摘要:文中将K-means聚类算法和经验模态分解(empirical mode decomposition,EMD)相结合,对隔离开关机械故障进行诊断。为验证方法的有效性,搭建隔离开关运行状态在线监测系统,在某252 k V隔离开关的操动机构上选定位置安装了传感器,采集了机械振动等信号在模拟故障下的大量数据。首先利用小波包降噪方法对信号进行预处理;其次,应用EMD和谱分析方法对振动信号进行经验模态分解,得到IMF分量并将其能量熵作为特征量;然后,通过K-means聚类算法验证了特征提取方式的有效性;最后,通过支持向量机算法(support vector machine,SVM)对样本进行训练,实现了机械故障的准确诊断,验证了该方法的有效性。
关键词:高压隔离开关 经验模态分解 能量熵 聚类 支持向量机
单位:平高集团有限公司; 河南平顶山467001; 北京交通大学电气工程学院; 北京100044; 国网江苏省电力公司电力科学研究院; 南京211103; 清华大学电机系电力系统及发电设备控制和仿真国家重点实验室; 北京100084
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社