高 偉, 楊耿杰, 郭謀發(fā), 徐麗蘭, 陳永往
(1. 福州大學(xué)電氣工程與自動(dòng)化學(xué)院, 福建 福州 350116; 2. 國(guó)網(wǎng)福建漳州市供電有限公司, 福建 漳州 363000;3. 國(guó)網(wǎng)福建晉江市供電有限公司, 福建 泉州 362200)
采用振動(dòng)信號(hào)二維特征向量聚類的配電開關(guān)機(jī)械狀態(tài)識(shí)別新方法
高 偉1, 楊耿杰1, 郭謀發(fā)1, 徐麗蘭2, 陳永往3
(1. 福州大學(xué)電氣工程與自動(dòng)化學(xué)院, 福建 福州 350116; 2. 國(guó)網(wǎng)福建漳州市供電有限公司, 福建 漳州 363000;3. 國(guó)網(wǎng)福建晉江市供電有限公司, 福建 泉州 362200)
配電開關(guān)動(dòng)作產(chǎn)生的振動(dòng)信號(hào)具有非線性非平穩(wěn)特性, 蘊(yùn)含機(jī)械狀態(tài)信息. 提出一種基于振動(dòng)信號(hào)二維特征向量和模糊K均值聚類的配電開關(guān)機(jī)械狀態(tài)識(shí)別新方法. 利用HHT帶通濾波對(duì)配電開關(guān)振動(dòng)信號(hào)進(jìn)行時(shí)頻分解, 分別求取各子頻帶信號(hào)的能量值和重心頻率, 得到振動(dòng)信號(hào)的二維特征向量作為反映配電開關(guān)的機(jī)械狀態(tài)的特征量. 提取配電開關(guān)在正常、 底座螺絲松動(dòng)、 機(jī)械結(jié)構(gòu)卡澀及卸掉A相觸頭絕緣拉桿等4種典型狀態(tài)實(shí)測(cè)振動(dòng)信號(hào)的二維特征向量做模糊K均值聚類, 結(jié)果表明, 所提取的特征向量能有效地表征配電開關(guān)的機(jī)械狀態(tài).
配電開關(guān); 機(jī)械狀態(tài); 振動(dòng)信號(hào); 二維特征向量; HHT帶通濾波; 模糊K均值聚類
開關(guān)電氣故障如觸頭接觸不良等, 大多由操作機(jī)構(gòu)失靈、 切換不到位等機(jī)械故障引起[1]. 統(tǒng)計(jì)表明, 約80%的開關(guān)故障由機(jī)械特性不良所造成[2-3]. 對(duì)開關(guān)常見的機(jī)械故障狀態(tài)如機(jī)械結(jié)構(gòu)卡澀、 彈簧或螺絲松動(dòng)等進(jìn)行監(jiān)測(cè)、 診斷, 可為開關(guān)設(shè)備狀態(tài)檢修提供有效的狀態(tài)量.
開關(guān)動(dòng)作所產(chǎn)生的振動(dòng)信號(hào)蘊(yùn)含有機(jī)械狀態(tài)信息, 機(jī)械狀態(tài)的改變將導(dǎo)致振動(dòng)信號(hào)的變化, 利用振動(dòng)信號(hào)進(jìn)行高壓斷路器機(jī)械故障診斷的研究由來(lái)已久[3-6]. 一般利用振動(dòng)信號(hào)的有效特征量識(shí)別機(jī)械狀態(tài), 而開關(guān)振動(dòng)信號(hào)具有非周期、 非平穩(wěn)變化特點(diǎn), 如何提取振動(dòng)信號(hào)的有效特征量對(duì)開關(guān)機(jī)械故障診斷至關(guān)重要. 已有文獻(xiàn)大多在振動(dòng)信號(hào)的幅值上提取其特征量, 如頻譜熵、 時(shí)頻能量熵等[7-10], 這些特征量實(shí)質(zhì)上均為一維信息, 僅反映振動(dòng)信號(hào)能量集中程度, 無(wú)法反映其能量集中的位置, 具有一定的局限性. 另外, 針對(duì)配電開關(guān)設(shè)備的相關(guān)研究文獻(xiàn)較少.
提取振動(dòng)信號(hào)能量及其重心頻率作為其特征量, 提出一種基于振動(dòng)信號(hào)二維特征向量模糊聚類的配電開關(guān)機(jī)械狀態(tài)識(shí)別新方法. 對(duì)振動(dòng)信號(hào)作HHT帶通濾波, 提取振動(dòng)信號(hào)的能量、 重心頻率等二維特征向量. 該向量可同時(shí)反映振動(dòng)信號(hào)能量集中程度及能量集中位置, 較為全面地刻畫了振動(dòng)信號(hào)的時(shí)頻特征. 利用模糊K均值聚類(FKM)[11]實(shí)現(xiàn)配電開關(guān)不同機(jī)械狀態(tài)的識(shí)別. 對(duì)中壓SF6絕緣環(huán)網(wǎng)負(fù)荷開關(guān)模擬常見的機(jī)械故障, 測(cè)取相應(yīng)的振動(dòng)信號(hào), 分析結(jié)果表明, 該方法能有效地識(shí)別配電開關(guān)的不同機(jī)械狀態(tài).
希爾伯特-黃變換(簡(jiǎn)稱HHT)是一種具有完全自適應(yīng)性的時(shí)頻分析算法, 包括經(jīng)驗(yàn)?zāi)B(tài)分解(簡(jiǎn)稱EMD)和Hilbert變換, 適合于分析非周期非平穩(wěn)信號(hào)[3, 12-14]. HHT需考慮采樣頻率、 數(shù)據(jù)窗、 邊界條件及模態(tài)混疊等問(wèn)題. EMD的模態(tài)混疊與信號(hào)的頻率特性和EMD算法本身有關(guān). 正態(tài)分布的白噪聲經(jīng)EMD后, 信號(hào)內(nèi)均勻分布的各頻率被規(guī)則地分解到各階IMF內(nèi), 且前一階IMF的頻率是后一階IMF的兩倍, EMD類似于一個(gè)有效的二進(jìn)制濾波器組. 人為地在原始信號(hào)中加入正態(tài)分布的白噪聲, 可使混合信號(hào)的尺度均勻分布在時(shí)頻空間內(nèi), 有效消除EMD產(chǎn)生的模態(tài)混疊現(xiàn)象. 基于此, Huang等[15]提出了集合經(jīng)驗(yàn)?zāi)B(tài)分解的方法, 通過(guò)將信號(hào)預(yù)白化, 提高HHT分析的準(zhǔn)確性.
配電開關(guān)動(dòng)作信號(hào)經(jīng)集合經(jīng)驗(yàn)?zāi)B(tài)分解后, 得到各階固有模態(tài)函數(shù)(簡(jiǎn)稱IMF)分量, 提取各階IMF分量中所有同頻率點(diǎn)的瞬時(shí)值進(jìn)行重構(gòu), 可得到原始振動(dòng)信號(hào)的某個(gè)頻率分量. 通過(guò)帶通濾波亦可重構(gòu)出不同頻帶內(nèi)的原始振動(dòng)信號(hào)分量, 該濾波方法稱為HHT帶通濾波[3, 16-17]. 其步驟如下:
1) 對(duì)配電開關(guān)振動(dòng)信號(hào)進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解, 得到各階IMF分量和趨勢(shì)分量.
2) 求各階IMF分量的Hilbert時(shí)頻譜, 得到各階IMF分量所對(duì)應(yīng)的瞬時(shí)頻率.
3) 逐次對(duì)每階IMF分量的瞬時(shí)頻率進(jìn)行判斷, 若此頻率不在選定頻帶的范圍內(nèi), 則將此時(shí)刻對(duì)應(yīng)的IMF分量置零.
4) 將經(jīng)處理后的各階IMF分量累加, 得到選定頻帶范圍內(nèi)的振動(dòng)信號(hào)分量.
5) 繼續(xù)求得振動(dòng)信號(hào)在其他頻帶內(nèi)的分量.
設(shè)一維振動(dòng)信號(hào)時(shí)間序列{x(n)|n=1, 2, …,N}, 以Δf為平均帶寬, 經(jīng)一次HHT帶通濾波重構(gòu)得L個(gè)子頻帶分量; 每個(gè)子頻帶分量, 以Δf′為平均帶寬, 進(jìn)行二次HHT帶通濾波得M個(gè)二次重構(gòu)分量. 其中:L等于振動(dòng)信號(hào)的頻帶范圍與一次HHT帶通濾波帶寬的比值,M等于一、 二次HHT帶通濾波的帶寬比值. 再分別按下列算式求得能量值和重心頻率.
由于各個(gè)特征值的幅值大小不一, 為便于各振動(dòng)信號(hào)的特征向量進(jìn)行比較, 對(duì)能量和重心頻率作歸一化處理, 轉(zhuǎn)換為無(wú)單位的值.
將這k個(gè)振動(dòng)信號(hào)的能量值和重心頻率按下式組合成一個(gè)新矩陣Ef作為配電開關(guān)機(jī)械狀態(tài)二維特征向量矩陣. 每一行代表一個(gè)振動(dòng)信號(hào)的特征, 每?jī)闪薪M成該振動(dòng)信號(hào)一個(gè)頻段的二維特征, 由此構(gòu)成k×2L的矩陣. 由于同時(shí)反映了配電開關(guān)振動(dòng)信號(hào)能量值大小和重心頻率的變化, 二者互為補(bǔ)充, 相比于用一維特征量表征配電開關(guān)振動(dòng)信號(hào), 二維特征向量可更好地體現(xiàn)振動(dòng)信號(hào)的時(shí)頻分布特征.
圖1 振動(dòng)信號(hào)二維特征向量提取算法流程框圖 Fig.1 Extracting flow of 2-D feature vector
振動(dòng)信號(hào)的二維特征向量與開關(guān)操作振動(dòng)模式有關(guān), 當(dāng)振動(dòng)模式相對(duì)穩(wěn)定時(shí), 分解后的二維特征向量較為接近; 若檢測(cè)到的二維特征向量與正常狀態(tài)下出現(xiàn)較大偏差, 表明該開關(guān)的振動(dòng)模式發(fā)生了變化, 機(jī)械狀態(tài)可能出現(xiàn)異常[3].k個(gè)振動(dòng)信號(hào)二維特征向量提取算法流程如圖1所示.
配電開關(guān)狀態(tài)檢測(cè)系統(tǒng)由加速度傳感器、 信號(hào)采集裝置和信號(hào)分析軟件組成, 如圖2所示. 加速度傳感器的頻率響應(yīng)范圍為0.5~6 000 Hz, 靈敏度為100 mV·(m·s-2)-1, 量程為50 m·s-2, 滿量程時(shí)輸出電壓為5 V; 信號(hào)采集裝置由NI的數(shù)據(jù)采集模塊6211搭建, 信號(hào)分析軟件采用Matlab和LabVIEW開發(fā). 對(duì)中壓SF6負(fù)荷開關(guān)動(dòng)作進(jìn)行實(shí)驗(yàn), 加速度傳感器安裝在最靠近振動(dòng)源的開關(guān)操動(dòng)機(jī)構(gòu)主軸附近, 如圖3所示. 檢測(cè)配電開關(guān)在正常狀態(tài)、 底座螺絲松動(dòng)、 機(jī)械結(jié)構(gòu)卡澀及卸掉A相觸頭絕緣拉桿等情況下的大量合閘振動(dòng)信號(hào), 振動(dòng)信號(hào)幅值為加速度傳感器輸出電壓值的大小.
圖2 振動(dòng)信號(hào)檢測(cè)系統(tǒng) 圖3 加速度傳感器安裝位置Fig.2 Vibration signal detection system Fig.3 Installation location of acceleration sensor
當(dāng)開關(guān)發(fā)生分合閘操作, 振動(dòng)信號(hào)出現(xiàn)急劇變化, 為消除傳感器零漂影響, 設(shè)定啟動(dòng)閾值為3.3 V. 信號(hào)幅值超過(guò)閾值時(shí), 截取啟動(dòng)前后0.1 s(其中啟動(dòng)前7.5 ms)時(shí)長(zhǎng)的振動(dòng)信號(hào), 作為待分析信號(hào). 由文[3]可知, 信號(hào)頻率主要分布在0~20 kHz范圍. 對(duì)截取的信號(hào)做集合經(jīng)驗(yàn)?zāi)B(tài)分解, 并以2 kHz帶寬將信號(hào)劃分成10個(gè)頻帶, 通過(guò)HHT帶通濾波進(jìn)行一次重構(gòu), 得到10個(gè)子頻帶的重構(gòu)分量. 對(duì)一次重構(gòu)分量再進(jìn)行二次HHT帶通濾波, 取二次帶通濾波的頻帶寬度為0.4 kHz, 則每個(gè)子頻帶重構(gòu)分量可得到5個(gè)二次帶通濾波重構(gòu)分量, 由這5個(gè)二次帶通濾波重構(gòu)波形可提取1個(gè)能量值和1個(gè)重心頻率, 將其作為各二次重構(gòu)分量的二維特征向量, 則1個(gè)振動(dòng)信號(hào)可提取10個(gè)二維特征向量. 對(duì)配電開關(guān)在底座螺絲松動(dòng)和卸掉A相觸頭絕緣拉桿等情況下的合閘振動(dòng)信號(hào)各取3組數(shù)據(jù), 提取其二維特征向量, 可得圖4所示的分布圖, 6組數(shù)據(jù)的二維特征向量通過(guò)不同顏色或符號(hào)加以區(qū)別.
圖4 二維特征向量分布圖Fig.4 Scattergram of 2-D feature vector
由圖4可看出, 配電開關(guān)底座螺絲松動(dòng)和卸掉A相觸頭絕緣拉桿這兩種機(jī)械故障狀態(tài)的二維特征在低頻部分能量較大, 高頻部分能量較小, 接近于零; 在第1、 6、 7、 8、 9重構(gòu)頻帶能量差異明顯, 第2重構(gòu)頻帶重心頻率差異明顯. 二維特征向量不僅反映了配電開關(guān)振動(dòng)信號(hào)的能量集中程度, 同時(shí)直觀反映了其能量集中的位置, 兩者互相補(bǔ)充, 可較為全面地描述信號(hào)時(shí)頻特征的變化情況.
為識(shí)別配電開關(guān)在正常狀態(tài)、 底座螺絲松動(dòng)、 機(jī)械結(jié)構(gòu)卡澀及卸掉A相觸頭絕緣拉桿等4種情況下的振動(dòng)信號(hào), 每種狀態(tài)各取3組作為樣本, 再取2組任意狀態(tài)數(shù)據(jù)作為待檢數(shù)據(jù). 編號(hào)如下: 1~3為正常狀態(tài), 4~6為底座螺絲松動(dòng), 7~9為機(jī)械結(jié)構(gòu)卡澀, 10~12為卸掉A相觸頭絕緣拉桿, 13~14為測(cè)試數(shù)據(jù). 求取這14組數(shù)據(jù)的能量值El和重心頻率Fg, 分別如下所示.
模糊聚類算法常用于開關(guān)振動(dòng)信號(hào)特征量識(shí)別, 其中多采用模糊C均值聚類(fuzzy C-mean, FCM), 識(shí)別效果較好[18-19]. 但FCM在應(yīng)用中存在一些不足, 如算法對(duì)初值敏感, 不同的初值可能得到不同的聚類結(jié)果, 甚至無(wú)解.
模糊K均值聚類[11]是一種基于模糊劃分、 非監(jiān)督動(dòng)態(tài)聚類方法, 相比于FCM聚類, 該算法可人為輸入將待分類的n個(gè)向量xj(j=1, 2, …,n)分成k類的初始模糊隸屬度矩陣U(1), 彌補(bǔ)了FCM的不足.
將振動(dòng)信號(hào)的二維特征向量表征配電開關(guān)振動(dòng)模式, 并通過(guò)逐步建立相應(yīng)的振動(dòng)指紋庫(kù), 為配電開關(guān)機(jī)械故障診斷奠定基礎(chǔ). 通過(guò)對(duì)正常狀態(tài)、 底座螺絲松動(dòng)、 機(jī)械結(jié)構(gòu)卡澀和卸掉A相觸頭絕緣拉桿等4種情況下開關(guān)合閘振動(dòng)信號(hào)二維特征向量的FKM聚類識(shí)別, 驗(yàn)證本文所提方法的有效性.
將式(6)、 式(7)按式(5)組合成一個(gè)新矩陣Ef, 將Ef作為FKM聚類的輸入, 已知樣本狀態(tài)有4種, 設(shè)置FKM聚類數(shù)目為4, 初始模糊隸屬度矩陣U(1)如下式所示:
其中: 各已知狀態(tài)的隸屬度均取0.7, 表示對(duì)應(yīng)狀態(tài)已知, 而待驗(yàn)狀態(tài)1、 2的隸屬度取0.1, 表示對(duì)應(yīng)狀態(tài)未知. 取加權(quán)指數(shù)m=2, 迭代中止因子ε=10-5, 最大迭代次數(shù)kmax=100. 迭代收斂后, 得到隸屬度矩陣如下式所示.
表1 FKM分類結(jié)果Tab.1 Classification results of FKM
U為4×14的矩陣, 行號(hào)對(duì)應(yīng)狀態(tài)類別, 列號(hào)對(duì)應(yīng)樣本編號(hào),U中的元素表征每個(gè)樣本屬于相應(yīng)狀態(tài)類別的隸屬度, 隸屬度越大屬于該狀態(tài)類別的概率越高. 根據(jù)U中元素最大值出現(xiàn)的位置獲得表1的分類結(jié)果: 樣本1~3同屬一類, 為正常狀態(tài); 10~12同屬一類, 為底座螺絲松動(dòng)狀態(tài); 待驗(yàn)樣本13和樣本4~6同屬一類, 判別為底座螺絲松動(dòng)狀態(tài); 待驗(yàn)樣本14與樣本7~9同屬一類, 判別為機(jī)械結(jié)構(gòu)卡澀狀態(tài), 以上判定結(jié)果和實(shí)際狀態(tài)一致.
1) 由振動(dòng)信號(hào)的能量及重心頻率構(gòu)成其時(shí)頻二維特征向量, 兩者互相補(bǔ)充, 可較為全面地描述信號(hào)時(shí)頻特征的變化.
2) 通過(guò)兩次HHT帶通濾波, 每個(gè)振動(dòng)信號(hào)均得到多個(gè)二維特征向量, 該向量可更有效地反映振動(dòng)信號(hào)的復(fù)雜特性.
3) 不同機(jī)械故障類型振動(dòng)信號(hào)的FKM聚類識(shí)別驗(yàn)證了振動(dòng)信號(hào)二維特征向量的有效性, 為配電開關(guān)機(jī)械故障診斷指紋庫(kù)的建立提供了一種有效手段.
[1] 趙彤, 李慶民, 陳平. OLTC振動(dòng)信號(hào)特征提取的動(dòng)力學(xué)分析方法[J]. 電工技術(shù)學(xué)報(bào), 2007, 22(1): 41-46.
[2] 楊凌霄, 朱亞麗. 基于概率神經(jīng)網(wǎng)絡(luò)的高壓斷路器故障診斷[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(10): 62-67.
[3] 郭謀發(fā), 徐麗蘭, 繆希仁, 等. 采用時(shí)頻矩陣奇異值分解的配電開關(guān)振動(dòng)信號(hào)特征量提取方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2014, 34(28): 4 990-4 997.
[4] 常廣, 王毅, 王瑋. 采用振動(dòng)信號(hào)零相位濾波時(shí)頻熵的高壓斷路器機(jī)械故障診斷[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2013, 33(3): 155-162.
[5] 黃建, 胡曉光, 鞏玉楠. 基于經(jīng)驗(yàn)?zāi)B(tài)分解的高壓斷路器機(jī)械故障診斷方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2011, 31(12): 108-113.
[6] 孫來(lái)軍, 胡曉光, 紀(jì)延超. 一種基于振動(dòng)信號(hào)的高壓斷路器故障診斷新方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2006, 26(6): 157-161.
[7] 彭文季, 羅興锜. 基于小波包分析和支持向量機(jī)的水電機(jī)組振動(dòng)故障診斷研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2006, 36(24): 164-168.
[8] 龐爾軍, 王曉龍, 于虹. 基于虛擬儀器技術(shù)的振動(dòng)測(cè)試分析系統(tǒng)[J]. 機(jī)床與液壓, 2014, 42(7): 171-173.
[9] 李斌, 李爽, 魯旭臣. 高壓斷路器機(jī)械特性振動(dòng)信號(hào)特征提取和故障診斷方法研究[J]. 高壓電器, 2015, 51(10): 138-144.
[10] 周翔, 王豐華, 傅堅(jiān), 等. 基于混沌理論和K-means聚類的有載分接開關(guān)機(jī)械狀態(tài)監(jiān)測(cè)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015, 35(6): 1 541-1 548.
[11] 周宏偉, 周玉光, 關(guān)添升, 等. 基于模糊k均值的變壓器分接開關(guān)故障診斷[J]. 吉林大學(xué)學(xué)報(bào)(信息科學(xué)版), 2015, 33(6): 719-722.
[12] HUANG N E, SHEN Z, LONG S R,etal. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London, Series A: Mathematical, Physical and Engineering Sciences, 1998, 454(1 971): 903-995.
[13] VINCENT H T, HU S J, HOU Z. Damage detection using empirical mode decomposition method and a comparison with wavelet analysis[C]// Proceedings of the Second International Workshop on Structure Health Monitoring. California: Stanford University, 1999: 891-900.
[14] HUANG N E, SHEN Z, LONG S R. A new view of nonlinear water waves: the Hilbert spectrum[J]. Annual Review of Fluid Mechanics, 1999, 31(1): 417-457.
[15] WU Z H, HUANG N E. Ensemble empirical mode decomposition: a noise-assisted data analysis method[J]. Advances in Adaptive Data Analysis, 2009, 1(1): 1-41.
[16] 郭謀發(fā), 劉世丹, 楊耿杰. 采用Hilbert譜帶通濾波和暫態(tài)波形識(shí)別的諧振接地系統(tǒng)故障選線新方法[J]. 電工電能新技術(shù), 2013, 32(3): 67-74.
[17] 李建鵬, 趙書濤, 夏燕青. 基于雙譜和希爾伯特-黃變換的斷路器故障診斷方法[J]. 電力自動(dòng)化設(shè)備, 2013, 33(2): 115-119; 125.
[18] 梅飛, 梅軍, 鄭建勇, 等. 粒子群優(yōu)化的KFCM及SVM診斷模型在斷路器故障診斷中的應(yīng)用[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2013, 33(36): 134-141.
[19] 劉長(zhǎng)良, 武英杰, 甄成剛. 基于變分模態(tài)分解和模糊C均值聚類的滾動(dòng)軸承故障診斷[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015, 35(13): 3 358-3 365.
Anovelmechanicalstateidentificationmethodfordistributionswitchbasedonvibrationsignal2-Dfeaturevectorwithclusteringalgorithm
GAO Wei1, YANG Gengjie1, GUO Moufa1, XU Lilan2, CHEN Yongwang3
(1. College of Electrical Engineering and Automation, Fuzhou University, Fuzhou, Fujian 350116, China;2. State Grid Fujian Zhangzhou County Electric Power Supply Co. Ltd., Zhangzhou, Fujian 363000, China;3. State Grid Fujian Jinjiang County Electric Power Supply Co. Ltd., Quanzhou, Fujian 362200, China)
Vibration signals of distribution switches that contain mechanical information are characterized by nonlinearity and nonstationarity. Thus, A novel mechanical state identification method for distribution switch based on vibration signal 2-D feature vector with fuzzy K-mean clustering algorithm was proposed in this paper. Taking advantage of HHT band-pass filter, vibration signals would be decomposed in time and frequency domain in order to obtain each sub-band reconstructed signal’s energy and center frequency as the 2-D feature vector, which could represent the mechanical state for distribution switch. FKM clustering was applied to these 2-D feature vectors of observed vibration signals in four typical conditions including normal states, screw loosing states, mechanical structure clamping stagnation states and relieved insulated pull rod of phase A contacts states. Results show that the feature quantity can represent the mechanical state of distribution switch accurately and effectively.
distribution switch; mechanical state; vibration signal; 2-D feature vector; HHT band-pass filter; FKM clustering
10.7631/issn.1000-2243.2017.05.0674
1000-2243(2017)05-0674-07
TM77
A
2016-04-12
楊耿杰(1966-), 教授, 主要從事電力系統(tǒng)分析研究, 80201931@qq.com
福建省自然科學(xué)基金資助項(xiàng)目(2016J01218); 福建省教育廳科研資助項(xiàng)目(JA15086)
(責(zé)任編輯: 沈蕓)