论文摘要
为提高断路器机械振动信号特征提取效率,避免将无训练样本未知类型故障误识别为正常样本或错误已知故障,提出一种断路器机械状态监测与故障诊断新方法。首先,将断路器机械操动机构振动信号进行时域分割,对分割后的各段信号分别直接提取7种特征,构成特征向量;通过散布矩阵分析特征分类能力,确定以Tsallis熵特征分析断路器机械故障。然后,将特征向量输入到基于单类支持向量机(OCSVM)与极限学习机(ELM)的层次化混合分类器中开展故障诊断。在混合分类器中,首先由OCSVM区分正常与故障状态;如为故障状态,则使用ELM识别故障类型,之后再以OCSVM校正ELM识别结果。通过实际断路器振动数据开展实验证明,散布矩阵能够有效分析特征的类可分性,时域分割提取特征效率高,层次化混合分类器不仅能够准确识别断路器机械状态与故障类型,而且可有效识别无训练样本未知故障类型数据。
论文目录
文章来源
类型: 期刊论文
作者: 黄南天,王斌,蔡国伟,郑检,方立华
关键词: 高压断路器,机械故障诊断,时域分割,单类支持向量机,极限学习机
来源: 高电压技术 2019年05期
年度: 2019
分类: 工程科技Ⅱ辑
专业: 电力工业
单位: 东北电力大学现代电力系统仿真控制与绿色电能新技术教育部重点实验室,国网江西省电力有限公司
基金: 国家重点研发计划(2016YFB0900104),吉林省产业技术开发专项(2019C058-8)~~
分类号: TM561
DOI: 10.13336/j.1003-6520.hve.20190430023
页码: 1518-1525
总页数: 8
文件大小: 2043K
下载量: 317