变压器有载分接开关(on-load top changer,OLTC)的主要故障类型是机械故障,现有大多数研究仅诊断切换开关故障,难以辨识影响换档全过程的传动机构故障。为准确诊断切换开关与传动机构故障,该文提出一种基于换档全过程振动强度的OLTC机...变压器有载分接开关(on-load top changer,OLTC)的主要故障类型是机械故障,现有大多数研究仅诊断切换开关故障,难以辨识影响换档全过程的传动机构故障。为准确诊断切换开关与传动机构故障,该文提出一种基于换档全过程振动强度的OLTC机械故障诊断方法。首先,将多通道切换开关振动爆发数据转换为时域波形图输入改进的卷积神经网络(convolutional neural network,CNN),以获取池化层特征。然后,提出换档全过程振动强度特征,将换档全过程振动信号划分为多个区间,统计各区间中幅值超过阈值的点数,以表征各时间段平均振动强度。最后,提出一种新的特征处理方法改变以上两种特征的相对大小,并融合两种特征训练分类器诊断机械故障类型。实例分析表明:相比于现有OLTC机械故障诊断方法,所提方法能有效辨识传动机构故障,进一步提升对切换开关故障的诊断精度,具有较强的鲁棒性与泛用性,可为OLTC机械故障诊断研究提供新的思路。展开更多
文摘变压器有载分接开关(on-load top changer,OLTC)的主要故障类型是机械故障,现有大多数研究仅诊断切换开关故障,难以辨识影响换档全过程的传动机构故障。为准确诊断切换开关与传动机构故障,该文提出一种基于换档全过程振动强度的OLTC机械故障诊断方法。首先,将多通道切换开关振动爆发数据转换为时域波形图输入改进的卷积神经网络(convolutional neural network,CNN),以获取池化层特征。然后,提出换档全过程振动强度特征,将换档全过程振动信号划分为多个区间,统计各区间中幅值超过阈值的点数,以表征各时间段平均振动强度。最后,提出一种新的特征处理方法改变以上两种特征的相对大小,并融合两种特征训练分类器诊断机械故障类型。实例分析表明:相比于现有OLTC机械故障诊断方法,所提方法能有效辨识传动机构故障,进一步提升对切换开关故障的诊断精度,具有较强的鲁棒性与泛用性,可为OLTC机械故障诊断研究提供新的思路。
