CN114543898A - 一种高压断路器操动机构非侵入式检测系统 - Google Patents
一种高压断路器操动机构非侵入式检测系统 Download PDFInfo
- Publication number
- CN114543898A CN114543898A CN202210362672.1A CN202210362672A CN114543898A CN 114543898 A CN114543898 A CN 114543898A CN 202210362672 A CN202210362672 A CN 202210362672A CN 114543898 A CN114543898 A CN 114543898A
- Authority
- CN
- China
- Prior art keywords
- layer
- diagnosis
- circuit breaker
- voltage circuit
- diagnostic
- 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 63
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000003745 diagnosis Methods 0.000 claims abstract description 122
- 239000013598 vector Substances 0.000 claims abstract description 97
- 238000000605 extraction Methods 0.000 claims abstract description 55
- 230000005236 sound signal Effects 0.000 claims abstract description 39
- 230000008447 perception Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 12
- 230000009471 action Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000005461 lubrication Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 229910018503 SF6 Inorganic materials 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 229960000909 sulfur hexafluoride Drugs 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种高压断路器操动机构非侵入式检测系统,其包括感知传感层、参数提取层、分级诊断层以及结果显示层;所述感知传感层用于获取高压断路器操动机构的图像信号、振动信号和声音信号;所述参数提取层与所述感知传感层通信,所述感知传感层将所述图像信号、振动信号和声音信号发送至参数提取层,参数提取层经过提取和计算得到联合特征向量;所述参数提取层将所述联合特征向量发送至分级诊断层,所述分级诊断层进行分级诊断,并将诊断结果发送至结果显示层;所述结果显示层基于分级诊断层的诊断结果显示所述高压断路器的状态。本发明系统可以在不断电的情况下采用非侵入式对高压断路器进行检测,及时发现故障,适用于带电检测和在线监测。
Description
技术领域
本发明属于断路器故障诊断技术领域,具体涉及一种高压断路器操动机构非侵入式检测系统。
背景技术
高压断路器(或称高压开关)不仅可以切断或闭合高压电路中的空载电流和负荷电流,而且当系统发生故障时通过保护装置的作用,切断过负荷电流和短路电流,具有相当完善的灭弧结构和足够的断流能力,可分为:油断路器(多油断路器、少油断路器)、六氟化硫断路器(SF6断路器)、真空断路器等。
断路器的工作状态(断开或者闭合)是由它的操动机构控制的。操动机构是高压断路器的重要组成部分,它由储能单元、控制单元、和力传递单元组成。高压SF6断路器的操动机构有多种型式,如弹簧操动机构、气动机构、液压机构、液压弹簧机构等。
国际大电网会议(CIGRE)发布的统计报告表明,64.8%的断路器突发故障由操动机构引起,准确评估操动机构的健康状况至关重要。目前,操动机构状态信息主要通过停电检测获取,带电检测需要在机构内部加装传感器,改变了机构原有的设计结构,亟需开展非侵入式带电检测及故障诊断研究。
高压断路器依靠操动机构内部机械部件的有序配合来实现触头的分合功能,产生多种蕴含机构状态信息的伴生信号,例如动作部件的运动轨迹、振动信号、声音信号、分合闸线圈电流等。操动机构状态发生改变以后产生的伴生信号也不同,利用伴生信号的差异特征可以诊断多种机械故障。
现有研究中,徐玉涛,赵书涛,王天正等提出了基于图像处理的断路器机械特性参数测试方法;邓金秋,张国钢,耿英三等进行了基于机器视觉的高压断路器速度特性测量方法的研究;赵书涛,马莉,朱继鹏等提出了基于CEEMDAN样本熵与FWA-SVM的高压断路器机械故障诊断方法,上述这些研究分别利用边缘检测、RGB模型与HSV模型相结合、稀疏表示的方法快速准确识别机构部件运动轨迹的,进而获得操动机构的机械特性参数。现有技术中还有基于小波变换、变分模态分解、集合经验模态分解的方法,提取了操动机构振动信号的特征信息,结合支持向量机、人工神经网络、判别分析等进行故障识别和分类。还有研究实现了对操动机构声音信号中环境噪声的辨识,提高了声音信号特征提取的有效性。赵书涛,张佩,申路等进行了高压断路器振声联合故障诊断方法的研究,提出了一种基于改进集合经验模态分解的操动机构振声联合故障诊断方法。
以上研究存在的不足主要表现在以下3方面:
①图像检测提取到的机械特性参数可以判断机构整体状态是否正常,对处于故障状态的机构进行故障类型识别、故障部位定位通常无能为力。
②现有方法提取的振动信号、声音信号特征向量维数很大,存在信息冗余、诊断效率不高的问题。
③操动机构故障机理复杂,单一信号诊断准确率低,缺少基于多参数互相印证的的联合诊断方法。
不同的诊断方法需要不同的诊断设备或检测系统得以实现,针对现有技术的问题,需要研发一种高压断路器操动机构非侵入式检测系统,能在不断电的情况下采用非侵入式对高压断路器进行检测,及时发现故障。
发明内容
为了克服上述现有技术的不足,本发明提供了一种高压断路器操动机构非侵入式检测系统,在不断电的情况下采用非侵入式对高压断路器进行检测,及时发现故障,适用于带电检测和在线监测。
本发明采用的技术方案是:其包括感知传感层、参数提取层、分级诊断层以及结果显示层;
所述感知传感层用于获取高压断路器操动机构的图像信号、振动信号和声音信号;
所述参数提取层与所述感知传感层通信,所述感知传感层将所述图像信号、振动信号和声音信号发送至参数提取层,参数提取层经过提取和计算得到联合特征向量;
所述参数提取层将所述联合特征向量发送至分级诊断层,所述分级诊断层进行分级诊断,并将诊断结果发送至结果显示层;
所述结果显示层基于分级诊断层的诊断结果显示所述高压断路器的状态。
进一步地,所述感知传感层包括图像采集装置、振动传感器和声音传感器。
进一步地,所述图像采集装置设置在高压断路器操动机构附近位置,所述振动传感器吸附在高压断路器操动机构外壳上,所述声音传感器设置在高压断路器操动机构附近位置。
进一步地,所述图像采集装置用于获取高压断路器操动机构的图像信号,所述振动传感器用于获取高压断路器操动机构的振动信号,所述声音传感器用于获取高压断路器操动机构的声音信号。
进一步地,所述联合特征向量包括图像特征向量、振动信号特征向量和声音信号特征向量;所述参数提取层内置有联合特征向量获取模型,所述联合特征向量获取模型的输入信息为所述图像信号、振动信号和声音信号,所述联合特征向量获取模型的输出信息为图像特征向量、振动特征向量和声音特征向量。
进一步地,所述分级诊断层内置有诊断特征向量提取模型和多级诊断模型。
进一步地,所述诊断向量提取模型的输入信息为联合特征向量,所述诊断向量提取模型的输出信息为多级诊断模型的输入信号。
进一步地,所述多级诊断模型包括依次连接的第一诊断模型、第二诊断模型、第三诊断模型、第四诊断模型和第五诊断模型。
进一步地,所述分级诊断层还包括识别反馈模块,所述识别反馈模块分别与第一诊断模型、第二诊断模型、第三诊断模型、第四诊断模型和第五诊断模型通信。进一步地,所述识别反馈模块用于判断分级诊断层进行下一级诊断还是将诊断结果发送给结果显示层。
本发明的有益效果是:
(1)本发明通过感知传感层获取高压断路器操动机构的图像信号、振动信号和声音信号,感知传感层将其发送给参数提取层,参数提取层得到联合特征向量,所述参数提取层将所述联合特征向量发送至分级诊断层,所述分级诊断层进行分级诊断,并将诊断结果发送至结果显示层;从结果显示层中可以看到高压断路器的状态。本发明采用非侵入式的结构,对高压断路器操动机构进行诊断。
(2)本发明能在不断电的情况下对高压断路器进行检测,及时发现故障。
(3)本发明可以通过第一诊断模型、第二诊断模型、第三诊断模型、第四诊断模型和第五诊断模型依次判断设备是否处于正常状态、基座松动、转轴卡涩、缓冲器性能下降、拐臂润滑不足及其它故障。
附图说明
图1本发明实施例1原理示意图;
图2本发明实施例2原理示意图;
图3本发明多级诊断模型原理示意图。
具体实施方式
为了能更清楚地理解本发明的技术方案,下面结合附图对本发明进一步说明。
实施例1
如图1和3所示,本实施例提供了一种高压断路器操动机构非侵入式检测系统,其包括感知传感层、参数提取层、分级诊断层以及结果显示层。
所述感知传感层用于获取高压断路器操动机构的图像信号、振动信号和声音信号。
所述参数提取层与所述感知传感层通信,所述感知传感层将所述图像信号、振动信号和声音信号发送至参数提取层,参数提取层经过提取和计算得到联合特征向量。
所述联合特征向量包括图像特征向量、振动信号特征向量和声音信号特征向量。所述参数提取层内置有联合特征向量获取模型,所述联合特征向量获取模型的输入信息为所述图像信号、振动信号和声音信号,所述联合特征向量获取模型的输出信息为图像特征向量、振动信号特征向量和声音信号特征向量。
所述参数提取层将所述联合特征向量发送至分级诊断层,所述分级诊断层进行分级诊断,并将诊断结果发送至结果显示层。
所述分级诊断层内置有诊断特征向量提取模型和多级诊断模型。
所述诊断向量提取模型的输入信息为联合特征向量,所述诊断向量提取模型的输出信息为多级诊断模型的输入信号。
所述结果显示层基于分级诊断层的诊断结果显示所述高压断路器的状态。
所述感知传感层包括图像采集装置、振动传感器和声音传感器。
所述图像采集装置设置在高压断路器操动机构附近位置,所述振动传感器吸附在高压断路器操动机构外壳上,所述声音传感器设置在高压断路器操动机构附近位置。
所述图像采集装置用于获取高压断路器操动机构的图像信号,所述振动传感器用于获取高压断路器操动机构的振动信号,所述声音传感器用于获取高压断路器操动机构的声音信号。
本实施例中,所述振动传感器为L0102T型振动传感器,具有高精度、小体积、抗干扰强、便捷安装等特点。
振动传感器在测试技术中是关键部件之一,它的作用主要是将机械量接收下来,并转换为与之成比例的电量。由于它也是一种机电转换装置。所以我们有时也称它为换能器、拾振器等。
振动传感器并不是直接将原始要测的机械量转变为电量,而是将原始要测的机械量做为振动传感器的输入量,然后由机械接收部分加以接收,形成另一个适合于变换的机械量,最后由机电变换部分再将变换为电量。
本实施例中,所述声音传感器为502A型拾音器。
声音传感器的作用相当于一个话筒(麦克风)。它用来接收声波,显示声音的振动图像,但不能对噪声的强度进行测量。
声音传感器内置一个对声音敏感的电容式驻极体话筒。声波使话筒内的驻极体薄膜振动,导致电容的变化,而产生与之对应变化的微小电压。这一电压随后被转化成0-5V的电压,经过A/D转换被数据采集器接收,并传送给计算机。
所述图像采集装置为用于捕捉断路器动触头运动过程图像的摄像头或高速相机。
本发明通过感知传感层获取高压断路器操动机构的图像信号、振动信号和声音信号,感知传感层将其发送给参数提取层,参数提取层得到联合特征向量,所述参数提取层将所述联合特征向量发送至分级诊断层,所述分级诊断层进行分级诊断,并将诊断结果发送至结果显示层;从结果显示层中可以看到高压断路器的状态。本发明采用非侵入式的结构,对高压断路器操动机构进行诊断。
本发明能在不断电的情况下对高压断路器进行检测,及时发现故障。
实施例2
如图1和3所示,本实施例提供了一种高压断路器操动机构非侵入式检测系统,其包括感知传感层、参数提取层、分级诊断层以及结果显示层;
所述感知传感层用于获取高压断路器操动机构的图像信号、振动信号和声音信号;
所述参数提取层与所述感知传感层通信,所述感知传感层将所述图像信号、振动信号和声音信号发送至参数提取层,参数提取层经过提取和计算得到联合特征向量;
所述参数提取层将所述联合特征向量发送至分级诊断层,所述分级诊断层进行分级诊断,并将诊断结果发送至结果显示层;
所述结果显示层基于分级诊断层的诊断结果显示所述高压断路器的状态。
所述感知传感层包括图像采集装置、振动传感器和声音传感器。
所述图像采集装置设置在高压断路器操动机构上,所述振动传感器吸附在高压断路器操动机构外壳上,所述声音传感器设置在高压断路器操动机构上。
所述图像采集装置用于获取高压断路器操动机构的图像信号,所述振动传感器用于获取高压断路器操动机构的振动信号,所述声音传感器用于获取高压断路器操动机构的声音信号。
所述联合特征向量包括图像特征向量、振动信号特征向量和声音信号特征向量;所述参数提取层内置有联合特征向量获取模型,所述联合特征向量获取模型的输入信息为所述图像信号、振动信号和声音信号,所述联合特征向量获取模型的输出信息为图像特征向量、振动信号特征向量和声音信号特征向量。图像特征向量[T合、V合、S合、T分、V分、S分]、振动信号特征向量[Z1合、Z2合、Z3合、Z4合、ZH1合、ZH2合、ZH3合、ZH4合、ZH5合、Z1分、Z2分、Z3分、Z4分、ZH1分、ZH2分、ZH3分、ZH4分、ZH5分]和声音信号特征向量[Z1合、Z2合、Z3合、Z4合、ZH1合、ZH2合、ZH3合、ZH4合、ZH5合、Z1分、Z2分、Z3分、Z4分、ZH1分、ZH2分、ZH3分、ZH4分、ZH5分],所述分级诊断层内置有诊断特征向量提取模型和多级诊断模型。
所述诊断向量提取模型的输入信息为联合特征向量,所述诊断向量提取模型的输出信息为多级诊断模型的输入信号。
所述多级诊断模型包括依次连接的第一诊断模型、第二诊断模型、第三诊断模型、第四诊断模型和第五诊断模型。
多级诊断模型进行诊断,多级诊断模型的输出信息为设备不同状态即:正常状态、基座松动、转轴卡涩、缓冲器性能下降或拐臂润滑不足故障。
诊断过程为从图像特征向量、振动信号特征向量和声音信号特征向量中分别提取正常状态特征向量、基座松动故障特征向量、转轴卡涩故障特征向量、缓冲器性能下降故障特征向量和拐壁润滑不足故障特征向量,依次判断设备是否处于正常状态、基座松动、转轴卡涩、缓冲器性能下降或拐臂润滑不足故障。当高压断路器被诊断出故障后,多级诊断模型的判断结果会显示在结果显示层上。
本发明多级诊断模型的具体诊断过程为将正常状态特征向量输入SVM1进行第一级诊断,若诊断结果为正常状态则停止诊断,若诊断结果为异常状态,则进入第二级诊断;将基座松动故障特征向量输入SVM2进行第二级诊断,若诊断结果为基座松动则停止诊断,若诊断结果为非基座松动,则进入第三级诊断;将转轴卡涩故障特征向量输入SVM3进行第三级诊断,若诊断结果为转轴卡涩则停止诊断,若诊断结果为非转轴卡涩,则进入第四级诊断;将缓冲器性能下降故障特征向量输入SVM4进行第四级诊断,若诊断结果为缓冲器性能下降则停止诊断,若诊断结果为非缓冲器性能下降,则进入第五级诊断;将拐臂润滑不足特征向量输入SVM5进行第五级诊断,诊断结果为拐臂润滑不足和其它故障两类。
所述正常状态判别特征向量包括ZH5分、T合、S1合、V分、S3合、V合、S2合、Z3分、ZH2分和S3。
所述基座松动故障特征向量包括Z2合、SH2分、Z1分、SH4分、ZH4合、ZH5合、Z2分和S4合;其中,
所述转轴卡涩故障特征向量包括SH3分、SH2合、ZH2合、ZH1分、S4分、SH3合、Z4分和S合;
所述缓冲器性能下降故障特征向量包括Z4合、Z3合、SH4合、S2分、ZH3分、S1分、S2分、Z1合和T分;其中,
所述拐壁润滑不足故障特征向量包括ZH4分、SH1分、S分、SH5合、ZH1合、ZH3合和SH1合。
下面对图像采集装置4、振动传感器3和声音传感器2获取的特征向量进行说明。
图像特征向量
T合、V合、S合、T分、V分和S分为图像特征向量,其中T合为合闸过程的时间,V合为合闸过程的合闸速度,S合为合闸过程的行程,T分为分闸过程的时间,V分为分闸过程的分闸速度,S分为分闸过程的行程。
所述图像特征向量通过设置图像采集装置如摄像头或高速相机捕捉断路器动触头运动过程图像获得,所述断路器动触头运动过程通过与动触头有联动关系的转轴、拐臂的旋转角度和拉杆的直线位移来反映。
振动信号特征向量
操动机构状态发生变化以后,振动信号某些点的振幅会发生变化,改变信号能量的分布形态。为了定量描述操动机构状态与振动信号的关联关系,可以将振动信号能量分布利用信息熵来表达。信息熵是描述系统复杂性、混乱性的一种信息测度,如式(a)所示。
其中p(x)是联合概率密度函数。按照信息熵的计算方法,振动信号的能量熵计算公式如(1)和(2)所示。公式中,xi是信号中每个分段时间内数据点的幅值;i=1,2...n,n为分段时间内数据点个数;E是信号的能量。在振动信号的能量熵计算过程中,E是振动信号的能量。
Ei=|xi|2 (1);
能量熵ZH中,ZH1合、ZH2合、ZH3合、ZH4合、ZH5合以及ZH1分、ZH2分、ZH3分、ZH4分和ZH5分均通过公式(1)~(2)获得。
能量熵SH中,SH1合、SH2合、SH3合、SH4合、SH5合以及SH1分、SH2分、SH3分、SH4分和SH5分均通过公式(1)~(2)获得。
振动信号特征向量提取过程为:
1)以图像检测获得的合闸时间(T合)作为操动机构的合闸动作时间。
2)将动作时间内的合闸振动信号等能量5分段,提取分段时间点Z1合、Z2合、Z3合、Z4合。
3)根据能量熵理论,计算合闸振动信号等能量5分段能量熵ZH1合、ZH2合、ZH3合、ZH4合、ZH5合。
4)以图像检测获得的分闸时间(T分)作为操动机构的分闸动作时间。
5)重复步骤2)~3)提取分闸振动信号的分段时间点Z1分、Z2分、Z3分、Z4分并计算等能量5分段能量熵ZH1分、ZH2分、ZH3分、ZH4分、ZH5分。
6)提取振动信号特征向量=[Z1合、Z2合、Z3合、Z4合、ZH1合、ZH2合、ZH3合、ZH4合、ZH5合、Z1分、Z2分、Z3分、Z4分、ZH1分、ZH2分、ZH3分、ZH4分、ZH5分]。
声音信号特征向量
声音信号特征向量提取过程:
1)以图像检测获得的合闸时间(T合)作为操动机构的合闸动作时间。
2)将动作时间内的合闸声音信号等能量5分段,提取分段时间点S1合、S2合、S3合、S4合。
3)根据能量熵理论,计算合闸声音信号等能量5分段能量SH1合、SH2合、SH3合、SH4合、SH5合。以图像检测获得的分闸时间(T分)作为操动机构的分闸动作时间。
4)重复步骤2)~3)提取分闸声音信号的分段时间点Z1分、Z2分、Z3分、Z4分并计算等能量5分段能量熵ZH1分、ZH2分、ZH3分、ZH4分、ZH5分。
5)提取声音信号特征向量=[S1合、S2合、S3合、S4合、SH1合、SH2合、SH3合、SH4合、SH5合、S1分、S2分、S3分、S4分、SH1分、SH2分、SH3分、SH4分、SH5分]。
本发明采用非侵入式的结构,对高压断路器操动机构进行诊断。
本发明能在不断电的情况下对高压断路器进行检测,及时发现故障。
实施例3
如图2和3所示,本实施例和实施例2的区别在于,所述分级诊断层还包括识别反馈模块,所述识别反馈模块分别与第一诊断模型、第二诊断模型、第三诊断模型、第四诊断模型和第五诊断模型通信。
所述识别反馈模块用于判断分级诊断层进行下一级诊断还是将诊断结果发送给结果显示层。
本发明使用时,若第一诊断模型判断出结果,则识别反馈模块接受到结果信息后则输出结果,多级诊断模型不再进行下一级诊断,若第一诊断模型未判断出结果,则进行第二诊断模型的诊断,若第二诊断模型诊断则识别反馈模块接受到结果信息后则输出结果,依次类推。本发明可以依次判断设备是否处于正常状态、基座松动、转轴卡涩、缓冲器性能下降或拐臂润滑不足故障。
以上所述仅是本发明的较佳实施方式,故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰,均包括于本发明专利申请范围内。
Claims (10)
1.一种高压断路器操动机构非侵入式检测系统,其特征在于,其包括感知传感层、参数提取层、分级诊断层以及结果显示层;
所述感知传感层用于获取高压断路器操动机构的图像信号、振动信号和声音信号;
所述参数提取层与所述感知传感层通信,所述感知传感层将所述图像信号、振动信号和声音信号发送至参数提取层,参数提取层经过提取和计算得到联合特征向量;
所述参数提取层将所述联合特征向量发送至分级诊断层,所述分级诊断层进行分级诊断,并将诊断结果发送至结果显示层;
所述结果显示层基于分级诊断层的诊断结果显示所述高压断路器的状态。
2.根据权利要求1所述的一种高压断路器操动机构非侵入式检测系统,其特征在于,所述感知传感层包括图像采集装置、振动传感器和声音传感器。
3.根据权利要求2所述的一种高压断路器操动机构非侵入式检测系统,其特征在于,所述图像采集装置设置在高压断路器操动机构附近位置,所述振动传感器吸附在高压断路器操动机构外壳上,所述声音传感器设置在高压断路器操动机构附近位置。
4.根据权利要求2所述的一种高压断路器操动机构非侵入式检测系统,其特征在于,所述图像采集装置用于获取高压断路器操动机构的图像信号,所述振动传感器用于获取高压断路器操动机构的振动信号,所述声音传感器用于获取高压断路器操动机构的声音信号。
5.根据权利要求1所述的一种高压断路器操动机构非侵入式检测系统,其特征在于,所述联合特征向量包括图像特征向量、振动特征向量和声音特征向量;所述参数提取层内置有联合特征向量获取模型,所述联合特征向量获取模型的输入信息为所述图像信号、振动信号和声音信号,所述联合特征向量获取模型的输出信息为图像特征向量、振动信号特征向量和声音信号特征向量。
6.根据权利要求5所述的一种高压断路器操动机构非侵入式检测系统,其特征在于,所述分级诊断层内置有诊断特征向量提取模型和多级诊断模型。
7.根据权利要求6所述的一种高压断路器操动机构非侵入式检测系统,其特征在于,所述诊断向量提取模型的输入信息为联合特征向量,所述诊断向量提取模型的输出信息为多级诊断模型的输入信号。
8.根据权利要求6所述的一种高压断路器操动机构非侵入式检测系统,其特征在于,所述多级诊断模型包括依次连接的第一诊断模型、第二诊断模型、第三诊断模型、第四诊断模型和第五诊断模型。
9.根据权利要求8所述的一种高压断路器操动机构非侵入式检测系统,其特征在于,所述分级诊断层还包括识别反馈模块,所述识别反馈模块分别与第一诊断模型、第二诊断模型、第三诊断模型、第四诊断模型和第五诊断模型通信。
10.根据权利要求9所述的一种高压断路器操动机构非侵入式检测系统,其特征在于,所述识别反馈模块用于判断分级诊断层进行下一级诊断还是将诊断结果发送给结果显示层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210362672.1A CN114543898B (zh) | 2022-04-07 | 2022-04-07 | 一种高压断路器操动机构非侵入式检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210362672.1A CN114543898B (zh) | 2022-04-07 | 2022-04-07 | 一种高压断路器操动机构非侵入式检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114543898A true CN114543898A (zh) | 2022-05-27 |
CN114543898B CN114543898B (zh) | 2023-11-24 |
Family
ID=81664766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210362672.1A Active CN114543898B (zh) | 2022-04-07 | 2022-04-07 | 一种高压断路器操动机构非侵入式检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114543898B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107329079A (zh) * | 2017-07-28 | 2017-11-07 | 河海大学 | 一种高压断路器在线监测及故障综合诊断系统 |
KR101865086B1 (ko) * | 2017-11-15 | 2018-06-07 | (주) 동보파워텍 | 사고데이터 분석과 내부 이상상태 감시 및 진단 기능을 구비한 고장감시진단장치 내장형 수배전반 |
CN109164381A (zh) * | 2018-09-07 | 2019-01-08 | 广西电网有限责任公司电力科学研究院 | 一种高压断路器机械状态在线监测与故障辨识方法及装置 |
CN109782158A (zh) * | 2019-02-19 | 2019-05-21 | 桂林电子科技大学 | 一种基于多级分类的模拟电路诊断方法 |
CN112162209A (zh) * | 2020-09-14 | 2021-01-01 | 江苏中烟工业有限责任公司 | 一种c800-bv包装机的驱动电源跳闸诊断方法 |
CN113671363A (zh) * | 2021-08-13 | 2021-11-19 | 华北电力大学(保定) | 一种高压断路器状态辨识系统及方法 |
CN113705924A (zh) * | 2021-09-07 | 2021-11-26 | 北京必可测科技股份有限公司 | 一种热控设备智能诊断方法和系统 |
-
2022
- 2022-04-07 CN CN202210362672.1A patent/CN114543898B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107329079A (zh) * | 2017-07-28 | 2017-11-07 | 河海大学 | 一种高压断路器在线监测及故障综合诊断系统 |
KR101865086B1 (ko) * | 2017-11-15 | 2018-06-07 | (주) 동보파워텍 | 사고데이터 분석과 내부 이상상태 감시 및 진단 기능을 구비한 고장감시진단장치 내장형 수배전반 |
CN109164381A (zh) * | 2018-09-07 | 2019-01-08 | 广西电网有限责任公司电力科学研究院 | 一种高压断路器机械状态在线监测与故障辨识方法及装置 |
CN109782158A (zh) * | 2019-02-19 | 2019-05-21 | 桂林电子科技大学 | 一种基于多级分类的模拟电路诊断方法 |
CN112162209A (zh) * | 2020-09-14 | 2021-01-01 | 江苏中烟工业有限责任公司 | 一种c800-bv包装机的驱动电源跳闸诊断方法 |
CN113671363A (zh) * | 2021-08-13 | 2021-11-19 | 华北电力大学(保定) | 一种高压断路器状态辨识系统及方法 |
CN113705924A (zh) * | 2021-09-07 | 2021-11-26 | 北京必可测科技股份有限公司 | 一种热控设备智能诊断方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114543898B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695598B (zh) | 一种基于生成对抗网络的监测数据异常诊断方法 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN109164381A (zh) | 一种高压断路器机械状态在线监测与故障辨识方法及装置 | |
CN110470465B (zh) | 一种基于振动信号分析的断路器测试方法及系统 | |
CN110728257B (zh) | 基于振动灰度图像的变压器绕组故障监测方法 | |
KR102393095B1 (ko) | 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템 | |
CN107367687B (zh) | 一种高压断路器弹簧故障程度检测方法及装置 | |
Arabaci et al. | A knowledge-based diagnosis algorithm for broken rotor bar fault classification using FFT, principal component analysis and support vector machines | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN114004306A (zh) | 一种基于物联网多维度数据的设备故障评估系统及其方法 | |
CN108919104B (zh) | 一种基于Fisher判别分类法的断路器故障诊断方法 | |
CN104713714A (zh) | 一种基于网格多密度聚类的高压断路器动作特性分析方法 | |
Guedidi et al. | Bearing faults classification based on variational mode decomposition and artificial neural network | |
CN115327363A (zh) | 一种高压断路器机械特性带电监测及状态识别方法 | |
KR20210050274A (ko) | 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법 | |
CN114543898B (zh) | 一种高压断路器操动机构非侵入式检测系统 | |
KR102392951B1 (ko) | 초음파 대역의 음향 신호를 수신하는 다채널 감지 센서를 구비한 설비 고장 예측 시스템 | |
CN112781721A (zh) | 一种巡检平台及智能噪声采集装置及巡检平台的使用方法 | |
CN115855754A (zh) | 关联于断路器动作状态的gis中潜伏性金属微粒在线监测系统及方法 | |
CN112345648B (zh) | 一种高压断路器凸轮裂纹故障检测装置及方法 | |
CN114924183A (zh) | 高压断路器操动机构非侵入式检测及分级式故障诊断方法 | |
US11867763B2 (en) | Method for monitoring circuit breaker and apparatus and internet of things using the same | |
Pochanke et al. | Experimental studies of circuit breaker drives and mechanisms diagnostics | |
Arabacı et al. | Detection of induction motor broken rotor bar faults under no load condition by using support vector machines | |
Liao et al. | Latent fault identification method of circuit breaker operating mechanism based on acoustic signals |
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 |