公开(公告)号：CN119293400A

公开(公告)日：2025-01-10

申请号：CN202310835342.4

申请日：2023-07-10

Applicant: 华北电力大学(保定)

Inventor： 赵书涛 ,  黄伟杰

IPC: G06F18/00 ,  G01H11/08 ,  G06F18/10 ,  G06F18/2411 ,  G06N20/10 ,  G06F123/02

Abstract: 一种基于分段CEEMDAN优化算法的断路器故障诊断的方法，通过振动传感器，获取断路器在正常合闸、合闸拒动、基座松动和连杆脱落的情况下的振动信号。分别对时域下的振动信号进行分段处理，对每一个分段分别进行CEEMDAN分解，进而求取各模态分量的峰度。然后，对每一个分段使用SVM算法进行模式识别。最后，通过投票决定该振动信号属于何种情况的信号。这是一种断路器故障诊断方法，对信号先分段后再进行信号处理，然后再对分解后信号进行特征提取。先分段判断各分段信号所属状态，最后根据各分段所属状态情况判断整体信号所属状态，减小了由于信号提取过程中某过程存在误差而导致整体信号判断错误的概率。能够增大断路器故障诊断容错率，并且能够满足现场对运行中的断路器故障诊断的精度和速度要求，快速准确识别。

公开(公告)号：CN119293620A

公开(公告)日：2025-01-10

申请号：CN202310834947.1

申请日：2023-07-10

Applicant: 华北电力大学(保定)

Inventor： 赵书涛 ,  黄伟杰

IPC: G06F18/2413 ,  G01H11/08 ,  G06F18/213 ,  G06F18/25

Abstract: 一种基于声振信号联合分析的断路器故障诊断的方法，通过振动和声音传感器，获取断路器在正常合闸、合闸拒动、基座松动和连杆脱落的情况下的振动信号和声音信号。分别对时域下的振动信号和声音信号进行CEEMDAN分解，进而利用各模态分量提取峰度和偏度作为特征值。然后，将声音和振动信号的特征值通过PSO‑KCCA算法进行融合。最后，将融合后的特征值作为KNN的输入，对断路器进行故障诊断。这是一种断路器故障诊断方法，对断路器声音信号通过fast‑kica进行盲源分离，分离出原始声音信号，去除周围噪声干扰，声音和振动信号经过CEEMDAN分解，提取前五个分量的峰度和偏度，然后再经过PSO‑KCCA算法进行融合，生成断路器声‑振融合特征，以此训练KNN分类器。通过PSO‑KCCA算法在高维空间以最相关方向融合声音和振动信号特征，并进行降维，从而得到最优的特征融合，使得特征值更具有代表性，能够提高判断的准确性，能够增大断路器故障诊断容错率，并且能够满足现场对运行中的断路器故障诊断的精度和速度要求，快速准确识别。

公开(公告)号：CN117216675A

公开(公告)日：2023-12-12

申请号：CN202210721579.5

申请日：2022-06-01

Applicant: 华北电力大学(保定)

Inventor： 赵书涛 ,  黄伟杰

IPC: G06F18/2413 ,  G06F18/25 ,  G06F18/22 ,  G06N3/0455 ,  G06N3/084

Abstract: 一种基于声振信号联合分析的断路器故障诊断的方法，通过振动和声音传感器，获取断路器在正常合闸、合闸拒动、基座松动和连杆脱落的情况下的振动信号和声音信号。分别对时域下的振动信号和声音信号进行CEEMD分解，进而利用各模态分量训练稀疏编码器，利用编码器部分的隐藏层数据作为特征值。然后，将声音和振动信号的特征值通过神经网络进行融合。最后，将融合后的特征值作为KNN的输入，对断路器进行故障诊断。这是一种断路器故障诊断方法，对声音和振动信号先分解再经过稀疏编码器提取最能表征各信号的特征值，最后再进行融合，经过CEEMD分解，能够分解出信号中的重要特征，然后再经过稀疏编码器的训练，提取出最能表征信号的特征值，通过神经网络将声音和振动信号特征值进行融合，以此训练KNN分类器，并将分类正确率反向传播，再训练神经网络，从而得到最优的特征融合，使得特征值更具有代表性，能够提高判断的准确性，能够增大断路器故障诊断容错率，并且能够满足现场对运行中的断路器故障诊断的精度和速度要求，快速准确识别。