对于小电流接地系统的单相接地故障选线,传统方法普遍采用基于一维信号的选线模型,存在选线准确率低、抗噪性弱等问题。为此提出一种改进的变分模态分解及Conv Ne Xt的小电流接地系统单相接地故障选线方法。首先引入蚁狮算法优化变分模...对于小电流接地系统的单相接地故障选线,传统方法普遍采用基于一维信号的选线模型,存在选线准确率低、抗噪性弱等问题。为此提出一种改进的变分模态分解及Conv Ne Xt的小电流接地系统单相接地故障选线方法。首先引入蚁狮算法优化变分模态分解算法,通过蚁狮算法自动寻优选取合适的分解次数和惩罚因子,计算分解得到的各分量的分布熵,将其中的噪声分量筛选去除,将其余有效分量进行线性重构得到降噪后的零序电流信号;其次,将经过降噪处理后的一维零序电流信号经格拉姆角场转换为二维图像,制备故障选线数据集;然后,引入预训练的ConvNeXt模型,根据该研究数据模型特征,在其已有权重基础上对模型参数进行对应微调,从而提高模型精度并形成最终的选线模型;最后引入绝对平均误差、均方根误差作为评价指标验证所提降噪算法有效性。分别在加入噪声与否的前提下,将所提模型与3种选线模型相比较。实验结果表明该模型的准确率最高、抗噪性方面更好,其中该研究算法准确率达到了99.82%并且在不同噪声条件下都能维持91%以上的准确率,高于其他选线模型,克服了传统故障选线方法准确率低、抗噪性差的问题。展开更多
针对滚动轴承因长期处于强噪声工作环境而故障频发,且早期故障信息微弱难以提取等问题,提出了一种基于奇异值分解(singular value decomposition,SVD)与参数优化变分模态分解(variational mode decomposition,VMD)的联合降噪方法。首先...针对滚动轴承因长期处于强噪声工作环境而故障频发,且早期故障信息微弱难以提取等问题,提出了一种基于奇异值分解(singular value decomposition,SVD)与参数优化变分模态分解(variational mode decomposition,VMD)的联合降噪方法。首先,对轴承振动信号进行了SVD,依据奇异值差分谱理论确定了有效奇异值的阶数并进行了叠加重构,经过矩阵逆变换得到了初步降噪信号;然后,运用灰狼优化算法对VMD的模态个数K和惩罚因子α两参数寻优后进一步分解了初步降噪信号,同时基于峭度和相关系数复合指标选取模态分量;最后,对筛选信号进行了重构,并包络解调分析了降噪前后的故障特征频率。仿真数据和实验数据分析表明:所提方法在强噪声背景下或故障特征信息极其微弱时,都能够有效抑制噪声并提取有效故障信息。展开更多
文摘对于小电流接地系统的单相接地故障选线,传统方法普遍采用基于一维信号的选线模型,存在选线准确率低、抗噪性弱等问题。为此提出一种改进的变分模态分解及Conv Ne Xt的小电流接地系统单相接地故障选线方法。首先引入蚁狮算法优化变分模态分解算法,通过蚁狮算法自动寻优选取合适的分解次数和惩罚因子,计算分解得到的各分量的分布熵,将其中的噪声分量筛选去除,将其余有效分量进行线性重构得到降噪后的零序电流信号;其次,将经过降噪处理后的一维零序电流信号经格拉姆角场转换为二维图像,制备故障选线数据集;然后,引入预训练的ConvNeXt模型,根据该研究数据模型特征,在其已有权重基础上对模型参数进行对应微调,从而提高模型精度并形成最终的选线模型;最后引入绝对平均误差、均方根误差作为评价指标验证所提降噪算法有效性。分别在加入噪声与否的前提下,将所提模型与3种选线模型相比较。实验结果表明该模型的准确率最高、抗噪性方面更好,其中该研究算法准确率达到了99.82%并且在不同噪声条件下都能维持91%以上的准确率,高于其他选线模型,克服了传统故障选线方法准确率低、抗噪性差的问题。
文摘针对滚动轴承因长期处于强噪声工作环境而故障频发,且早期故障信息微弱难以提取等问题,提出了一种基于奇异值分解(singular value decomposition,SVD)与参数优化变分模态分解(variational mode decomposition,VMD)的联合降噪方法。首先,对轴承振动信号进行了SVD,依据奇异值差分谱理论确定了有效奇异值的阶数并进行了叠加重构,经过矩阵逆变换得到了初步降噪信号;然后,运用灰狼优化算法对VMD的模态个数K和惩罚因子α两参数寻优后进一步分解了初步降噪信号,同时基于峭度和相关系数复合指标选取模态分量;最后,对筛选信号进行了重构,并包络解调分析了降噪前后的故障特征频率。仿真数据和实验数据分析表明:所提方法在强噪声背景下或故障特征信息极其微弱时,都能够有效抑制噪声并提取有效故障信息。
