CN109633431B - 基于振动信号特征提取的有载分接开关故障识别方法 - Google Patents

Abstract

一种基于振动信号特征提取的有载分接开关故障识别方法，该方法采用模拟退火算法进行参数的选取，根据振动信号自适应地选取模态数K和二次惩罚因子α，以获取最佳的参数组合，改善振动信号模态分解的效果，有利于提取出更显著的特征，以便于后续的状态监测和故障诊断。

Description

基于振动信号特征提取的有载分接开关故障识别方法

技术领域

本发明属于电力设备技术领域，涉及电力设备机械振动信号处理领域，具体涉及一种电力变压器有载分接开关的机械振动信号的信号处理方法。

背景技术

有载分接开关是电力变压器中唯一可动的关键部件。对有载分接开关的机械振动信号进行特征识别与故障诊断，可及时判别开关的运行状态，有利于保障设备的安全与电网的可靠运行。

由于有载分接开关的机械振动信号具有非线性非平稳的特点，因此利用小波变换或快速傅里叶变换所提取的时域或频率特征不是一个稳定有效的指标，无法准确反映出振动信号的内在特征。经验模态分解(本申请以下简称为EMD)是一种常见的时频分析算法，可对振动信号进行模态分解以提取特征。然而，由于EMD方法是对振动信号取包络，信号的极值点分布不均，将会导致模态混叠现象的产生，从而使得分解得到的本征模态分量物理意义不明确，对特征提取的效果产生影响。同时，EMD算法缺乏严格的数学基础，算法效率低，抗噪性能较差，因此需要研究新的模态分解算法，进一步避免模态混叠现象，同时提高运算效率，优化特征提取的效果。

变分模态分解(本申请以下简称为VMD)是一种最近提出的时频分析方法，其实质为一组自适应的维纳滤波组，具有良好的信噪分离特性，同时具有模态混叠现象不明显、可有效减少伪分量等优势，可对有载分接开关的机械振动信号进行有效的模态分解，并提取显著的模态特征，有利于有载分接开关的状态监测和故障诊断。

在VMD算法的使用中，需要提前确定模态数K和二次惩罚因子α的取值，不同的取值会对分解的效果产生较大的影响，因此如何选择合适的参数组合是基于VMD的振动信号分解的关键问题。

发明内容

本发明提出了基于振动信号特征提取的有载分接开关故障识别方法，该方法采用模拟退火算法进行参数的选取，根据振动信号自适应地选取模态数K和二次惩罚因子α，以获取最佳的参数组合，改善振动信号模态分解的效果，有利于提取出更显著的特征，以便于后续的状态监测和故障诊断。

为了实现上述目标，本发明采用如下技术方案：

所述方法包括以下步骤：

步骤1：采集有载分接开关的振动信号；

步骤2：设定优化目标函数；选用加权峭度指标作为VMD参数优化的目标函数；

步骤3：根据目标优化函数，通过模拟退火算法计算最佳参数组合；

步骤4：根据最佳参数组合，对采集得到的振动信号进行VMD分解；

步骤5：经过VMD分解后，计算各模态的加权峭度指标，选择具有最大指标的模态分量；

步骤6：对该最大指标的模态分量进行傅里叶变换，提取典型信号特征；

利用所述典型信号特征进行状态监测和故障诊断。

更优选地，步骤2中所述加权峭度指标的计算如式(1)～(3)所示：

KCI＝KI·|C| (1)

更优选地，步骤3主要步骤包括：

3.1给定初始温度T为10℃，退火率r为0.95，Markov链长Lk为10，设定模态数K的取值范围为[2,10]，二次惩罚因子α的取值范围为[200,10000]，选取K的初始值为2，α的初始值为200，对振动信号y(t)进行VMD分解，计算分解后的各模态分量的加权峭度值，对加权峭度值取负，因为模拟退火算法需要求得全局最小量，并选取最小的值为局部最优解KCI；

3.2对初始值进行随机扰动产生新状态，并计算新的优化函数值KCI’，计算△KCI，△KCI＝KCI’-KCI；

3.3判断△KCI，若△KCI＜0，新状态被接受；若△KCI＞0，则新状态根据Metropolis准则，接受或放弃；

3.4在T为10℃下，重复Markov链长Lk为10次的随机扰动过程；

3.5在T＝T*r下进行退火降温；等式左边的T为降温后的温度，等式右边的T为当前状态的温度；

重复步骤3.1到3.5，直到温度近似为0℃，获得优化后的参数K、α。

更优选地，步骤4主要步骤包括：

4.1将有载分接开关振动信号y(t)分解成K个模态分量，针对各模态分量u_k(t)，进行Hilbert变换得到相应的解析信号和单边频谱；其中δ(t)为单位脉冲函数；

4.2对各解析信号预估一个中心频率

并将每个模态的频谱调制到基带上：

4.3计算解调信号的梯度L²范数，估计各模态信号的带宽，由此构造出变分约束问题：

式中，K为模态分量的个数，{u_k}＝{u₁,u₂,...,u_k}为分解所得的K个模态分量，{ω_k}＝{ω₁,ω₂,...,ω_k}为各模态的中心频率，

表示梯度运算；

4.4利用二次惩罚因子α和Lagrange算子λ(t)将上述的约束性变分问题转化为非约束性问题。变换得式(7)所示的拉格朗日函数L(u_k(t),{ω_k},λ)：

4.5利用乘子交替方向法(ADMM)求解上述增广Lagrange函数的鞍点，求得的模态分量u_k和中心频率ω_k分别为：

式中，

为当前剩余量y(ω)-∑_i≠k u_i(ω)的维纳滤波；

为当前模态函数功率谱的中心频率；|u_k(ω)|表示进行傅里叶逆变换，取实部即可得到时域模态分量|u_k(t)|。

本发明所提出的基于振动信号特征提取的有载分接开关故障识别方法，采用模拟退火算法进行参数的选取，根据振动信号自适应地选取模态数K和二次惩罚因子α，以获取最佳的参数组合，改善振动信号模态分解的效果，有利于提取出更显著的特征，以便于后续的状态监测和故障诊断。

附图说明

图1是本发明基于振动信号特征提取的有载分接开关故障识别方法流程图。

图2是本发明变压器有载分接开关振动信号示意图。

图3是本发明模拟退火算法迭代优化曲线图。

图4是本发明VMD分解所得4个模态分量示意图。

图5是本发明模态1的频域图。

具体实施方式

下面结合附图对本发明做进一步描述。以下实施案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。

本发明提出的基于振动信号特征提取的有载分接开关故障识别方法，该方法采用模拟退火算法进行参数的选取，根据振动信号自适应地选取模态数K和二次惩罚因子α，以获取最佳的参数组合，改善振动信号模态分解的效果，有利于提取出更显著的特征，以便于后续的状态监测和故障诊断。本发明为达到上述发明目的，所采用的具体技术方案如下：

步骤1：采集有载分接开关的振动信号y(t)；

通常利用加速度传感器采集有载分接开关切换时，开关顶部的振动信号；

步骤2：设定优化目标函数；

本发明选用加权峭度指标作为VMD参数优化的目标函数。该指标由峭度和相关系数构成，其中峭度指标反映振动信号的分布密度，相关系数指标表征模态信号与原信号间的相似性，由这两种指标加权构成的加权峭度指标可同时考虑模态信号的冲击特性与相似性，有利于提高最终分解的精度与效率。加权峭度指标的计算如式(1)～(3)所示。

KCI＝KI·|C| (1)

式中，KI表示时域信号序列x(n)的峭度指标，N为振动信号长度，C表示信号序列x(n)和y(n)间的相关系数，E为数学期望，KCI即为构造的加权峭度指标。信号序列x(n)和y(n)即分别指代模态信号和原信号。y(n)和y(t)均表示振动信号，只是在计算时把振动信号视为离散信号，n为采样点。

步骤3：根据目标优化函数，通过模拟退火算法计算最佳参数组合。

主要步骤包括：

3.1给定初始温度T为10℃，退火率r为0.95，Markov链长Lk为10，设定模态数K的取值范围为[2,10]，二次惩罚因子α的取值范围为[200,10000]，选取K的初始值为2，α的初始值为200，对振动信号y(t)进行VMD分解，计算分解后的各模态分量的加权峭度值(对加权峭度值取负，因为模拟退火算法需要求得全局最小量)，并选取最小的值为局部最优解KCI；

3.2对初始值进行随机扰动产生新状态，并计算新的优化函数值KCI’，计算△KCI，△KCI＝KCI’-KCI；

3.3判断△KCI，若△KCI＜0，新状态被接受；若△KCI＞0，则新状态根据Metropolis准则，接受或放弃；

3.4在T为10℃下，重复Markov链长Lk为10次的随机扰动过程；

3.5在T＝T*r下进行退火降温；等式左边的T为降温后的温度，等式右边的T为当前状态的温度；

重复步骤3.1到3.5，直到温度近似为0℃，获得优化后的参数K、α。

步骤4：根据最佳参数组合，对采集得到的振动信号进行VMD分解。主要步骤包括：

4.1将有载分接开关振动信号y(t)分解成K个模态分量，针对各模态分量u_k(t)，进行Hilbert变换得到相应的解析信号和单边频谱；其中δ(t)为单位脉冲函数；

4.2对各解析信号预估一个中心频率

并将每个模态的频谱调制到基带上：

4.3计算解调信号的梯度L²范数，估计各模态信号的带宽，由此构造出变分约束问题：

式中，K为模态分量的个数，{u_k}＝{u₁,u₂,...,u_k}为分解所得的K个模态分量，{ω_k}＝{ω₁,ω₂,...,ω_k}为各模态的中心频率，

表示梯度运算。

4.4利用二次惩罚因子α和Lagrange算子λ(t)将上述的约束性变分问题转化为非约束性问题。变换得式(7)所示的拉格朗日函数L(u_k(t),{ω_k},λ)：

4.5利用乘子交替方向法(ADMM)求解上述增广Lagrange函数的鞍点，求得的模态分量u_k和中心频率ω_k分别为：

式中，

为当前剩余量y(ω)-∑_i≠k u_i(ω)的维纳滤波；

为当前模态函数功率谱的中心频率；|u_k(ω)|表示进行傅里叶逆变换，取实部即可得到时域模态分量|u_k(t)|。

步骤5：经过VMD分解后，计算各模态的加权峭度指标，选择具有最大指标的模态分量；

步骤6：对该最大指标的模态分量进行傅里叶变换，提取典型信号特征。

本发明提出的基于振动信号特征提取的有载分接开关故障识别方法的整体流程图如图1所示。

为了更好地说明本发明实现的效果，下面结合实例进一步阐述基于参数自适应变分模态分解的变压器有载分接开关振动信号分析方法的实施步骤。首先，利用加速度传感器采集有载分接开关切换时，开关顶部的振动信号，并通过数据采集卡传输至计算机进行分析，如图2所示。

对振动信号进行VMD分解，首先通过模拟退火算法选取最优的参数组合。选取加权峭度指标为优化目标函数，迭代优化曲线如图3所示。

在第15次迭代时取得全局最小值，此时对应的模态数K为4，二次惩罚因子α为6200，加权峭度指标KCI为6.695。以此参数组对振动信号进行VMD分解，分解得到的各分量的时域图如图4所示。

分别计算4个模态分量的加权峭度指标，结果如表1所示：

表1模态分量的加权峭度指标

模态分量	模态1	模态2	模态3	模态4
					加权峭度指标	6.6953	5.9968	1.0954	0.3913

模态1具有最大的加权峭度值，因此可看作其包含最明显的特征信号。因此对其进行快速傅里叶变换，提取其频域特征。频域图如图5所示。

根据模态1的频域图，可以清晰地提取出其频率特征，特征频率主要集中在1250Hz左右和1508Hz左右。根据提取的特征频率，可便于后续对开关在不同故障下的特征进行对比与分析，实现有载分接开关振动信号的特征提取与故障诊断。

申请人结合说明书附图对本发明的实施例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (5)

1.一种基于振动信号特征提取的有载分接开关故障识别方法，其特征在于，所述方法包括以下步骤：

步骤1：采集有载分接开关的振动信号；

步骤2：设定优化目标函数；选用加权峭度指标作为VMD参数优化的目标函数；

步骤3：根据目标优化函数，通过模拟退火算法计算最佳参数组合，包括：VMD模态数和二次惩罚因子；

步骤4：根据最佳参数组合，对采集得到的振动信号进行VMD分解；

步骤5：经过VMD分解后，计算各模态的加权峭度指标，选择具有最大指标的模态分量；

步骤6：对该最大指标的模态分量进行傅里叶变换，提取典型信号特征；

利用所述典型信号特征进行状态监测和故障识别。

2.根据权利要求1所述的基于振动信号特征提取的有载分接开关故障识别方法，其特征在于，步骤2中所述加权峭度指标的计算如式(1)～(3)所示：

KCI＝KI·|C| (1)

式中，KI表示时域信号序列x(n)的峭度指标，N为振动信号长度，C表示信号序列x(n)和y(n)间的相关系数，E为数学期望，KCI即为构造的加权峭度指标；信号序列x(n)和y(n)即分别指代模态信号和原信号；y(n)和y(t)均表示振动信号，只是在计算时把振动信号视为离散信号，n为采样点。

3.根据权利要求1或2所述的基于振动信号特征提取的有载分接开关故障识别方法，其特征在于，步骤3主要步骤包括：

3.1给定初始温度T为10℃，退火率r为0.95，Markov链长Lk为10，设定模态数k的取值范围为[2,10]，二次惩罚因子α的取值范围为[200,10000]，选取K的初始值为2，α的初始值为200，对振动信号y(t)进行VMD分解，计算分解后的各模态分量的加权峭度值，对加权峭度值取负，因为模拟退火算法需要求得全局最小量，并选取最小的值为局部最优解KCI；

3.2对初始值进行随机扰动产生新状态，并计算新的优化函数值KCI’，计算△KCI，△KCI＝KCI’-KCI；

3.3判断△KCI，若△KCI＜0，新状态被接受；若△KCI＞0，则新状态根据Metropolis准则，接受或放弃；

3.4在T为10℃下，重复Markov链长Lk为10次的随机扰动过程；

3.5在T＝T*r下进行退火降温；等式左边的T为降温后的温度，等式右边的T为当前状态的温度；

重复步骤3.1到3.5，直到温度近似为0℃，获得优化后的参数K、α。

4.根据权利要求1或2所述的基于振动信号特征提取的有载分接开关故障识别方法，其特征在于，步骤4主要步骤包括：

4.1将有载分接开关振动信号y(t)分解成K个模态分量，针对各模态分量u_k(t)，进行Hilbert变换得到相应的解析信号和单边频谱；其中δ(t)为单位脉冲函数；

4.2对各解析信号预估一个中心频率

并将每个模态的频谱调制到基带上：

4.3计算解调信号的梯度L²范数，估计各模态信号的带宽，由此构造出变分约束问题：

式中，K为模态分量的个数，{u_k}＝{u₁,u₂,…,u_k}为分解所得的K个模态分量，{ω_k}＝{ω₁,ω₂,…,ω_k}为各模态的中心频率，

表示梯度运算；

4.4利用二次惩罚因子α和Lagrange算子λ(t)将上述的约束性变分问题转化为非约束性问题，变换得式(7)所示的拉格朗日函数L(u_k(t),{ω_k},λ)：

4.5利用乘子交替方向法(ADMM)求解上述增广Lagrange函数的鞍点，求得的模态分量u_k和中心频率ω_k分别为：

式中，

为当前剩余量y(ω)-∑_i≠ku_i(ω)的维纳滤波；

为当前模态函数功率谱的中心频率；|u_k(ω)|表示进行傅里叶逆变换，取实部即可得到时域模态分量|u_k(t)|。

5.根据权利要求1或2所述的基于振动信号特征提取的有载分接开关故障识别方法，其特征在于，步骤1中利用加速度传感器采集有载分接开关切换时，开关顶部的振动信号。

Images