一种有载分接开关故障检测方法及装置
技术领域
本发明涉及有载分接开关领域,具体涉及一种有载分接开关故障检测方法及装置。
背景技术
随着有载调压变压器在电网应用的增多,有载分接开关(on load tap changer,下面简称OLTC)的故障也在增加。据国外资料统计,OLTC故障占有载调压变压器故障的41%,且仍呈上升趋势;国内平均统计数据表明,OLTC的故障占变压器故障的20%以上。一般来说,机械故障是电力变压器有载分接开关的主要故障类型。
OLTC发生故障时其振动信号是一种非线性非平稳信号,而经典的功率谱方法难以检测出信噪比较低的故障特征信号,并且对微弱的故障特征信号不敏感。由于OLTC故障形式多样且呈现一定程度的非线性行为,振动信号和工作状态之间不存在确定的函数关系。这就决定了OLTC故障信号诊断的难度和复杂性。因此,对OLTC运行中的机械性能进行在线监测,通过监测振动信号预知其故障可能性并判别其故障类型,对电力***安全运行意义重大。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中的无法准确的检测出OLTC的故障以及其具体的故障类型缺陷,从而提供一种有载分接开关故障检测方法及装置。
为此,本发明实施例提供了如下技术方案:
本发明实施例提供了一种有载分接开关故障检测模型构建方法,包括:获取所述开关在预设故障状态时的第一振动信号与所述开关在正常工作状态时的第二振动信号;分别对所述第一振动信号和所述第二振动信号进行降噪;分别对降噪后的所述第一振动信号和所述第二振动信号进行分解,得到第一IMF(Intrinsic Mode Function,本征模函数)分量和第二IMF分量;分别将所述第一IMF分量和所述第二IMF分量与设定阈值进行比较,以筛选出第一有效IMF分量和第二有效IMF分量;分别对所述第一有效IMF分量和所述第二有效IMF分量的能量熵进行拼接,并通过计算信息熵来得到表征所述开关的振动信号频域复杂度的第一有效能量熵和第二有效能量熵;利用所述第一有效能量熵和所述第二有效能量熵以及相应的开关工作状态信息对神经网络模型进行训练,以使所述神经网络模型能够根据所述第一有效能量熵和所述第二有效能量熵识别所述开关的工作状态,持续所述训练操作直至所述神经网络模型的识别准确率达到预定准确率。
本发明另一实施例提供了一种有载分接开关故障检测方法,包括:获取所述开关的振动信号;对所述振动信号进行降噪;对所述降噪后的振动信号进行分解,得到IMF分量;将所述分量与设定阈值进行比较,以筛选出有效IMF分量;对所述有效IMF分量的能量熵进行拼接,并通过计算信息熵以得到表征所述振动信号的频域复杂度的有效能量熵;根据所述有效能量熵确定所述开关是否存在故障。
优选地,根据所述有效能量熵确定所述开关是否存在故障包括:利用神经网络模型根据所述效能量熵识别所述开关的工作状态,所述工作状态包括正常工作状态和故障状态,其中所述神经网络模型是利用有载分接开关在已知工作状态时的振动信号进行训练得到的。
优选地,对所述振动信号进行降噪包括:根据预定小波基和预定分解层次对所述振动信号进行小波包分解;根据预定熵标准确定最优小波包基;选择预定阈值对小波包系数进行量化获得更适合的小波包系数,即获得更能表征信号复杂度的特征量;对信号的特征量进行重构。
优选地,所述对降噪后的所述振动信号进行分解,得到IMF分量包括:采用EEMD(Ensemble Empirical Mode Decomposition,集合经验模态分解)方法对降噪后的振动信号进行分解。
优选地,所述将所述分量与设定阈值进行比较,以筛选出有效IMF分量包括:计算能量熵系数。
本发明实施例还提供了一种有载分接开关故障检测模型构建装置,包括:获取模块,用于获取所述开关在预设故障状态时的第一振动信号与所述开关在正常工作状态时的第二振动信号;降噪模块,用于分别对所述第一振动信号和所述第二振动信号进行降噪;分解模块,用于分别对降噪后的所述第一振动信号和所述第二振动信号进行分解,得到第一IMF分量和第二IMF分量;判断模块,用于分别将所述第一IMF分量和所述第二IMF分量与设定阈值进行比较,以筛选出第一有效IMF分量和第二有效IMF分量;计算模块,用于分别对所述第一有效IMF分量和所述第二有效IMF分量的能量熵进行拼接,并通过计算信息熵来得到表征所述开关的振动信号频域复杂度的第一有效能量熵和第二有效能量熵;训练模块,用于利用所述第一有效能量熵和所述第二有效能量熵以及相应的开关工作状态信息对神经网络模型进行训练,以使所述神经网络模型能够根据所述第一有效能量熵和所述第二有效能量熵识别所述开关的工作状态,持续所述训练操作直至所述神经网络模型的识别准确率达到预定准确率。
本发明还提供了一种有载分接开关故障检测装置,包括:获取模块,用于获取所述开关的振动信号;降噪模块,用于对所述振动信号进行降噪;分解模块,用于对所述降噪后的振动信号进行分解,得到IMF分量;判断模块,用于将所述分量与设定阈值进行比较,以筛选出有效IMF分量;计算模块,用于对所述有效IMF分量的能量熵进行拼接,并通过计算信息熵以得到表征所述振动信号的频域复杂度的有效能量熵;检测模块,用于根据所述有效能量熵确定所述开关是否存在故障。
优选地,所述检测模块包括:识别单元,用于利用神经网络模型根据所述效能量熵识别所述开关的工作状态,所述工作状态包括正常工作状态和故障状态,其中所述神经网络模型是利用有载分接开关在已知工作状态时的振动信号进行训练得到的。
优选地,所述降噪模块包括:分解单元,用于根据预定小波基和预定分解层次对所述振动信号进行小波包分解;确定单元,用于根据预定熵标准确定最优小波包基;量化单元,用于选择预定阈值对小波包系数进行量化获得更适合的小波包系数,即获得更能表征信号复杂度的特征量;重构单元,用于对信号的特征量进行重构。
优选地,所述分解模块包括:分解单元,用于采用EEMD方法对降噪后的振动信号进行分解。
优选地,所述判断模块包括:计算单元,用于计算能量熵系数。
本发明实施例技术方案,具有如下优点:
本发明实施例提供了一种有载分接开关故障检测模型构建方法,获取所述开关在预设故障状态时的第一振动信号与所述开关在正常工作状态时的第二振动信号;分别对所述第一振动信号和所述第二振动信号进行降噪,使振动信号中的有用信号得以增强,有关的噪声部分予以去除;分别对降噪后的所述第一振动信号和所述第二振动信号进行分解,得到第一IMF分量和第二IMF分量,进一步去除附加噪声,最后保留下来的就是信号本身;分别将所述第一IMF分量和所述第二IMF分量与设定阈值进行比较,以筛选出第一有效IMF分量和第二有效IMF分量,通过设定阈值的方式将包含较少信息的IMF分量去除,因为这部分对最后的故障诊断结果影响极小;分别对所述第一有效IMF分量和所述第二有效IMF分量的能量熵进行拼接,并通过计算信息熵来得到表征所述开关的振动信号频域复杂度的第一有效能量熵和第二有效能量熵,通过这种方式得到最能表现相关状态的能量熵;利用所述第一有效能量熵和所述第二有效能量熵以及相应的开关工作状态信息对神经网络模型进行训练,以使所述神经网络模型能够根据所述第一有效能量熵和所述第二有效能量熵识别所述开关的工作状态,持续所述训练操作直至所述神经网络模型的识别准确率达到预定准确率,以最能表征OLTC状态的信号去训练该模型,更能提高识别的准确率。
本发明提供了一种有载分接开关故障检测方法及装置,获取所述开关的振动信号;对所述振动信号进行降噪,使振动信号中的有用信号得以增强,有关的噪声部分予以去除;对所述降噪后的振动信号进行分解,得到IMF分量,进一步去除附加噪声;将所述分量与设定阈值进行比较,以筛选出有效IMF分量,通过设定阈值的方式将包含较少信息的IMF分量去除;对所述有效IMF分量的能量熵进行拼接,并通过计算信息熵以得到表征所述振动信号的频域复杂度的有效能量熵,通过这种方式得到最能表现OLTC相关状态的能量熵;根据所述有效能量熵确定所述开关是否存在故障,将OLTC的振动信号输入到已经训练好的识别模型中,得到最相似的输出结果,以确保知道具体的故障。对于OLTC发生故障时其振动信号是一种非线性非平稳信号,而经典的功率谱方法难以检测出信噪比较低的故障特征信号,并且对微弱的故障特征信号不敏感。由于OLTC故障形式多样且呈现一定程度的非线性行为,振动信号和工作状态之间不存在确定的函数关系。这就决定了OLTC故障信号诊断的难度和复杂性的问题,本发明实施例解决了无法准确的检测出OLTC的故障以及其具体的故障类型缺陷,从而为OLTC的实时监控以及其他电气设备的监测提供了一种更有效的方法,对电力***安全运行意义重大。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的有载分接开关故障检测模型构建方法的流程图;
图2是根据本发明实施例的有载分接开关故障检测方法振动信号采集***的一个结构框图;
图3是根据本发明实施例的有载分接开关故障检测方法的流程图;
图4是根据本发明实施例的有载分接开关故障检测模型构建装置的结构框图;
图5是根据本发明实施例的有载分接开关故障检测装置的结构框图;
图6是根据本发明实施例的检测模块的结构框图;
图7是根据本发明实施例的降噪模块的结构框图;
图8是根据本发明实施例的分解模块的结构框图;
图9是根据本发明实施例的判断模块的结构框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种有载分接开关故障检测模型构建方法,图1是根据本发明实施例的有载分接开关故障检测模型构建方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取所述开关在预设故障状态时的第一振动信号与所述开关在正常工作状态时的第二振动信号,预设的故障状态包括有载分接开关(OLTC)电气故障与机械故障,如触头磨损、弹簧松动、齿轮卡涩等,本发明可以选用多种故障状态对应的第一振动信号。
图2是根据本发明实施例的有载分接开关故障检测方法振动信号采集***的一个结构框图,如图2所示,通振动信号采集***,振动传感器201采集振动信号,通过电荷放大器202放大信号后,将由信号线缆传输的原始模拟信号通过数据采集卡203按预设的采样率转换为数字信号后,采集入数据采集服务器204内,作为程序继续运行所必须的原始数据传递给其他程序模块。
步骤S102,分别对所述第一振动信号和所述第二振动信号进行降噪,例如可以通过小波包算法对机械振动信号进行分解,剔除噪声部分后并进行重构,实现OLTC机械振动信号的降噪。
步骤S103,分别对降噪后的所述第一振动信号和所述第二振动信号进行分解,得到第一IMF分量和第二IMF分量,例如可以利用EEMD分解方法分别对降噪之后的不同工况的OLTC机械振动信号进行分解。
步骤S104,分别将所述第一IMF分量和所述第二IMF分量与设定阈值进行比较,以筛选出第一有效IMF分量和第二有效IMF分量,有效IMF分量的选取是根据能量熵系数决定的,设置方式可以是:
上式中阈值α用α=nσ来估计,其中n为常数,σ为能量熵系数的标准方差,x(i)是小波包系数,可通过下式来估计:
式中N为有载分接开关机械振动信号的序列长度。
步骤S105,分别对所述第一有效IMF分量和所述第二有效IMF分量的能量熵进行拼接,并通过计算信息熵来得到表征所述开关的振动信号频域复杂度的第一有效能量熵和第二有效能量熵,将所求得的各组有效IMF分量能量熵拼接成一个整体,计算信息熵得到能够表征OLTC机械振动信号时频域复杂度的有效能量熵。关于有效能量熵的构建,可以根据IMF分量能量熵进行有效频带的筛选,将有效频带IMF分量的能量熵拼接成一个整体,计算信息熵。
假设某***X可能出于几种不同的状态x1,x2,…,xn,p(xi)代表状态xi(i=1,2,…,n)出现的概率,则该***的信息熵H(X)定义为
式中:0<=p(xi)<=1且当p(xi)=0时,表示此状态没有出现。规定0log0=0。
信息熵是信息无序度的度量,信息熵越大,信息的无序度越高,其信息的贡献越小;反之,信息熵越小,信息的无序度越小,信息的贡献越大。
步骤S106,利用所述第一有效能量熵和所述第二有效能量熵以及相应的开关工作状态信息对神经网络模型进行训练,以使所述神经网络模型能够根据所述第一有效能量熵和所述第二有效能量熵识别所述开关的工作状态,持续所述训练操作直至所述神经网络模型的识别准确率达到预定准确率。具体地,此步骤需要通过人力或者辅助***对第一有效能量熵和所述第二有效能量熵进行标记,所标记的内容即为开关工作状态信息。例如,对于第一有效能量熵可以标记其相应的具体故障种类,对于第二有效能量熵可以标记为正常。有此训练出的模型即可以根据能量熵识别开关是否存在故障,并可以进一步识别出故障种类。
神经网络识别过程为:根据输入特征向量构建合适的网络,初始化网络后,利用训练样本对网络进行训练,训练结束后将测试样本输入到网络进行诊断识别并输出结果。本发明实施例优选使用概率神经网络(PNN,Probabilistic neural network),PNN是一种非常好的BP模式(Bayes-Parzen)分类器,其广泛应用于分类和预测领域,并且有许多优点,例如训练时间段,分类精确度高。本发明主要是实现OLTC振动信号的诊断识别与诊断,所以选择PNN用来进行故障模型的识别分类。
通过上述步骤,获取所述开关在预设故障状态时的第一振动信号与所述开关在正常工作状态时的第二振动信号;分别对所述第一振动信号和所述第二振动信号进行降噪,使振动信号中的有用信号得以增强,有关的噪声部分予以去除;分别对降噪后的所述第一振动信号和所述第二振动信号进行分解,得到第一IMF分量和第二IMF分量,进一步去除附加噪声,最后保留下来的就是信号本身;分别将所述第一IMF分量和所述第二IMF分量与设定阈值进行比较,以筛选出第一有效IMF分量和第二有效IMF分量,通过设定阈值的方式将包含较少信息的IMF分量去除,因为这部分对最后的故障诊断结果影响极小;分别对所述第一有效IMF分量和所述第二有效IMF分量的能量熵进行拼接,并通过计算信息熵来得到表征所述开关的振动信号频域复杂度的第一有效能量熵和第二有效能量熵,通过这种方式得到最能表现相关状态的能量熵;利用所述第一有效能量熵和所述第二有效能量熵以及相应的开关工作状态信息对神经网络模型进行训练,以使所述神经网络模型能够根据所述第一有效能量熵和所述第二有效能量熵识别所述开关的工作状态,持续所述训练操作直至所述神经网络模型的识别准确率达到预定准确率,以最能表征OLTC状态的信号去训练该模型,更能提高识别的准确率。解决了OLTC发生故障时其振动信号是一种非线性非平稳信号,而经典的功率谱方法难以检测出信噪比较低的故障特征信号,并且对微弱的故障特征信号不敏感的问题,由于OLTC故障形式多样且呈现一定程度的非线性行为,通过构建训练模型将振动信号和工作状态之间确定相关的关系。该实施例的训练模型训练了OLTC的故障以及其具体的故障类型缺陷,从而为OLTC的实时监控以及其他电气设备的监测提供了一种更有效的方法。
实施例2
本实施例提供一种有载分接开关故障检测方法,图3是根据本发明实施例的有载分接开关故障检测方法的流程图,如图3所示,该流程包括如下步骤:
步骤S301,获取所述开关的振动信号,通过振动传感器采集振动信号。
步骤S302,对所述振动信号进行降噪,通过小波包算法对机械振动信号进行分解,剔除噪声部分后并进行重构,实现OLTC机械振动信号的降噪。
步骤S303,对所述降噪后的振动信号进行分解,得到IMF分量,利用EEMD分解方法分别对降噪之后的不同工况的OLTC机械振动信号进行分解。
步骤S304,将所述分量与设定阈值进行比较,以筛选出有效IMF分量,通过已得到的IMF分量与预设阈值进行比较,当大于预设阈值时,这个IMF分量将作为有效分量被筛选出来。具体地,有效IMF分量的选取,是根据能量熵系数决定的,设置方式如下:
上式中阈值α用α=nσ来估计,其中n为常数,σ为能量熵系数的标准方差,x(i)是小波包系数,可通过下式来估计:
上式中N为有载分接开关机械振动信号的序列长度。
步骤S305,对所述有效IMF分量的能量熵进行拼接,并通过计算信息熵以得到表征所述振动信号的频域复杂度的有效能量熵,有效能量熵的构建,根据IMF分量能量熵进行有效频带的筛选,将有效频带IMF分量的能量熵拼接成一个整体,计算信息熵。
步骤S306,根据所述有效能量熵确定所述开关是否存在故障,例如可以得出是异常状态还是正常状态,或者进一步识别出具体的异常种类,包括不限于电气故障,机械故障,机械故障如触头磨损、弹簧松动、齿轮卡涩等。
上述步骤S306涉及到根据所述有效能量熵确定所述开关是否存在故障,在一个可选实施例中,可以利用上述实施例所建立的神经网络模型实现识别操作,如上所述,该神经网络模型是利用有载分接开关在已知工作状态时的振动信号进行训练得到的。具体地,先通过已知的具体的相关工作状态的振动信号对神经网络进行训练,直至识别准确率达到预定准确率,而后获取新的振动信号后,经过上述步骤处理后所得到的有效能量熵,再利用已经训练好的神经网络模型对有效能量熵进行识别,已确认有载分接开关当前的工作状态。进一步地,该模型还可以识别出具体的故障种类。
步骤S302涉及到对所述振动信号进行降噪,在一个可选实施例中,根据预定小波基和预定分解层次对所述振动信号进行小波包分解;根据预定熵标准确定最优小波包基;选择预定阈值对小波包系数进行量化获得更适合的小波包系数,即获得更能表征信号复杂度的特征量;对信号的特征量进行重构。具体地,小波包分析是对上一层的低频部分和高频部分同时进行分解,并且具备了能有效区分信号中突变部分和噪声的优点,得到的降噪信号优于小波降噪处理结果。设含噪声一维信号表示形式如下:
y(i)=x(i)+βα(i)(i=1,2,3,...,n-1)
式中:y(i)表示含噪声信号,x(i)表示有用信号,α(i)表示噪声信号。对信号降噪实质上是抑制信号中噪声部分α(i),增强信号中有用部分x(i)的过程。一般地,小波包降噪步骤如下:(1)选择小波基,确定其分解层次,进行小波包分解;(2)通过给定的熵标准,计算最优树,确定最优小波包基;(3)选择预定阈值对小波包系数进行量化获得更适合的小波包系数,即获得更能表征信号复杂度的特征量;(4)对信号的特征量进行重构。
步骤S303涉及到对降噪后的所述振动信号进行分解,得到IMF分量,在一个可选实施例中,采用EEMD方法对降噪后的振动信号进行分解。具体地,
(1)在信号y(t)中加入白噪声mj(t),其中幅值均为0,标准差为原信号标准差的0.3倍则:
yi=y(t)+mj(t)
式中,i为yi(t)分解的次数。
(2)对yi(t)进行EMD分解,得到若干IMF分量djk(t)与余项ej(t)。其中djk(t)为第j次加入白噪声后所得的第k个IMF分量。
(3)重复步骤1和步骤2共N次。得到消除模态混叠的IMF为:
信号EEMD分解的最终结果为
在步骤S305对所述分量与设定阈值进行比较,以筛选出有效IMF分量,在一个可选实施例中,包括计算能量熵系数。具体地,
上式中阈值α用α=nσ来估计,其中n为常数,σ为能量熵系数的标准方差,可通过下式来估计:
式中N为有载分接开关机械振动信号的序列长度。
通过上述步骤,获取所述开关的振动信号;对所述振动信号进行降噪;对所述降噪后的振动信号进行分解,得到IMF分量;将所述分量与设定阈值进行比较,以筛选出有效IMF分量;对所述有效IMF分量的能量熵进行拼接,并通过计算信息熵以得到表征所述振动信号的频域复杂度的有效能量熵;根据所述有效能量熵确定所述开关是否存在故障。解决了传统的机械振动类故障诊断方法在强噪声背景下提取有效故障特征量的缺陷,提出了小波包降噪和EEMD有效熵特征相结合的OLTC故障振动信号特征提取方法,并利用PNN神经网络对OLTC机械振动故障类型进行识别,一定程度上丰富和完善了故障诊断方法。该方法可以有效应用与工业部门中机械设备状态监测及诊断,特别适用于强噪声背景下的高强度机械工作类型。
实施例3
本施例提供一种有载分接开关故障检测模型构建装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本发明实施例的有载分接开关故障检测模型构建装置的结构框图,如图4所示,该装置包括:获取模块41,用于获取所述开关在预设故障状态时的第一振动信号与所述开关在正常工作状态时的第二振动信号;降噪模块42,用于分别对所述第一振动信号和所述第二振动信号进行降噪;分解模块43,用于分别对降噪后的所述第一振动信号和所述第二振动信号进行分解,得到第一IMF分量和第二IMF分量;判断模块44,用于分别将所述第一IMF分量和所述第二IMF分量与设定阈值进行比较,以筛选出第一有效IMF分量和第二有效IMF分量;计算模块45,用于分别对所述第一有效IMF分量和所述第二有效IMF分量的能量熵进行拼接,并通过计算信息熵来得到表征所述开关的振动信号频域复杂度的第一有效能量熵和第二有效能量熵;训练模块46,用于利用所述第一有效能量熵和所述第二有效能量熵以及相应的开关工作状态信息对神经网络模型进行训练,以使所述神经网络模型能够根据所述第一有效能量熵和所述第二有效能量熵识别所述开关的工作状态,持续所述训练操作直至所述神经网络模型的识别准确率达到预定准确率。
实施例4
本施例提供一种有载分接开关故障检测装置,图5是根据本发明实施例的有载分接开关故障检测装置的结构框图,如图5所示,该装置包括:获取模块51,用于获取所述开关的振动信号;降噪模块52,用于对所述振动信号进行降噪;分解模块53,用于对所述降噪后的振动信号进行分解,得到IMF分量;判断模块54,用于将所述分量与设定阈值进行比较,以筛选出有效IMF分量;计算模块55,用于对所述有效IMF分量的能量熵进行拼接,并通过计算信息熵以得到表征所述振动信号的频域复杂度的有效能量熵;检测模块56,用于根据所述有效能量熵确定所述开关是否存在故障。
图6是根据本发明实施例的检测模块的结构框图,如果图6所示,该装置检测模块56还包括:识别单元561,用于利用神经网络模型根据所述效能量熵识别所述开关的工作状态,所述工作状态包括正常工作状态和故障状态,其中所述神经网络模型是利用有载分接开关在已知工作状态时的振动信号进行训练得到的。
图7是根据本发明实施例的降噪模块的结构框图,如图7所示,该装置降噪模块52包括:分解单元521,用于根据预定小波基和预定分解层次对所述振动信号进行小波包分解;确定单元522,用于根据预定熵标准确定最优小波包基;量化单元523,用于选择预定阈值对小波包系数进行量化获得更适合的小波包系数,即获得更能表征信号复杂度的特征量;重构单元524,用于对信号的特征量进行重构。
图8是根据本发明实施例的分解模块的结构框图,如图8所述,该装置分解模块53包括:分解单元531,用于采用EEMD方法对降噪后的振动信号进行分解。
图9是根据本发明实施例的判断模块的结构框图,如图9所示,该装置判断模块54包括:计算单元541,用于计算能量熵系数。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。