国产精品久久久久久久久人妻,国产精品久久久久精品香蕉,成人自慰女黄网站免费大全,成年av免费网址大全超清,国产 精品 丝袜

根據(jù)國際大電網(wǎng)會(huì)議的兩次統(tǒng)計(jì)，高壓斷路器（High Voltage Circuit Breaker, HVCB）的主要故障是機(jī)械故障，斷路器的機(jī)械狀態(tài)檢測尤為重要，高壓斷路器機(jī)械特性的研究可反映出斷路器80%以上的運(yùn)行狀態(tài)。因此，斷路器故障診斷技術(shù)成為研究的重點(diǎn)。

隨著輸配電網(wǎng)自動(dòng)化程度和可靠性要求的提高，對(duì)斷路器自身的可靠性要求也不斷增加。斷路器在動(dòng)作過程中蘊(yùn)含著很多重要的反映其機(jī)械狀態(tài)的信息。采集其動(dòng)作時(shí)的振動(dòng)信號(hào)，提取故障信號(hào)的特征向量，構(gòu)建性能優(yōu)越的分類器是對(duì)故障信號(hào)進(jìn)行分析的關(guān)鍵。

斷路器的狀態(tài)檢測是故障診斷中很重要的一個(gè)環(huán)節(jié)，近幾年，國內(nèi)學(xué)者從多個(gè)角度進(jìn)行了探索研究，有學(xué)者將合閘過程中彈簧的加速度信號(hào)分為兩段，利用前段信號(hào)獲得待檢測彈簧與標(biāo)準(zhǔn)彈簧能量釋放速度的最小空間距離。利用后段信號(hào)提取彈簧的本征頻率。對(duì)最小空間距離和本征頻率進(jìn)行數(shù)據(jù)融合，檢測合閘彈簧儲(chǔ)能狀態(tài)，對(duì)高壓斷路器機(jī)械特性進(jìn)行判斷。

高壓斷路器電信號(hào)與位移信號(hào)反映了設(shè)備的機(jī)械特性，研究人員以此為切入點(diǎn)進(jìn)行了相關(guān)研究，如有學(xué)者采集高壓斷路器分合閘線圈中的電流信號(hào)和動(dòng)觸頭的行程信號(hào)，基于高壓斷路器運(yùn)作機(jī)理，實(shí)現(xiàn)了兩種信號(hào)相互驗(yàn)證分析方式的診斷方案。而有學(xué)者指出線圈電流能夠獲得電磁鐵和輔助開關(guān)狀態(tài)，且對(duì)測量位置和傳感器安裝方式要求低、波形穩(wěn)定且直觀，但難以全面診斷斷路器的各類機(jī)械故障，特別是操動(dòng)機(jī)構(gòu)中電磁鐵之外部分發(fā)生的機(jī)械故障。

而機(jī)械振動(dòng)信號(hào)能夠獲得斷路器整個(gè)操作過程中部件之間的機(jī)械撞擊和摩擦的信息，可以實(shí)現(xiàn)多種機(jī)械故障的有效辨識(shí)，但對(duì)測量位置和安裝方式比較敏感。有學(xué)者在振動(dòng)傳感器安裝優(yōu)化的基礎(chǔ)上，將采集到的振動(dòng)信號(hào)導(dǎo)入支持向量機(jī)進(jìn)行診斷。有學(xué)者從振動(dòng)信號(hào)診斷、聲波信號(hào)診斷、振動(dòng)和聲波聯(lián)合診斷等幾個(gè)方面進(jìn)行了深入的研究。

近些年，關(guān)于高壓斷路器故障診斷主要研究的熱點(diǎn)和重點(diǎn)在于對(duì)采集到的振動(dòng)信號(hào)進(jìn)行分解，提取特征向量，進(jìn)而設(shè)計(jì)智能診斷算法，并將其投入應(yīng)用。在處理信號(hào)方面，給出了如小波包變換法、包絡(luò)分析法、數(shù)理統(tǒng)計(jì)法等，有學(xué)者提出了一種基于數(shù)理統(tǒng)計(jì)的方法，通過分析采集到的振動(dòng)信號(hào)，使用標(biāo)準(zhǔn)差作為特征參數(shù)，將機(jī)械狀態(tài)的振動(dòng)信號(hào)量化處理。由均值和標(biāo)準(zhǔn)差確定各個(gè)狀態(tài)的置信空間，比較待診斷振動(dòng)信號(hào)在各個(gè)振動(dòng)狀態(tài)置信空間的置信度來得到振動(dòng)狀態(tài)的分類結(jié)果。

有學(xué)者探索了小波變換與小波包變換分析采集到的振動(dòng)信號(hào)的區(qū)別，使用小波包變換提取特征向量。得到特征向量之后，通過智能算法建立診斷模型來處理斷路器的運(yùn)行數(shù)據(jù)，從而對(duì)其工作狀態(tài)進(jìn)行評(píng)估。

支持向量機(jī)（Support Vector Machine, SVM）、反向神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network, BPNN）、決策樹（Decision Tree, DT）、樸素貝葉斯（Naive Bayes, NB）等經(jīng)典分類方法在斷路器故障診斷模型的建立中得到了廣泛的應(yīng)用，有學(xué)者介紹了支持向量機(jī)的基本原理，提出了基于小波包和熵理論的振動(dòng)信號(hào)特征提取方法，并與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)作對(duì)比，證明了支持向量機(jī)的效果優(yōu)良。

有學(xué)者以真空斷路器的機(jī)械特性作為訓(xùn)練與識(shí)別樣本，為了規(guī)避傳統(tǒng)神經(jīng)網(wǎng)絡(luò)需要大量樣本才能保證分類準(zhǔn)確率的不足，提出了基于自組織映射（Self Organizing Map, SOM）的機(jī)械故障診斷方法。通過提取正常與故障狀態(tài)下斷路器的機(jī)械特性，并將其輸入至SOM網(wǎng)絡(luò)中進(jìn)行故障區(qū)分，經(jīng)實(shí)驗(yàn)證實(shí)有良好的故障識(shí)別能力。

有學(xué)者運(yùn)用決策樹對(duì)保護(hù)或斷路器的不正確動(dòng)作進(jìn)行反向追蹤，給出故障原因。有學(xué)者提出一種將貝葉斯網(wǎng)絡(luò)與非精確狄里赫雷模型相結(jié)合的故障概率估計(jì)方法，為小樣本情況下斷路器機(jī)械機(jī)構(gòu)的狀態(tài)檢修提供了依據(jù)。有學(xué)者提出了基于多重支持向量域描述的故障診斷方法，增強(qiáng)了分類器在故障類別不完備時(shí)進(jìn)行診斷的適應(yīng)性。

現(xiàn)有診斷方法的基本原理是對(duì)被檢測對(duì)象進(jìn)行建模，對(duì)采集到的信號(hào)進(jìn)行分析，從時(shí)域、頻域、時(shí)頻域以及數(shù)理統(tǒng)計(jì)方面進(jìn)行特征描述，構(gòu)建特征空間，進(jìn)而在得到的特征空間中對(duì)被檢設(shè)備進(jìn)行分析和判斷。

故障診斷精確度往往會(huì)受到多方面的影響：一是算法本身應(yīng)用的局限性，二是對(duì)被檢系統(tǒng)認(rèn)識(shí)不足，難以精確地建立系統(tǒng)的模型，構(gòu)建的特征空間往往維度過高，冗余成分過多。

高壓斷路器由大量電氣設(shè)備和機(jī)械設(shè)備構(gòu)成，在其動(dòng)作的過程中，其內(nèi)部各個(gè)部件相互影響、相互關(guān)聯(lián)，并與外部環(huán)境相互作用，采集到的振動(dòng)信號(hào)含有大量噪聲和不確定性，導(dǎo)致構(gòu)建的特征空間過于龐大，因此有必要對(duì)原始特征空間進(jìn)行降維，高壓斷路器是一個(gè)典型的多變量、強(qiáng)耦合、非線性系統(tǒng)，而常用的降維方法如主成分分析法（Principal Component Analysis, PCA），往往是采用線性降維的原理，使用其處理高壓斷路器的特征空間易造成非線性成分的丟失，影響故障診斷效果。

北京航空航天大學(xué)自動(dòng)化科學(xué)與電氣工程學(xué)院、江蘇省電力公司電力科學(xué)研究院的研究人員，對(duì)基于振動(dòng)信息的高壓斷路器機(jī)械故障診斷定位展開研究。針對(duì)SF6高壓斷路器六種典型工況：正常、合閘彈簧疲勞、分閘彈簧疲勞、傳動(dòng)軸阻尼、油緩沖器漏油、地腳螺栓松動(dòng)，提出了一種基于振動(dòng)信號(hào)進(jìn)行分析，核主成分分析法（Kernel PCA, KPCA）與SoftMax結(jié)合的診斷方法。

圖1 某高壓斷路器振動(dòng)信號(hào)采集平臺(tái)

其中，KPCA降維法是PCA的非線性推廣，用于非線性信號(hào)的降維處理，SoftMax（柔性最大）多分類器，更客觀地衡量了各個(gè)工況的發(fā)生概率，在分類原理上有其優(yōu)勢。文中采用對(duì)比實(shí)驗(yàn)的方式說明了KPCA-SoftMax故障診斷方法對(duì)預(yù)防斷路器故障具有重大價(jià)值和實(shí)際意義。

研究人員最后得到如下結(jié)論：

• 1）發(fā)現(xiàn)合閘振動(dòng)信號(hào)屬于局部突變的非平穩(wěn)信號(hào)，使用時(shí)頻能量比的特征描述技術(shù)進(jìn)行分析，可以有效區(qū)別不同的工況，設(shè)計(jì)了一套可靠采集的高壓斷路器振動(dòng)信號(hào)的檢測裝置。
• 2）使用KPCA進(jìn)行特征空間重構(gòu)降維，可以去掉多余不相干的成分，獲取有效特征用于診斷分類。相對(duì)于原始特征空間，診斷準(zhǔn)確度提高了6.63%，取得了高精度分類診斷結(jié)果。
• 3）提出了一套有效的基于KPCA特征空間重組和SoftMax故障定位的診斷方法，即振動(dòng)信號(hào)檢測、特征分析提取、特征變換以及診斷，通過對(duì)比不同故障分類方法的診斷準(zhǔn)確度，發(fā)現(xiàn)SoftMax的診斷效果良好，均值為91.76%，性能最穩(wěn)定，方差為2.20%，實(shí)現(xiàn)了對(duì)高壓斷路器故障的辨識(shí)，為高壓斷路器故障診斷提供了思路。

以上研究成果發(fā)表在2020年《電工技術(shù)學(xué)報(bào)》增刊1，論文標(biāo)題為“基于核主成分分析-SoftMax的高壓斷路器機(jī)械故障診斷技術(shù)研究”，作者為王昱皓、武建文、馬速良、楊景剛、趙科。