为进一步提高变压器有载分接开关(on-loadtap changer,OLTC)机械故障的识别精度,从OLTC振动信号的混沌动力学特性出发,提出基于Bayes估计相空间融合与改进支持向量数据描述(support vector data description,SVDD)的OLTC机械故障诊断方...为进一步提高变压器有载分接开关(on-loadtap changer,OLTC)机械故障的识别精度,从OLTC振动信号的混沌动力学特性出发,提出基于Bayes估计相空间融合与改进支持向量数据描述(support vector data description,SVDD)的OLTC机械故障诊断方法。首先,利用多变量相空间重构(multivariate phase space reconstruction,MPSR)对OLTC切换时的多通道振动信号进行高维重构,然后基于Bayes估计与奇异值分解提取高维融合相空间相点的特征指标,据此建立以轮廓域图(contourmap,CM)为决策判据的改进SVDD识别模型,用于OLTC机械故障的有效诊断。对某OLTC模型正常与典型机械故障下切换时振动信号的分析结果表明:基于Bayes估计的OLTC振动信号高维相空间融合方法能获取更为完整的OLTC机械状态信息。相对于现有故障诊断方法,所提出的CM-SVDD诊断模型具有更优的识别精度和较高的计算效率。研究成果可为基于振动分析法的OLTC机械状态诊断技术提供重要依据。展开更多
文摘为进一步提高变压器有载分接开关(on-loadtap changer,OLTC)机械故障的识别精度,从OLTC振动信号的混沌动力学特性出发,提出基于Bayes估计相空间融合与改进支持向量数据描述(support vector data description,SVDD)的OLTC机械故障诊断方法。首先,利用多变量相空间重构(multivariate phase space reconstruction,MPSR)对OLTC切换时的多通道振动信号进行高维重构,然后基于Bayes估计与奇异值分解提取高维融合相空间相点的特征指标,据此建立以轮廓域图(contourmap,CM)为决策判据的改进SVDD识别模型,用于OLTC机械故障的有效诊断。对某OLTC模型正常与典型机械故障下切换时振动信号的分析结果表明:基于Bayes估计的OLTC振动信号高维相空间融合方法能获取更为完整的OLTC机械状态信息。相对于现有故障诊断方法,所提出的CM-SVDD诊断模型具有更优的识别精度和较高的计算效率。研究成果可为基于振动分析法的OLTC机械状态诊断技术提供重要依据。
