點(diǎn)火線圈絕緣故障檢測(cè)和分類方法研究.pdf

1、點(diǎn)火線圈是汽車中的重要關(guān)鍵部件,它主要的故障形式是絕緣故障,目前點(diǎn)火系統(tǒng)高電壓、高能量、高帶寬、高頻率的發(fā)展趨勢(shì)向點(diǎn)火線圈絕緣故障檢測(cè)提出了更高的要求。國(guó)內(nèi)點(diǎn)火線圈制造商缺少專用于絕緣故障的檢測(cè)、分析方法和關(guān)鍵技術(shù),國(guó)外現(xiàn)有的點(diǎn)火線圈絕緣故障檢測(cè)方法無法快速完成絕緣故障快速在線檢測(cè)。并且雖然大型高壓電器的絕緣故障檢測(cè)與分析方法已經(jīng)較為成熟,但是由于小型密封絕緣高壓電器的絕緣故障的研究條件更苛刻、故障脈沖識(shí)別難度更大,所以這些方法并不適用

2、于點(diǎn)火線圈。
　　本文針對(duì)小型密封絕緣高壓電器的特性,為點(diǎn)火線圈絕緣故障檢測(cè)存在的上述問題提供了解決方法:首先在線識(shí)別絕緣故障脈沖的存在,其次在故障信號(hào)中確定絕緣故障發(fā)生的時(shí)刻,以發(fā)生時(shí)刻為中心提取故障信息,依據(jù)故障信息區(qū)分不同特征的故障源,指導(dǎo)制造工藝的改進(jìn)。基于上述思想,本文的主要研究?jī)?nèi)容如下:
　　為準(zhǔn)確捕捉絕緣故障脈沖,現(xiàn)有點(diǎn)火線圈絕緣故障檢測(cè)方法要求高速高采樣率,在信號(hào)處理和特征提取過程中處理的信息大部分與檢測(cè)任務(wù)

3、無關(guān),窄脈沖難以定位等問題。針對(duì)上述問題提出的檢測(cè)方法在分析絕緣故障脈沖時(shí)、頻特征的基礎(chǔ)上,首先提取絕緣故障脈沖的高頻成分提高檢測(cè)效率。在進(jìn)行去噪和特征提取過程中,同時(shí)將模擬信號(hào)中由多個(gè)10ns級(jí)極窄脈沖組成的故障脈沖的能量估計(jì)轉(zhuǎn)化為μs級(jí)數(shù)字脈沖的寬度計(jì)算,節(jié)約檢測(cè)時(shí)間,保留有用特征,排除噪聲干擾?？焖?、有效地在線識(shí)別絕緣故障點(diǎn)火線圈,再通過對(duì)故障的進(jìn)一步分析確定故障源。
　　針對(duì)絕緣故障脈沖奇異點(diǎn)不同于一般奇異點(diǎn)檢測(cè)統(tǒng)計(jì)模型的

4、特點(diǎn),本文絕緣故障信號(hào)奇異點(diǎn)檢測(cè)算法在排除信號(hào)自身奇異點(diǎn)影響的基礎(chǔ)上,根據(jù)絕緣故障脈沖奇異點(diǎn)鄰域內(nèi)模極大值點(diǎn)的分布特征制定追蹤策略。針對(duì)小波變換模極大值奇異點(diǎn)檢測(cè)傳統(tǒng)算法抗噪性差的問題,本文算法在追蹤過程中對(duì)模極大值點(diǎn)和線進(jìn)行篩選,避免由噪聲產(chǎn)生的模極大值點(diǎn)連接成線。針對(duì)復(fù)雜算法繪制模極大值線步驟繁瑣的問題,本文算法在追蹤模極大值點(diǎn)的同時(shí),兼顧模極大值點(diǎn)的選擇、模極大值線的篩選、交叉模極大值線的合并、模極大值線間的續(xù)接等,優(yōu)化繪制模極大

5、值線的步驟。本文提出的基于小波變換模極大值路線修正追蹤的奇異點(diǎn)檢測(cè)算法針對(duì)脈沖奇異點(diǎn)檢測(cè)問題提高了現(xiàn)有算法的檢測(cè)精度和速度。
　　針對(duì)現(xiàn)有高壓電器絕緣故障分類使用原始特征量,原始特征量中含有冗余和無關(guān)信息的問題,本文提出的主成分分析方法使用先分析后均衡的方法處理特征量,在保存原始特征量有效信息的基礎(chǔ)上,實(shí)現(xiàn)特征量降維并增強(qiáng)特征量與目標(biāo)標(biāo)簽的聯(lián)系。針對(duì)神經(jīng)網(wǎng)絡(luò)依賴先驗(yàn)知識(shí)和充足樣本,不適合小型密封絕緣高壓電器絕緣故障分類的問題,使用

6、更適合小樣本和無先驗(yàn)知識(shí)的支持向量機(jī)分類。針對(duì)所有樣本對(duì)訓(xùn)練過程貢獻(xiàn)均等,離群點(diǎn)影響分類器收斂速度等問題,根據(jù)分類問題的樣本分布對(duì)每個(gè)樣本分別使用不同的懲罰系數(shù),提出一種基于PSO樣本加權(quán)的支持向量機(jī)分類算法。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)、標(biāo)準(zhǔn)支持向量機(jī)和PCA支持向量機(jī)算法相比,本文提出的改進(jìn)的主成分分析特征提取方法和基于PSO樣本加權(quán)支持向量機(jī)的絕緣故障分類算法提高了分類準(zhǔn)確度,減少了分類算法的迭代次數(shù)。
　　本文提出的檢測(cè)與分類方法改善