低压断路器振动信号分析及其故障辨识

论文摘要

低压断路器是低压配电网中的重要设备,起着控制和保护的作用,其良好的运行状态是低压配电网安全稳定运行的重要保证。因此,对低压断路器运行状态的监测并及时发现故障趋势对电网的安全运行尤为重要。低压断路器的故障大部分为机械故障,由此本文主要针对低压断路器的机械状态进行研究分析,从而实现低压断路器运行状态检测和故障预判。低压断路器运行过程中的振动信号包含着丰富的机械状态信息,对振动信号进行分析可提取断路器有效的状态信息。本文利用现代信息处理技术对采集得到的低压断路器振动信号进行分析处理,提取有效的机械状态特征量作为故障识别的判断依据。首先,为了获取低压断路器振动信号,本文搭建了数据采集电路并实现不同状态下振动信号、储能电机电流、触头信号等状态信息的采集,并与LabVIEW软件相结合开发了低压断路器数据采集系统。其次,在振动信号特征量的提取问题上,本文在概括现有振动信号处理技术的基础上,提出了经验模态分解与分形维数相结合的方法并用于低压断路器振动信号特征量的提取。经验模态分解可将信号的局部特性分解在不同频率的分量上,而分形维数是非线性系统重要的状态特征。当低压断路器机械状态发生变化时,经验模态分解的各个分量及相应的分形维数也会发生变化。因此基于经验模态分解的分形维数能够表征低压断路器的状态特征。并利用该方法对低压断路器三相不同期故障振动信号进行特征分析。最后,本文采用神经网络进行低压断路器故障诊断,将经验模态分解后的各分量相应的分形维数作为故障特征向量进行神经网络训练和测试。并在比较BP神经网络的基础上,引入极端学习机作为低压断路器故障的诊断网络。极端学习机是通过解析的方法一次性求出网络输出权值的一种新型神经网络,它克服了BP神经网络训练速度慢,易陷入局部最优等缺点。在此基础上,对不同故障状态下的振动信号进行故障识别,并取得良好效果。本文开发的基于LabVIEW的低压断路器数据采集系统也可应用于其它设备动态参数的获取,且对本文的方法作进一步研究便可应用于低压断路器在线监测,对低压断路器的状态检修具有很好的应用前景。

论文目录

• 中文摘要
• Abstract
• 第一章 引言
• 1.1 选题背景及意义
• 1.2 低压断路器故障诊断技术的现状与发展
• 1.2.1 故障诊断技术的现状与发展
• 1.2.2 基于振动信号的故障诊断技术的现状与发展
• 1.2.2.1 振动信号的特征提取
• 1.2.2.2 基于振动信号的故障识别方法
• 1.3 本文主要研究内容
• 1.4 本章小结
• 第二章 低压断路器振动信号的采集系统
• 2.1 低压断路器的工作原理及作用
• 2.2 低压断路器主要参数
• 2.3 低压断路器数据采集系统的设计
• 2.3.1 低压断路器特性监测技术发展现状
• 2.3.2 采集系统的硬件设计
• 2.3.2.1 信号控制电路
• 2.3.2.2 触头信号检测
• 2.3.2.3 振动信号检测
• 2.3.2.4 PCI数据采集卡
• 2.3.3 采集系统的上位机设计
• 2.3.3.1 系统主界面
• 2.3.3.2 参数设置模块
• 2.3.3.3 数据采集模块
• 2.3.3.4 数据分析及显示模块
• 2.3.3.5 振动信号分析模块
• 2.3.4 LabVIEW软件与PCI采集卡的结合
• 2.3.5 采集系统的总体设计
• 2.4 本章小节
• 第三章 基于经验模态分解的低压断路器振动特性分析
• 3.1 EMD方法的基本原理
• 3.1.1 瞬时频率与本征模函数
• 3.1.2 经验模态分解过程
• 3.2 振动信号的经验模态分解及特性分析
• 3.3 本章小结
• 第四章 基于分形理论的低压断路器振动信号特征提取
• 4.1 分形维数与混沌系统简介
• 4.2 关联维数原理和算法
• 4.2.1 时间序列的相空间重构
• 4.2.2 关联维数的定义
• 4.3 相空间重构参数的确定
• 4.3.1 嵌入维数的选取
• 4.3.1.1 饱和关联维数法
• 4.3.1.2 最大特征值不变法
• 4.3.1.3 虚假邻近点法
• 4.3.2 延迟时间的确定
• 4.3.2.1 自相关函数法
• 4.3.2.2 平均位移法
• 4.3.2.3 复自相关函数法
• 4.3.2.4 互信息法
• 4.4 无标度区的确定
• 4.4.1 无标度区的确定方法
• 4.4.2 双对数曲线的无标度区识别
• 4.5 振动信号关联维数的特征值提取
• 4.6 本章小节
• 第五章 低压断路器的机械故障诊断
• 5.1 低压断路器机械故障识别方法
• 5.1.1 BP神经网络
• 5.1.2 极端学习机
• 5.2 低压断路器的机械故障识别
• 5.2.1 低压断路器三相不同期故障的识别
• 5.2.2 低压断路器各种不同故障的识别
• 5.3 本章小结
• 结论
• 参考文献
• 致谢
• 个人简历
• 在学期间的研究成果及发表的学术论文