CN108362488A - 基于mpe与svm的oltc机械故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于MPE和SVM的OLTC机械故障诊断方法，包括以下步骤：1）通过加速度传感器对有载分接开关OLTC正常状态下的振动信号、故障状态下的振动信号进行采集，并对振动信号做预处理；2）对采集到的振动信号进行多尺度排列熵MPE计算，构造特征向量，作为支持向量机SVM的输入；3）将步骤2）得到的特征向量输入到支持向量机SVM中，对支持向量机SVM进行训练，将测试数据输入到训练好的SVM，从而判断OLTC的故障模式，本发明不需要大量数据进行SVM的训练，诊断精度更高；对OLTC的诊断效果明显优于BP神经网络。

Description

基于MPE与SVM的OLTC机械故障诊断方法

技术领域

本发明涉及有载分接开关故障诊断技术领域，具体涉及一种基于MPE与SVM的有载分接开关OLTC机械故障诊断方法。

背景技术

随着对电能质量要求的提高，电网大量应用自动电压控制等***，现有有载分接开关(OLTC)调节相当频繁，故障发生率很高。据国内外资料统计，分接开关故障占变压器故障的20％以上，且主要为机械故障，若不及时发现和处理，其故障会严重破坏OLTC和变压器的固有结构，影响电力设备和***的正常安全运行并造成严重后果。因此，为了确保分接开关安全可靠地运行，有必要开展分接开关机械故障诊断方法的相关研究。

在有载分接开关操作过程中，机构零部件之间的碰撞或摩擦会产生振动信号，这些振动信号包含着丰富的设备状态信息。目前，基于振动信号分析已成为有载分接开关机械故障诊断的重要手段。已有的振动信号分析方法有小波奇异性检测、自组织映射法、EMD(经验模态分解)和小波包等。这些方法大多是将非平稳信号分解为若干个简单的平稳信号之和，然后对每个分量进行处理，提取时频特征。然而，研究表明，OLTC切换过程中的振动信号表现出明显的非线性行为，采用时频分析的方法，将信号分解为平稳信号，难免有一定的局限性。因此，本发明采用多尺度排列熵非线性分析方法来进行OLTC机械故障诊断，能够直接提取机械振动信号中其他方法无法提取的故障信息。

针对OLTC机械振动信号的非线性特点，本发明从OLTC振动信号的时间序列随机性和动力学突变特性出发，将多尺度排列熵(MPE)应用于OLTC的故障特征的提取。由于支持向量机(SVM)分析在小样本数据故障诊断中具有良好的诊断效果，因此，在MPE提取故障特征的基础上，结合SVM作为故障类型判断，提出一种基于MPE和SVM的有载分接开关机械故障诊断方法，并将其应用于OLTC实验数据的分析。结果表明，此方法能够有效地诊断OLTC机械故障类型。

发明内容

为解决现有技术中的不足，本发明提供一种基于MPE与SVM的有载分接开关机械故障诊断方法，诊断结果确实精度高，结构简单，可操作性强。

为了实现上述目标，本发明采用如下技术方案：一种基于MPE和SVM的OLTC机械故障诊断方法，其特征在于：包括以下步骤：

1)通过加速度传感器对有载分接开关OLTC正常状态下的振动信号、故障状态下的振动信号进行采集，并对振动信号做预处理；

2)对采集到的振动信号进行多尺度排列熵MPE计算，构造特征向量，作为支持向量机SVM的输入；

3)将步骤2)得到的特征向量输入到支持向量机SVM中，对支持向量机SVM进行训练，将测试数据输入到训练好的SVM，从而判断OLTC的故障模式。

前述的一种基于MPE和SVM的OLTC机械故障诊断方法，其特征是：所述预处理具体为：对采集到的振动信号进行降噪处理。

前述的一种基于MPE和SVM的OLTC机械故障诊断方法，其特征是：所述故障状态包括有载分接开关OLTC触头松动以及弹簧性能下降。

前述的一种基于MPE和SVM的OLTC机械故障诊断方法，其特征是：所述加速度传感器安装在分接开关的顶端。

前述的一种基于MPE和SVM的OLTC机械故障诊断方法，其特征是：所述多尺度排列熵MPE计算具体步骤为：

1)对原始时间序列{x₁,x₂,…,x_N}进行粗粒化处理，根据下式构造出多尺度时间序列{y_l ^(s)}：

式中，s为尺度因子，N为原始时间序列的长度，x_i表示原始时间序列中的数据点，i的范围为1-N，y_l ^(s)表示s窗口下时间序列的第l个平均值；

2)在对原始时间序列粗粒化处理后，计算各粗粒度时间序列归一化后的排列熵，即得到了多尺度排列熵，构成特征量。

前述的一种基于MPE和SVM的OLTC机械故障诊断方法，其特征是：所述归一化后的排列熵具体计算步骤为：

假设一组时间序列{x_i|i＝1,2,…,N}，对其进行相空间重构，得到重构的时间序列X_i：

X_i＝[x_i,x_i+τ,…,x_i+(m-1)τ] (1)

其中，m为嵌入维数，τ为延迟时间，x_i为时间序列X_i中第i个数据点，x_i+τ为时间序列X_i中第i+τ个数据点，x_i+(m-1)τ为时间序列X_i中第i+(m-1)τ个数据点，将时间序列X_i中的m个数据点按升序排列，即r表示重构序列X_i中数据点的位置，为重构序列X_i中数据点按升序排列后第2个数据点，同理为重构序列X_i中数据点按升序排列后第m个数据点；当存在时，数据点按r_j、r_k的大小进行排列，即若r_j<r_k，则认为表示重构序列X_i中第r_j个数据点，r_j、r_k表示重构序列X_i中数据点所在位置，表示重构序列X_i中第r_k个数据点；

时间序列X_i有m！中排列方式，对任一种排列方式ω，T(ω)表示其出现的次数，则其出现的概率为：

因此，时间序列X_i的排列熵H_PE可定义为：

H_PE＝-∑P(ω)lnP(ω) (3)

归一化后得到归一化后的排列熵PE：

前述的一种基于MPE和SVM的OLTC机械故障诊断方法，其特征是：所述振动数据分成两组，每组包括正常振动信号与故障信号，一组用于SVM的训练，另一组用于SVM的测试；步骤3)中，先将特征向量归一化处理到[0，1]之间，将归一化后的训练特征向量输入到支持向量机SVM中，对支持向量机进行训练，然后将归一化后的测试特征向量输入到训练好的SVM，从而判断OLTC的故障模式。

本发明所达到的有益效果：

1、本发明采用多尺度排列熵非线性分析方法来进行OLTC机械故障诊断，能够直接提取机械振动信号中其他方法无法提取的故障信息，如故障信息的随机性；

2、本发明不需要大量数据进行SVM的训练，诊断精度更高；

3、本发明对OLTC的诊断效果明显优于BP神经网络。

附图说明

图1是基于多尺度排列熵的特征提取过程图；

图2是三种状态下的多尺度排列熵MPE分布图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

一种基于MPE与SVM的有载分接开关OLTC机械故障诊断方法，包括以下步骤：

1)通过加速度传感器对有载分接开关OLTC正常状态下的振动信号、故障状态下的振动信号进行采集，并对振动信号做预处理，即对采集到的振动信号进行降噪处理；

2)对采集到的振动信号进行多尺度排列熵MPE分析，构造特征向量，作为支持向量机SVM的输入；

3)将步骤2)构造的特征向量输入到支持向量机SVM中，对支持向量机SVM进行训练，将测试数据输入到训练好的SVM，从而判断OLTC的故障模式。

步骤1)中加速度传感器采用永磁体吸附在有载分接开关OLTC测试点的表面的安装方式，这种安装方式简单易行，适合频繁更换测试点的场合。考虑到振动信号的传播介质以及传播过程的阻尼，本发明将振动传感器安装在分接开关的顶端，此位置所拾取的振动信号高频衰减比较少，信号较完整；将采集到的振动数据分成两组，每组都包括正常振动信号与故障信号，一组用于SVM的训练，另一组用于SVM的测试。

步骤1)中的故障状态是指有载分接开关OLTC触头松动以及弹簧性能下降两种情况；

步骤1)中对振动信号做预处理，具体为对振动信号进行了降噪处理。

步骤2)中，对采集到的振动信号进行多尺度排列熵分析，构造特征向量。多尺度排列熵是在多个尺度上计算时间序列的排列熵。

排列熵的具体算法为：

假设一组时间序列{x_i|i＝1,2,…,N}，对其进行相空间重构，得到重构的时间序列X_i：

X_i＝[x_i,x_i+τ,…,x_i+(m-1)τ] (1)

其中，m为嵌入维数，τ为延迟时间，N为时间序列的长度，x_i为时间序列X_i中第i个数据点，x_i+τ为时间序列X_i中第i+τ个数，x_i+(m-1)τ为时间序列X_i中第i+(m-1)τ个数，将时间序列X_i中的m个数据点按升序排列，即r表示重构序列X_i中数据点的位置，为重构序列X_i中数据点按升序排列后第2个数，同理为重构序列X_i中数据点按升序排列后第m个数据点；当存在时，数据点按r_j、r_k的大小进行排列，即若r_j<r_k，则认为表示重构序列X_i中第r_j个数据点，r_j、r_k表示重构序列X_i中数据点所在位置，表示重构序列X_i中第r_k个数据点。

任意时间序列X_i都有m！中排列方式，对任一种排列方式ω，T(ω)表示其出现的次数，则其出现的概率为：

因此，时间序列X_i的排列熵H_PE可定义为：

H_PE＝-∑P(ω)lnP(ω) (3)

归一化后得到归一化后的排列熵PE：

PE值的大小反映了时间序列信号的复杂性和随机性，其值越大，说明时间序列信号越复杂，反之，则越规则。因此，PE值的变换反映和放大了时间序列的局部细微变换。

如图1所示，多尺度排列熵(MPE)分析方法具体步骤为：

1)对原始时间序列{x₁,x₂,…,x_N}进行粗粒化处理，根据下式构造出多尺度时间序列{y_l ^(s)}：

式中，s为尺度因子，N为原始时间序列的长度，x_i表示原始时间序列中的数据点，y_l ^(s)表示s窗口下时间序列的第l个平均值。

2)在对原始时间序列粗粒化处理后，按照公式(1)-(4)计算各粗粒度时间序列归一化后的排列熵，即得到了多尺度排列熵，即为特征向量。

步骤3)中，先使用matlab自带的数据处理-归一化函数mapminmax将特征向量归一化处理到[0，1]之间，将归一化后的训练特征向量输入到SVM中，对SVM进行训练，然后将归一化后的测试特征向量输入到训练好的SVM，从而判断OLTC的故障模式。

实施例：

对CMIII-500-63B-10193W型分接开关模拟实验。此分接开关为三相Y连接，最大的分接位置数为19。振动传感器采用分辨率高且抗干扰能力强的LC0151型压电式加速度传感器。本发明把振动传感器安装在分接开关的顶端，此位置所拾取的振动信号高频衰减比较少，信号较完整。通过加速度传感器对OLTC正常状态下的振动信号、故障状态(OLTC触头松动以及弹簧性能下降)下的振动信号进行采集，将采集到的振动数据分成2组，每组都包括正常振动信号与故障信号，一组用于SVM的训练，另一组用于SVM的测试；

对采集到的振动信号进行MPE分析，构造特征向量，作为SVM的输入，对SVM进行训练，将测试数据输入到训练好的SVM，从而判断OLTC的故障模式。

先使用matlab自带的mapminmax将特征量归一化处理[0，1]之间，将归一化后的训练特征量输入到SVM中，对SVM进行训练，然后将归一化后的测试特征量输入到训练好的SVM，从而判断OLTC的故障模式。

多尺度排列熵的影响因素为：利用多尺度排列熵进行特征提取时，嵌入维数m、延迟时间τ和尺度因子s会直接影响计算结果：如果m过小，重构的向量中包含的状态量少，算法失去意义，如果m取值过大，相空间的重构将会均匀化时间序列，此时不仅计算时间长，而且也无法反映序列的细微变换，Bandt建议，嵌入维数m取3～7，本实施例取7；延迟时间τ对序列的计算影响较小，本实施例选择τ＝1；而尺度因子s>10时，***不同尺度下的动力学变化规律才会表现出来，本实施例s取12。

如图2为三种状态下的多尺度排列熵，由图2可知，分接开关处于正常状态下的归一化后的排列熵PE明显高于故障状态，而触头松动和弹簧性能下降这两种机械故障在s为8以后其PE相差较小，由此说明，取12为s最大值是合适的，充分表现了信号的动力学规律。此外，OLTC发生机械故障时，其振动信号的随机性越小，复杂度越低，此时振动信号的PE越小；反之，OLTC处于正常状态时，其振动信号的随机性最大，PE值也最大。由此说明PE值的变化可以很好地反映OLTC机械故障程度。

将基于MPE特征量的SVM对OLTC的诊断效果与BP神经网络进行对比，得到表1所示的预测比较结果：

表1本发明与BP神经网络预测结果比较

注：1表示分接开关处于正常状态，2表示分接开关处于触头松动故障，3表示分接开关处于弹簧性能下降故障。

采用同样的15组数据对BP神经网络进行训练，并对这15组数据进行预测，由表中可以看出，基于MPE和SVM的OLTC机械故障诊断方法可以有效地识别出故障类型，从而说明了本发明的可行性，由表1也知，本发明诊断效果优于BP神经网络。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.一种基于MPE和SVM的OLTC机械故障诊断方法，其特征在于：包括以下步骤：

1)通过加速度传感器对有载分接开关OLTC正常状态下的振动信号、故障状态下的振动信号进行采集，并对振动信号做预处理；

2)对采集到的振动信号进行多尺度排列熵MPE计算，构造特征向量，作为支持向量机SVM的输入；

3)将步骤2)得到的特征向量输入到支持向量机SVM中，对支持向量机SVM进行训练，将测试数据输入到训练好的SVM，从而判断OLTC的故障模式。

2.根据权利要求1所述的一种基于MPE和SVM的OLTC机械故障诊断方法，其特征是：所述预处理具体为：对采集到的振动信号进行降噪处理。

3.根据权利要求1所述的一种基于MPE和SVM的OLTC机械故障诊断方法，其特征是：所述故障状态包括有载分接开关OLTC触头松动以及弹簧性能下降。

4.根据权利要求1所述的一种基于MPE和SVM的OLTC机械故障诊断方法，其特征是：所述加速度传感器安装在分接开关的顶端。

5.根据权利要求1所述的一种基于MPE和SVM的OLTC机械故障诊断方法，其特征是：所述多尺度排列熵MPE计算具体步骤为：

1)对原始时间序列{x₁,x₂,…,x_N}进行粗粒化处理，根据下式构造出多尺度时间序列{y_l ^(s)}：

式中，s为尺度因子，N为原始时间序列的长度，x_i表示原始时间序列中的数据点，i的范围为1-N，y_l ^(s)表示s窗口下时间序列的第l个平均值；

2)在对原始时间序列粗粒化处理后，计算各粗粒度时间序列归一化后的排列熵，即得到了多尺度排列熵，构成特征量。

6.根据权利要求5所述的一种基于MPE和SVM的OLTC机械故障诊断方法，其特征是：所述归一化后的排列熵具体计算步骤为：

假设一组时间序列{x_i|i＝1,2,…,N}，对其进行相空间重构，得到重构的时间序列X_i：

X_i＝[x_i,x_i+τ,…,x_i+(m-1)τ] (1)

其中，m为嵌入维数，τ为延迟时间，x_i为时间序列X_i中第i个数据点，x_i+τ为时间序列X_i中第i+τ个数据点，x_i+(m-1)τ为时间序列X_i中第i+(m-1)τ个数据点，将时间序列X_i中的m个数据点按升序排列，即r表示重构序列X_i中数据点的位置，为重构序列X_i中数据点按升序排列后第2个数据点，同理为重构序列X_i中数据点按升序排列后第m个数据点；当存在时，数据点按r_j、r_k的大小进行排列，即若r_j<r_k，则认为 表示重构序列X_i中第r_j个数据点，r_j、r_k表示重构序列X_i中数据点所在位置，表示重构序列X_i中第r_k个数据点；

时间序列X_i有m！中排列方式，对任一种排列方式ω，T(ω)表示其出现的次数，则其出现的概率为：

因此，时间序列X_i的排列熵H_PE可定义为：

H_PE＝-∑P(ω)ln P(ω) (3)

归一化后得到归一化后的排列熵PE：

7.根据权利要求1所述的一种基于MPE和SVM的OLTC机械故障诊断方法，其特征是：所述振动数据分成两组，每组包括正常振动信号与故障信号，一组用于SVM的训练，另一组用于SVM的测试；步骤3)中，先将特征向量归一化处理到[0，1]之间，将归一化后的训练特征向量输入到支持向量机SVM中，对支持向量机进行训练，然后将归一化后的测试特征向量输入到训练好的SVM，从而判断OLTC的故障模式。