论文摘要
对变压器油箱表面混合的绕组和铁心振动信号进行分离,可以提高利用振动信号诊断内部机械状态的准确程度。文中利用径向基(radial basis function,RBF)神经网络以任意精度逼近非线性函数的优点,建立了以混合振动信号频域特征为输入,铁心、绕组源信号频域特征为输出的分离模型,将采集到的振动信号分为训练集和验证集,用训练集对网络进行训练,验证集进行验证,设定训练误差的目标值,当网络迭代到训练误差达到指定精度时,网络训练完成,从而可以利用该网络实现铁心、绕组振动信号的分离。波形相似系数的计算结果表明,分离信号与振动源信号的相似系数高于0.7,分离效果理想。与传统的盲源分离方法相比,基于RBF神经网络的分离方法克服了前者的两个局限性:一个是源信号排列顺序的不确定性,即分离出的铁心和绕组振动信号的排序无法确定;另一个是信号幅值的不确定性,即分离得到信号与源信号波形相似而幅值差距较大。此方法能够更准确地获得绕组和铁心的振动信号,实现对绕组、铁心机械状态的诊断。
论文目录
文章来源
类型: 期刊论文
作者: 傅晨钊,司文荣,徐鹏,贺林,田昊洋,徐湘亿,王劭菁,崔律,王一林
关键词: 径向基神经网络,铁心振动,绕组振动,混合信号分离
来源: 高压电器 2019年11期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 电力工业,自动化技术
单位: 国网上海市电力公司电力科学研究院,西安交通大学
基金: 国网上海市电力公司科技项目(基于声学成像技术的变压器声学特性研究与现场应用)~~
分类号: TP183;TM41
DOI: 10.13296/j.1001-1609.hva.2019.11.023
页码: 159-164
总页数: 6
文件大小: 1859K
下载量: 124