基于SSA-SVM的航空电弧故障检测

针对航空线路系统电弧故障隐蔽性高和难以检测的问题,提出一种基于麻雀搜索算法优化支持向量机（Sparrow Search Algorithm Optimization Support Vector Machine,SSA-SVM）的航空电弧故障检测方法。首先采用小波分解对电弧故障电流数据进行分解,小波分解能有效克服经验模态分解时存在的模态混叠问题。再从信号无序度的角度对电流分量提取能量熵、模糊熵与近似熵,并构造特征向量。然后,使用麻雀搜索算法对支持向量机的权值进行优化,得到最优的权值,最后用训练好的支持向量机对测试样本进行分类。为了验证所提方法的有效性,搭建电弧实验平台,模拟航空线路系统电弧故障的产生,分别采集交流串联正常和电弧故障电流数据,应用本文提出的SSA-SVM算法进行电弧故障检测,结果表明,该方法能较好地识别出电弧故障,检测准确率达到99.5%,相比于粒子群算法或遗传算法优化的支持向量机对电弧故障的检测准确率分别高出2.5%和2%。     

采用负载端电压预测串联故障电弧

为研究串联故障电弧的检测方法,针对三相电动机及变频器负载开展了串联故障电弧实验.首先采用小波包对负载端电压进行4层分解,并建立5～16节点系数的极限学习机(Extreme learning machine, ELM)预测模型;然后利用建立的ELM预测模型对10个周波的小波包节点系数进行预测,分别计算每个周波预测残差的平均值并排序,取4个最小值的均值作为故障电弧特征;最后选取正常状态下特征的最大值和故障状态下特征的最小值的均值为故障电弧检测的公共阈值.结果表明:上述方法可有效检测三相电动机及变频器负载回路中的故障电弧,同时可排除谐波及暂态干扰.     

串联型故障电弧的实验研究

为准确识别不稳定串联故障电弧、合闸操作电弧、负载正常工作电流信号,开展了串联型故障电弧模拟实验.首先对三种电流信号进行小波包分解及重构,求取重构信号的信息熵;然后对信息熵进行K均值聚类分析,从而区分出正常工作电流信号及电弧电流信号;最后求每种负载在发生串联型故障电弧及合闸操作电弧时相邻两周期电流信号导数最大值比值,并设定相邻两周期导数最大值比值阈值,实现对不稳定串联型故障电弧及合闸操作电弧的识别,防止断路器对故障电弧的误判,进而提高供电系统的可靠性.     

三相串联故障电弧检测方法

为进一步研究煤矿井下供配电系统中串联故障电弧的特性及检测方法,采用三相电动机及变频器负载开展了串联故障电弧实验,提出了一种基于单相电流的三相串联故障电弧的检测方法.对单相电流进行中值滤波和一阶差分预处理后,提取一阶差分信号的波峰因子、峭度、分段动态时间弯曲距离和路径长度构建故障电弧特征向量,结合改进的网格搜索优化的支持向量机建立故障电弧识别模型,并测试故障电弧检测准确率,结果表明:该方法通过分析单相电流实现三相电动机及变频器回路中故障电弧的检测,对研制低成本故障电弧断路器具有一定的参考价值.     

低阶自回归参数模型检测串联故障电弧

针对电气系统中串联回路故障电弧的多发情况,利用电弧发生器、波形记录仪等实验装置对故障电弧进行模拟实验研究.提出基于自回归参数模型的故障电弧检测方法,采用二阶Burg方法对采集的信号建立自回归模型,提取AR模型参数,通过计算、比较相应的距离测度实现对故障电弧的检测.研究结果表明:通过二阶Burg方法建立的自回归参数模型能快速、准确地检测出故障电弧,同时相对于高阶Burg方法,减少了很大的运算量.     

基于功率谱密度与随机配置网络的低压串联电弧故障检测

低压串联电弧电流为非平稳信号,故障特征区分度低且具有随机性,给电弧故障特征提取和准确检测带来困难,提出了基于功率谱密度与随机配置网络的低压串联电弧故障检测方法。首先,搭建了串联电弧故障发生平台,采集不同负载类型的电流数据,构建数据集。其次,采用功率谱密度对电流信号执行随机信号分析,实现对电流信号的定量化频域特征描述,增强故障电流与正常电流特征的区分度。然后,采用随机配置网络构建串联电弧故障检测模型,将功率谱密度特征用于随机配置网络的自适应训练学习,提升网络训练效率和模型故障检测能力。在本文构建的电流数据集上,串联电弧故障检测的平均准确率达到96.156 7%,证明了方法的有效性。     

利用电磁辐射信号的串并联电弧故障检测

针对电弧故障检测过程中的漏判问题,提出一种新的检测方法.通过电容耦合方式获取电弧故障产生的电磁辐射信号,采用对数放大器压缩其动态范围以增加小幅值电弧故障辐射信号的增益,经电平比较器将放大器输出转换为电平脉冲,最终根据电平脉冲宽度的特性实现电弧故障的检测.样机研制和测试结果表明:该方法对串联和并联电弧故障都具有较为理想的检测精度,适应于串、并联电弧的检测.     

基于模态分解的低压串联电弧故障特征提取方法比较

低压交流系统串联电弧电流的非线性、非平稳和随机等特点给故障特征提取和检测带来极大困难,同时以包络线分析为基础的模态分解在非平稳信号分析中展现了良好效果。鉴于模态分解方法的优异效果以及串联电弧故障检测的实际困难,首先对目前较为成熟的经验模态分解(empirical mode decomposition, EMD)等6种模态分解方法进行了系统梳理,并深入分析了该系列方法在电弧故障信号分析和特征提取中的适用性和有效性。然后,通过实测电弧电流的分解实验和特征计算实验,从不同角度探讨了模态分解算法在电弧电流特征提取和故障检测中的优势与不足。最后,对未来可能的研究方向做了展望。     

基于加权差分电流的直流故障电弧检测方法

为了解决低压直流系统中传统电弧故障检测方法精确度不足及对不同系统通用性较差的问题，本文提出一种新的基于加权差分电流的直流电弧故障检测方法。首先搭建直流源实验平台，开展串联直流电弧高频特性实验，利用快速傅里叶变换提取电弧电流的特征频段为20～30 kHz、40～50 kHz和55～65 kHz。然后，研究电极材料和负载类型对电弧特征频率的影响，实验结果表明直流电弧的特征频段不随电极材料和负载类型改变。将3个特征频段内幅值的最大值I_max、幅值之和I_sum以及幅值的标准差I_std作为特征参量。基于对电弧电流特征频段和特征参量的双重加权差分，利用差分结果是否大于阈值0.5作为直流故障电弧检测判据。最后，在低压直流系统和光伏系统中验证所提出检测方法的有效性。检测方法能够准确区分开关动作与负载突变等系统正常操作。该方法克服了传统单一频段单一指标检测方法的不稳定性，能够有效检测直流电弧故障，提高检测的准确性，并在光伏系统中验证了检测方法的通用性。检测方法对保障低压直流系统的安全稳定运行具有重要的应用价值。     

典型神经网络串联型电弧故障检测及选线方法研究

为解决传统特征分析加机器学习的电弧故障检测方法的准确率和实时性受到特征参数选取的主观性及特征分析过程的影响问题,搭建了三相多负载并联的串联型电弧故障实验系统,对不同支路、不同相发生电弧故障时的干路电流信号时间序列进行分析。将电流信号进行分类、分段、标准化处理并作为检测模型样本;对深度卷积神经网络模型、长短期记忆网络模型、普通神经网络模型进行架构及训练;通过差分处理对网络模型在线分类结果进行优化分析;以准确度和损失函数值、在线测试速度、优化后多分类识别准确率为评价指标,对比分析了3种模型故障检测及选线效果。研究结果表明：基于深度卷积神经网络的串联型电弧故障检测及选线模型对电机类负载故障检测及选线准确率可达96.77%,对变频器类负载故障检测及选线准确率可到98%,准确率高于近几年其他三相回路电弧故障检测模型。     

Identification of Transient and Permanent Faults

A new algorithm was developed for arcing fault detection based on high-frequency current transients analyzed with wavelet transforms to avoid automatic reclosing on permanent faults. The characteristics of arc currents during transient faults were investigated. The current curves of transient and permanent faults are quite similar since current variation from the fault arc is much less than the voltage variation. However, the fault current details are quite different because of the arc extinguishing and reigniting. Dyadic wavelet transforms were used to identify the current variation since wavelet transform has time-frequency localization ability. Many electric magnetic transient program (EMTP) simulations have verified the feasibility of the algorithm.     

高密度小波变换在滚动轴承复合故障诊断中的应用

针对目前滚动轴承中多种微弱故障难以准确识别的难题,提出基于高密度离散小波变换和包络谱的滚动轴承复合故障诊断方法.首先对采集的轴承振动信号进行高密度离散小波变换;然后对各尺度上的小波系数和尺度系数进行单子带重构,以消除频率混叠的影响;最后对各子带信号分量进行包络谱分析,并通过滚动轴承各典型故障的特征频率,识别滚动轴承存在的各种故障.将所提方法应用于具有复合故障的滚动轴承的诊断,并与其他常用的诊断方法进行对比,结果表明该方法能有效地实现滚动轴承早期复合故障诊断.     

随机线性系统多执行器鲁棒故障诊断

针对随机线性控制系统提出了新的故障诊断方法·对于执行器故障情形,通过数学变换将故障转化为系统的未知输入,然后利用未知输入卡尔曼滤波器技术实现执行器故障诊断·诊断算法给出含噪故障估计值·为得到精确值,又采用了小波去噪方法·两种方法有机结合可对同时或接连发生的多执行器参数故障进行有效诊断,故障检测与估计及时准确·最后给出了仿真实例,结果验证了提出方法的正确性·     

基于小波包分解的剩余电流接地故障选线方法

为解决电网发生单相接地故障后,无法对故障线路精确辨识的问题,提出了一种基于小波包分解的剩余电流接地故障智能感知方法。依据小波分析法和智能感知原理,针对接地故障产生的剩余电流进行故障信息采集,将收集到的剩余电流信息进行分析对比,以感知接地故障并进行故障识别;通过研究交流电源剩余电流在线式监测和基于小波变换方法的弧光接地故障诊断技术,利用小波包分解得到电流时频特性进行故障选线;分析故障线路和正常线路中电流特性的差异,并精确辨识出故障点;在仿真软件中对所提出的小波包分解基础上的故障线路选线方法进行了仿真。仿真结果表明,该方法能精确提取时频信息,有效确定故障线路。研究结果为站用交流电源接地故障选线方法提供了参考。     

小波神经网络在模拟电路故障诊断中的应用研究

对模拟电路提出了一种基于小波与神经网络辅助式结合的故障诊断方法．该方法用小波变换作为模拟电路故障信号的预处理器，大大减少神经网络的输入数目，简化神经网络结构和减少它的训练时间，提高辨识故障能力．在介绍该故障诊断方法的基本原理后。给出了小波函数及故障特征选择的方法．     

消弧线圈接地系统暂态能量选线新方法

针对现有利用暂态量的选线方法在电压过零附近时故障灵敏度低的问题,通过把消弧线圈支路作为一条健全线路,利用其暂态能量与其他所有线路暂态能量之和为零的关系,提出了一种基于消弧线圈暂态能量的谐振接地电网故障选线新方法.此选线方法无需判断故障合闸角,也无需整定,不仅能克服在电压过零附近故障选线灵敏度低的缺点,还能适应消弧线圈接地系统各种变化,具有很强的抗干扰能力及自适应性.大量的数字仿真结果表明,该方法有效、可靠.     

基于小波变换自适应匹配的高速铁路牵引网故障单端行波定位法

为减少高速铁路牵引网故障行波传播色散特性对行波波头检测和波速测量的影响,提高高速铁路牵引网故障行波定位的准确度,提出了基于小波变换自适应匹配的高速铁路牵引网故障行波定位方法。该法结合小波变换奇异性与相似性算法,对行波信号进行分析,提取小波函数多尺度分解结构重构的高频信号进行故障行波定位。行波波头到达时间由该高频信号经相似性算法分析,获取特征值点位置计算。行波的传播参考速度由模拟实验分析结果所得。现场测试故障行波数据分析表明,该高速铁路牵引网故障行波定位方法能有效提取故障行波特征,并消除行波传播色散特性影响,定位误差<100 m。     

基于小波包和解调分析的多类故障综合诊断方法研究

提出了一种基于小波包分解和解调分析相结合的旋转机械故障综合诊断方法.它能诊断复杂机械的多类故障,针对振动信号的非平稳和调制特点,首先采用小波包将信号进行分解,再分别以不同的方法分析不同的分解频段.利用解调技术分析小波包分解的高频段(调制频段),用来诊断轴承、齿轮等零部件的各类故障;利用FFT频谱分析小波包分解的低频段,用来诊断转轴的各类故障.理论分析和仿真结果表明该方法优于仅做FFT频谱分析或Hilbert解调分析.实例分析也证明了该方法的实用性和有效性.     

基于小波包分析和BP网络识别的齿轮故障诊断

针对齿轮故障信号的能量所引起的变化会淹没在常规振动与噪声之中，用传统的信号处理方法不易提取故障特征，给齿轮的故障诊断带来很大困难这一事实，本文描述了用于从振动信号中提取故障信息的小波包和用于识别故障类型的BP网络，研究了BP网络故障模式识别与小波包故障特征提取结合在一起对齿轮故障进行诊断的方法，研究结果表明该方法可以成功地用于轮常规故障的识别和诊断。