摘要本文在研究了小波包分解和特征熵的基础上，提出一种将二者结合的方法，作为真空断路器机械状态监测的手段。首先将故障振动信号进行多分辨小波包分解，展示了各种状态下分解的结果和频带特征，然后计算分解后各频带对应的小波包能量，经归一化后提取特征向量。使用神经网络作为分类器对故障进行分类，分别以NNF神经网络拟合工具和BP神经网络训练产生神经网络模型，以断路器故障诊断为例验证了该方案可以识别合闸无法保持、分闸弹簧断裂、软连接松动等故障类型，具有实际应用价值。84130
毕业论文关键词 高压断路器 振动信号 小波包分解 特征熵 神经网络
毕业设计说明书（论文）外文摘要
Title Mechanical State Detection of Vacuum Circuit Breaker Based on Vibration Signal
Abstract Based on the wavelet packet decomposition and the characteristics of entropy, a combination method is put forward, as a means of vacuum circuit breaker mechanical condition monitoring。 This paper adopts wavelet packet to decompose the vibration signal,and extracts wavelet packet- characteristic entropy(wp-ce)。Then the feature vector is extracted after the normalization processing of wp-ce is implemented。The NNF toolbox and BP neural network are trained to make model。And the closing fault, split spring fracture ,soft connection loosening etc。are distinguished at a high correct rate。 The simulation results prove the method is efficient and feasible。
Keywords high voltage circuit breaker vibration signal wavelet packet decomposition characteristics of entropy neural network
目 次
1 绪论 1
1。1 课题背景 1
1。2 基于振动信号的断路器状态诊断研究现状 2
1。3 论文的研究内容与结构安排 4
2 断路器振动信号及分析方法 5
2。1 高压断路器简介 5
2。2 断路器振动信号简介 6
2。3 断路器振动信号采集 8
2。4 基于小波包变换的信号分析方法 9
3 断路器振动信号的时频特征提取 11
3。1 断路器各状态下的振动信号时频特征分析 11
3。2 基于特征熵的特征量提取 21
4 基于特征熵的断路器状态诊断 25
4。1 神经网络简介 25
4。2 基于MATLAB实现神经网络 25
结论 31
致谢 32
参考文献 33
1 绪论
1。1 课题背景
高压断路器是电力系统中常用的开关设备。通常情况下，断路器用于控制电路通断；非常状况下，当故障或紧急事件发生时，作为保护装置，断路器将故障部分从电力系统中切除。断路器误操作会导致电力系统设备功能受损，断路器必须以高度的可靠性来运行，因此断路器需要经常检修。即使没有发生任何故障，断路器每6-12个月也必须接受检查[1]。这将花费很多成本，特别是内部检查，断路器不得不进行拆卸，所以要浪费大量时间去维修。内部检修的频率取决于工作人员的经验以及收集的数据。对于低于230kV等级的断路器来说，当10次或更少的故障发生后就必须进行内部检修，并且每次检修间隔绝对不能超过4年[1]，否则在下次检修前就可能发生故障。论文网 基于振动信号的真空断路器机械状态检测:http://www.youerw.com/zidonghua/lunwen_99626.html