CN112557004A - 一种高压断路器机械故障检测方法 - Google Patents
一种高压断路器机械故障检测方法 Download PDFInfo
- Publication number
- CN112557004A CN112557004A CN202011318216.4A CN202011318216A CN112557004A CN 112557004 A CN112557004 A CN 112557004A CN 202011318216 A CN202011318216 A CN 202011318216A CN 112557004 A CN112557004 A CN 112557004A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- interval
- fault
- circuit breaker
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000005236 sound signal Effects 0.000 claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims description 25
- 238000003491 array Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 229910018503 SF6 Inorganic materials 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 claims description 3
- 229960000909 sulfur hexafluoride Drugs 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 12
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method 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
- G01M13/00—Testing of machine parts
-
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Arc-Extinguishing Devices That Are Switches (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明提出了一种高压断路器机械故障检测方法,通过识别断路器工作中的特征事件来确定声音信号的有效信息部分,使得提取的特征声音信号长度和特征区间数减少,也避免在识别过程中声音信号的前端和后端地噪音信号部分对识别的干扰,通过对可识别特征区间的筛选,减少在故障识别中的数据处理量,对待识别特征区间的权重优先级排序,按照权重顺序对待识别特征区间依次进行检测,检测过程效率更高。
Description
技术领域
本发明涉及高压断路器故障检测领域,具体涉及一种高压断路器机械故障检测方法。
背景技术
高压断路器作为电力***中重要的高压设备,一旦发生故障,将可能产生非常严重的后果。高压断路器的主要故障是机械故障。
针对机械故障,电磁铁线圈电流诊断、振动信号诊断、声音信号诊断是目前研究较多的故障诊断方法。其中,电磁铁线圈电流诊断通过采集电磁铁线圈电流信号分析诊断,能够对电磁铁相关的各种故障进行有效诊断,但是操动机构等电磁铁以外的故障则几乎无法诊断。振动信号诊断通过采集开闸、合闸电磁铁,以及开闸、合闸弹簧附近的振动信号进行诊断,由于振动信号含有非常丰富的信息,可以对绝大多数机械故障进行诊断,并且有着很高的诊断正确率,但是振动信号对于安装位置要求较高,一般在弹簧或电磁铁附近才能比较好地采集信号,同时由于断路器分合闸时振动频率很高,能达到上万赫兹,如此大量程的振动传感器价格昂贵,所需的数据采集板卡价格也很昂贵。断路器声音诊断方法是目前断路器故障诊断的一个热点方向。声音信号与振动信号属于同源信号,但是断路器分合闸振动引起的声音信号频率远低于振动信号,主要集中于数千赫兹范围,这大大降低了传感器和振动采集卡的成本;同时声音传感器安装位置灵活,无需侵入式安装,但是声音诊断方法也存在着操作事件和有效区间识别困难的问题。
目前采用声信号特征进行故障识别的声信号全时间区域KS检验(Kolmogorov-Smirnov test,柯尔莫哥洛夫-斯摩洛夫检测)方法,进行诊断的识别率也很高。但是由于KS检验对于纯噪音信号或者有效信息很少的信号,检验效果很差,全时间区域KS检验有以下缺点:(1)未有操作声音前,由于环境和设备噪音,任意两信号的KS检验几乎均判定为不同信号。(2)操作声音出现并明显衰减后,设备的余震声音信号混杂了各种折射反射声音信号,此时任意两信号的KS检验存在较强的随机性。(3)全时间区域KS检验特征区间众多,这既容易略去部分有效特征区间,也容易强化本组故障的独特量引起过度学习。
发明内容
本发明提出一种高压断路器机械故障检测方法,精确地确定声音信号的有效信息部分,减少了设备或者信号的噪声对检测产生的影响,并缩减了提取的特征声音信号长度和特征区间数,减少在故障识别中的数据处理量,检测的过程更加高效,检测结果更加准确。
本发明提供的一种高压断路器机械故障检测方法,包括:
采集断路器合闸过程中振动产生的声音信号;
采用第一特征识别断路器发生合闸电磁铁铁芯撞击的事件,标记为第一事件,并记录时间T1;
采用第二特征识别断路器发生动静触头撞击的事件,标记为第二事件,并记录时间T2;
将所述声音信号的所述时间T1到所述时间T2之间的声音信号提取为有效信号部分;
按照预设的区段时间t将所述有效信号部分划分为N个特征区间,编号依次为1~N;
提取特征区间的特征向量数据;
获取可识别特征区间数组和特征区间权重排序;
当所述特征区间的编号不属于可识别特征区间数组,删除该特征区间的数据;当特征区间的编号属于可识别特征区间数组,保留该特征区间的特征向量数据,得到待识别特征区间
按照所述特征区间权重排序,依次对所述待识别特征区间进行柯尔莫哥洛夫-斯摩洛夫检测得出故障结果。
优选地,所述第一特征为检测到断路器的合闸电磁铁的回路电流值超过门限I1;
所述第二特征为采集动静触头撞击的振动信号,并识别到达到强度E0。
进一步地,所述时间T1具体为:T1=t1+td1;
所述t1为检测到第一事件发生的时刻;
所述td1为第一事件发生到有效声音信号被采集的延时,td1=tp+tr+te,其中,所述tp为第一事件发出的声音传递到被采集所需要的时间,所述tr为第一事件的声音信号被采集时声音传感器的响应时间,所述te为采集的声音信号上升过程中,达到强度E1的时间。
进一步地,所述时间T2具体为:T2=t2+td2;
所述t2为检测到第二事件发生的时刻;
所述td2为第二事件发生到有效声音信号被采集的延时:td2=tp’+tr’+te’,其中,所述tp’为第二事件发出声音传递到被采集所需要的时间,所述tr’为第二事件的声音信号被采集时声音传感器的响应时间,所述te’为采集的第二事件的声音信号上升过程中,达到强度E2的时间。
作为一种优选方式,所述特征区间的特征向量数据为每个特征区间的声音信号幅值。
作为一种优选方式,所述可识别特征区间数组的获取方法为:
通过故障模拟器模拟机械故障的情况以及断路器正常工作的情况,进行空载实验;
采集正常工作和在机械故障情况下断路器工作时的声音信号的有效信息部分;
将所述有效信息部分按照设定的区段时间t’划分为M个特征区间,并按照时间先后编号为1~M;
提取所述特征区间的声音信号的幅值作为特征向量;
当第一故障情况下的第i个特征区间检验与正常情况下第i个特征区间的KS检测相同时,将编号i记录进第一故障的第一标记数组A1中;
依次对每种故障情况下的特征区间检验,得出每种所述故障模拟器模拟的机械故障的标记数组;
对每种故障情况特征区间的标记数组取并集,得到可识别特征区间数组。
优选地,所述预设的区段时间t和所述设定的区段时间t’相同,所述编号1~N和所述编号1~M一一对应。
进一步地,所述特征区间的权重排序的获取方法为:
对所述可识别特征区间数组中的特征区间的特征向量采用Relief-F算法计算权重,按照权重高到低的顺序得出特征区间权重排序。
作为一种优选方式,所述按照所述特征区间权重排序,依次对所述待识别特征区间进行KS检测得出故障结果具体为:
按照特征区间权重排序的顺序,依次将待识别特征区间的特征向量k与所述第一故障情况下提取出来的编号也为k的特征向量进行KS检测,检测结果为相同时,将所述编号k记录进检测数组C1中;
依次完成所有待识别特征区间对所有故障情况下的检测数组,当该检测数组CN与所述可识别特征区间数组相同时,该检测数组CN对应的故障即为该高压断路器的机械故障。
进一步地,所述机械故障的情况至少包括电磁铁线圈卡涩、电磁铁匝间短路、冲程间隙变异、弹簧储能下降和六氟化硫气体压力降低。
本发明提供的一种高压断路器机械故障检测方法,该方法通过检测合闸线圈地电流和振动信号精确地确定声音信号的有效信号部分,能够剔除了声音信号的前端和后端地噪音信号部分,避免噪声对检测的影响,检测结果更加准确;也使得进行KS检验特征提取的声音信号长度和特征区间数大大缩减,能够减少在故障识别中,待处理和识别数据量;通过对机械故障情况和正常工作情况的模拟和计算,对提取出的特征区间进一步缩减,对特征向量权重排序,不仅前期数据处理量明显缩减,而且按权重排序进行检测,权重更高地特征区间先检测,检测更加有效。
附图说明
图1是本发明提供的一种高压断路器机械故障检测方法的一种实施例的流程示意图。
图2是本发明提供的可识别特征区间数组和特征区间权重排序的获取方法的一种实施例的流程示意图
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,是本发明提供的一种高压断路器机械故障检测方法的一种实施例的流程示意图。
本实施例提供一种高压断路器机械故障检测方法,包括步骤S101至步骤S108,具体如下:
S101,采集断路器合闸过程中振动产生的声音信号;
S102,采用第一特征识别断路器发生合闸电磁铁铁芯撞击的事件,标记为第一事件,并记录时间T1;
S103,采用第二特征识别断路器发生动静触头撞击的事件,标记为第二事件,并记录时间T2;
S104,将所述声音信号的所述时间T1到所述时间T2之间的声音信号提取为有效信号部分;
S105,按照预设的区段时间t将所述有效信号部分划分为N个特征区间,编号依次为1~N;
S106,提取特征区间的特征向量数据;
S107,获取可识别特征区间数组和特征区间的权重排序;
S108,当所述特征区间的编号不属于可识别特征区间数组,删除该特征区间的数据;当特征区间的编号属于可识别特征区间数组,保留该特征区间的特征向量数据,得到待识别特征区间;
S109,按照所述特征区间权重排序,依次对所述待识别特征区间进行KS检测得出故障结果。
在本实施例中,S102中的第一特征具体为检测到断路器的合闸电磁铁的回路电流值超过门限I1;第二特征具体为采集动静触头撞击的振动信号,并识别到达到强度E0。
作为本发明的一种实施例,S103中的时间T1具体为:T1=t1+td1;t1为检测到第一事件发生的时刻;
td1为第一事件发生到有效声音信号被采集的延时,td1=tp+tr+te,其中,所述tp为第一事件发出的声音传递到被采集所需要的时间,所述tr为第一事件的声音信号被采集时声音传感器的响应时间,所述te为采集的声音信号上升过程中,达到触发第一事件强度E1的时间。
在本实施例中,S104中的时间T2具体为:T2=t2+td2;
所述t2为检测到第二事件发生的时刻;
所述td2为第二事件发生到有效声音信号被采集的延时:td2=tp’+tr’+te’,其中,所述tp’为第二事件发出声音传递到被采集所需要的时间,所述tr’为第二事件的声音信号被采集时声音传感器的响应时间,所述te’为采集的第二事件的声音信号上升过程中,达到触发第二事件强度E2的时间。
此外,特征区间的特征向量为每个特征区间的声音信号幅值。
本实施例提出一种高压断路器机械故障检测方法,更加精确地确定声音信号的有效信息部分,使得提取的特征声音信号长度和特征区间数减少,并通过对特征区间的筛选,减少在故障识别中的数据处理量,对特征区间的优先级排序,能够提高特征区间的有效性。
参见图2,是本发明提供的可识别特征区间数组和特征区间权重排序的获取方法的一种实施例的流程示意图。
本实施例提供一种高压断路器机械故障检测方法,包括步骤S201至步骤S208,具体如下:
S201,通过故障模拟器模拟机械故障的情况以及断路器正常工作的情况,进行空载实验;
S202,采集正常工作和在机械故障情况下断路器工作时的声音信号的有效信息部分;
S203,将所述有效信息部分按照设定的区段时间t’划分为M个特征区间,并按照时间先后编号为1~M;
S204,提取所述特征区间的声音信号的幅值作为特征向量;
S205,当第一故障情况下的第i个特征区间检验与正常情况下第i个特征区间KS检测相同时,将编号i记录进第一故障的标记数组A1中;
S206,依次对每种故障情况下的特征区间检验,得出每种所述故障模拟器模拟的机械故障的标记数组;
S207,对每种故障情况特征区间的标记数组取并集,得到可识别特征区间数组;
S208,对可识别特征区间数组中的特征区间的特征向量采用Relief-F算法计算权重,按照权重高到低的顺序得出特征区间的权重排序。
在本实施例中,步骤S203中的预设的区段时间t和上一实施例中步骤S105中的设定的区段时间t’相同,特征区间的数量N和M也相等,编号1~N和1~M一一对应,确保在可识别特征区间数组和特征区间的权重排序的特征区间的序号相同。
在结合本实施例中,上一实施例S109的具体步骤为:
按照所述特征区间权重排序,依次对所述待识别特征区间进行柯尔莫哥洛夫-斯摩洛夫检测得出故障结果具体为:
按照特征区间权重排序的顺序,依次将待识别特征区间的特征向量k与所述第一故障情况下提取出来的编号也为k的特征向量进行柯尔莫哥洛夫-斯摩洛夫检测,检测结果为相同时,将所述编号k记录进检测数组C1中;
依次完成所有待识别特征区间对所有故障情况下的检测数组,当该检测数组CN与所述可识别特征区间数组相同时,该检测数组CN对应的故障即为该高压断路器的机械故障。
在上述实施例中机械故障的情况包括电磁铁线圈卡涩、电磁铁匝间短路、冲程间隙变异、弹簧储能下降和六氟化硫气体压力降低。
本发明在具体实施时,通过安装在距离断路器1.5m,同时方向正对断路器合闸簧的声音传感器采集断路器工作过程中的声音信号,通过电流传感器采集分合闸电磁铁的回路电流,通过振动传感器采集动静触头碰撞的振动。
通过多次调整测试,第一事件触发延时td1设定为20ms,第二事件触发延时td2设定为80ms,有效声音区间约为128ms,这与现有技术400ms的测量区间相比缩短到了三分之一。
而在具体实施中,区段时间宽度由原本的1ms调整为4ms,实际测量的区间将减少至32个,为现有技术的400个的十分之一。
通过对机械故障的模拟,和经过KS检验,得出每种故障的标记特征区间和标记数组,对所有模拟的故障的标记数组取并集,得出的可识别特征区间数组,其中的特征区间的数量为25个,通过Relief-F算法的计算,对25个特征区间进行权重排序,前几个特征向量的权重明显高于后面的特征向量,特征向量的有效性更加得到保证,更有可能得到良好的机器学习结果。
本发明提供的一种高压断路器机械故障检测方法,该方法通过检测合闸线圈地电流和振动信号精确地确定声音信号的有效信号部分,能够剔除了声音信号的前端和后端地噪音信号部分,避免噪声对检测的影响,检测结果更加准确;使得进行KS检验特征提取的声音信号长度和特征区间数大大缩减,能够减少在故障识别中,待处理和识别数据量;通过对机械故障情况和正常工作情况的模拟和计算,对提取出的特征区间进一步缩减,对特征向量权重排序,不仅前期数据处理量明显缩减,而且按权重排序进行检测,权重更高地特征区间先检测,检测更加高效,本发明能够提高检测效率,减少了检测过程的数据处理量,并且提出前后端噪声,只保留有效信息部分,检测结果更加高效。
以上所述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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种高压断路器机械故障检测方法,其特征在于,包括:
采集断路器合闸过程中振动产生的声音信号;
采用第一特征识别断路器发生合闸电磁铁铁芯撞击的事件,标记为第一事件,并记录时间T1;
采用第二特征识别断路器发生动静触头撞击的事件,标记为第二事件,并记录时间T2;
将所述声音信号的所述时间T1到所述时间T2之间的声音信号提取为有效信号部分;
按照预设的区段时间t将所述有效信号部分划分为N个特征区间,编号依次为1~N;
提取特征区间的特征向量数据;
获取可识别特征区间数组和特征区间权重排序;
当所述特征区间的编号不属于可识别特征区间数组,删除该特征区间的数据;当特征区间的编号属于可识别特征区间数组,保留该特征区间的特征向量数据,得到待识别特征区间;
按照所述特征区间权重排序,依次对所述待识别特征区间进行柯尔莫哥洛夫-斯摩洛夫检测得出故障结果。
2.如权利要求1所述的一种高压断路器机械故障检测方法,其特征在于,所述第一特征为检测到断路器的合闸电磁铁的回路电流值超过门限I1;
所述第二特征为采集动静触头撞击的振动信号,并识别到达到强度E0。
3.如权利要求1所述的一种高压断路器机械故障检测方法,其特征在于,所述时间T1具体为:T1=t1+td1;
所述t1为检测到第一事件发生的时刻;
所述td1为第一事件发生到有效声音信号被采集的延时,td1=tp+tr+te,其中,所述tp为第一事件发出的声音传递到被采集所需要的时间,所述tr为第一事件的声音信号被采集时声音传感器的响应时间,所述te为采集的声音信号上升过程中,达到强度E1的时间。
4.如权利要求1所述的一种高压断路器机械故障检测方法,其特征在于,所述时间T2具体为:T2=t2+td2;
所述t2为检测到第二事件发生的时刻;
所述td2为第二事件发生到有效声音信号被采集的延时:td2=tp’+tr’+te’,其中,所述tp’为第二事件发出声音传递到被采集所需要的时间,所述tr’为第二事件的声音信号被采集时声音传感器的响应时间,所述te’为采集的第二事件的声音信号上升过程中,达到强度E2的时间。
5.如权利要求1所述的一种高压断路器机械故障检测方法,其特征在于,所述特征区间的特征向量数据为每个特征区间的声音信号幅值。
6.如权利要求1所述的一种高压断路器机械故障检测方法,其特征在于,所述可识别特征区间数组的获取方法为:
通过故障模拟器模拟机械故障的情况以及断路器正常工作的情况,进行空载实验;
采集正常工作和在机械故障情况下断路器工作时的声音信号的有效信息部分;
将所述有效信息部分按照设定的区段时间t’划分为M个特征区间,并按照时间先后编号为1~M;
提取所述特征区间的声音信号的幅值作为特征向量;
当第一故障情况下的第i个特征区间检验与正常情况下第i个特征区间的柯尔莫哥洛夫-斯摩洛夫检测相同时,将编号i记录进第一故障的第一标记数组A1中;
依次对每种故障情况下的特征区间检验,得出每种所述故障模拟器模拟的机械故障的标记数组;
对每种故障情况特征区间的标记数组取并集,得到可识别特征区间数组。
7.如权利要求6所述的一种高压断路器机械故障检测方法,其特征在于,所述预设的区段时间t和所述设定的区段时间t’相同,所述编号1~N和所述编号1~M一一对应。
8.如权利要求6所述一种高压断路器机械故障检测方法,其特征在于,所述特征区间的权重排序的获取方法为:
对所述可识别特征区间数组中的特征区间的特征向量采用Relief-F算法计算权重,按照权重高到低的顺序得出特征区间权重排序。
9.如权利要求6所述的一种高压断路器机械故障检测方法,其特征在于,所述按照所述特征区间权重排序,依次对所述待识别特征区间进行柯尔莫哥洛夫-斯摩洛夫检测得出故障结果具体为:
按照特征区间权重排序的顺序,依次将待识别特征区间的特征向量k与所述第一故障情况下提取出来的编号也为k的特征向量进行柯尔莫哥洛夫-斯摩洛夫检测,检测结果为相同时,将所述编号k记录进检测数组C1中;
依次完成所有待识别特征区间对所有故障情况下的检测数组,当该检测数组CN与所述可识别特征区间数组相同时,该检测数组CN对应的故障即为该高压断路器的机械故障。
10.如权利要求6所述的一种高压断路器机械故障检测方法,其特征在于,所述机械故障的情况至少包括电磁铁线圈卡涩、电磁铁匝间短路、冲程间隙变异、弹簧储能下降和六氟化硫气体压力降低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011318216.4A CN112557004B (zh) | 2020-11-23 | 2020-11-23 | 一种高压断路器机械故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011318216.4A CN112557004B (zh) | 2020-11-23 | 2020-11-23 | 一种高压断路器机械故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112557004A true CN112557004A (zh) | 2021-03-26 |
CN112557004B CN112557004B (zh) | 2022-06-14 |
Family
ID=75044747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011318216.4A Active CN112557004B (zh) | 2020-11-23 | 2020-11-23 | 一种高压断路器机械故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112557004B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113252323A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种基于人耳听觉特性的断路器机械故障识别方法及*** |
CN117168802A (zh) * | 2023-08-14 | 2023-12-05 | 苏州长木传动科技有限公司 | 一种谐波减速机性能寿命的检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4400981A (en) * | 1980-10-31 | 1983-08-30 | Tokyo Shibaura Denki Kabushiki Kaisha | Method and apparatus for detecting abnormal conditions of switch gears |
DE19745175A1 (de) * | 1997-10-13 | 1999-05-06 | Zahnradfabrik Friedrichshafen | Diagnoseeinrichtung und -verfahren |
CN101187593A (zh) * | 2007-12-18 | 2008-05-28 | 华南理工大学 | 电站汽轮机转子振动故障的柯尔莫果洛夫熵诊断方法 |
CN105426655A (zh) * | 2015-10-28 | 2016-03-23 | 广东石油化工学院 | 一种基于无量纲指标的旋转机械故障诊断方法 |
CN106526468A (zh) * | 2016-10-18 | 2017-03-22 | 国家电网公司 | 基于波形特征识别的断路器状态检测方法 |
CN107817098A (zh) * | 2017-10-12 | 2018-03-20 | 东北电力大学 | 一种高压断路器机械故障诊断方法 |
CN109061463A (zh) * | 2018-09-29 | 2018-12-21 | 华南理工大学 | 一种高压断路器机械状态监测和故障诊断方法 |
CN109164380A (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装置 |
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 |
CN111272405A (zh) * | 2020-03-26 | 2020-06-12 | 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故障诊断方法及*** |
CN111398798A (zh) * | 2020-03-05 | 2020-07-10 | 广西电网有限责任公司电力科学研究院 | 基于振动信号区间特征提取的断路器储能状态辨识方法 |
-
2020
- 2020-11-23 CN CN202011318216.4A patent/CN112557004B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4400981A (en) * | 1980-10-31 | 1983-08-30 | Tokyo Shibaura Denki Kabushiki Kaisha | Method and apparatus for detecting abnormal conditions of switch gears |
DE19745175A1 (de) * | 1997-10-13 | 1999-05-06 | Zahnradfabrik Friedrichshafen | Diagnoseeinrichtung und -verfahren |
CN101187593A (zh) * | 2007-12-18 | 2008-05-28 | 华南理工大学 | 电站汽轮机转子振动故障的柯尔莫果洛夫熵诊断方法 |
CN105426655A (zh) * | 2015-10-28 | 2016-03-23 | 广东石油化工学院 | 一种基于无量纲指标的旋转机械故障诊断方法 |
CN106526468A (zh) * | 2016-10-18 | 2017-03-22 | 国家电网公司 | 基于波形特征识别的断路器状态检测方法 |
CN107817098A (zh) * | 2017-10-12 | 2018-03-20 | 东北电力大学 | 一种高压断路器机械故障诊断方法 |
CN109164380A (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装置 |
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 |
CN109061463A (zh) * | 2018-09-29 | 2018-12-21 | 华南理工大学 | 一种高压断路器机械状态监测和故障诊断方法 |
CN111398798A (zh) * | 2020-03-05 | 2020-07-10 | 广西电网有限责任公司电力科学研究院 | 基于振动信号区间特征提取的断路器储能状态辨识方法 |
CN111272405A (zh) * | 2020-03-26 | 2020-06-12 | 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故障诊断方法及*** |
Non-Patent Citations (1)
Title |
---|
杨秋玉: "基于振动信号时频图像识别的高压断路器分闸缓冲器状态评估", 《电工技术学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113252323A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种基于人耳听觉特性的断路器机械故障识别方法及*** |
CN117168802A (zh) * | 2023-08-14 | 2023-12-05 | 苏州长木传动科技有限公司 | 一种谐波减速机性能寿命的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112557004B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112557004B (zh) | 一种高压断路器机械故障检测方法 | |
CN107817098B (zh) | 一种高压断路器机械故障诊断方法 | |
CN112255538B (zh) | 一种多特征优化融合的高压断路器故障诊断方法 | |
CN107024654B (zh) | 用于电机的监视***与方法 | |
CN110926778B (zh) | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 | |
US7579843B2 (en) | Methods and apparatus for analyzing partial discharge in electrical machinery | |
CN106646096A (zh) | 基于振动分析法的变压器故障分类和识别方法 | |
Chang et al. | Source classification of partial discharge for gas insulated substation using waveshape pattern recognition | |
CN106556758A (zh) | 一种开关柜运行监测评估*** | |
CN110146268A (zh) | 一种基于均值分解算法的oltc故障诊断方法 | |
CN112611924B (zh) | 一种断路器机构的寿命评估方法 | |
CN112557966A (zh) | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 | |
CN108362488A (zh) | 基于mpe与svm的oltc机械故障诊断方法 | |
CN109443190A (zh) | 基于暂态行波的变压器绕组变形在线监测方法及装置 | |
Ibrahim et al. | Realization of partial discharge signals in transformer oils utilizing advanced computational techniques | |
CN114757110A (zh) | 一种基于滑窗检测提取电流信号的断路器故障诊断方法 | |
Hsu et al. | Vacuum circuit breaker closing time key moments detection via vibration monitoring: A run-to-failure study | |
CN117874645A (zh) | 用于光伏发电站的断路器运维状态监测方法及*** | |
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 | |
CN115704860A (zh) | 一种基于振动信号的断路器状态辨识方法 | |
CN110426192A (zh) | 一种断路器的声学指纹检测***和方法 | |
Sukma et al. | Determination of type of partial discharge in cubicle-type gas insulated switchgear (C-GIS) using artificial neural network | |
CN112345648B (zh) | 一种高压断路器凸轮裂纹故障检测装置及方法 | |
CN112598152A (zh) | 基于改进仿射传播聚类的高压断路器故障诊断方法 | |
Sung-min et al. | The estimation of insulation on MV cables using the VLF tanδ diagnostic measurement |
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 |