CN108362488A - 基于mpe与svm的oltc机械故障诊断方法 - Google Patents
基于mpe与svm的oltc机械故障诊断方法 Download PDFInfo
- Publication number
- CN108362488A CN108362488A CN201810166483.0A CN201810166483A CN108362488A CN 108362488 A CN108362488 A CN 108362488A CN 201810166483 A CN201810166483 A CN 201810166483A CN 108362488 A CN108362488 A CN 108362488A
- Authority
- CN
- China
- Prior art keywords
- svm
- oltc
- time series
- mpe
- data point
- 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.)
- Pending
Links
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于MPE和SVM的OLTC机械故障诊断方法,包括以下步骤:1)通过加速度传感器对有载分接开关OLTC正常状态下的振动信号、故障状态下的振动信号进行采集,并对振动信号做预处理;2)对采集到的振动信号进行多尺度排列熵MPE计算,构造特征向量,作为支持向量机SVM的输入;3)将步骤2)得到的特征向量输入到支持向量机SVM中,对支持向量机SVM进行训练,将测试数据输入到训练好的SVM,从而判断OLTC的故障模式,本发明不需要大量数据进行SVM的训练,诊断精度更高;对OLTC的诊断效果明显优于BP神经网络。
Description
技术领域
本发明涉及有载分接开关故障诊断技术领域,具体涉及一种基于MPE与SVM的有载分接开关OLTC机械故障诊断方法。
背景技术
随着对电能质量要求的提高,电网大量应用自动电压控制等***,现有有载分接开关(OLTC)调节相当频繁,故障发生率很高。据国内外资料统计,分接开关故障占变压器故障的20%以上,且主要为机械故障,若不及时发现和处理,其故障会严重破坏OLTC和变压器的固有结构,影响电力设备和***的正常安全运行并造成严重后果。因此,为了确保分接开关安全可靠地运行,有必要开展分接开关机械故障诊断方法的相关研究。
在有载分接开关操作过程中,机构零部件之间的碰撞或摩擦会产生振动信号,这些振动信号包含着丰富的设备状态信息。目前,基于振动信号分析已成为有载分接开关机械故障诊断的重要手段。已有的振动信号分析方法有小波奇异性检测、自组织映射法、EMD(经验模态分解)和小波包等。这些方法大多是将非平稳信号分解为若干个简单的平稳信号之和,然后对每个分量进行处理,提取时频特征。然而,研究表明,OLTC切换过程中的振动信号表现出明显的非线性行为,采用时频分析的方法,将信号分解为平稳信号,难免有一定的局限性。因此,本发明采用多尺度排列熵非线性分析方法来进行OLTC机械故障诊断,能够直接提取机械振动信号中其他方法无法提取的故障信息。
针对OLTC机械振动信号的非线性特点,本发明从OLTC振动信号的时间序列随机性和动力学突变特性出发,将多尺度排列熵(MPE)应用于OLTC的故障特征的提取。由于支持向量机(SVM)分析在小样本数据故障诊断中具有良好的诊断效果,因此,在MPE提取故障特征的基础上,结合SVM作为故障类型判断,提出一种基于MPE和SVM的有载分接开关机械故障诊断方法,并将其应用于OLTC实验数据的分析。结果表明,此方法能够有效地诊断OLTC机械故障类型。
发明内容
为解决现有技术中的不足,本发明提供一种基于MPE与SVM的有载分接开关机械故障诊断方法,诊断结果确实精度高,结构简单,可操作性强。
为了实现上述目标,本发明采用如下技术方案:一种基于MPE和SVM的OLTC机械故障诊断方法,其特征在于:包括以下步骤:
1)通过加速度传感器对有载分接开关OLTC正常状态下的振动信号、故障状态下的振动信号进行采集,并对振动信号做预处理;
2)对采集到的振动信号进行多尺度排列熵MPE计算,构造特征向量,作为支持向量机SVM的输入;
3)将步骤2)得到的特征向量输入到支持向量机SVM中,对支持向量机SVM进行训练,将测试数据输入到训练好的SVM,从而判断OLTC的故障模式。
前述的一种基于MPE和SVM的OLTC机械故障诊断方法,其特征是:所述预处理具体为:对采集到的振动信号进行降噪处理。
前述的一种基于MPE和SVM的OLTC机械故障诊断方法,其特征是:所述故障状态包括有载分接开关OLTC触头松动以及弹簧性能下降。
前述的一种基于MPE和SVM的OLTC机械故障诊断方法,其特征是:所述加速度传感器安装在分接开关的顶端。
前述的一种基于MPE和SVM的OLTC机械故障诊断方法,其特征是:所述多尺度排列熵MPE计算具体步骤为:
1)对原始时间序列{x1,x2,…,xN}进行粗粒化处理,根据下式构造出多尺度时间序列{yl (s)}:
式中,s为尺度因子,N为原始时间序列的长度,xi表示原始时间序列中的数据点,i的范围为1-N,yl (s)表示s窗口下时间序列的第l个平均值;
2)在对原始时间序列粗粒化处理后,计算各粗粒度时间序列归一化后的排列熵,即得到了多尺度排列熵,构成特征量。
前述的一种基于MPE和SVM的OLTC机械故障诊断方法,其特征是:所述归一化后的排列熵具体计算步骤为:
假设一组时间序列{xi|i=1,2,…,N},对其进行相空间重构,得到重构的时间序列Xi:
Xi=[xi,xi+τ,…,xi+(m-1)τ] (1)
其中,m为嵌入维数,τ为延迟时间,xi为时间序列Xi中第i个数据点,xi+τ为时间序列Xi中第i+τ个数据点,xi+(m-1)τ为时间序列Xi中第i+(m-1)τ个数据点,将时间序列Xi中的m个数据点按升序排列,即r表示重构序列Xi中数据点的位置,为重构序列Xi中数据点按升序排列后第2个数据点,同理为重构序列Xi中数据点按升序排列后第m个数据点;当存在时,数据点按rj、rk的大小进行排列,即若rj<rk,则认为表示重构序列Xi中第rj个数据点,rj、rk表示重构序列Xi中数据点所在位置,表示重构序列Xi中第rk个数据点;
时间序列Xi有m!中排列方式,对任一种排列方式ω,T(ω)表示其出现的次数,则其出现的概率为:
因此,时间序列Xi的排列熵HPE可定义为:
HPE=-∑P(ω)lnP(ω) (3)
归一化后得到归一化后的排列熵PE:
前述的一种基于MPE和SVM的OLTC机械故障诊断方法,其特征是:所述振动数据分成两组,每组包括正常振动信号与故障信号,一组用于SVM的训练,另一组用于SVM的测试;步骤3)中,先将特征向量归一化处理到[0,1]之间,将归一化后的训练特征向量输入到支持向量机SVM中,对支持向量机进行训练,然后将归一化后的测试特征向量输入到训练好的SVM,从而判断OLTC的故障模式。
本发明所达到的有益效果:
1、本发明采用多尺度排列熵非线性分析方法来进行OLTC机械故障诊断,能够直接提取机械振动信号中其他方法无法提取的故障信息,如故障信息的随机性;
2、本发明不需要大量数据进行SVM的训练,诊断精度更高;
3、本发明对OLTC的诊断效果明显优于BP神经网络。
附图说明
图1是基于多尺度排列熵的特征提取过程图;
图2是三种状态下的多尺度排列熵MPE分布图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
一种基于MPE与SVM的有载分接开关OLTC机械故障诊断方法,包括以下步骤:
1)通过加速度传感器对有载分接开关OLTC正常状态下的振动信号、故障状态下的振动信号进行采集,并对振动信号做预处理,即对采集到的振动信号进行降噪处理;
2)对采集到的振动信号进行多尺度排列熵MPE分析,构造特征向量,作为支持向量机SVM的输入;
3)将步骤2)构造的特征向量输入到支持向量机SVM中,对支持向量机SVM进行训练,将测试数据输入到训练好的SVM,从而判断OLTC的故障模式。
步骤1)中加速度传感器采用永磁体吸附在有载分接开关OLTC测试点的表面的安装方式,这种安装方式简单易行,适合频繁更换测试点的场合。考虑到振动信号的传播介质以及传播过程的阻尼,本发明将振动传感器安装在分接开关的顶端,此位置所拾取的振动信号高频衰减比较少,信号较完整;将采集到的振动数据分成两组,每组都包括正常振动信号与故障信号,一组用于SVM的训练,另一组用于SVM的测试。
步骤1)中的故障状态是指有载分接开关OLTC触头松动以及弹簧性能下降两种情况;
步骤1)中对振动信号做预处理,具体为对振动信号进行了降噪处理。
步骤2)中,对采集到的振动信号进行多尺度排列熵分析,构造特征向量。多尺度排列熵是在多个尺度上计算时间序列的排列熵。
排列熵的具体算法为:
假设一组时间序列{xi|i=1,2,…,N},对其进行相空间重构,得到重构的时间序列Xi:
Xi=[xi,xi+τ,…,xi+(m-1)τ] (1)
其中,m为嵌入维数,τ为延迟时间,N为时间序列的长度,xi为时间序列Xi中第i个数据点,xi+τ为时间序列Xi中第i+τ个数,xi+(m-1)τ为时间序列Xi中第i+(m-1)τ个数,将时间序列Xi中的m个数据点按升序排列,即r表示重构序列Xi中数据点的位置,为重构序列Xi中数据点按升序排列后第2个数,同理为重构序列Xi中数据点按升序排列后第m个数据点;当存在时,数据点按rj、rk的大小进行排列,即若rj<rk,则认为表示重构序列Xi中第rj个数据点,rj、rk表示重构序列Xi中数据点所在位置,表示重构序列Xi中第rk个数据点。
任意时间序列Xi都有m!中排列方式,对任一种排列方式ω,T(ω)表示其出现的次数,则其出现的概率为:
因此,时间序列Xi的排列熵HPE可定义为:
HPE=-∑P(ω)lnP(ω) (3)
归一化后得到归一化后的排列熵PE:
PE值的大小反映了时间序列信号的复杂性和随机性,其值越大,说明时间序列信号越复杂,反之,则越规则。因此,PE值的变换反映和放大了时间序列的局部细微变换。
如图1所示,多尺度排列熵(MPE)分析方法具体步骤为:
1)对原始时间序列{x1,x2,…,xN}进行粗粒化处理,根据下式构造出多尺度时间序列{yl (s)}:
式中,s为尺度因子,N为原始时间序列的长度,xi表示原始时间序列中的数据点,yl (s)表示s窗口下时间序列的第l个平均值。
2)在对原始时间序列粗粒化处理后,按照公式(1)-(4)计算各粗粒度时间序列归一化后的排列熵,即得到了多尺度排列熵,即为特征向量。
步骤3)中,先使用matlab自带的数据处理-归一化函数mapminmax将特征向量归一化处理到[0,1]之间,将归一化后的训练特征向量输入到SVM中,对SVM进行训练,然后将归一化后的测试特征向量输入到训练好的SVM,从而判断OLTC的故障模式。
实施例:
对CMIII-500-63B-10193W型分接开关模拟实验。此分接开关为三相Y连接,最大的分接位置数为19。振动传感器采用分辨率高且抗干扰能力强的LC0151型压电式加速度传感器。本发明把振动传感器安装在分接开关的顶端,此位置所拾取的振动信号高频衰减比较少,信号较完整。通过加速度传感器对OLTC正常状态下的振动信号、故障状态(OLTC触头松动以及弹簧性能下降)下的振动信号进行采集,将采集到的振动数据分成2组,每组都包括正常振动信号与故障信号,一组用于SVM的训练,另一组用于SVM的测试;
对采集到的振动信号进行MPE分析,构造特征向量,作为SVM的输入,对SVM进行训练,将测试数据输入到训练好的SVM,从而判断OLTC的故障模式。
先使用matlab自带的mapminmax将特征量归一化处理[0,1]之间,将归一化后的训练特征量输入到SVM中,对SVM进行训练,然后将归一化后的测试特征量输入到训练好的SVM,从而判断OLTC的故障模式。
多尺度排列熵的影响因素为:利用多尺度排列熵进行特征提取时,嵌入维数m、延迟时间τ和尺度因子s会直接影响计算结果:如果m过小,重构的向量中包含的状态量少,算法失去意义,如果m取值过大,相空间的重构将会均匀化时间序列,此时不仅计算时间长,而且也无法反映序列的细微变换,Bandt建议,嵌入维数m取3~7,本实施例取7;延迟时间τ对序列的计算影响较小,本实施例选择τ=1;而尺度因子s>10时,***不同尺度下的动力学变化规律才会表现出来,本实施例s取12。
如图2为三种状态下的多尺度排列熵,由图2可知,分接开关处于正常状态下的归一化后的排列熵PE明显高于故障状态,而触头松动和弹簧性能下降这两种机械故障在s为8以后其PE相差较小,由此说明,取12为s最大值是合适的,充分表现了信号的动力学规律。此外,OLTC发生机械故障时,其振动信号的随机性越小,复杂度越低,此时振动信号的PE越小;反之,OLTC处于正常状态时,其振动信号的随机性最大,PE值也最大。由此说明PE值的变化可以很好地反映OLTC机械故障程度。
将基于MPE特征量的SVM对OLTC的诊断效果与BP神经网络进行对比,得到表1所示的预测比较结果:
表1本发明与BP神经网络预测结果比较
注:1表示分接开关处于正常状态,2表示分接开关处于触头松动故障,3表示分接开关处于弹簧性能下降故障。
采用同样的15组数据对BP神经网络进行训练,并对这15组数据进行预测,由表中可以看出,基于MPE和SVM的OLTC机械故障诊断方法可以有效地识别出故障类型,从而说明了本发明的可行性,由表1也知,本发明诊断效果优于BP神经网络。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种基于MPE和SVM的OLTC机械故障诊断方法,其特征在于:包括以下步骤:
1)通过加速度传感器对有载分接开关OLTC正常状态下的振动信号、故障状态下的振动信号进行采集,并对振动信号做预处理;
2)对采集到的振动信号进行多尺度排列熵MPE计算,构造特征向量,作为支持向量机SVM的输入;
3)将步骤2)得到的特征向量输入到支持向量机SVM中,对支持向量机SVM进行训练,将测试数据输入到训练好的SVM,从而判断OLTC的故障模式。
2.根据权利要求1所述的一种基于MPE和SVM的OLTC机械故障诊断方法,其特征是:所述预处理具体为:对采集到的振动信号进行降噪处理。
3.根据权利要求1所述的一种基于MPE和SVM的OLTC机械故障诊断方法,其特征是:所述故障状态包括有载分接开关OLTC触头松动以及弹簧性能下降。
4.根据权利要求1所述的一种基于MPE和SVM的OLTC机械故障诊断方法,其特征是:所述加速度传感器安装在分接开关的顶端。
5.根据权利要求1所述的一种基于MPE和SVM的OLTC机械故障诊断方法,其特征是:所述多尺度排列熵MPE计算具体步骤为:
1)对原始时间序列{x1,x2,…,xN}进行粗粒化处理,根据下式构造出多尺度时间序列{yl (s)}:
式中,s为尺度因子,N为原始时间序列的长度,xi表示原始时间序列中的数据点,i的范围为1-N,yl (s)表示s窗口下时间序列的第l个平均值;
2)在对原始时间序列粗粒化处理后,计算各粗粒度时间序列归一化后的排列熵,即得到了多尺度排列熵,构成特征量。
6.根据权利要求5所述的一种基于MPE和SVM的OLTC机械故障诊断方法,其特征是:所述归一化后的排列熵具体计算步骤为:
假设一组时间序列{xi|i=1,2,…,N},对其进行相空间重构,得到重构的时间序列Xi:
Xi=[xi,xi+τ,…,xi+(m-1)τ] (1)
其中,m为嵌入维数,τ为延迟时间,xi为时间序列Xi中第i个数据点,xi+τ为时间序列Xi中第i+τ个数据点,xi+(m-1)τ为时间序列Xi中第i+(m-1)τ个数据点,将时间序列Xi中的m个数据点按升序排列,即r表示重构序列Xi中数据点的位置,为重构序列Xi中数据点按升序排列后第2个数据点,同理为重构序列Xi中数据点按升序排列后第m个数据点;当存在时,数据点按rj、rk的大小进行排列,即若rj<rk,则认为 表示重构序列Xi中第rj个数据点,rj、rk表示重构序列Xi中数据点所在位置,表示重构序列Xi中第rk个数据点;
时间序列Xi有m!中排列方式,对任一种排列方式ω,T(ω)表示其出现的次数,则其出现的概率为:
因此,时间序列Xi的排列熵HPE可定义为:
HPE=-∑P(ω)ln P(ω) (3)
归一化后得到归一化后的排列熵PE:
7.根据权利要求1所述的一种基于MPE和SVM的OLTC机械故障诊断方法,其特征是:所述振动数据分成两组,每组包括正常振动信号与故障信号,一组用于SVM的训练,另一组用于SVM的测试;步骤3)中,先将特征向量归一化处理到[0,1]之间,将归一化后的训练特征向量输入到支持向量机SVM中,对支持向量机进行训练,然后将归一化后的测试特征向量输入到训练好的SVM,从而判断OLTC的故障模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810166483.0A CN108362488A (zh) | 2018-02-28 | 2018-02-28 | 基于mpe与svm的oltc机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810166483.0A CN108362488A (zh) | 2018-02-28 | 2018-02-28 | 基于mpe与svm的oltc机械故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108362488A true CN108362488A (zh) | 2018-08-03 |
Family
ID=63003316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810166483.0A Pending CN108362488A (zh) | 2018-02-28 | 2018-02-28 | 基于mpe与svm的oltc机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108362488A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117450A (zh) * | 2018-08-04 | 2019-01-01 | 华北水利水电大学 | 振测数据最佳分析长度的确定方法 |
CN109813420A (zh) * | 2019-01-18 | 2019-05-28 | 国网江苏省电力有限公司检修分公司 | 一种基于Fuzzy-ART的并联电抗器故障诊断方法 |
CN109856530A (zh) * | 2018-12-25 | 2019-06-07 | 国网江苏省电力有限公司南京供电分公司 | 一种有载分接开关在线监测故障诊断方法 |
CN110132567A (zh) * | 2019-05-28 | 2019-08-16 | 河海大学 | 一种基于lcd和排列熵的oltc故障诊断方法 |
CN110146268A (zh) * | 2019-05-28 | 2019-08-20 | 河海大学 | 一种基于均值分解算法的oltc故障诊断方法 |
CN110378065A (zh) * | 2019-07-29 | 2019-10-25 | 河海大学 | 一种基于常参数的大变形板非线性振动信号相空间重构方法 |
CN112014047A (zh) * | 2020-08-27 | 2020-12-01 | 华侨大学 | 一种有载分接开关机械故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104849050A (zh) * | 2015-06-02 | 2015-08-19 | 安徽工业大学 | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN105956526A (zh) * | 2016-04-22 | 2016-09-21 | 山东科技大学 | 基于多尺度排列熵的低信噪比微震事件辨识方法 |
CN106644484A (zh) * | 2016-09-14 | 2017-05-10 | 西安工业大学 | Eemd与邻域粗糙集结合的涡桨发动机转子***故障诊断方法 |
CN105354587B (zh) * | 2015-09-25 | 2017-09-05 | 国网甘肃省电力公司电力科学研究院 | 一种风力发电机组齿轮箱的故障诊断方法 |
-
2018
- 2018-02-28 CN CN201810166483.0A patent/CN108362488A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104849050A (zh) * | 2015-06-02 | 2015-08-19 | 安徽工业大学 | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 |
CN105354587B (zh) * | 2015-09-25 | 2017-09-05 | 国网甘肃省电力公司电力科学研究院 | 一种风力发电机组齿轮箱的故障诊断方法 |
CN105956526A (zh) * | 2016-04-22 | 2016-09-21 | 山东科技大学 | 基于多尺度排列熵的低信噪比微震事件辨识方法 |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN106644484A (zh) * | 2016-09-14 | 2017-05-10 | 西安工业大学 | Eemd与邻域粗糙集结合的涡桨发动机转子***故障诊断方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117450A (zh) * | 2018-08-04 | 2019-01-01 | 华北水利水电大学 | 振测数据最佳分析长度的确定方法 |
CN109856530A (zh) * | 2018-12-25 | 2019-06-07 | 国网江苏省电力有限公司南京供电分公司 | 一种有载分接开关在线监测故障诊断方法 |
CN109856530B (zh) * | 2018-12-25 | 2021-11-02 | 国网江苏省电力有限公司南京供电分公司 | 一种有载分接开关在线监测故障诊断方法 |
CN109813420A (zh) * | 2019-01-18 | 2019-05-28 | 国网江苏省电力有限公司检修分公司 | 一种基于Fuzzy-ART的并联电抗器故障诊断方法 |
CN110132567A (zh) * | 2019-05-28 | 2019-08-16 | 河海大学 | 一种基于lcd和排列熵的oltc故障诊断方法 |
CN110146268A (zh) * | 2019-05-28 | 2019-08-20 | 河海大学 | 一种基于均值分解算法的oltc故障诊断方法 |
CN110378065A (zh) * | 2019-07-29 | 2019-10-25 | 河海大学 | 一种基于常参数的大变形板非线性振动信号相空间重构方法 |
CN112014047A (zh) * | 2020-08-27 | 2020-12-01 | 华侨大学 | 一种有载分接开关机械故障诊断方法 |
CN112014047B (zh) * | 2020-08-27 | 2022-05-03 | 华侨大学 | 一种有载分接开关机械故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108362488A (zh) | 基于mpe与svm的oltc机械故障诊断方法 | |
US20210167584A1 (en) | Gis mechanical fault diagnosis method and device | |
CN105528741B (zh) | 一种基于多信号特征融合的断路器状态识别方法 | |
CN108398252A (zh) | 基于itd与svm的oltc机械故障诊断方法 | |
Huang et al. | An intelligent fault diagnosis method of high voltage circuit breaker based on improved EMD energy entropy and multi-class support vector machine | |
Hong et al. | A variational mode decomposition approach for degradation assessment of power transformer windings | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN108229382A (zh) | 振动信号特征提取方法、装置、存储介质和计算机设备 | |
CN110146268A (zh) | 一种基于均值分解算法的oltc故障诊断方法 | |
CN103308292A (zh) | 基于振动信号分析的真空断路器机械状态检测方法 | |
CN103823180A (zh) | 一种配电开关机械故障诊断方法 | |
CN104713714B (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 | |
CN1232834C (zh) | 基于振动分析的真空断路器触头关合时刻的在线检测方法 | |
CN105241643A (zh) | 采用hs变换和单类支持向量机的高压断路器机械状态监测方法 | |
CN113297922B (zh) | 一种高压开关柜故障诊断方法、装置及存储介质 | |
CN117390408B (zh) | 一种电力变压器运行故障检测方法及*** | |
Charbkaew et al. | Vibration signal analysis for condition monitoring of puffer‐type high‐voltage circuit breakers using wavelet transform | |
CN113551895A (zh) | 一种有载分接开关机械故障综合智能诊断方法 | |
CN109632291A (zh) | 一种基于多元模态分解-传递熵的齿轮箱故障诊断方法 | |
CN103197001A (zh) | 一种基于振动信号小波阈值降噪的高速道岔伤损识别方法 | |
Shuyou et al. | Extracting power transformer vibration features by a time-scale-frequency analysis method | |
Yang et al. | Vibration signature extraction of high-voltage circuit breaker by frequency and chaotic analysis | |
CN107607302B (zh) | 基于多维缩放统计分析的高压断路器机械故障诊断方法 | |
CN110132567A (zh) | 一种基于lcd和排列熵的oltc故障诊断方法 | |
CN110929673A (zh) | 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180803 |