CN113654750A - 一种断路器操动机构振动特征提取方法 - Google Patents
一种断路器操动机构振动特征提取方法 Download PDFInfo
- Publication number
- CN113654750A CN113654750A CN202110931571.7A CN202110931571A CN113654750A CN 113654750 A CN113654750 A CN 113654750A CN 202110931571 A CN202110931571 A CN 202110931571A CN 113654750 A CN113654750 A CN 113654750A
- Authority
- CN
- China
- Prior art keywords
- imf
- circuit breaker
- polar
- component
- waveform
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 12
- 238000000605 extraction Methods 0.000 title description 6
- 238000001228 spectrum Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 230000035945 sensitivity Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 7
- 239000006185 dispersion Substances 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000007480 spreading Effects 0.000 claims abstract description 4
- 238000003892 spreading Methods 0.000 claims abstract description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 9
- 230000003595 spectral effect Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
- G01H11/08—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means using piezoelectric devices
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种断路器操动机构振动特征提取方法，包括以下步骤：A、采集断路器操动过程的振动信号；B、对振动信号进行分解得到不同频段的模态分量信号IMF，并求取各IMF的功率谱；C、计算故障敏感因子λk，利用故障敏感因子λk对模态分量进行筛选，得到有效模态分量；D、在极坐标下，根据极径尺度ω和极角尺度b，将极坐标以极点为中心、呈辐射状划分为若干等面积子区域；E、将笛卡尔坐标下功率谱波形的频率和幅值(x，y)经发散因子δ在极坐标(r，θ)中发散；F、以波形散布在子区域频数构建信息熵的概率函数，定义为极坐标下感知波形变异和功率主峰分布的谱形状熵特征。本发明能够改进现有技术的不足，提高了对断路器操动故障识别准确率。
Description
技术领域
本发明涉及电气设备故障诊断技术领域，尤其是一种断路器操动机构振动特征提取方法。
背景技术
高压断路器作为动作型控制和保护设备，其可靠性是保证电力系统安全稳定运行的基础。一旦发生故障，首先影响其保护的电缆线路、电器设备运行安全，其次会造成电网事故不断扩大，给生产、生活带来巨大影响。国际大电网会议调查表明，断路器运行中操动机构故障占比61％。振动信号蕴含大量的机械部件状态信息，利用非侵入式振动信号辨识断路器机械故障取得良好的实践效果。经典振动特征提取方法包括短时能量法、包络分析、功率谱和希尔伯特-黄变换等。断路器动作产生的振动波通过透射、反射和衍射等传输过程呈现出非平稳、非线性特点，在时域和频域均有繁杂的结构特征。传统方法在精准描述信号细节特征和复杂故障辨识方面受到限制。
对振动信号进行分解处理，是将复杂信号化繁为简的有效方法。CEEMDAN(自适应噪声集合经验模态分解complete ensemble empirical mode decomposition withadaptive noise)是在EMD(经验模态分解empirical mode decomposition)基础上改进的一种自适应分解算法，能有效解决模态混叠问题。拆解后信号的局部变化可以较好反映细节特征。目前的特征提取方法是在量化细节特征方面缺乏针对性，难以刻画非平稳信号的波形突变、功率分布和频谱形态等关键特征指标，无法充分利用细节变化蕴含的机械部件信息。
发明内容
本发明要解决的技术问题是提供一种断路器操动机构振动特征提取方法，能够解决现有技术的不足，提高了对断路器操动故障识别准确率。
为解决上述技术问题，本发明所采取的技术方案如下。
一种断路器操动机构振动特征提取方法，包括以下步骤：
A、采集断路器操动过程的振动信号；
B、对振动信号进行分解得到不同频段的模态分量信号IMF，并求取各IMF的功率谱；
C、计算故障敏感因子λk，利用故障敏感因子λk对模态分量进行筛选，得到有效模态分量；
D、在极坐标下，根据极径尺度ω和极角尺度b，将极坐标以极点为中心、呈辐射状划分为若干等面积子区域；
E、将笛卡尔坐标下功率谱波形的频率和幅值(x，y)经发散因子δ在极坐标(r，θ)中发散；
F、以波形散布在子区域频数构建信息熵的概率函数，定义为极坐标下感知波形变异和功率主峰分布的谱形状熵特征。
作为优选，步骤A中，用NI USB-4431采集卡和AD50S压电加速度传感器采集断路器振动信号，AD50S压电加速度传感器采用磁吸方式固定在断路器箱体，以线圈电流信号作为NI USB-4431采集卡的采集触发源。
作为优选，步骤B中，计算模态分量信号IMF和IMF的功率谱包括以下步骤，
B1、设Ej(·)为EMD分解得到的第j个IMF分量，CEEMDAN分解得到的第k个模态分量记为IMFk(t)，Vi(t)表示第i次试验中添加具有标准正态分布的白噪声序列(i＝1，2，…I)，εj-1代表第j个模态分量信噪比系数；
B2、原始信号s(t)添加噪声分量构成s(t)+ε0Vi(t)进行I次试验，CEEEMDAN分解得到第一阶模态分量IMF1(t)及第一阶段的残余信号ri(t)为，
r1(t)＝s(t)-IMF1(t)；
B3、由EMD对信号r1(t)+ε1E1(Vi(t))进行i次试验，得到第二阶模态分量IMF2(t)为，
B4、重复步骤B3，得第i个残余信号rk(t)和第i+1阶模态分量IMFk+1(t)为，
rk(t)＝rk-1(t)-IMFk(t)
B5、重复步骤B4，直至残余信号极点个数不超过2个时停止分解，最终残余信号R(t)为，
对各阶模态分量求功率谱得到PIMFk(f)，
其中，
表示取复共轭，mk表示第k阶分量的采样点数。
作为优选，步骤C中，
αk为故障信号与其各IMF分量的相关系数，βk为该故障IMF分量与同工况下正常信号的相关系数(k＝1，2，…，n)。
作为优选，步骤D中，
N＝ω×b b∈Z
a为在极径方向划分子区域的基值，ω表示在极径方向划分的段数，aω为极径方向每段划分的长度，b为等分极角的段数，N为极坐标下划分子区域的个数。
作为优选，步骤E中，
θ＝δ×arctan(y/x)
δ为4时原本只存在于0～90°极角范围的功率谱波形扩展到0～360°范围，极径维持不变，起到发散波形的功能。
作为优选，步骤F中，概率函数的计算公式为，
其中，Pg为功率谱波形散布在第g个子区域的频数，N为极坐标下划分子区域的个数。
采用上述技术方案所带来的有益效果在于：本发明根据振动信号经CEEMDAN分解后频域谱线聚集性特点，以感知功率谱波形变化、主峰分布、描述非平稳信号细节特征，提出极坐标下定义的谱形状熵特征提取方法。利用CEEMDAN将频率结构复杂的非平稳振动逐步拆解并求取各分量功率谱，经故障敏感因子筛选后，由发散因子δ对波形进行发散处理，提高对主峰区域的敏感度，根据信息熵理论中发生概率较小事件所含信息量反而较大的理念，在极坐标下定义感知波形变化、功率分布和频谱形态的谱形状熵特征。
断路器操动故障源于机械部件本身或部件间能量传递特性变化，伴随振动信号体现为频率成分、强度及其关键时序发生变化。由于断路器动作过程的瞬时性，振动信号具有非线性、非平稳的特点，其频域谱线呈现出繁杂的结构特征，直接分析难以挖掘细节变化特征。CEEMDAN作为自适应分解算法，是将复杂信号化繁为简的有效方法。CEEMDAN具有良好的抗混叠效果，频域谱线聚集性强。随着分解阶数增加，逐步剥离出原信号高频信息，实现各阶PIMF包含主峰区域的有效划分。
故障多是由正常状态受外环境影响逐步演化形成，除包含故障信息外，仍含有部分正常状态特征。故障敏感因子可用于去除与正常状态相关而保留与故障特征紧密联系的IMF分量，突出故障状态本质特征。现有的故障敏感因子方法计算值范围为整个实数，数值分布较为分散。当计算值为负数时，负号不代表任何物理含义，不便于进行数值间的比较。本发明对现有的故障敏感因子进行改进，得到二次表达式，使计算结果均为正数，消除符号影响，便于展现不同故障的显著差异。敏感因子数值越大，表征其对应的IMF分量蕴含不同与正常状态的特征越重要，由此可筛选出有效的模态分量。
本发明开创性的提出了发散因子，能够将笛卡尔坐标下功率谱波形的频率和幅值在极坐标中进行发散。由于CEEMDAN分解后各频段的功率谱具有较强的聚集性，多个峰值相互叠加，难以提取进一步的细节变化特征。经过发散处理，功率谱中幅值较小的点被限定在零极轴附近，幅值较大的点沿零轴逆时针旋转发散，使主峰区域数据的散布范围扩大，使功率谱主峰波形落在同一子区域的频数降低，有利于感知功率谱波形变化、主峰分布、描述的细节特征。谱形状熵数值主要取决于波形分布较为分散子区域中的频数，即功率谱主峰区域。因此，谱形状熵特征对功率谱波形和主峰分布的变化具有较强敏感程度，能够反映细节变化特征。
附图说明
图1是谱形状熵特征提取流程图。
图2是CEEMDAN分解时域波形图。
图3是CEEMDAN分解功率谱波形图。
图4是正常及三种故障下各阶分量故障敏感因子对比图。
图5是正常合闸状态下有效模态分量极坐标功率谱图。
图6是弹簧疲劳状态下有效模态分量极坐标功率谱图。
图7是铁芯卡涩状态下有效模态分量极坐标功率谱图。
图8是轴销脱落状态下有效模态分量极坐标功率谱图。
图9是基于谱形状熵特征的四种算法辨识结果。
具体实施方式
参照图1，本发明的一个具体实施方式包括以下步骤：
A、采集断路器操动过程的振动信号；
B、对振动信号进行分解得到不同频段的模态分量信号IMF，并求取各IMF的功率谱；
C、计算故障敏感因子λk，利用故障敏感因子λk对模态分量进行筛选，得到有效模态分量；
D、在极坐标下，根据极径尺度ω和极角尺度b，将极坐标以极点为中心、呈辐射状划分为若干等面积子区域；
E、将笛卡尔坐标下功率谱波形的频率和幅值(x，y)经发散因子δ在极坐标(r，θ)中发散；
F、以波形散布在子区域频数构建信息熵的概率函数，定义为极坐标下感知波形变异和功率主峰分布的谱形状熵特征。
步骤A中，用NI USB-4431采集卡和AD50S压电加速度传感器采集断路器振动信号，AD50S压电加速度传感器采用磁吸方式固定在断路器箱体，以线圈电流信号作为NI USB-4431采集卡的采集触发源。
步骤B中，计算模态分量信号IMF和IMF的功率谱包括以下步骤，
B1、设Ej(·)为EMD分解得到的第j个IMF分量，CEEMDAN分解得到的第k个模态分量记为IMFk(t)，Vi(t)表示第i次试验中添加具有标准正态分布的白噪声序列(i＝1，2，…I)，εj-1代表第j个模态分量信噪比系数；
B2、原始信号s(t)添加噪声分量构成s(t)+ε0Vi(t)进行I次试验，CEEEMDAN分解得到第一阶模态分量IMF1(t)及第一阶段的残余信号r1(t)为，
r1(t)＝s(t)-IMF1(t)；
B3、由EMD对信号r1(t)+ε1E1(Vit))进行i次试验，得到第二阶模态分量IMF2(t)为，
B4、重复步骤B3，得第i个残余信号rk(t)和第i+1阶模态分量IMFk+1(t)为，
rk(t)＝rk-1(t)-IMFk(t)
B5、重复步骤B4，直至残余信号极点个数不超过2个时停止分解，最终残余信号R(t)为，
对各阶模态分量求功率谱得到PIMFk(f)，
其中，
表示取复共轭，mk表示第k阶分量的采样点数。
以k最大值等于9为例进行分解，得到不同特征尺度的9个模态分量IMF和1个残余分量，如图2所示。计算各分量功率谱，得到PIMF波形如图3所示。
步骤C中，
αk为故障信号与其各IMF分量的相关系数，βk为该故障IMF分量与同工况下正常信号的相关系数(k＝1，2，…，n)。
各分量故障敏感因子如图4所示，根据图4，选取第1和第3阶IMF分量为特征分析对象。
步骤D中，
N＝ω×b b∈Z
a为在极径方向划分子区域的基值，ω表示在极径方向划分的段数，aω为极径方向每段划分的长度，b为等分极角的段数，N为极坐标下划分子区域的个数。
步骤E中，
θ＝δ×arctan(y/x)
δ为4时原本只存在于0～90°极角范围的功率谱波形扩展到0～360°范围，极径维持不变，起到发散波形的功能。
图5-8展示发散处理后各状态类型第1和3阶IMF功率谱极坐标波形。功率谱主峰代表该频段信号的主要频率成分，与断路器运行过程中的参与部件以及部件的机械特性相关。
步骤F中，概率函数的计算公式为，
其中，Pg为功率谱波形散布在第g个子区域的频数。
取正常及三种模拟故障状态的振动信号各50组，提取各组数据的谱形状熵特征后，选用支持向量机(SVM)、粒子群优化支持向量机(PSO-SVM)、反向神经网络(BPNN)、K近邻(KNN)四分类方法分别进行状态辨识，结果如图6所示。
由图9可知，基于谱形状熵的各种辨识方法均取得较好的结果。谱形状熵能够刻画振动信号波形变异和功率主峰分布特征，对断路器操动故障识别准确率高。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种断路器操动机构振动特征提取方法，其特征在于包括以下步骤：
A、采集断路器操动过程的振动信号；
B、对振动信号进行分解得到不同频段的模态分量信号IMF，并求取各IMF的功率谱；
C、计算故障敏感因子λk，利用故障敏感因子λk对模态分量进行筛选，得到有效模态分量；
D、在极坐标下，根据极径尺度ω和极角尺度b，将极坐标以极点为中心、呈辐射状划分为若干等面积子区域；
E、将笛卡尔坐标下功率谱波形的频率和幅值(x，y)经发散因子δ在极坐标(r，θ)中发散；
F、以波形散布在子区域频数构建信息熵的概率函数，定义为极坐标下感知波形变异和功率主峰分布的谱形状熵特征。
2.根据权利要求1所述的断路器操动机构振动特征提取方法，其特征在于：步骤A中，用NI USB-4431采集卡和AD50S压电加速度传感器采集断路器振动信号，AD50S压电加速度传感器采用磁吸方式固定在断路器箱体，以线圈电流信号作为NI USB-4431采集卡的采集触发源。
3.根据权利要求1所述的断路器操动机构振动特征提取方法，其特征在于：步骤B中，计算模态分量信号IMF和IMF的功率谱包括以下步骤，
B1、设Ei(·)为EMD分解得到的第j个IMF分量，CEEMDAN分解得到的第k个模态分量记为IMFk(t)，Vi(t)表示第i次试验中添加具有标准正态分布的白噪声序列(i＝1，2，…I)，εi-1代表第j个模态分量信噪比系数；
B2、原始信号s(t)添加噪声分量构成s(t)+ε0Vi(t)进行I次试验，CEFEMDAN分解得到第一阶模态分量IMF1(t)及第一阶段的残余信号r1(t)为，
r1(t)＝s(t)-IMF1(t)：
B3、由EMD对信号r1(t)+ε1E1(Vi(t))进行i次试验，得到第二阶模态分量IMF2(t)为，
B4、重复步骤B3，得第i个残余信号rk(t)和第i+1阶模态分量IMFk+1(t)为，
rk(t)＝rk-1(t)-IMFk(t)
B5、重复步骤B4，直至残余信号极点个数不超过2个时停止分解，最终残余信号R(t)为，
对各阶模态分量求功率谱得到PIMFk(f)，
其中，
表示取复共轭，mk表示第k阶分量的采样点数。
4.根据权利要求1所述的断路器操动机构振动特征提取方法，其特征在于：步骤C中，
αk为故障信号与其各IMF分量的相关系数，βk为该故障IMF分量与同工况下正常信号的相关系数(k＝1，2，…，n)。
5.根据权利要求1所述的断路器操动机构振动特征提取方法，其特征在于：步骤D中，
N＝ω×b b∈Z
a为在极径方向划分子区域的基值，ω表示在极径方向划分的段数，aω为极径方向每段划分的长度，b为等分极角的段数，N为极坐标下划分子区域的个数。
6.根据权利要求5所述的断路器操动机构振动特征提取方法，其特征在于：步骤E中，
θ＝δ×arctan(y/x)
δ为4时原本只存在于0～90°极角范围的功率谱波形扩展到0～360°范围，极径维持不变，起到发散波形的功能。
7.根据权利要求6所述的断路器操动机构振动特征提取方法，其特征在于：步骤F中，概率函数的计算公式为，
其中，Pg为功率谱波形散布在第g个子区域的频数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110931571.7A CN113654750B (zh) | 2021-08-13 | 2021-08-13 | 一种断路器操动机构振动特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110931571.7A CN113654750B (zh) | 2021-08-13 | 2021-08-13 | 一种断路器操动机构振动特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113654750A true CN113654750A (zh) | 2021-11-16 |
| CN113654750B CN113654750B (zh) | 2022-05-03 |
Family
ID=78479830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110931571.7A Active CN113654750B (zh) | 2021-08-13 | 2021-08-13 | 一种断路器操动机构振动特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113654750B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116736099A (zh) * | 2023-06-15 | 2023-09-12 | 中国铁路上海局集团有限公司徐州供电段 | 一种铁路开关柜断路器故障诊断方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109100143A (zh) * | 2018-07-06 | 2018-12-28 | 华中科技大学 | 基于ceemdan和cfsfdp的滚动轴承故障诊断方法及设备 |
| CN109253872A (zh) * | 2018-09-17 | 2019-01-22 | 华西能源工程有限公司 | 一种基于ceemdan的转子运行状态监测方法 |
| CN109638862A (zh) * | 2018-12-30 | 2019-04-16 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于ceemdan算法的电力系统低频振荡模式辨识方法 |
| CN109784310A (zh) * | 2019-02-02 | 2019-05-21 | 福州大学 | 基于ceemdan及加权时频熵的配电开关机械故障特征提取方法 |
| CN110263829A (zh) * | 2019-06-06 | 2019-09-20 | 太原理工大学 | 基于ceemdan与随机森林的中长期径流预测方法 |
| CN110322032A (zh) * | 2019-04-17 | 2019-10-11 | 四川大学 | 一种基于ceemdan的金融时间序列组合预测方法 |
| CN110443419A (zh) * | 2019-08-01 | 2019-11-12 | 太原理工大学 | 基于iceemdan与极限学习机的中长期径流预测方法 |
| CN110633696A (zh) * | 2019-09-30 | 2019-12-31 | 常州工学院 | 一种基于ceemdan-ica-swt的柴油机振源多信息联合识别方法 |
| CN112629862A (zh) * | 2020-11-04 | 2021-04-09 | 南京工业大学 | 一种基于双稳态随机共振及ceemdan-teo的滚动轴承微弱故障诊断方法 |
-
2021
- 2021-08-13 CN CN202110931571.7A patent/CN113654750B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109100143A (zh) * | 2018-07-06 | 2018-12-28 | 华中科技大学 | 基于ceemdan和cfsfdp的滚动轴承故障诊断方法及设备 |
| CN109253872A (zh) * | 2018-09-17 | 2019-01-22 | 华西能源工程有限公司 | 一种基于ceemdan的转子运行状态监测方法 |
| CN109638862A (zh) * | 2018-12-30 | 2019-04-16 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于ceemdan算法的电力系统低频振荡模式辨识方法 |
| CN109784310A (zh) * | 2019-02-02 | 2019-05-21 | 福州大学 | 基于ceemdan及加权时频熵的配电开关机械故障特征提取方法 |
| CN110322032A (zh) * | 2019-04-17 | 2019-10-11 | 四川大学 | 一种基于ceemdan的金融时间序列组合预测方法 |
| CN110263829A (zh) * | 2019-06-06 | 2019-09-20 | 太原理工大学 | 基于ceemdan与随机森林的中长期径流预测方法 |
| CN110443419A (zh) * | 2019-08-01 | 2019-11-12 | 太原理工大学 | 基于iceemdan与极限学习机的中长期径流预测方法 |
| CN110633696A (zh) * | 2019-09-30 | 2019-12-31 | 常州工学院 | 一种基于ceemdan-ica-swt的柴油机振源多信息联合识别方法 |
| CN112629862A (zh) * | 2020-11-04 | 2021-04-09 | 南京工业大学 | 一种基于双稳态随机共振及ceemdan-teo的滚动轴承微弱故障诊断方法 |
Non-Patent Citations (9)
| Title |
|---|
| JOHN E. SHORE 等: "Minimum Cross-Entropy Spectral Analysis", 《IEEE论文》 * |
| LAHCEN EL BOUNY 等: "ECG signal filtering based on CEEMDAN with hybrid interval thresholding and higher order statistics to select relevant modes", 《SPRINGER论文》 * |
| SU-PENG QIAO 等: "A Method of Mechanical Fault Feature Extraction for High-Voltage Circuit Breaker Via CEEMDAN and Weighted Time-Frequency Entropy", 《IEEE论文》 * |
| 吕英俊 等: "基于CEEMDAN能量熵的MMC-HVDC缆线路单极接地故障检测方法", 《电测与仪表》 * |
| 张佩: "高压断路器机械故障诊断方法的研究", 《中国优秀硕士学位论文全文数据库》 * |
| 曾磊: "变工况下齿轮箱关键零部件智能故障诊断方法研究", 《中国优秀硕士学位论文全文数据库》 * |
| 王国东 等: "基于CEEMDAN 与样本熵的高压断路器机械故障诊断", 《宁夏电力》 * |
| 蒋菲 等: "基于CEEMDAN能量熵和SVM的风电叶片缺陷检测", 《无损检测》 * |
| 赵书涛 等: "基于CEEMDAN 样本熵与FWA-SVM 的高压断路器机械故障诊断", 《电力自动化设备》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116736099A (zh) * | 2023-06-15 | 2023-09-12 | 中国铁路上海局集团有限公司徐州供电段 | 一种铁路开关柜断路器故障诊断方法 |
| CN116736099B (zh) * | 2023-06-15 | 2023-12-05 | 中国铁路上海局集团有限公司徐州供电段 | 一种铁路开关柜断路器故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113654750B (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Separating multi-source partial discharge signals using linear prediction analysis and isolation forest algorithm | |
| CN106017879B (zh) | 基于振声信号特征融合的万能式断路器机械故障诊断方法 | |
| 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 | |
| Samantaray et al. | High impedance fault detection in power distribution networks using time–frequency transform and probabilistic neural network | |
| CN112557894B (zh) | 一种断路器故障诊断方法 | |
| CN102750543B (zh) | 一种基于bud谱峭度的暂态电能质量扰动分类识别方法 | |
| CN109784310B (zh) | 基于ceemdan及加权时频熵的配电开关机械故障特征提取方法 | |
| 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 | |
| CN113420691A (zh) | 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法 | |
| CN110068759A (zh) | 一种故障类型获得方法及装置 | |
| CN113654750B (zh) | 一种断路器操动机构振动特征提取方法 | |
| CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
| CN108535635A (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
| CN110244122A (zh) | 电力系统谐振过电压检测与控制方法 | |
| Chen et al. | Fault detection for covered conductors with high-frequency voltage signals: From local patterns to global features | |
| Dey et al. | Rough-granular approach for impulse fault classification of transformers using cross-wavelet transform | |
| Li et al. | Adaptive S transform for feature extraction in voltage sags | |
| CN110174553B (zh) | 一种基于解析模态分解的密集频率谐波/间谐波检测方法 | |
| Yang et al. | Fault Classification in Distribution Systems Using Deep Learning With Data Preprocessing Methods Based on Fast Dynamic Time Warping and Short-Time Fourier Transform | |
| Ilavarasan et al. | Natural resonance extraction from multiple data sets using a genetic algorithm | |
| Khokhar et al. | Automatic classification of power quality disturbances: A review | |
| Eisenmann et al. | An Investigation on feature extraction and feature selection for power quality classification with high resolution and RMS data | |
| Ardon et al. | Aerial Radar Target Classification using Artificial Neural Networks. | |
| Igual et al. | Quantification of feature importance in automatic classification of power quality distortions | |
| Ponukumati et al. | Unbalanced Distribution Network Cross-Country Fault Diagnosis Method with Emphasis on High-Impedance Fault Syndrome |
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 |