变压器有载分接开关(on-load top changer,OLTC)的主要故障类型是机械故障,现有大多数研究仅诊断切换开关故障,难以辨识影响换档全过程的传动机构故障。为准确诊断切换开关与传动机构故障,该文提出一种基于换档全过程振动强度的OLTC机...变压器有载分接开关(on-load top changer,OLTC)的主要故障类型是机械故障,现有大多数研究仅诊断切换开关故障,难以辨识影响换档全过程的传动机构故障。为准确诊断切换开关与传动机构故障,该文提出一种基于换档全过程振动强度的OLTC机械故障诊断方法。首先,将多通道切换开关振动爆发数据转换为时域波形图输入改进的卷积神经网络(convolutional neural network,CNN),以获取池化层特征。然后,提出换档全过程振动强度特征,将换档全过程振动信号划分为多个区间,统计各区间中幅值超过阈值的点数,以表征各时间段平均振动强度。最后,提出一种新的特征处理方法改变以上两种特征的相对大小,并融合两种特征训练分类器诊断机械故障类型。实例分析表明:相比于现有OLTC机械故障诊断方法,所提方法能有效辨识传动机构故障,进一步提升对切换开关故障的诊断精度,具有较强的鲁棒性与泛用性,可为OLTC机械故障诊断研究提供新的思路。展开更多
针对深度残差网络无法在噪声环境下精确诊断的问题,提出了一种基于直接快速迭代滤波(direct fast iterative filtering,DFIF)和自适应深度残差网络(adaptive deep residual network,AResNet)的方法,并将其应用于噪声环境下旋转机械的故...针对深度残差网络无法在噪声环境下精确诊断的问题,提出了一种基于直接快速迭代滤波(direct fast iterative filtering,DFIF)和自适应深度残差网络(adaptive deep residual network,AResNet)的方法,并将其应用于噪声环境下旋转机械的故障诊断中。首先,在采集的振动信号中增加不同强度的噪声,再经DFIF分解得到若干个本征模态函数(intrinsic mode function,IMF)分量,选取综合评价指标值最小的IMF分量作为输入样本;其次,提出了自适应残差单元(adaptive residual building unit,ARBU),ARBU通过计算各个通道的最优系数,自适应地放大故障敏感特征和抑制无关特征,能够更好地替代传统的残差单元;最后,基于ARBU构造AResNet,输入样本经过AResNet得到故障诊断结果。将所提方法应用于噪声背景下旋转机械的故障诊断中,在两个不同数据集中进行了验证。研究结果表明,与现有方法相比,所提方法具有更高的噪声鲁棒性、稳定性和更优的计算效率,且能够更好地解决旋转机械在噪声背景下故障特征难以有效挖掘的问题。展开更多
为进一步提高有载分接开关(on-load tap changer,OLTC)机械状态监测的准确性,文中基于优化品质因数可调小波变换(tunable quality wavelet transform,TQWT)对OLTC切换过程中的振动信号进行了分析。即使用人工鱼群算法(artificial fish s...为进一步提高有载分接开关(on-load tap changer,OLTC)机械状态监测的准确性,文中基于优化品质因数可调小波变换(tunable quality wavelet transform,TQWT)对OLTC切换过程中的振动信号进行了分析。即使用人工鱼群算法(artificial fish swarm algorithm,AFSA)基于分解余量与整体正交系数研究了TQWT的优化分解方法,计算得到了OLTC振动信号的多个子序列,构建了基于优化孪生支持向量机(twin support vector machine,TWSVM)的OLTC机械故障诊断模型。对某CM型OLTC正常与典型机械故障下振动信号的分析结果表明,所提优化TQWT分解方法有效提高了OLTC振动信号分解结果的准确性。相对于其他诊断模型,所构建AFSA-TWSVM的OLTC机械故障诊断模型分类效果好且收敛速度更快。展开更多
文摘变压器有载分接开关(on-load top changer,OLTC)的主要故障类型是机械故障,现有大多数研究仅诊断切换开关故障,难以辨识影响换档全过程的传动机构故障。为准确诊断切换开关与传动机构故障,该文提出一种基于换档全过程振动强度的OLTC机械故障诊断方法。首先,将多通道切换开关振动爆发数据转换为时域波形图输入改进的卷积神经网络(convolutional neural network,CNN),以获取池化层特征。然后,提出换档全过程振动强度特征,将换档全过程振动信号划分为多个区间,统计各区间中幅值超过阈值的点数,以表征各时间段平均振动强度。最后,提出一种新的特征处理方法改变以上两种特征的相对大小,并融合两种特征训练分类器诊断机械故障类型。实例分析表明:相比于现有OLTC机械故障诊断方法,所提方法能有效辨识传动机构故障,进一步提升对切换开关故障的诊断精度,具有较强的鲁棒性与泛用性,可为OLTC机械故障诊断研究提供新的思路。
文摘针对深度残差网络无法在噪声环境下精确诊断的问题,提出了一种基于直接快速迭代滤波(direct fast iterative filtering,DFIF)和自适应深度残差网络(adaptive deep residual network,AResNet)的方法,并将其应用于噪声环境下旋转机械的故障诊断中。首先,在采集的振动信号中增加不同强度的噪声,再经DFIF分解得到若干个本征模态函数(intrinsic mode function,IMF)分量,选取综合评价指标值最小的IMF分量作为输入样本;其次,提出了自适应残差单元(adaptive residual building unit,ARBU),ARBU通过计算各个通道的最优系数,自适应地放大故障敏感特征和抑制无关特征,能够更好地替代传统的残差单元;最后,基于ARBU构造AResNet,输入样本经过AResNet得到故障诊断结果。将所提方法应用于噪声背景下旋转机械的故障诊断中,在两个不同数据集中进行了验证。研究结果表明,与现有方法相比,所提方法具有更高的噪声鲁棒性、稳定性和更优的计算效率,且能够更好地解决旋转机械在噪声背景下故障特征难以有效挖掘的问题。
文摘为进一步提高有载分接开关(on-load tap changer,OLTC)机械状态监测的准确性,文中基于优化品质因数可调小波变换(tunable quality wavelet transform,TQWT)对OLTC切换过程中的振动信号进行了分析。即使用人工鱼群算法(artificial fish swarm algorithm,AFSA)基于分解余量与整体正交系数研究了TQWT的优化分解方法,计算得到了OLTC振动信号的多个子序列,构建了基于优化孪生支持向量机(twin support vector machine,TWSVM)的OLTC机械故障诊断模型。对某CM型OLTC正常与典型机械故障下振动信号的分析结果表明,所提优化TQWT分解方法有效提高了OLTC振动信号分解结果的准确性。相对于其他诊断模型,所构建AFSA-TWSVM的OLTC机械故障诊断模型分类效果好且收敛速度更快。
