CN109374323A - 基于振动信号指标能量的变压器机械故障检测方法 - Google Patents
基于振动信号指标能量的变压器机械故障检测方法 Download PDFInfo
- Publication number
- CN109374323A CN109374323A CN201811149107.7A CN201811149107A CN109374323A CN 109374323 A CN109374323 A CN 109374323A CN 201811149107 A CN201811149107 A CN 201811149107A CN 109374323 A CN109374323 A CN 109374323A
- Authority
- CN
- China
- Prior art keywords
- transformer
- ier
- vibration signal
- signal
- index energy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了基于振动信号指标能量的变压器机械故障检测方法,本方法使用EEMD对变压器振动信号进行分解得到IMF分量,计算IMF分量的指标能量并建立由极大模型参数与平均模型参数构成的二元特征向量,将目标变压器实时振动信号的特征向量与正常状态变压器振动信号的特征向量转换至分别由极大模型参数与平均模型参数作为横纵坐标的二维坐标系中,通过与正常状态振动信号进行比较对目标变压器的机械状态进行判别。
Description
技术领域
本发明涉及变压器故障检测领域,具体地,涉及一种基于振动信号指标能量的变压器机械故障检测方法。
背景技术
目前,变压器铁芯、绕组机械状态的检测方法主要有低压脉冲法、短路阻抗法、频率响应法和振动检测法,其中振动检测法由于其和电力***无电气连接、灵敏度高、安装简单等优势在变压器铁芯、绕组状态在线监测领域有着非常好的应用前景。有研究学者将由经验模态分解(Empirical Mode Decomposition,EMD)分解得到的IMF分量进行希尔伯特变换,得到能量-频率-时间三维希尔伯特谱及边界谱并以此探讨了变压器的故障振动信号特征。有的学者结合EMD与希尔伯特能量谱,提出了根据中心频率分布系数(CentralFrequency Distribution Coefficient,CFDC)来对变压器绕组状态进行监测。现有的研究大多是在得到原始振动信号分量后进行再一次的数学变换,然后根据所提取出的反映变压器状态的特征量来进行变压器机械状态识别,现有的方法存在检测不准确的技术问题。
发明内容
本发明提供了一种基于振动信号指标能量的变压器机械故障检测方法,解决了现有的方法检测不准确的技术问题,提高了变压器机械状态判别的准确率的技术效果。
申请人研究发现现有的方法忽略了信号分量本身所含有的特征信息,而且在对信号分量进行希尔伯特变换或其他处理的过程中会不可避免的产生计算误差,从而影响故障检测的结果。根据不同类型变压器振动信号分量的能量特征,本发明提出了基于IMF分量指标能量的变压器机械故障检测方法。在使用改进集合经验模态分解得到变压器原始振动信号的IMF分量后,直接计算基于IMF指标能量的二元特征向量,通过与正常状态振动信号特征向量的比较对变压器的机械状态做出判断。
为实现上述发明目的,本申请提供了一种基于振动信号指标能量的变压器机械故障检测方法,具体包括:
步骤1:收集目标变压器正常状态下的历史振动数据,使用EEMD对振动信号进行分解,得到各阶IMF分量;
步骤2:计算IMF分量的指标能量,计算公式为:
式(5)中IER(i)代表由原始信号分解得到的第i个IMF信号分量的指标能量值,x(j)表示原始信号,imfi(j)表示由原始信号x(j)进行EEMD分解得到的第i个IMF信号分量,Nx表示IMF信号分量的数据总量,Ny表示原始信号的数据总量;
在IMF分量中选取与原始信号最为相关的分量,也就是指标能量最大的分量,将其指标能量值作为极大模型参数IIER-max,该特征量可以反映信号分量的局部能量特征。计算公式为:
IIER-max=max(IER(1),IER(2),...,IER(P)) (6)
式(6)中IIER-max为极大模型参数,IER(1)、IER(2)……IER(P)表示由IMF分量所得到的指标能量参数,P表示指标能量的数量。
计算每个IMF分量的指标能量,并将其平均值作为平均模型参数IIER-mean,该特征量可以反映信号分量的整体能量特征。其计算公式为:
式(7)中IIER-mean表示平均模型参数。将极大模型参数IIER-max与平均模型参数IIER-mean构成二元特征向量F,则有:
F=[IIER-mean,IIER-max] (8)
利用变压器正常状态的历史数据建立其振动信号基于指标能量的特征向量数据库。
步骤3:采集目标变压器的实时数据,同样使用EEMD对变压器振动信号进行分解,得到各阶IMF分量,并计算实时振动信号的指标能量建立其基于指标能量的特征向量。
步骤4:将正常状态下变压器振动信号的特征向量和目标变压器实时振动信号的特征向量进行转换,均转换至分别由极大模型参数与平均模型参数作为横纵坐标的二维坐标系中,通过两者的比较结果对变压器的机械状态进行判别。通过两者的比较结果对变压器的机械状态进行判别,具体包括:将目标变压器实时振动信号的基于指标能量的特征向量与正常状态下变压器振动信号的特征向量,转换至分别以极大模型参数与平均模型参数作为横纵坐标的坐标系中进行比较,当实时振动信号的特征向量远离正常状态下特征向量分布区域时,则判定目标变压器出现松动故障。
本申请提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明采用EEMD对变压器振动信号进行分解得到IMF信号分量,有效地解决了传统EMD方法的模态混叠问题;采用基于振动信号指标能量的二元特征向量充分利用了IMF信号分量中的特征信息,既包含了振动信号的局部能量特征也包含了信号的整体能量特征,可以较为完整地表征变压器的机械状态;采用基于振动信号指标能量的二元特征向量避免了对IMF信号分量进行希尔伯特变换等数学变换,减小了计算误差,提高了机械状态判别的准确率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定;
图1为基于振动信号指标能量的变压器机械故障检测方法流程图;
图2为变压器振动信号采集接线图;
图3为变压器绕组振动信号;
图4为变压器铁芯振动信号;
图5为100kVA变压器振动信号;
图6为200kVA变压器振动信号;
图7为1000kVA变压器振动信号;
图8为绕组松动时B2测点绕组振动时域信号;
图9为铁芯松动后B2测点铁芯振动时域信号;
图10为变压器绕组松动前后振动信号特征向量;
图11为变压器铁芯松动前后振动信号特征向量。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
请参考图1,本申请提供了基于振动信号指标能量的变压器机械故障检测方法。
对三台容量分别为100kVA、200kVA和1 000kVA的变压器进行了测试,获取其铁芯与绕组的振动信号。当变压器空载时,电源电压为额定电压,绕组电流为空载电流,空载电流很小,绕组振动可忽略,铁芯振动是主要振动源。变压器进行短路试验时,所施加电源电压低,铁芯振动可忽略,而绕组电流为额定电流,绕组振动是主要振动源。因此通过变压器空载和短路试验可以得到绕组和铁芯振动信号。
采用PCB356A16压电式加速度传感器以及NI9234数据采集仪进行振动信号采集,采样频率为25.6kHz。振动信号采集***接线图如图2所示。
图3和图4分别是容量为1 000kVA变压器的绕组和铁芯振动信号。从图中可以看出,铁芯和绕组的振动信号均为周期性信号,周期为0.01s,频率为100Hz,是工频50Hz的2倍,与理论分析一致。但波形不是理想正弦波,发生了不同程度的畸变,这是由于铁芯磁致伸缩效应、绕组间的绝缘垫块等非线性因素导致。
对容量100kVA、200kVA和1 000kVA三台变压器铁芯、绕组振动信号进行EEMD分解,并计算其基于指标能量的二元特征向量。其中每台变压器选取10组振动数据,每组数据包含2 000个数据点。将得到的二元特征向量转换至分别由极大模型参数和平均模型参数作为横纵轴的二维坐标系中,如图5、6、7所示。
如图5、6、7所示,在二维坐标系中每台变压器的绕组、铁芯振动信号都有不同的区域分布,这是因为变压器绕组、铁芯振动分别由绕组电动力与铁芯磁致伸缩引起,两者非线性特性不同,表现出不同的能量特征。此外,每台变压器绕组和铁芯振动信号的特征向量并没有分布在同一区域,是由于不同厂家的生产工艺及原材料特性存在差异引起。因此在实际运用时,需要采集每台变压器的历史数据并建立数据库,基于和历史数据的纵向对比,对目标变压器的机械状态进行评估。
对容量1 000kVA的变压器进行了铁芯、绕组松动故障情况下的空载和短路试验,图8和图9分别为设置松动故障后绕组及铁芯的振动信号。
比较图3、4和图8、9可以看出,设置松动故障后,铁芯、绕组振动信号时域波形仍具有周期性,但波形畸变增大。对故障后变压器振动信号的二维坐标系内分布情况与正常状态信号进行对比,结果如图10、11所示。可以看出,故障前后的振动信号在二维坐标系内有着很好的分离度,由此说明基于振动信号的指标能量可以检测到变压器铁芯、绕组的机械故障。
本申请中的基于振动信号指标能量的变压器机械故障检测方法。使用改进集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对变压器振动信号进行分解得到信号的本征模态函数(Intrinsic Mode Function,IMF),计算IMF信号分量基于指标能量的二元特征向量,通过与正常状态下变压器振动信号的特征向量进行对比可以对变压器的机械故障进行诊断。其特征在于:使用EEMD分解可以得到原始振动信号中不同频率段的信号成分,并避免模态混叠现象;使用基于指标能量的二元特征向量不仅体现了振动信号分量的局部能量特征,也涵盖了信号分量的整体能量特征。
本方法同时考虑振动信号局部与整体的能量特征,可以有效提高诊断结果的准确性。经过EEMD分解得到振动信号的IMF分量后,直接计算其基于指标能量的二元特征向量,充分利用IMF分量中所包含的故障信息,避免了传统方法中因对IMF分量进行希尔伯特变换所产生的计算误差,提高了诊断结果的准确性。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.基于振动信号指标能量的变压器机械故障检测方法,其特征在于,所述***包括:
步骤1:收集目标变压器正常状态下的历史振动数据,使用EEMD对振动信号进行分解,得到各阶IMF分量;
步骤2:计算IMF分量的指标能量;
步骤3:采集目标变压器的实时数据,同样使用EEMD对变压器振动信号进行分解,得到各阶IMF分量,并计算实时振动信号的指标能量得到其基于指标能量的特征向量;
步骤4:将正常状态下变压器振动信号的特征向量和目标变压器实时振动信号的特征向量进行转换,均转换至分别由极大模型参数与平均模型参数作为横纵坐标的二维坐标系中,通过两者的比较结果对变压器的机械状态进行判别。
2.根据权利要求1所述的基于振动信号指标能量的变压器机械故障检测方法,其特征在于,计算IMF分量的指标能量,计算公式为:
式(1)中IER(i)代表由原始信号分解得到的第i个IMF信号分量的指标能量值,x(j)表示原始信号,imfi(j)表示由原始信号x(j)进行EEMD分解得到的第i个IMF信号分量,Nx表示IMF信号分量的数据总量,Ny表示原始信号的数据总量;利用变压器历史数据建立其振动信号基于指标能量的特征向量数据库。
3.根据权利要求1所述的基于振动信号指标能量的变压器机械故障检测方法,其特征在于,所述步骤1、步骤3还包括:
在IMF分量中选取与原始信号最为相关的分量,将其指标能量值作为极大模型参数IIER-max,该特征量能够反映信号分量的局部能量特征,计算公式为:
IIER-max=max(IER(1),IER(2),...,IER(P)) (2)
式(2)中IIER-max为极大模型参数,IER(1)、IER(2)……IER(P)表示:由IMF分量所得到的指标能量参数,P表示指标能量的数量;
计算每个IMF分量的指标能量,并将其平均值作为平均模型参数IIER-mean,该特征量能够反映信号分量的整体能量特征,计算公式为:
式(3)中IIER-mean表示平均模型参数;将极大模型参数IIER-max与平均模型参数IIER-mean构成二元特征向量F,则有:
F=[IIER-mean,IIER-max] (4)
4.根据权利要求1所述的基于振动信号指标能量的变压器机械故障检测方法,其特征在于,通过两者的比较结果对变压器的机械状态进行判别,具体包括:将目标变压器实时振动信号的基于指标能量的特征向量与正常状态下变压器振动信号的特征向量,转换至分别以极大模型参数与平均模型参数作为横纵坐标的坐标系中进行比较,当实时振动信号的特征向量远离正常状态下特征向量分布区域时,则判定目标变压器出现松动故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811149107.7A CN109374323A (zh) | 2018-09-29 | 2018-09-29 | 基于振动信号指标能量的变压器机械故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811149107.7A CN109374323A (zh) | 2018-09-29 | 2018-09-29 | 基于振动信号指标能量的变压器机械故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109374323A true CN109374323A (zh) | 2019-02-22 |
Family
ID=65402515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811149107.7A Pending CN109374323A (zh) | 2018-09-29 | 2018-09-29 | 基于振动信号指标能量的变压器机械故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109374323A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111024347A (zh) * | 2019-12-26 | 2020-04-17 | 华中科技大学 | 一种电抗器健康状态评估方法 |
CN112146880A (zh) * | 2020-09-17 | 2020-12-29 | 天津大学 | 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法 |
CN112231624A (zh) * | 2020-09-16 | 2021-01-15 | 中电电气(江苏)变压器制造有限公司 | 基于物联网的多变压器绕组抗短路能力的实时评估*** |
CN113191437A (zh) * | 2021-05-07 | 2021-07-30 | 国网山西省电力公司电力科学研究院 | 一种基于振动信号复合特征向量的变压器机械故障检测方法 |
CN116296329A (zh) * | 2023-03-14 | 2023-06-23 | 苏州纬讯光电科技有限公司 | 一种变压器铁芯机械状态诊断方法、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6018702A (ja) * | 1983-07-13 | 1985-01-30 | Anritsu Corp | 変位測定装置 |
CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
CN103902844A (zh) * | 2014-04-24 | 2014-07-02 | 国家电网公司 | 基于eemd峰度阈值的变压器振动信号降噪方法 |
CN105698922A (zh) * | 2016-02-04 | 2016-06-22 | 国网福建省电力有限公司 | 基于改进emd和谱峭度法变压器振动故障特征提取方法 |
CN106443310A (zh) * | 2016-11-22 | 2017-02-22 | 国网四川省电力公司广安供电公司 | 一种基于som神经网络的变压器故障检测方法 |
CN106646096A (zh) * | 2016-11-15 | 2017-05-10 | 国网四川省电力公司广安供电公司 | 基于振动分析法的变压器故障分类和识别方法 |
-
2018
- 2018-09-29 CN CN201811149107.7A patent/CN109374323A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6018702A (ja) * | 1983-07-13 | 1985-01-30 | Anritsu Corp | 変位測定装置 |
CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
CN103902844A (zh) * | 2014-04-24 | 2014-07-02 | 国家电网公司 | 基于eemd峰度阈值的变压器振动信号降噪方法 |
CN105698922A (zh) * | 2016-02-04 | 2016-06-22 | 国网福建省电力有限公司 | 基于改进emd和谱峭度法变压器振动故障特征提取方法 |
CN106646096A (zh) * | 2016-11-15 | 2017-05-10 | 国网四川省电力公司广安供电公司 | 基于振动分析法的变压器故障分类和识别方法 |
CN106443310A (zh) * | 2016-11-22 | 2017-02-22 | 国网四川省电力公司广安供电公司 | 一种基于som神经网络的变压器故障检测方法 |
Non-Patent Citations (1)
Title |
---|
王瀚: "EMD指标能量提取水轮机尾水管动态特征信息", 《水力发电学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111024347A (zh) * | 2019-12-26 | 2020-04-17 | 华中科技大学 | 一种电抗器健康状态评估方法 |
CN112231624A (zh) * | 2020-09-16 | 2021-01-15 | 中电电气(江苏)变压器制造有限公司 | 基于物联网的多变压器绕组抗短路能力的实时评估*** |
CN112231624B (zh) * | 2020-09-16 | 2024-03-26 | 中电电气(江苏)变压器制造有限公司 | 基于物联网的多变压器绕组抗短路能力的实时评估*** |
CN112146880A (zh) * | 2020-09-17 | 2020-12-29 | 天津大学 | 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法 |
CN112146880B (zh) * | 2020-09-17 | 2022-03-29 | 天津大学 | 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法 |
CN113191437A (zh) * | 2021-05-07 | 2021-07-30 | 国网山西省电力公司电力科学研究院 | 一种基于振动信号复合特征向量的变压器机械故障检测方法 |
CN116296329A (zh) * | 2023-03-14 | 2023-06-23 | 苏州纬讯光电科技有限公司 | 一种变压器铁芯机械状态诊断方法、设备及介质 |
CN116296329B (zh) * | 2023-03-14 | 2023-11-07 | 苏州纬讯光电科技有限公司 | 一种变压器铁芯机械状态诊断方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109374323A (zh) | 基于振动信号指标能量的变压器机械故障检测方法 | |
US9404957B2 (en) | Fault diagnosis and preliminary location system and method for transformer core looseness | |
CN102323480B (zh) | 一种基于Hilbert-Huang变换的电能质量分析方法 | |
CN206114822U (zh) | 一种电力变压器绕组形变状态多信息检测装置 | |
Li et al. | Damage localization of stacker’s track based on EEMD-EMD and DBSCAN cluster algorithms | |
CN105548809B (zh) | 一种电力***谐波责任的确定方法 | |
CN110703151A (zh) | 基于振动盲源分离和贝叶斯模型的变压器故障诊断方法 | |
CN106154040B (zh) | 一种用于计算电网单点等值时等效谐波阻抗方法 | |
CN109375010A (zh) | 基于振动分布特征模型的电力变压器绕组故障诊断方法 | |
CN112485747A (zh) | 一种电容式电压互感器误差状态评估方法 | |
CN109374119A (zh) | 变压器振动信号特征量提取方法 | |
CN113285471B (zh) | 海上风电场次超同步振荡源感知与定位方法、装置及设备 | |
CN104655967B (zh) | 配电变压器绕组振动信号特征量提取方法 | |
CN107238756B (zh) | 一种智能配变终端冲击性负荷谐波源识别方法 | |
CN109061297A (zh) | 一种次/超同步振荡在线监测方法和装置 | |
CN110727908A (zh) | 解决复杂电气故障的模态解析方法 | |
CN110045186A (zh) | 电力***公共连接点处的***谐波阻抗估计方法和*** | |
CN109659957A (zh) | 基于apit-memd电力***低频振荡模式辨识方法 | |
Jopri et al. | A new two points method for identify dominant harmonic disturbance using frequency and phase spectrogram | |
CN107516115A (zh) | 一种基于k‑中心点算法的负荷模型典型参数提取方法 | |
Meng et al. | Rapid Lithium-ion battery impedance measurements using binary sequence with optimized frequency components | |
CN107561410B (zh) | 一种分布式电源并网逆变器及电容的在线测试*** | |
CN112329825B (zh) | 基于信息分维及提升决策树的变压器机械故障诊断方法 | |
CN108415880A (zh) | 一种基于样本熵与小波变换的线损特性分析方法 | |
CN105182116B (zh) | 一种基于加权梯度结构相似度的变压器绕组工作状态检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |