一种基于LVQ神经网络的高压断路器机械故障识别方法技术
A mechanical fault identification method for high voltage circuit breaker based on LVQ neural network
【技术实现步骤摘要】
一种基于LVQ神经网络的高压断路器机械故障识别方法
本专利技术提出了一种基于LVQ神经网络的高压断路器机械故障识别方法，属于断路器故障识别
技术介绍
机械故障是高压断路器的主要故障。国际大电网会议(CIGER)对高压断路器可靠性所做的2次世界范围的调查及我国电力科学研究院对高压开关事故的统计分析均表明，80％高压断路器故障起因于机械故障。因而高压断路器的机械振动信号在其机械故障诊断中有着重要作用。断路器在分合闸操作中所产生的振动信号是一系列无规则的信号量，这些振动信号还会夹杂着各种各样的噪声干扰和随机振动。高压断路器的振动信号是一种瞬时非平稳信号，包含有大量设备状态信息，通过监测断路器动作过程中的振动信号，可以识别出断路器的机械故障或机械状态。且利用振动诊断方法有利于实现对断路器的非侵入式的状态监测，可很好地解决高压隔离问题。对振动信号的处理一般包括2个环节，即特征提取、故障识别。特征提取比较常用的是时频法，时频法能兼顾时间和频率，能较好地表达信号地局部特征，特别适合非平稳信号的分析。小波包技术在保持小波正交基的优良特性的基础上改善了小波“高频低分辨”的...
【技术保护点】
一种基于LVQ神经网络的高压断路器机械故障识别方法，其特征在于，包括以下几个步骤：步骤1：通过加速度传感器对断路器正常状态下的振动信号、故障状态下的振动信号进行采集，并对振动信号做去噪处理；步骤2：对采集到的振动信号进行小波包分解，得到P个频段，P个频段信号分别以能量的形式表示，并进行归一化，构造特征向量，作为LVQ神经网络的输入，其中P为正整数；步骤3：将步骤2构造的特征向量输入到LVQ神经网络中，对LVQ神经网络进行训练，当所述LVQ神经网络达到设定迭代步数时，将测试数据输入到训练好的LVQ神经网络，从而判断高压断路器的故障模式。
【技术特征摘要】
1.一种基于LVQ神经网络的高压断路器机械故障识别方法，其特征在于，包括以下几个步骤：步骤1：通过加速度传感器对断路器正常状态下的振动信号、故障状态下的振动信号进行采集，并对振动信号做去噪处理；步骤2：对采集到的振动信号进行小波包分解，得到P个频段，P个频段信号分别以能量的形式表示，并进行归一化，构造特征向量，作为LVQ神经网络的输入，其中P为正整数；步骤3：将步骤2构造的特征向量输入到LVQ神经网络中，对LVQ神经网络进行训练，当所述LVQ神经网络达到设定迭代步数时，将测试数据输入到训练好的LVQ神经网络，从而判断高压断路器的故障模式。2.根据权利要求1所述的基于LVQ神经网络的高压断路器机械故障识别方法，其特征在于，步骤1中，模拟断路器在分闸过程中正常和故障状态下的振动信号，数据采集卡在断路器模拟动作时以设定的速率每相采集振动数据送至PC机进行处理；每种故障模式采集了15组数据，共45组样本，然后从每种故障模式中随机抽取10组数据，共30组数据对网络进行训练，剩余15组数据作为网络测试样本。3.根据权利要求2所述的基于LVQ神经网络的高压断路器机械故障识别方法，其特征在于，所述故障状态包括灭弧室内部大螺丝脱落、小螺丝脱落。4.根据权利要求1所述的基于LVQ神经网络的高压断路器机械故障识别方法，其特征在于，P取8,步骤2具体的方法如下：步骤A：采用db10小波对采集到的振动信号进行3层小波包变换，得到8个频段；步骤B：提取振动信号的特征量；频段信号的能量表达式为：其中，t表示信号每个点所对应的时间，E3(i)为第i个频段的能量，W(3,i)为小波包3层分解后第三层第i个频段信号，xik表示第i个频段信号W(3,i)的第k个离散点的值，i＝0,1,…,7,k＝1,2,…,N，N表示离散点数，离散点即步骤1)中采集的振动信号...
【专利技术属性】
技术研发人员：马宏忠，徐艳，刘勇业，刘宝稳，李思源，宋开胜，李盛翀，吴书煜，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。