一种托辊故障声学信号特征提取及定位方法

    公开(公告)号:CN116223040A

    公开(公告)日:2023-06-06

    申请号:CN202310209121.6

    申请日:2023-03-07

    Abstract: 本发明公开了一种托辊故障声学信号特征提取及定位方法,包括以下步骤:S1、对麦克风阵列阵元参数化仿真及选型;S2、利用麦克风阵列对托辊轴承故障音频信息进行采集和预处理;S3、对各通道信号进行VMD分解,提取声学信号中的故障特征信息,实现不同信源分离,从而抑制传递路径的噪声干扰;S4、选取包含托辊轴承故障循环冲击特征的最优子带;S5、利用C‑Beamforming算法对VMD最优子带信号进行旁瓣抑制,进行声源成像及声源定位,以实现高分辨率声源定位。本发明采用上述托辊故障声学信号特征提取及定位方法,能够有效抑制干扰声源及传递路径耦合噪声影响,实现托辊轴承故障声源的特征提取及高分辨率定位。

    基于瓦斯继电器流速和压强的变压器重瓦斯动作整定方法

    公开(公告)号:CN112649761A

    公开(公告)日:2021-04-13

    申请号:CN202011356376.8

    申请日:2020-11-26

    Abstract: 本发明公开了一种基于瓦斯继电器流速和压强的变压器重瓦斯动作整定方法,包括:采集油路管道的流速值、压强值和重瓦斯信号;施加不同程度的外部激励源至油路管道上,产生不同的涌动油流;基于实时采集的流速值、压强值和重瓦斯信号,分别生成不同涌动油流下的流速曲线图、压强曲线图和重瓦斯动作曲线图;基于流速曲线图、压强曲线图和重瓦斯动作曲线图,确定重瓦斯动作的流速整定值和压强整定值;基于流速整定值、压强整定值、以及实时采集的流速值和压强值,判定变压器的故障等级。本发明结合变压器故障时油压、油流变化,能够为瓦斯继电器瓦斯报警信号的辅助决策提供依据,并提高电力变压器运行的安全可靠性。

    一种基于涌动油流加速度的变压器重瓦斯动作整定方法

    公开(公告)号:CN114839525B

    公开(公告)日:2025-02-25

    申请号:CN202210574208.9

    申请日:2022-05-24

    Abstract: 本发明公开了一种基于涌动油流加速度的变压器重瓦斯动作整定方法,包括:施加不同程度的外部激励源至油路管道上,生成不同涌动油流;基于流速传感器采集瞬态油流的流速信号,生成不同涌动油流下的流速曲线图;基于瓦斯继电器采集瓦斯继电器挡板转角信号,生成不同涌动油流下的挡板转角曲线图;基于流速曲线图和挡板转角曲线图,分析比较不同涌动油流下恰好发生重瓦斯动作时所对应的涌动油流的加速度值及变化趋势,确定发生重瓦斯动作时的涌动油流的加速度整定值;基于涌动油流的加速度整定值判断是否发生重瓦斯动作。本发明通过基于涌动油流加速度值判断是否发生重瓦斯动作,为变压器重瓦斯动作整定提供了一种新方法。

    基于储能动作模型的高压断路器合闸弹簧疲劳程度在线监测方法

    公开(公告)号:CN119249874A

    公开(公告)日:2025-01-03

    申请号:CN202411278471.9

    申请日:2024-09-12

    Abstract: 本发明公开了一种基于储能动作模型的高压断路器合闸弹簧疲劳程度在线监测方法,属于高压断路器监测技术领域,具体步骤如下:步骤S1:构建储能动作模型;步骤S2:采集储能电机的电压值、电流值以及操动机构曲柄的角度位移信号,步骤S3:确定适应度函数;步骤S4:利用樽海鞘群算法和适应度函数求解储能动作模型,得到合闸弹簧刚度K;步骤S5:根据合闸弹簧刚度K计算当前合闸弹簧疲劳程度。采用上述基于储能动作模型的高压断路器合闸弹簧疲劳程度在线监测方法,构建了包括曲柄角位移、合闸弹簧刚度、储能电机电压以及储能电机电流等参数的储能动作模型,采用樽海鞘群算法进行求解,实现合闸弹簧刚度的精确在线测量。

    一种基于FFMC模型的地铁列车传动系统多故障诊断方法

    公开(公告)号:CN119128584A

    公开(公告)日:2024-12-13

    申请号:CN202411134774.3

    申请日:2024-08-19

    Abstract: 本发明公开了一种基于FFMC模型的地铁列车传动系统多故障诊断方法,属于地铁列车故障诊断技术领域,包括:获取地铁列车传动系统多种部件故障数据集并进行预处理;将预处理后的多种部件故障数据集进行划分,并进行归一化处理;构建FFMC模型并初始化FFMC模型参数;使用训练集对FFMC模型进行训练;使用测试集对训练好的FFMC模型进行测试,实现对地铁列车传动系统多故障的分类与诊断。本发明采用上述方法,通过对传统卷积神经网络进行了改进,融合GRU、多尺度卷积、空洞卷积和残差连接,并使用全局平均池化层替代全连接层,提升了模型的特征提取能力和分类准确率。

Patent Agency Ranking