导读:本文包含了振声诊断论文开题报告文献综述及选题提纲参考文献，主要关键词:高压断路器,振声数据级融合,振声特征级融合,改进EEMD分解
振声诊断论文文献综述
王建平[1]（2018）在《浅谈有关高压断路器振声联合故障的诊断方法》一文中研究指出根据现有高压断路器机械的故障诊断方案不足,本文就高压断路器发生振声联合故障提出一种新的诊断方法。此方法基于改进集合经验模式分解(EEMD),利用核独立分量(fast KIcA)对采集到的声波信号进行分析核对盲源进行分离处理,并对处理后的声波信号以及振动信号进行EEMD处理。再对每一个分解后产生的固有模态函数(IMF)进行二维谱熵求解,再以此二维谱熵矩阵为基础对矩阵进行变换,作为其支持向量机的特征向量的输入识别断路器机械的状态。可以发现,振声联合分析方法可以有效提高高压断路器机械诊断的正确和可使用性。(本文来源于《科技风》期刊2018年10期）
孙曙光,于晗,杜太行,王景芹,赵黎媛[2]（2017）在《基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法》一文中研究指出为可靠地进行万能式断路器机械故障诊断,在基于振动信号故障诊断的基础上,提出了一种多特征融合与改进量子粒子群(QPSO)优化的相关向量机(RVM)相结合的万能式断路器分合闸故障振声诊断方法。首先,对振声信号进行小波包软硬阈值结合去噪预处理,并利用互补总体经验模态分解算法对处理后的振声信号进行分解,提取固有模态函数能量系数、样本熵、功率谱熵,并组成多特征参数;然后,通过组合核函数核主元分析对多特征参数降维,并将其特征融合组成特征向量作为RVM的输入,解决单一特征识别断路器分合闸故障的低准确率和低稳定性;最后,利用改进QPSO优化分类模型参数,建立基于RVM的次序二叉树模型对断路器故障进行辨识。实验结果表明,该方法能有效提升不同故障状态下诊断结果的可靠性。(本文来源于《电工技术学报》期刊2017年19期）
詹海峰[3]（2017）在《基于振声联合分析的GIS设备机械故障诊断》一文中研究指出随着我国特高压工程全面开展,六氟化硫全封闭式组合电器(Gas Insulated Switchgear,GIS)得到了更广泛的应用。GIS较传统电力设备具有诸多优势,如体积小、占地面积小,高性能运行且故障率低等。然而,GIS也存在一些缺点,如一旦发生故障,由于其全封闭性使得故障难以确定和定位,从而导致引发更大的事故,造成巨大损失。而且,GIS一些微小机械缺陷在安装、验收及运行早期不容易被发现。因此,针对GIS设备建立一套实时监测的系统具有十分重要的现实意义。本文的主要研究内容如下:设计了一套基于振声联合分析的GIS设备机械性故障诊断系统。该套系统同时汲取了GIS声音信号与振动信号的优点,能够对GIS设备机械状态进行全天候实时监测。分析了实际高压变电站所处环境的噪声类型及每种类型噪声的功率谱特性。总结了不同类型环境噪声的特点及与目标声音信号的功率谱特征异同。同时,基于上述噪声数据分析结果设计了一套硬件与软件相结合的环境噪声滤除方案,包括拾音设备、拾音方法、隔音装置等选取,以及算法上基于自适应噪声对消原理进行噪声滤除。基于电动力理论分析和GIS隔离开关机械故障模拟实验得出了声音及振动信号时频特征故障诊断依据。设计了两种GIS振动及声音信号特征提取算法——改进的工频谐波结构特征提取方法和多分辨率高斯滤波器组时频分析方法。前者能较传统方法更准确地提取信号中工频谐波结构,有效地避免频谱泄露的影响;后者滤波器组结合人耳听见模型和小波变换的特点,能够对GIS振声信号进行精细化时频分析,提供信号特征可视化时频图谱。国家电网例行检测中发现了西安及周边市变电站内几处疑似出现异常运行的GIS电气元件。经现场采集振声数据进行分析,确认了其中几处接地开关及母线存在的接触不良及屏蔽罩松动等机械缺陷。验证了本文所设计的系统在实际变电站进行GIS运行状态监测及故障诊断的有效性。(本文来源于《西安电子科技大学》期刊2017-05-01）
张佩,周秀萍[4]（2014）在《基于振声时叁维图的高压断路器机械故障诊断方法》一文中研究指出分析高压断路器机械振动信号和声波信号的特性,针对现有诊断方法的不足,笔者提出了一种基于振声时叁维图的高压断路器机械故障诊断方法,并给出了可行的诊断步骤和分析。此方法首先利用分级多时标信号对准的方法构建振声时叁维图,然后提取断路器振声时叁维图的包络,最后采用基于形状的分级特征向量提取方法构建支持向量机的输入向量进行故障诊断。其中,一级特征提取振声时叁维图包络六面八角的特征向量,二级特征提取振声时叁维图二维投影的区域弦的分布特征。实验结果表明,该方法诊断高压断路器机械故障能取得良好的效果。(本文来源于《高压电器》期刊2014年12期）
周昊[5]（2014）在《基于盲源分离的风力发电机主轴承振声诊断研究》一文中研究指出近年来，随着人类社会对能源需求的急速增长和日益严重的环境问题，煤、石油、天然气等传统能源所暴露的问题越来越突出。风能作为一种新型可再生能源，以其储量巨大，价格低廉，环境污染小的优势越来越受到人们的重视，使得风电装备也随之得到了迅速的发展。近年来随着我国大力发展风力发电事业，风电机组逐步增多，但随之而来的是风电机组事故频发，对风力发电机的状态监测和故障诊断显得尤为重要。在风电机组的各组成部件中，主轴承是最为重要，也是最容易出现故障的部件之一。而主轴承的工作状态是否正常，将直接影响到整个风电机组的正常运转。因而对风力机主轴承的状态监测和故障诊断显得十分有必要。目前针对风力机主轴承的诊断方法很多，其中最常用的是振动诊断法和声发射诊断法。但由于风力机运行环境经常十分恶劣，在运行过程中，反映其故障状态的特征信息经常淹没在噪声干扰信号之中，有效地提取其故障信息，对风力机主轴承的监测和诊断十分必要。国内外很多学者在这方面做了大量工作，如将专家系统、模糊系统、神经网络、小波变换、Hilbert-Huang变换、Wigner分布、支持向量机等方法应用于风力机主轴承的诊断之中，取得了很多有价值的研究成果，但同时也存在一些问题。鉴于此，本文采用盲源分离理论来探索风力机主轴承振动和声发射故障信号的提取方法，并做了如下工作：第一，介绍了风电技术的发展状况，阐述了课题的研究背景、研究的目的和意义，论述了风力机主轴承振动和声发射诊断的国内外研究现状，并指出本文的思路和采用的研究方法。第二，探讨了盲源分离的基本理论和盲源分离算法，主要阐述了FastICA算法和JADE算法的计算过程，并指出这些算法存在的不足之处。针对盲源分离算法存在的不足，探讨了采用粒子群优化算法对盲源分离过程进行的优化，并比较了各分离算法的性能。第叁，建立了基于盲源分离的风力机主轴承振动诊断系统。首先探讨了振动信号的提取方法，认为包络分析对振动信号的提取较为有效，然后分别对转子试验台、风力发电机试验台和实际风力发电机主轴承的振动信号进行了分离，以实现振动故障信号的特征提取。第四，建立了基于盲源分离的风力机主轴承声发射诊断系统。首先探讨了声发射信号的提取方法，认为小波分析对声发射信号的提取较为有效，然后对风力发电机主轴承的声发射信号进行了分离，以实现声发射故障信号的特征提取。第五，根据提取的风力机主轴承信号的特点，采用集成小波神经网络对风力机主轴承进行故障诊断。针对振动信号和声发射信号的特点分别设计子神经网络，并采用决策融合神经网络进行诊断信息融合，提高了诊断效率。并对诊断算法进行了软件实现，增强了诊断方法的实用性。第六，总结本文的主要结论并对相关的研究技术进行了展望。(本文来源于《沈阳工业大学》期刊2014-08-27）
蒋丹,赵书涛,赵现平,任剑峰[6]（2014）在《基于极限学习机的断路器振声时联合故障诊断方法》一文中研究指出为了完善现有断路器故障诊断方法,针对其当前存在的不足,提出极限学习机(extreme learning machine,ELM)与振声时叁维故障诊断相结合的高压断路器故障诊断方法,并给出可行的诊断步骤和分析方法。此方法首先利用盲源分离技术将混杂在断路器声波信号中的汽车鸣笛、打雷等强干扰噪声剔除,然后利用多信号时标对准的方法构建振声时叁维图,提取断路器振声时叁维图的包络,最后采用基于形状的分级特征向量提取方法构建极限学习机的输入向量进行故障诊断。其中,一级特征提取振声时叁维图包络六面八角的特征向量,二级特征提取振声时叁维图二维投影的区域弦的分布特征。实验结果表明,该方法可以用于诊断高压断路器机械故障。(本文来源于《智能电网》期刊2014年08期）
赵书涛,张佩,申路,郭静[7]（2014）在《高压断路器振声联合故障诊断方法》一文中研究指出针对现有的高压断路器机械故障诊断方法存在的不足,本文提出了一种新的高压断路器振声联合诊断机械故障的方法。此方法首先利用快速核独立分量分析(fast KICA)对采集到的声波信号进行盲源分离处理,并对处理后的声波信号和采集到的振动信号进行改进集合经验模式分解(EEMD)。其次,对分解后的每一个固有模态函数(IMF)求其二维谱熵,并以此二维谱熵矩阵的变换矩阵作为支持向量机的输入特征向量对断路器机械状态进行识别。最后实验表明,振声联合复合分析方法有效提高了高压断路器机械故障诊断的正确性和实用性。(本文来源于《电工技术学报》期刊2014年07期）
张佩,赵书涛,申路,赵现平[8]（2014）在《基于改进EEMD的高压断路器振声联合故障诊断方法》一文中研究指出高压断路器是电力系统中关键的控制和保护设备,针对其故障诊断方法的不足之处,将振声数据级融合和特征级融合应用于高压断路器故障诊断方法。振声特征级融合诊断方法首先将采集到的声波信号通过快速核独立分量分析(Fast KICA)实现盲源分离处理,其次利用改进集合经验模式分解(EEMD)提取振动信号和声波信号的特征向量。振声数据级融合诊断方法首先构建振声联合图像,其次利用改进的BEEMD提取特征向量。最后将两种方法提取的特征向量输入支持向量机模型(SVM)进行故障诊断,实验结果表明,所提方法诊断高压断路器故障能取得良好的效果。(本文来源于《电力系统保护与控制》期刊2014年08期）
李建鹏[9]（2012）在《基于振—声联合分析的高压断路器机械故障诊断研究》一文中研究指出高压断路器是电力系统中关键的控制和保护设备之一,对其进行在线监测与故障诊断具有重要现实意义。在高压断路器的所有故障中,机械故障占有相当大的比重。针对现有的高压断路器机械故障诊断方法存在的不足,确定了一种断路器机械故障诊断方案,从振动信号诊断、声波信号诊断、振动和声波联合诊断等几个方面进行了深入的研究。首先,在分析高压断路器的基本结构和常见机械故障基础上,提出基于振-声联合分析的断路器机械故障诊断总体方案,并选择了合适的振动传感器和声波传感器；其次,根据高压断路器动作过程中振动信号的特性,提出了基于经验模态分解的多级分段能量熵特征提取方法,并利用支持向量机对断路器典型机械故障进行了识别；然后,利用双谱和希尔伯特-黄变换分析了高压断路器动作过程中声波信号和环境噪声的分布特点,得到了诊断断路器机械故障的特征声波信号频率范围,利用聚类分析计算出的能量熵中心值,确定了断路器的机械故障类型；最后,通过同步的振动信号和声波信号的对比,初步排除了特定的外界声波信号干扰,基于主元分析方法对振-声联合特征向量进行了降维处理,实验结果表明,振-声联合分析有效提高了诊断高压断路器机械故障的正确性和实用性。(本文来源于《华北电力大学》期刊2012-03-01）
周勃[10]（2008）在《基于盲分离的空调机组故障振声诊断研究》一文中研究指出空调机组通常多台安装在同一空间内,各类信号之间互相干扰很难提取准确真实的信息,采用盲信号分离技术可以从纷繁的数据中提取有用信息,其优势在于无需掌握信号产生和传播的先验知识。本文在故障源数量未知和源信号未知等条件下,着重探讨了适于空调机组故障特征提取的盲分离算法和模型,以制冷机组和冷却塔为研究对象,通过分离故障振动源和噪声源两个途径提供多元化的诊断参数和更丰富的故障信息,能够解决实际运行的空调机组难以提取信号特征的难题,既提高诊断的效率和准确度,又为设备群故障诊断提供解决途径。本文比较了改进的二阶统计量方法和传统的JADE算法,具有时序结构的源信号因其有不同的自相关函数或有非零时序相关数降低了对统计独立性的限制条件,能够较快地实现收敛,同时也能在噪声能量较大的情况下实现分离。在信噪比低于20dB的情况下改进算法性能指标小得多,而在信噪比高于20dB以后,两种算法趋于一致。改进了盲解卷算法以消除噪声影响,无监督的盲分离处理过程和有监督的噪声消除同时进行,通过相似系数来选取适合含噪信号盲解卷的非线性函数来最大化输出信号的广义能量。选择延迟系数综合考虑分离时间和收敛性能,随着延迟系数的增大,收敛误差函数值减小,收敛性能增强,当延迟系数增大到一定程度后,收敛性能的提高就不再显着,同时分离时间会相应的增长。通过实验模拟了两个故障源和多故障源振动信号混合的情况,分别应用ICA算法、Bussgang算法和改进盲解卷算法提取出典型故障信号特征,验证了不同混合模型和迭代算法对振动信号分离结果会产生很大影响。比较后发现改进盲解卷算法的分离精度最高,说明卷积混合模型适合大型空调机组的振动诊断,这是由于大型空调机组的信号传播路径的不同,因而导致同一时刻的观测信号是源信号在不同时刻数据的迭加。最后,应用改进盲解卷算法提取了JZKA31.5型螺杆机组的磨损、气流撞击和啮合不良的振动故障特征,盲提取的白化预处理和对角化造成振动信号的幅值有所变化,但如果用信号波形表征故障特征,可不考虑幅值比例对诊断结果的影响。在分析振动特性、频率特性和声辐射特性叁者联系的基础上进行风机声学诊断实验,建立基于非线性混合的声学诊断模型。实验发现,风机转速越大,负载越大,低频部分的幅值差异就越明显。本文以冷却塔声学诊断为实例,初步测试噪声特性作为先验知识,将干扰噪声本身作为一个声源,基于非线性RBFN分离网络从观测信号中提取独立的声源信号特征来识别冷却塔的主要故障类型,并与基于卷积混合和BP模型的分离结果比较。仿真实验中发现采用四阶累积量估计方法比二阶累积量估计误差大,随着信号源个数增加,需要估计四阶以上的高阶累积量,导致算法性能变差,计算量也大幅度增加。因此基于二阶统计量的改进算法适用于声信号的非线性盲分离。研究复杂的大空间背景环境中设备群振动噪声信号混合交叉的盲分离,从迹的概念出发验证算法的稳定性,将无用信号认为是干扰噪声分离出来,只提取期望的随机信号,再根据独立性测度关系依次提取最显着的故障特征,大大简化了计算过程。经过改进后的自然梯度算法仍满足正交约束,而且不依赖学习速率。本文对某会所地下空调机房实施振声诊断,在多台热泵机组和水泵设备集合的情况下通过空调机房噪声频谱的非线性盲分离确定了主要的故障源为螺杆压缩机,应用盲解卷算法提取不对中和碰磨故障振动信号特征,实现了大空间设备群的振声诊断。(本文来源于《沈阳工业大学》期刊2008-06-25）
振声诊断论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为可靠地进行万能式断路器机械故障诊断,在基于振动信号故障诊断的基础上,提出了一种多特征融合与改进量子粒子群(QPSO)优化的相关向量机(RVM)相结合的万能式断路器分合闸故障振声诊断方法。首先,对振声信号进行小波包软硬阈值结合去噪预处理,并利用互补总体经验模态分解算法对处理后的振声信号进行分解,提取固有模态函数能量系数、样本熵、功率谱熵,并组成多特征参数;然后,通过组合核函数核主元分析对多特征参数降维,并将其特征融合组成特征向量作为RVM的输入,解决单一特征识别断路器分合闸故障的低准确率和低稳定性;最后,利用改进QPSO优化分类模型参数,建立基于RVM的次序二叉树模型对断路器故障进行辨识。实验结果表明,该方法能有效提升不同故障状态下诊断结果的可靠性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
振声诊断论文参考文献
[1].王建平.浅谈有关高压断路器振声联合故障的诊断方法[J].科技风.2018
[2].孙曙光,于晗,杜太行,王景芹,赵黎媛.基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法[J].电工技术学报.2017
[3].詹海峰.基于振声联合分析的GIS设备机械故障诊断[D].西安电子科技大学.2017
[4].张佩,周秀萍.基于振声时叁维图的高压断路器机械故障诊断方法[J].高压电器.2014
[5].周昊.基于盲源分离的风力发电机主轴承振声诊断研究[D].沈阳工业大学.2014
[6].蒋丹,赵书涛,赵现平,任剑峰.基于极限学习机的断路器振声时联合故障诊断方法[J].智能电网.2014
[7].赵书涛,张佩,申路,郭静.高压断路器振声联合故障诊断方法[J].电工技术学报.2014
[8].张佩,赵书涛,申路,赵现平.基于改进EEMD的高压断路器振声联合故障诊断方法[J].电力系统保护与控制.2014
[9].李建鹏.基于振—声联合分析的高压断路器机械故障诊断研究[D].华北电力大学.2012
[10].周勃.基于盲分离的空调机组故障振声诊断研究[D].沈阳工业大学.2008