文献类型：期刊文章

作　　者：鄢仁武[1] 林穿[1] 宋微浪[2] 高硕勋[1] 钟伦贵[1] 张文凤[1]

YAN Renwu;LIN Chuan;SONG Weilang;GAO Shuoxun;ZHONG Lungui;ZHANG Wenfeng(Fujian Colleges and Universities Engineering Research Center of Smart Grid Simulation&Analysis and Integrated Control,Fujian University of Technology,Fuzhou 350118,China;Maintenance Branch Company of Fujian Electric Power Co.,Ltd.,Fuzhou 350013,China)

机构地区：[1]福建工程学院智能电网仿真分析与综合控制福建省高校工程研究中心,福州350118 [2]国网福建省电力有限公司检修分公司,福州350013

出　　处：《高压电器》

基　　金：福建省自然科学基金项目(2018H0003,2017J01731);福州科技局项目(2020-GX-24);福建省高校工程研究中心开放基金(KF-X19016、KF-D21009)。

年　　份：2022

卷　　号：58

期　　号：4

起止页码：213-220

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：高压断路器分合闸线圈的电流信号蕴含着丰富的断路器操动机构状态信息,对操动机构故障诊断具有重大意义。首先,文中通过集合经验模态分解(ensemble empirical mode decomposition,EEMD)具备的检测突变点性能确定有效分合闸线圈电流信号段,并对其进行EEMD自适应降噪处理。其次,运用时域求极值法对有效信号段进行信号处理,提取电流、时间复合特征量。最后,通过对复合特征量数据进行Kronecker张量积预处理,以便输入到卷积神经网络(convolutional neural network,CNN)中进行有监督地故障状态的辨识诊断。实验结果表明,文中所提分合闸线圈电流信号的电流、时间复合特征量提取方法有效、CNN卷积神经网络算法相比GA-BP和支持向量机(support vector machine,SVM)算法诊断精度更高,具有较高的实际应用价值。

关 键 词：操动机构 线圈电流 KRONECKER EEMD  CNN

分 类 号：TP183] TM561]