近几年超/特高压(gas insulated metal enclosed transmission line,GIL)设备机械缺陷频发,掌握该类设备的固有振动模态及异响振动特性是有效检测机械缺陷的关键。该文基于550 k V GIL大电流激励振动模拟平台开展了正常情况和母线底座...近几年超/特高压(gas insulated metal enclosed transmission line,GIL)设备机械缺陷频发,掌握该类设备的固有振动模态及异响振动特性是有效检测机械缺陷的关键。该文基于550 k V GIL大电流激励振动模拟平台开展了正常情况和母线底座松动缺陷时的振动特性对比分析,分析了设备结构模态特性、振动信号传播特性,以及负载电流大小和母线长度对设备机械振动行为的影响。结果表明:GIL设备固有模态振动频率主要集中在800~2700 Hz,存在母线底座松动缺陷时,GIL设备的振动频响函数曲线发生显著变化,固有振动频率和阻尼比均减小,径向上导杆振动最强;当负载电流在3000~5000 A时,大电流激励会引发设备非线性振动增强,更有助于检测机械缺陷;与正常情况相比,GIL设备存在母线底座松动机械缺陷时的振动加速度值和振动奇偶次响应比增加显著,且在1200~1800 Hz、2200~2600 Hz频带产生与固有模态相关的显著超谐波响应现象,此特征可为判断GIL设备母线底座松动机械缺陷提供有价值参考。展开更多
气体绝缘金属封闭开关设备(gas insulated metal enclosed switchgear,GIS)机械缺陷是导致设备故障的重要因素,针对单测点、单证据机械缺陷诊断模型信息缺失和精度不足问题,该文提出一种多层融合振动数据分析的GIS设备机械缺陷诊断方法...气体绝缘金属封闭开关设备(gas insulated metal enclosed switchgear,GIS)机械缺陷是导致设备故障的重要因素,针对单测点、单证据机械缺陷诊断模型信息缺失和精度不足问题,该文提出一种多层融合振动数据分析的GIS设备机械缺陷诊断方法。首先,基于真型GIS设备振动模拟平台试验研究测点位置与缺陷类型对振动行为的影响特性;然后,联合统计分析、模态分解、尺度变换方法提出机械振动信号整体与局部信息关注的复合参数分析方法,引入主成分分析开展多测点振动信息的特征层融合降维;最后,提出改进放缩权重的Dempster-Shafer(DS)证据理论和Bagging投票机制的强/弱基学习器决策层融合机制,联合构建多层融合振动数据分析的GIS设备机械缺陷诊断模型。结果表明:不同类型机械缺陷信号的响应幅值、特征频点和畸变程度存在显著差异,复合特征参量大小及分散程度各不相同;同时,测点位置对缺陷信号的复合振动特征参量的表现形式及分布区间也具有一定影响;基于多层融合数据分析的诊断模型实现缺陷有效识别,辨识准确率为98.66%,相比单一分类器诊断效果提升5.83%。该文可为GIS设备机械缺陷诊断方法提供有价值的参考。展开更多
文摘近几年超/特高压(gas insulated metal enclosed transmission line,GIL)设备机械缺陷频发,掌握该类设备的固有振动模态及异响振动特性是有效检测机械缺陷的关键。该文基于550 k V GIL大电流激励振动模拟平台开展了正常情况和母线底座松动缺陷时的振动特性对比分析,分析了设备结构模态特性、振动信号传播特性,以及负载电流大小和母线长度对设备机械振动行为的影响。结果表明:GIL设备固有模态振动频率主要集中在800~2700 Hz,存在母线底座松动缺陷时,GIL设备的振动频响函数曲线发生显著变化,固有振动频率和阻尼比均减小,径向上导杆振动最强;当负载电流在3000~5000 A时,大电流激励会引发设备非线性振动增强,更有助于检测机械缺陷;与正常情况相比,GIL设备存在母线底座松动机械缺陷时的振动加速度值和振动奇偶次响应比增加显著,且在1200~1800 Hz、2200~2600 Hz频带产生与固有模态相关的显著超谐波响应现象,此特征可为判断GIL设备母线底座松动机械缺陷提供有价值参考。
文摘气体绝缘金属封闭开关设备(gas insulated metal enclosed switchgear,GIS)机械缺陷是导致设备故障的重要因素,针对单测点、单证据机械缺陷诊断模型信息缺失和精度不足问题,该文提出一种多层融合振动数据分析的GIS设备机械缺陷诊断方法。首先,基于真型GIS设备振动模拟平台试验研究测点位置与缺陷类型对振动行为的影响特性;然后,联合统计分析、模态分解、尺度变换方法提出机械振动信号整体与局部信息关注的复合参数分析方法,引入主成分分析开展多测点振动信息的特征层融合降维;最后,提出改进放缩权重的Dempster-Shafer(DS)证据理论和Bagging投票机制的强/弱基学习器决策层融合机制,联合构建多层融合振动数据分析的GIS设备机械缺陷诊断模型。结果表明:不同类型机械缺陷信号的响应幅值、特征频点和畸变程度存在显著差异,复合特征参量大小及分散程度各不相同;同时,测点位置对缺陷信号的复合振动特征参量的表现形式及分布区间也具有一定影响;基于多层融合数据分析的诊断模型实现缺陷有效识别,辨识准确率为98.66%,相比单一分类器诊断效果提升5.83%。该文可为GIS设备机械缺陷诊断方法提供有价值的参考。
