力激发的平稳振动信号的采集时长为2秒,采样频率为20kHz。
5.根据权利要求2所述的一种基于异常振动的气体绝缘组合开关设备机械故障诊断方法,其特征在于:步骤⑸中的ES与ES0的比较为相同的操动机构激振源下进行的。
6.根据权利要求5所述的一种基于异常振动的气体绝缘组合开关设备机械故障诊断方法,其特征在于:所述操动机构激振源包括断路器激振、隔离开关激振和接地开关激振。
7.根据权利要求2所述的一种基于异常振动的气体绝缘组合开关设备机械故障诊断方法,其特征在于:步骤⑸中的EQ与EQ0的比较为相同的电磁力激振源下进行的。
8.根据权利要求2所述的一种基于异常振动的气体绝缘组合开关设备机械故障诊断方法,其特征在于:步骤⑹所述的小波包分解处理为:选用Daubechies小波系列的dbl0小波进行三层小波包分解变换。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911205810.XA CN110926778B (zh) | 2019-11-29 | 2019-11-29 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
PCT/CN2020/096669 WO2021103496A1 (zh) | 2019-11-29 | 2020-06-17 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
US17/117,106 US20210167584A1 (en) | 2019-11-29 | 2020-12-09 | Gis mechanical fault diagnosis method and device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911205810.XA CN110926778B (zh) | 2019-11-29 | 2019-11-29 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110926778A true CN110926778A (zh) | 2020-03-27 |
CN110926778B CN110926778B (zh) | 2021-08-20 |
Family
ID=69847040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911205810.XA Active CN110926778B (zh) | 2019-11-29 | 2019-11-29 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110926778B (zh) |
WO (1) | WO2021103496A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111638051A (zh) * | 2020-06-15 | 2020-09-08 | 山东电工电气集团有限公司 | 一种刀闸状态在线监测及故障预判方法 |
CN112710972A (zh) * | 2020-12-18 | 2021-04-27 | 云南电网有限责任公司丽江供电局 | Gis触头接触不良故障诊断方法、装置、系统及存储介质 |
WO2021103496A1 (zh) * | 2019-11-29 | 2021-06-03 | 国网天津市电力公司电力科学研究院 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
CN113408458A (zh) * | 2021-06-29 | 2021-09-17 | 北京交通大学 | 一种基于振动信号特征熵融合的断路器故障诊断方法 |
CN114167270A (zh) * | 2021-11-30 | 2022-03-11 | 广东电网有限责任公司 | 一种基于边缘计算的刀闸状态识别系统 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705637B (zh) * | 2021-08-12 | 2024-04-02 | 西安交通大学 | 一种断路器机械故障检测方法、系统、设备及可读存储介质 |
CN113933038B (zh) * | 2021-10-11 | 2023-11-17 | 国网山东省电力公司菏泽供电公司 | 一种基于多源信息融合算法的gis机械性能监测方法 |
CN114034381B (zh) * | 2021-11-12 | 2023-10-10 | 广东电网有限责任公司江门供电局 | 一种基于小波信息熵的配电变压器振动提取方法及系统 |
CN114743089B (zh) * | 2021-12-22 | 2024-06-04 | 宁波送变电建设有限公司 | 一种基于ssa-svm的图像识别gis故障诊断装置及方法 |
CN115510925B (zh) * | 2022-11-17 | 2023-04-07 | 中国人民解放军国防科技大学 | 一种机械故障诊断方法、装置、介质 |
CN116415509B (zh) * | 2023-06-12 | 2023-08-11 | 华东交通大学 | 一种轴承性能退化预测方法、系统、计算机及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020046105A (ko) * | 2000-12-12 | 2002-06-20 | 권영한 | 신경회로망을 이용한 동기 차단기의 개폐 제어장치 |
KR100853725B1 (ko) * | 2007-06-20 | 2008-08-22 | (주) 피에스디테크 | Prps 알고리즘을 이용한 가스절연부하개폐장치의부분방전 원인분석 방법 및 그 장치 |
CN101404408A (zh) * | 2008-11-13 | 2009-04-08 | 昆明理工大学 | 利用相对能量的配网缆-线混合线路故障选线方法 |
CN103308292A (zh) * | 2013-05-16 | 2013-09-18 | 国家电网公司 | 基于振动信号分析的真空断路器机械状态检测方法 |
CN104111108A (zh) * | 2014-07-16 | 2014-10-22 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种旋转机械扭振冲击信号特征提取方法 |
KR101574615B1 (ko) * | 2015-06-18 | 2015-12-11 | 지투파워(주) | 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템 |
CN107766816A (zh) * | 2017-10-18 | 2018-03-06 | 河海大学 | 一种基于lvq神经网络的高压断路器机械故障识别方法 |
CN110320467A (zh) * | 2019-06-19 | 2019-10-11 | 武汉船用电力推进装置研究所(中国船舶重工集团公司第七一二研究所) | 一种低压直流断路器故障诊断方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102736027A (zh) * | 2012-07-18 | 2012-10-17 | 南京因泰莱配电自动化设备有限公司 | 一种基于断路器动特性测试仪的断路器故障诊断方法 |
KR101608275B1 (ko) * | 2014-08-21 | 2016-04-04 | 호원대학교 산학협력단 | 전력설비 음향 진단 시스템 |
CN109839263B (zh) * | 2019-02-26 | 2020-06-09 | 北京航空航天大学 | 一种基于振动信息的gis特征提取及机械缺陷诊断方法 |
CN110132565A (zh) * | 2019-05-28 | 2019-08-16 | 河海大学 | 一种基于小波包和神经网络结合的oltc故障诊断方法 |
CN110926778B (zh) * | 2019-11-29 | 2021-08-20 | 国网天津市电力公司电力科学研究院 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
-
2019
- 2019-11-29 CN CN201911205810.XA patent/CN110926778B/zh active Active
-
2020
- 2020-06-17 WO PCT/CN2020/096669 patent/WO2021103496A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020046105A (ko) * | 2000-12-12 | 2002-06-20 | 권영한 | 신경회로망을 이용한 동기 차단기의 개폐 제어장치 |
KR100853725B1 (ko) * | 2007-06-20 | 2008-08-22 | (주) 피에스디테크 | Prps 알고리즘을 이용한 가스절연부하개폐장치의부분방전 원인분석 방법 및 그 장치 |
CN101404408A (zh) * | 2008-11-13 | 2009-04-08 | 昆明理工大学 | 利用相对能量的配网缆-线混合线路故障选线方法 |
CN103308292A (zh) * | 2013-05-16 | 2013-09-18 | 国家电网公司 | 基于振动信号分析的真空断路器机械状态检测方法 |
CN104111108A (zh) * | 2014-07-16 | 2014-10-22 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种旋转机械扭振冲击信号特征提取方法 |
KR101574615B1 (ko) * | 2015-06-18 | 2015-12-11 | 지투파워(주) | 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템 |
CN107766816A (zh) * | 2017-10-18 | 2018-03-06 | 河海大学 | 一种基于lvq神经网络的高压断路器机械故障识别方法 |
CN110320467A (zh) * | 2019-06-19 | 2019-10-11 | 武汉船用电力推进装置研究所(中国船舶重工集团公司第七一二研究所) | 一种低压直流断路器故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
侯焰: "基于异常振动分析的GIS机械故障诊断技术研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021103496A1 (zh) * | 2019-11-29 | 2021-06-03 | 国网天津市电力公司电力科学研究院 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
CN111638051A (zh) * | 2020-06-15 | 2020-09-08 | 山东电工电气集团有限公司 | 一种刀闸状态在线监测及故障预判方法 |
CN112710972A (zh) * | 2020-12-18 | 2021-04-27 | 云南电网有限责任公司丽江供电局 | Gis触头接触不良故障诊断方法、装置、系统及存储介质 |
CN113408458A (zh) * | 2021-06-29 | 2021-09-17 | 北京交通大学 | 一种基于振动信号特征熵融合的断路器故障诊断方法 |
CN113408458B (zh) * | 2021-06-29 | 2023-10-17 | 北京交通大学 | 一种基于振动信号特征熵融合的断路器故障诊断方法 |
CN114167270A (zh) * | 2021-11-30 | 2022-03-11 | 广东电网有限责任公司 | 一种基于边缘计算的刀闸状态识别系统 |
CN114167270B (zh) * | 2021-11-30 | 2023-09-19 | 广东电网有限责任公司 | 一种基于边缘计算的刀闸状态识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110926778B (zh) | 2021-08-20 |
WO2021103496A1 (zh) | 2021-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110926778B (zh) | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 | |
US20210167584A1 (en) | Gis mechanical fault diagnosis method and device | |
WO2022105287A1 (zh) | 一种基于声纹诊断来监测异常状态的系统及方法 | |
CN105528741B (zh) | 一种基于多信号特征融合的断路器状态识别方法 | |
CN102735968A (zh) | 基于振动信号频谱分析的gis故障诊断系统及方法 | |
Ma et al. | GIS mechanical state identification and defect diagnosis technology based on self‐excited vibration of assembled circuit breaker | |
CN105703258A (zh) | Gis开关设备动作状态监测系统及其使用方法 | |
CN112557966A (zh) | 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 | |
CN113960463A (zh) | 一种调压变压器有载分接开关在线监测及故障诊断方法 | |
Liu et al. | Mechanical condition identification and prediction of spring operating mechanism of high voltage circuit breaker | |
CN101930049B (zh) | 超高压电缆在线局放的监测方法 | |
CN110426192A (zh) | 一种断路器的声学指纹检测系统和方法 | |
CN114114001B (zh) | 一种gis设备隔离开关机械状态监测方法及系统 | |
Zhong et al. | Identification method of abnormal contact defect on GIS conductor base and disconnector contact based on ensemble empirical mode decomposition | |
Cai et al. | Reviews of research on mechanical fault diagnosis in GIS | |
Sheng et al. | A practical circuit breaker monitoring system | |
CN114578219A (zh) | 一种中压断路器剩余寿命检测方法 | |
CN115704860A (zh) | 一种基于振动信号的断路器状态辨识方法 | |
Zhao et al. | Fault diagnosis of GIS disconnector based on BP neural network | |
CN110703080A (zh) | 一种gis尖刺放电诊断方法、放电程度识别方法及装置 | |
Jiang et al. | Research on GIS isolating switch mechanical fault diagnosis based on cross-validation parameter optimization support vector machine | |
CN112179481A (zh) | 一种gis设备的机械故障诊断方法及系统 | |
Liang et al. | Condition monitoring and diagnosis of switching power facility based on mechanical characteristics | |
Lin et al. | Fault diagnosis method of disconnector based on operating torque in closing process | |
CN116383602B (zh) | 考虑噪声与样本量的gis隔离开关机械缺陷辨识方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |