改良された経験的ウェーブレット変換 (EWT) とその応用

Scientific Reports volume 12、記事番号: 17533 (2022) この記事を引用

999 アクセス

メトリクスの詳細

トランスの共振周波数には、その構造に関する情報が含まれています。 ハンマテスト時や電源投入時は、負荷電流による振動を考慮する必要がないため、トランス動作時よりもハンマテスト時や電源投入時の振動信号の共振周波数を同定することが容易です。 したがって、これら 2 つの非定常振動に対処するには、計算が簡単で、計算速度が速く、リアルタイム監視が容易な解析手法が必要です。 振動監視により、変圧器の健康状態をリアルタイムで把握し、電源の信頼性を向上させ、故障の初期段階で早期警告を与えることができます。 本稿では新しい周波数領域セグメンテーション法を提案する。 この方法は、トランスの振動信号を効果的に処理し、その共振周波数を特定することができます。 変圧器には 11 の異なる負荷状態が設定されます。 本稿で提案する手法はハンマリング試験信号からトランスの共振周波数を抽出することができる。 元の実験的ウェーブレット変換方法と比較して、この方法は周波数領域をより効果的に分割でき、時間周波数分解能が高く、修正された方法の実行時間は 80 秒から 2 秒に短縮されます。 この方法の普遍性は、3 つの異なるタイプの変圧器の実験によって証明されています。

電源の安定性要件の改善により、変圧器の健全性評価に関する研究がますます増えています。 変圧器の一般的な故障診断方法には、定期検査、溶存ガス分析 1、振動監視 2、3、部分放電監視 4、超音波測定 5、周波数応答分析 6 などの方法が含まれます。 他の方法と比較して、振動測定には、設置が簡単で、環境への影響が少なく、コストが低いという利点があります。 ほぼすべてのタイプの変圧器に適用できます。

トランスの振動は主に磁歪と磁力によって発生します。 変圧器の振動をリアルタイムで監視することで、異常振動と変圧器の内部故障との関係が確立され、予防保守を適時に実施し、変圧器の耐用年数を延ばすのに役立ちます。 例えば、変圧器鉄心の締め付けボルトが緩むと、鉄心間のエアギャップが変化し、変圧器の振動が著しく増加します7。また、ボルトが緩むと、外部衝撃に対する変圧器の耐力も低下します。 変圧器の機械的性能の劣化は、マルチチャンネル振動測定を通じて追跡されました8。 In9 では、変圧器の負荷時タップ切換器の振動データを取得して機器の初期故障を特定し、自己組織化マッピング (SOM) を使用して負荷時タップ切換器の状態をオンラインで評価します。 10では、変圧器ボックスの振動による巻線変形を監視する方法が研究されました。この方法は、変圧器のさまざまな部分によって発生する振動を考慮し、振動の発生、重畳、伝達に対する温度の影響を分析します。

トランスの振動周波数は共振周波数と外部励磁によって決まります。 外部励起には主に電圧、電流、動作環境が含まれており、これらの要素は変圧器の動作中に測定できます。 共振周波数はトランスの振動周波数を決定する内部要因です。 これは変圧器の構造によって決まり、外部励磁の変化によって変化することはありません。 打撃試験により得られます。 振動成分が共振周波数に近いほどトランス共振を起こしやすくなります。 共振は大変有害であり、トランスが激しく振動し、ボルトの緩みやクッションブロックの脱落などを引き起こします。 また、変圧器の共振周波数を監視することで構造を追跡でき、変圧器構造の変化を解析することで変圧器の故障診断を実現できます。 論文11では、擬似スペクトル法によりトランスの共振周波数を計算しました。 変圧器の振動周波数と電圧および電流高調波との関係は論文で推定されています12。 大型変圧器の動作に及ぼす振動の影響や電磁力加振下での共振を回避するための振動低減策を検討し13、全負荷容量200MVA、騒音レベル以下の超低騒音電源変圧器を試作した。 65dB。 変圧器の非線形モデルは非線形要素と線形ダイナミックブロックから構成されるフーリエニューラルネットワークにより構築され、振動予測の効果とシステムパラメータ抽出の効果が複数の電源変圧器での試験により検証された14。

振動データを扱うための解析手法は数多くあります。 フーリエ解析はシンプルで効果的な解析手法ですが、フーリエ変換手法では時間と周波数の情報を同時に表示できません15。 この論文では、コンバータ変圧器の振動特性を計算するために使用される単純化された順列エントロピー アルゴリズムが提案されています。 従来の順列エントロピー アルゴリズムと比較して、このアルゴリズムには安定した分類、高い柔軟性、高速な計算速度という利点があります。 ウェーブレット変換方法 17,18 は、変圧器の振動監視にも多くの用途があります。 複雑な Morlet ウェーブレットを使用して変圧器 in17 の自由振動データを処理し、改良された Crazy Climber アルゴリズムを使用して時間周波数スペクトログラムのウェーブレット リッジを抽出し、変圧器巻線の最初の 4 次共振周波数と減衰比を取得しました。 。 周波数帯域、つまりエネルギー分布に基づいて変圧器のコアと巻線の機械的故障を診断するための新しい方法が 18 で提案されました。 変圧器の機械的故障は、リアルタイム振動データの各周波数帯域のエネルギー分布によってオンラインで診断されました。 改良された経験的モード分解アルゴリズムは、変圧器の負荷時タップ変更に関する振動データの故障指標抽出に適用されました19。 EWT はジェローム ジル教授によって初めて導入されました20。これは一連のバンドパス フィルターの組み合わせに相当し、元の信号は異なる周波数領域のいくつかの信号の組み合わせに分解されます。 論文 21、22 では、地震データにおける EWT の適用が紹介され、スケール空間表現に基づいた改良された EWT 手法が提案されています。 Paper23 では、2 次元画像認識における EWT の応用が紹介されました。 改良された適応型 Morlet ウェーブレット変換とギアボックスの振動データへの応用が論文 24 で紹介されました。 EWT は変圧器にもいくつかの用途があります。 論文25では、変圧器のさまざまな故障状態を診断するために、EWTおよびsalp swarmアルゴリズムに基づく故障診断方法が提案されています。 論文26では、EWT法をマルチスケールエントロピーと組み合わせ、元の信号と相関の高いウェーブレット成分を選択することで計数時間を短縮しました。

EWT が多くの非定常信号処理方法から選択される主な理由は、周波数領域分割境界を柔軟に設定することでターゲット周波数成分の解像度を向上させることができ、EWT 周波数領域分割はフーリエ変換に基づいており、2 つの方法は部分的に重複しているため、信号処理プロセスは漸進的な関係であり、計算の負担を軽減できます。 さらに重要なことは、フーリエ結果に従って異常なターゲット周波数成分の近くに境界を設定することにより、ターゲット成分を詳細に分析してターゲット周波数成分の変化時間を決定することができ、これは変圧器の故障診断にとって非常に重要です。 本論文で提案するスペクトル分割方法は、周波数領域の極値と包絡線などの要素を組み合わせて、対象成分を追跡および分析できるだけでなく、スペクトル範囲を合理的に分割することもできます。 論文26とは異なり、この論文は他の手法を組み合わせず、EWT上のスペクトル分割原理を直接改善し、計算プロセスを簡素化し、適応性を向上させます。 スケール平面に基づく従来の方法と比較して、スケール平面を作成するステップが不要になり、計算速度が大幅に向上し、リアルタイムの分析とモニタリングにより適しています。

変圧器の振動は振動の発生場所により鉄心振動、巻線振動、冷却装置振動に分けられます。 振動周波数の決定要因により、共振周波数で決まる振動と励振周波数で決まる振動に分けられます。

トランス巻線の振動は電流と巻線の漏れ磁束との相互作用によって引き起こされ、コイル Fw の振動力は式 (1) に示すように電流 I の 2 乗に比例します。 (1)。 トランスコアの振動は磁歪と磁力によって引き起こされ、鉄心の振動力Fcは式(1)に示すように電圧Uの2乗に比例します。 (2)。

変圧器内の電流と電圧は、少量の高調波が混合された正弦波であり、式 2 で表すことができます。 (3) と (4) において、I0 と U0 はそれぞれ電流と電圧の DC 成分を表し、In と Un はそれぞれ電流と電圧の基本波成分と高調波成分を表します。

方程式を結合します。 (3) を式に代入します。 (1) 入手する

式の 3 番目の部分。 (5) は式 (5) のように表すことができます。 (6) において、p と q は 1 から組み合わせ数 Cn2 までの数です。

三角方程式の変換規則によれば、式の 2 番目の部分は次のようになります。 (6) は次のように表すことができます。

変圧器の振動周波数には、表 1 に示すように、DC 成分、高調波周波数成分、各高調波成分の 2 倍の周波数、任意の 2 つの高調波成分の合計、および任意の 2 つの高調波成分の差が含まれます。電流と電圧は高調波成分が少ない理想的な正弦波に近く、表 1 から各加振力の振幅が同じ桁であることがわかります。そのため、高調波によって引き起こされる振動振幅は主に次の条件に依存します。共振周波数点の位置を知ることは、振動周波数の分布を観察することによって共振周波数の分布を決定するのにも役立ちます。

変圧器の動作中の振動振幅と振動速度は非常に小さく、微小振幅システムに属します。 したがって、トランスの振動系はテイラー級数の１次項のみを取り、高次項を省略すれば線形系とみなすことができる。 単一自由線形系の強制振動の運動方程式は式(1)に示されます。 (8)、m、c、k はそれぞれ質量、減衰係数、弾性係数です。

式 (8) は次のように書き換えることができます。

式のパラメータは次のとおりです。 (9) は次のように定義されます。

方程式では、 (10) および (11) において、ωn は共振周波数、ξ は減衰率です。 変圧器システムはほぼ線形システムであるため、各励磁下の振動は重ね合わせ定理を満たします。 解析の便宜上、加振力 F = fncosωt と仮定します。 式に代入します。 (9) 入手する

式のパラメータは次のとおりです。 (12) は次のように定義されます。

それは式からわかります。 (12) 式の最初の項目は、変圧器の減衰の作用により徐々に減衰してゼロに設定されることがわかります。 改良されたEWTによりハンマリング試験における特定周波数の波形を抽出し、波形エンベロープをフィッティングすることで関連パラメータ(X、ξ、ωn)を取得できます。 図 1 は、図 6 の 37 Hz の共振周波数成分に相当するハンマリング試験における 37 Hz の周波数成分の減衰過程を示しています。関連するパラメータの値は、(15) に示すようにパラメータ フィッティングによって取得されます。

共振波形のフィッティング。

式の 2 番目の部分については、 式(12)より、異なる周波数の加振力の下での変圧器の振動は依然として対応する周波数の応答ですが、振動振幅は変圧器の構造係数と共振周波数の影響を受けます。 p を式 (1) に示すとおりとする。 (16) において、p は非負の変数です。 pが小さいほど、振動振幅は大きくなります。

式 (16) は次のように変形できます。

p は ω を変数とする一変量の 4 次方程式であり、

p′ は一変量の 3 次方程式です。p′ = 0 とすると、次のようになります。

したがって、p は ω2、つまり式 (1) で最小値になります。 (12) より、ω が ω2 に近づくほど x(t) の振幅は大きくなり、ω = ω2 のときに x(t) の振動振幅が最大になります。

EWT は本質的に、セグメンテーション境界を柔軟に設定できるウェーブレット変換です20。 EWT 法の核心は周波数領域の分割にあります。 スペクトルの結果はアプリケーションによって大きく異なりますが、スペクトル セグメンテーションの目的は同じであり、ターゲット周波数成分の変化プロセスを強調することです。 経験的スケーリング関数と経験的ウェーブレットは、方程式によって示されます。 それぞれ (20) と (21)。

関数 β(x) は次の条件を満たすものとします。

τN = γωN であり、γ < min[(ωN+1 − ωN)/(ωN+1 + ωN)] の場合、タイトなフレームが得られます。 その後、信号は次のように再構築できます。

前の分析から、EWT の焦点は周波数領域のセグメンテーション境界を決定することであることがわかります。 さまざまな種類の信号を処理するには、それぞれの固有の特性を組み合わせる必要があります。 トランスの振動データの成分には次のような特徴があります。

変圧器の動作中、周波数領域の主成分は通常 50 Hz の整数倍です (電気周波数は 50 Hz)。 本来であれば100Hz成分の振幅が最大となるはずですが、共振周波数の影響により、共振周波数点に最も近い50Hzの2倍成分が最大振幅となる場合があります。

変圧器が動作していないとき、環境干渉の振幅は 0.003 m/s2 未満であり、フーリエ変換結果の対応する値は 0.003*16,384/2 ≈ 25、振動信号のサンプリング周波数は 16384 Hz です。 振動信号のフーリエ結果の解析では、25 未満の信号は無視できます。

ハンマリングテストやトランスの状態切り替え中に、連続的な高振幅成分が発生する場合があります。 これらのコンポーネントにより、周波数領域のセグメンテーションの難易度が高まります。

高振幅成分の近くには、低振幅の周波数成分がいくつか現れます。 周波数領域を分割するときは、これらの低振幅成分の影響を無視する必要があります。

変圧器の故障診断においては、高振幅成分、出現周波数成分、変化の大きい成分が重要であり、後者の２つの部分を総称して異常周波数成分と呼びます。 これらの周波数成分の近くに境界を設定する必要があります。

図2はトランスのハンマリング振動のスペクトルを示しています。図中の青い縦線はスペクトルの最大成分、赤い三角はスペクトルの理想的な分割結果、赤い三角は分割領域を表しています。 状態切り替え中のスペクトルの状況は、ハンマリングテストの場合と同様です。 このようなスペクトルを分割する際には、次の点に注意する必要があります。

高振幅付近の低振幅成分は図2の領域1に相当します。

同様の振幅を持つ隣接する成分は、図 2 の領域 2 に対応します。

低振幅成分は図2の領域3に相当します。

分割境界を最大コンポーネント上に置くことはできません。

高振幅領域の境界は、図 2 の 400 ～ 800 Hz の範囲のように、より密である必要があり、低振幅領域の境界は、900 ～ 1100 Hz の範囲のように、より疎である必要があります。

変圧器のハンマリング試験のスペクトル。

提案する周波数領域分割手法を図 3 に示す。提案する周波数領域分割手法の手順は以下の 4 つのステップからなる。

ステップ 1: 解析された信号のフーリエ スペクトルが解析され、信号の異常周波数成分が取得されます。 そして、周波数領域の極値が抽出されます。

ステップ 2: 高振幅成分の周りのクラッタ低振幅成分、同様の高振幅を持つ複数の隣接する成分、周波数領域の小振幅成分など、境界セグメンテーションに影響を与える干渉信号を除去します。

ステップ 3: 分割境界は、干渉信号を除去した後の残りの主要な周波数成分の包絡線に従って決定され、ステップ 1 の異常成分を重点的に分析する必要があります。

ステップ 4: セグメンテーションの境界をチェックして、周波数領域の主要成分に当たらないようにします。そうでない場合、これらの成分は後続の分析プロセスで減衰します。

周波数領域セグメンテーションプロセスが改善されました。

式を使用します。 式(24)を使用して高振幅成分の周囲の低振幅成分を除去し、式(25)を使用して複数の隣接する高振幅成分を処理します。 f(a) と f(b) は周波数領域での 2 つの成分の振幅を表し、a と b は 2 つの成分の周波数を表します。 式 (24) と (25) は、干渉成分を除去するための 2 つの簡単で効果的な方法です。 式内の関連する係数の選択は非常に重要です。 本稿で使用した変圧器は容量100kVAの乾式変圧器である。 実験中、kp と r はそれぞれ 20、100 として取られ、kq と s はそれぞれ 0.15 と 30 として取られます。 上記の 4 つのパラメータは、実験プロセスにおける経験的なパラメータです。 トランスの動作周波数は 50 Hz なので、最大周波数成分の場合、左右が 50 Hz、周波数帯域幅は 100 Hz、つまり r = 100 となります。隣接する周波数成分を考慮すると、帯域幅は 100 Hz となります。 50 の半分、50/2 = 25、つまり s = 25、r と s は変圧器の電源周波数にのみ関連する 2 つのパラメーターです。kp と kq の決定は変圧器の振動と組み合わせる必要があります。 。 実験では、周波数領域の最大振幅は基本的に約 500 (図 5 および 7 に示すように)、500/25 = 20、つまり kp = 20 (ここでの 25 はステップ 3 の周囲ノイズの値を指します) 、0.003*16,384/2 ≈ 25)、複数の実験から kq = 0.15 が得られます。

急激に変化する周波数成分については、両側に分割線を追加することができます。 周波数分割が密すぎたり疎すぎたりしないように、この範囲内の周波数成分の平均値に応じて境界線の数や位置を柔軟に調整できます。 分割が密すぎる場合は、2 つの境界の平均値、または周波数振幅の低い境界、またはターゲット周波数に近い境界を取得することができます。 最後の方法では、ターゲット周波数振幅の分解能を向上させることができます。 分割が疎な領域については、いくつかの周波数領域の最小値に分割境界線を適切に追加してもよい。

振動センサーは江蘇連能社のCA-YD-188T圧電加速度センサーを採用しており、感度500mv/g、周波数範囲0～5000Hz、測定範囲±10g、衝撃限界2000g、使用温度範囲- 40～120℃。 振動取得装置はDewesoft社のハイダイナミックレンジ取得ユニットを使用しています。 図 4 に示すように、実験用変圧器には 14 本の締結ボルト、6 本の横ボルト (A ～ F) と 8 本の縦ボルト (1 ～ 8) があります。 トランス上の振動センサーの取り付け位置は 5 か所（左上、中上、右上、左下、右下）です。 ハンマリング試験は各グループ 4 回で構成され、高圧巻線側に立って変圧器に面し、最初のハンマリング (K1) は変圧器の上部で左から右へ、2 回目のハンマリング (K2) で行われます。は視線方向前から後ろ、3 回目のハンマリング (K3) はトランス上部の右から左、4 回目のハンマリング (K4) は上部の中央から下向きです。 この論文で提案した手法は主に、表 2 に示すように、電源オン、電源オフ、および異なる負荷間の負荷切り替え時の変圧器の振動を含む、変圧器の過渡振動を解析するために使用されます。状態が切り替わる過渡状態に適用できますが、ハンマーテスト、電源投入、および 60 kW から 100 kW への負荷切り替えの結果のみを示しています。

振動試験用変圧器。

ノックテストでは瞬間的な加振の影響のみがあり、他の振動の干渉がないため、共振周波数の観測が容易です。 定常状態での変圧器ハンマリング試験の振動波形を図1、図2に示します。 共振周波数成分は50Hzの整数倍の高調波成分に注目する必要がある。 これらの部品はトランス内で共振を引き起こす可能性が高くなります。 「ジェット」カラーマップは、図 5 および後続のすべての時間周波数図で使用されています。

従来の方法に基づくハンマリング (K1) テスト データのスペクトル セグメンテーションと時間周波数表示 (a1 ～ a3) は、フーリエ スペクトル セグメンテーションの結果 (左上の位置、カラーマップ、「ジェット」) です。

この論文で提案した方法に基づくハンマリング (K1) テスト データのスペクトル セグメンテーションと時間周波数表示。(a) はフーリエ スペクトル セグメンテーションの結果 (左上の位置、カラーマップ、「ジェット」) です。

図 5 は、極値平面、適応平面、およびガウス平面に基づく 3 つの従来の EWT 手法の結果を示しています20。 図5では、左側にフーリエ変換結果と周波数領域の分割を表示し、時間-周波数平面の周波数成分との比較を容易にするために縦方向に表示し、右側に各周波数成分の時間変化を表示しています。右。 以下の図。 ６、８、９も同様である。

極値による方法では、極値の数を事前に指定する必要があります。 指定された極値の数が少ない場合、適応手法に基づく除算結果と同様に、除算が不十分になる可能性があります。 極値の数が多い場合、一部の周波数帯域が狭すぎる可能性があり、帯域が多すぎると計算の負担が増加し、帯域が狭すぎると時間周波数平面で表示に歪みが生じ、色が変化しない明るい線が表示されることがあります。図 5 のサブ図 (1) の 250 Hz と 700 Hz などの周波数成分が表示されます。一定の色は、これらの周波数成分の振幅が一定であることを意味しますが、実際には、これはハンマー テストであるため、これらの成分は常に一定ではありません。 、振動は急速に減衰するため、どの周波数成分も変更することはできません。 適応法に基づくと、0 ～ 1000 Hz の範囲には境界が 1 つしかなく、解析対象の成分が分割されてしまうため、変圧器の振動解析には役に立ちません。 ガウス平面に基づく方法は、3 つの方法の中で最も優れています。 ガウススケール平面20に基づく方法で見られる共振周波数成分に加えて、この論文で提案する方法は、図の約20 Hz、550 Hz、750 Hz、850 Hzなど、より豊富な共振周波数を提供できます。 6. 提案されたセグメント化方法は、共振周波数をより正確に与えることもできます。つまり、時間-周波数平面の線がより直線的になります。 ガウス平面に基づく手法は周波数領域を分割する際にガウス平面を描画する必要があるため計算負担が非常に大きく、ガウス平面に基づく手法の時間周波数解析に約80秒かかるのに対し、提案手法では約80秒かかる。 2秒複数のチャネル、複数のハンマリングまたは障害に対して時間周波数解析を実行する場合、ガウス平面に基づく方法では大量の計算リソースが必要になります。 最も重要なことは、上記の 3 つの従来の方法では、出現する周波数成分を追跡および分析できないことです。

いずれにせよ、EWT 法、特にガウス平面に基づく EWT 法は依然として優れた時間周波数解析法です。 本稿で提案する手法は EWT 手法を改良したものである。 ガウス平面に基づく方法と比較して、改良された周波数領域分割方法は計算が簡単で、重要な周波数成分の時間周波数表示が明確であり、変圧器の振動データの分析により適しています。

図6の複数の共振周波数点に対応する共振周波数と減衰係数の同定結果を表3に示します。共振周波数に対するトランスの減衰係数の変化を図7に示します。共振周波数の増加に伴い、減衰係数は下降傾向。 400 Hz を超える共振周波数点では、減衰係数は非常に小さくなります。

共振周波数による減衰係数の変化。

トランスのハンマリング試験が不便または不可能な場合、電源投入時の振動データからトランスの共振周波数を決定する方法は非常に役立ちます。 特に大型の電源トランスの場合、ハンマリング試験の実施が困難な場合があります。 トランスの電源が入っているときはトランス巻線に電流が流れないため、負荷電流による振動を考慮する必要がなく、振動測定時の干渉信号は小さくなります。 変圧器の電源がオンになると、変圧器自体に物理的励起が与えられるのと同じになります。 ただし、変圧器の無負荷運転時に変圧器の励磁により発生する振動成分は存在しますが、励磁電流の周波数スペクトルが決まるため、励磁電流により発生する振動成分も決まります。 したがって、トランスに電源を入れたときの振動スペクトルを比較することで、共振周波数の変化を観察することができます。

図 8 と図 9 は、トランスに電源を投入したときの振動データの解析結果を示しています。トランスの電源投入時間は 0.36 秒です。 ガウス平面に基づく方法では、100 Hz、250 Hz などの大きな周波数振幅を持つ部分が強調表示されません。改善された周波数領域セグメンテーションの結果を図 9 に示します。新しいセグメンテーション方法により、振幅の大きい部分（100 Hz、250 Hz）の境界を設定します。 図8の時間-周波数平面の結果と比較すると、この論文で提案した方法の時間-周波数情報はより明らかです。

ガウス平面 6 に基づく変圧器電源オンの振動データ解析。(a) はフーリエ スペクトル セグメンテーションの結果です (左上の位置、カラーマップ、「ジェット」)。

この論文で提案した方法に基づく変圧器電源オンの振動データ解析。(a) はフーリエ スペクトル分割結果 (左上の位置、カラーマップ、「ジェット」) です。

図１〜図４において、 図10、図11のK1～K4は変圧器ハンマリング試験の振動のフーリエ解析結果であり、4つのハンマリング試験で励起される共振周波数は全く同じではないものの、共振点の分布範囲は基本的に同じであることがわかります。そして、変圧器の共振周波数は、異なる方向にハンマリングすることによってより完全に得ることができます。 最初の濃い青の線は、変圧器の電源をオンにしたときの分析結果です。 トランスの振動成分には、横方向、縦方向ともに0～1000Hz以内の50Hzの周波数2倍成分がすべて含まれていることがわかります。 したがって、1000Hz以内に共振点が生じると、それに隣接する50Hzの周波数2倍成分で共振を起こします。 ハンマテストで励起される共振周波数点は、ヒステリシスによる 100 Hz の周波数点を除けば、電源投入時の振動周波数点と基本的に同じです。 図10では350 Hz、600 Hz、800 Hz、図11では200 Hz、400 Hz、600 Hz〜800 Hz、900 Hzなど、いくつかの周波数でトランスが共振していることがわかります。

4回のハンマリングテストと電源投入時の振動データ解析結果（左上）。

4回のハンマリングテストと電源投入時の振動データ解析結果（右上）。

図 12 は、それぞれ 60 kW および 100 kW の負荷の下での変圧器の定常状態の振動の周波数スペクトルを示しています。 図 13 は、変圧器の負荷ステップの前後の振動の変化を示しています。負荷は 60 kW から 100 kW に切り替えられ、負荷ステップ時間は約 0.39 秒です。 変圧器負荷ステップ前後の定常振動の周波数スペクトルを比較すると、200 Hz、400 Hz、700 Hz、1000 Hzの成分が大きく変化しており、そのうち1000 Hz成分が出現していることがわかります。 これらの成分の近くに周波数領域の分割境界を設定すると、負荷ステップの直後に 4 つの周波数成分が変化することがわかり、負荷ステップがこれらの周波数成分の変化の原因であることがわかります。

変圧器負荷ステップの前後の周波数領域の比較 (左上)。

変圧器負荷ステップ前後の振動データと時間周波数表示 (左上位置)。

トランスの振動データが大きく変化する場合、各信号成分を周波数領域で比較して振幅変化の大きい成分を特定し、対象周波数成分の近傍に境界を設定することで対象周波数の時間周波数分解能を向上させ、対象周波数成分を判定します。ターゲット周波数の発生時刻。 変圧器の負荷ステップの電圧信号と電流信号を組み合わせると、ターゲット周波数信号の変化が変圧器の故障によるものなのか、負荷ステップによるものなのかを判断できます。

図14、図15に電気複合機（EMU）用25kV油入車上変圧器のハンマリング試験の解析結果を示します。 図１４は、本明細書で提案する方法に基づく結果であり、図１５は、従来のガウス平面に基づく結果である。 25 kV 油入車上変圧器のスペクトル分布は非常に広く、0 ～ 3000 Hz の範囲に多くの共振周波数点があります。 高周波部と低周波部の時間周波数解析結果を図 14 に示す。低周波部ではどちらの手法も時間周波数分解能が優れていることがわかる。より密に分割されています。 高周波部分については、この論文で提案した方法には明らかな利点があり、特に 3000 Hz 成分の場合、周波数成分の振幅が非常に大きく、ガウス平面に基づく方法は周波数の変化を示しません。コンポーネントも良好。

25 kV 油入車上変圧器のハンマリング試験データの解析結果、(a) はフーリエスペクトル分割結果（本稿で提案する手法、左上位置、カラーマップ、「ジェット」）。

25 kV 油入車上変圧器のハンマリング試験データの解析結果。(a) はフーリエ スペクトル分割結果 (ガウス スケール平面、左上の位置、カラーマップ、「ジェット」に基づく方法) です。

図 16 と図 17 は 35 kV 地下鉄変圧器のハンマリング試験の解析結果である。 図１６は、本明細書で提案する方法に基づく結果であり、図１７は、従来のガウス平面に基づく結果である。 35 kV メトロ用の乾式変圧器の共振周波数分布は、主に 200 ～ 400 Hz の範囲に非常に集中しており、どちらの方法も優れた時間周波数分解能を備えていることがわかります。

35 kV メトロトラクション変圧器のハンマリング試験データの解析結果。(a) はフーリエスペクトル分割結果です (本稿で提案する方法、左上位置、カラーマップ、「ジェット」)。

35 kV 地下鉄乾式変圧器のハンマリング試験データの解析結果、(a) はフーリエ スペクトル分割結果 (ガウス スケール平面、左上の位置、カラーマップ、「ジェット」に基づく方法) です。

この論文で提案した方法は、これら 2 種類の変圧器に対して高い時間周波数分解能を備えていることがわかります。 本論文で提案した手法は低周波成分と高周波成分の両方に適用可能であり，2種類の変圧器の振動信号の処理時間は2秒未満である。 ただし、ガウス平面に基づく方法の実行時間は約 80 秒です。

3 つの変圧器の解析結果と組み合わせると、提案手法の利点は次のとおりです。

この手法により、急変成分を追跡・解析することが可能となる。 変圧器の振動が変動する場合、周波数変化時間と負荷ステップ時間を特定することで振動変動の原因を特定することができ、変圧器のオンライン故障診断を実現する上で非常に重要です。

提案手法により、共振周波数における振動波形が分離され、異なる共振周波数における減衰係数やその他の相関係数が抽出されます。

大型の電源トランスの場合、ハンマリング試験を行うのが難しい場合があります。 変圧器のハンマリング試験が不便または不可能な場合、無負荷電源投入時の振動データから変圧器の共振周波数を決定できます。

この方法の欠点は、変圧器のタイプが異なると、kp (式 24) と kq (式 25) の決定を変圧器の振動と組み合わせ、解析目的に応じて調整する必要があることです。

この論文では改良されたEWT法を提案する。 EMUの380V乾式変圧器,35kV地下鉄乾式変圧器および25kV油浸車上変圧器の振動信号の解析を通じて,異なる電圧レベルおよび異なる容量の変圧器に対するこの方法の適用可能性を証明した。

この論文で提案する方法は、小振幅成分や複数の隣接する高振幅成分などの干渉成分の影響を効果的に除去でき、高振幅成分や周波数領域で大きな変化を伴う成分の重要性を強調します。 最も重要なことは、従来の方法と比較して、提案された方法は新しい周波数成分を追跡して分析できることです。 変圧器のハンマリング振動データとパワーオン振動データの解析により、この方法は時間周波数分解能が高く、計算時間が80秒から約2秒に短縮され、この方法の優位性が証明されました。

この研究中に生成されたすべてのデータは、この公開された論文 [およびその補足情報ファイル] に含まれています。

Dai, J.、Song, H.、Sheng, G.、Jiang, X. 深い信念ネットワークによる電源変圧器の故障診断のための絶縁油の溶存ガス分析。 IEEE T. ディエレクト。 エル。 で。 24(5)、2828–2835 (2017)。

記事 CAS Google Scholar

Zhang, B.、Yan, N.、Du, J.、Han, F.、Wang, H. 電源トランスのコア振動を調査するための新しいアプローチ。 IEEE T. Mag. 54(11)、1–4 (2018)。

Google スカラー

Bagheri, M.、Zollanvari, A.、Nezhivenko, S. クラウド環境上の振動信号を使用した変圧器の故障状態の予測。 IEEE Access 6、9862–9874 (2018)。

記事 Google Scholar

Lee, SH、Jung, SY & Lee, BW HFCT を使用した HTS 変圧器内の極低温誘電体の部分放電測定。 IEEE T. Appl. スーパーコン。 20(3)、1139–1142 (2010)。

記事 ADS CAS Google Scholar

Yang, Z.、Zhou, Q.、Wu, X.、Zhao, Z. PSO に最適化された SVM と多周波超音波技術を組み合わせた変圧器油の界面張力の新しい測定方法。 IEEE Access 7、182624–182631 (2019)。

記事 Google Scholar

Kim、JW、Park、B.、Jeong、SC、Kim、SW、Park、P. 改善された周波数応答解析を使用した電源トランスの故障診断。 IEEE T. パワーデリバリ。 20(1)、169–178 (2005)。

記事 Google Scholar

Zhang, P.、Li, L.、Cheng, Z.、Tian, C.、Han, Y. マクスウェル応力と異方性磁歪に基づく変圧器とリアクトルの鉄心の振動に関する研究。 IEEE T. Mag. 55(2)、1–5 (2019)。

記事 Google Scholar

Saponara, S.、Fanucci, L.、Bernardo, F. & Falciani, A. 統合された信号処理を備えた振動測定ノードをネットワーク化することによる高出力変圧器の故障の予測診断。 ＩＥＥＥ Ｔ．Ｉｎｓｔｒｕｍ． 測定。 65(8)、1749–1760 (2016)。

記事 Google Scholar

Kang, P. & Birtwhistle, D. 電源変圧器の負荷時タップ切換器の状態監視。 パート 2: 振動シグネチャからの経年劣化の検出。 IEE Proc. 生成・送信・配信。 148(4)、307 (2001)。

記事 Google Scholar

Garcia, B.、Burgos, JC & Alonso, A. 巻線の変形を検出する方法としての変圧器タンクの振動モデリング - パート I: 理論的基礎。 IEEE T. パワーデリバリ。 21(1)、157–163 (2006)。

記事 Google Scholar

Shin, PS、Lee, J. & Ha, JW 擬似スペクトル法による電源トランスのヘリカル巻線の自由振動解析。 IEEE T. Mag. 43(6)、2657–2659 (2007)。

記事 ADS Google Scholar

Shengchang, J.、Yongfen, L.、Yanming, L. OLCM に基づく変圧器コアの基本周波数振動の抽出技術に関する研究。 IEEE T. パワーデリバリ。 21(4)、1981–1988 (2006)。

記事 Google Scholar

スー、C.ら。 大容量の単相電源トランスの振動と騒音の低減。 IEEE T. Mag. 51(11)、1–4 (2015)。

Google スカラー

Jing, Z.、Hai, H.、Pan, J.、Yanni, Z. 電源変圧器の非線形振動システムの特定。 測定。 科学。 テクノロジー。 28(1)、15005 (2016)。

記事 Google Scholar

Bartoletti, C. et al. 電源トランスを診断するための振動音響技術。 IEEE T. パワーデリバリ。 19(1)、221–229 (2004)。

記事 Google Scholar

X. Zhang、R. Huang、D. Zhou、F. Wang (2018) 単純化された順列エントロピーによるコンバーター変圧器の振動モニタリング、2018。IEEE、864–869。 https://doi.org/10.1109/CAC.2018.8623221

Luo, Bo.、Wang, F.、Liao, T. & He, Z. 改良された複雑な Morlet ウェーブレットに基づく電源変圧器巻線のモード パラメーターの特定。 Ｊ．Ｖｉｂ． ショック 33(06)、131–136 (2014)。

Google スカラー

Yan, O.、Lin, X.、および ying, J. ウェーブレット理論を使用した電源トランスの振動データの特徴。 高電圧工学 01、165–168 (2007)。

Google スカラー

Duan, R. & Wang, F. 時間周波数振動解析に基づくコンバータ変圧器の負荷時タップ切換器の故障診断。 ＩＥＥＥ Ｔ．Ｉｎｄ．Ｅｌｅｃｔｒｏｎ． 63(6)、3815–3823 (2016)。

記事 Google Scholar

Gilles、J. 経験的なウェーブレット変換。 IEEE T. 信号プロセス。 61(16)、3999–4010 (2013)。

記事 ADS MathSciNet Google Scholar

Liu, W.、Cao, S. & Chen, Y. 経験的ウェーブレット変換による地震時間周波数解析。 IEEE 地球科学。 リモート S. 13(1)、28–32 (2016)。

記事 CAS Google Scholar

Liu, N.、Li, Z.、Sun, F.、Wang, Q.、Gao, J. 改善された経験的ウェーブレット変換と地震反射データへの応用。 IEEE 地球科学。 リモート S. 16(12)、1939 ～ 1943 年 (2019)。

記事 Google Scholar

Parashar, D. & Agrawal, DK 二次元テンソル経験的ウェーブレット変換を使用した緑内障段階の自動分類。 IEEE 信号処理させて。 28、66–70 (2021)。

記事 ADS Google Scholar

Xin, Y.、Li, S.、Zhang, Z.、An, Z. & Wang, J. 適応強化された経験的モーレット ウェーブレット変換と回転機械の故障診断におけるその応用。 IEEE Access 7、65150–65162 (2019)。

記事 Google Scholar

Lu, S.、Gao, W.、Hong, C. & Sun, Y. 改良された経験的ウェーブレット変換とカーネル極限学習マシンによる変圧器の故障診断方法を新しく設計しました。 上級工学知らせる。 49、101320 (2021)。

記事 Google Scholar

Zhao, M. & Xu, G. 経験的なウェーブレット変換とマルチスケール エントロピーに基づく電源トランスの振動信号の特徴抽出。 IET 科学。 測定。 テクノロジー。 12(1)、63–71 (2018)。

記事 Google Scholar

リファレンスをダウンロードする

北京交通大学電気工学部、北京、100044、中国

Ruizheng Ni、Ruichang Qiu、Zheming Jin、Jie Chen、Zhigang Liu

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

RN: 執筆、レビュー、編集。 ZJ: 方法論です。 JC: 資金調達。 RQ: プロジェクト管理。 ZL: 監督。

邱瑞昌氏への対応。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Ni、R.、Qiu、R.、Jin、Z. 他。 改良された経験的ウェーブレット変換 (EWT) と、変圧器の非定常振動信号におけるその応用。 Sci Rep 12、17533 (2022)。 https://doi.org/10.1038/s41598-022-22519-z

引用をダウンロード

受信日: 2022 年 4 月 8 日

受理日: 2022 年 10 月 17 日

公開日: 2022 年 10 月 20 日

DOI: https://doi.org/10.1038/s41598-022-22519-z

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。