CN110321616B - 基于小波变换和注意力模型的三跨杆塔故障诊断方法 - Google Patents

Abstract

本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法，包括：对三跨杆塔进行ANSYS有限元建模和ANSYS完全法瞬态动力分析，找到关键杆件分布，进而确定振动速度传感器的安装位置；将振动速度传感器安装在三跨杆塔上，利用振动速度传感器采集三跨杆塔的振动数据；对采集到的振动数据进行预处理，将异常值剔除；对预处理后的振动数据进行小波变换，得到小波变换后的数据；将小波变换后的数据输入到训练好的注意力模型中，注意力模型对数据进行分析诊断，进而判断三跨杆塔是否存在故障。该方法能够实时准确地对杆塔螺栓工作状态的进行判别，提高了诊断效率。

Description

基于小波变换和注意力模型的三跨杆塔故障诊断方法

技术领域

本发明属于电力杆塔故障诊断技术领域，涉及基于小波变换和注意力模型的三跨杆塔故障诊断方法。

背景技术

“三跨”线路是指跨越高速公路、高速铁路和重要输电通道的架空输电线路。由于三跨杆塔所处工作环境恶劣，再加上自然环境和地理因素的影响，常出现杆塔螺栓松动的现象，若检修不及时，易发生倒塔事故。一旦发生倒塔事故，将极大威胁下方的行人、车流安全，造成严重的电力事故。为减少“三跨”线路倒塔、断线、掉串等事故造成较大的公共安全和电网安全事件，智能分析影响“三跨”杆塔安全运行的关键因素是非常必要的，检测杆塔螺栓的松动状态是重点研究方向之一。

在工程实际中，判断杆塔螺栓的松动状态，通常是人为的敲击杆塔，根据杆塔发出的声音得出结论，但这种判定结果易受外界环境及主观因素的影响，准确性较差。因此，迫切需要一种方法实时准确地对杆塔螺栓的工作状态进行判别，是保证电网安全经济运行的重点研究方向之一，具有非常大的工程实际意义。

发明内容

本发明的目的是提供基于小波变换和注意力模型的三跨杆塔故障诊断方法，该方法能够实时准确地对杆塔螺栓的工作状态进行判别，从而保障三跨杆塔安全可靠的运行。

本发明提供的基于小波变换和注意力模型的三跨杆塔故障诊断方法，包括如下步骤：

步骤1：对三跨杆塔进行ANSYS有限元建模和ANSYS完全法瞬态动力分析，找到关键杆件分布，进而确定振动速度传感器的安装位置；

步骤2：将振动速度传感器安装在三跨杆塔上，利用振动速度传感器采集三跨杆塔的振动数据；

步骤3：对采集到的振动数据进行预处理，将异常值剔除；

步骤4：对预处理后的振动数据进行小波变换，得到小波变换后的数据；

步骤5：将小波变换后的数据输入到训练好的注意力模型中，注意力模型对数据进行分析诊断，进而判断三跨杆塔是否存在故障。

在本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法中，所述步骤1中对三跨杆塔进行ANSYS有限元建模时根据下式求解杆塔的阻尼系数：

[C]＝α[M]+β[K]

其中，[C]为有限元结构的总阻尼矩阵、[M]为有限元结构的总质量矩阵、[K]为有限元结构的总刚度矩阵、α有限元结构的质量阻尼系数、β为有限元结构的刚度阻尼系数。

在本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法中，所述步骤1中进行ANSYS完全法瞬态动力分析时以下面的瞬态动力学的运动方程为基础来求解有限元在动力载荷作用下的响应：

其中，

为有限元结构节点的加速度向量、

为有限元结构节点的速度向量、{U}为有限元结构节点的位移向量，{F^a}为外荷载矢量矩阵。

在本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法中，所述步骤2中通过单片机连接振动速度传感器进行振动数据采集，且单片机的采用频率设置为振动信号频率的7～10倍。

在本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法中，所述振动速度传感器采用电磁式速度传感器，振子运动切割磁力线产生电压输出，振动速度传感器沿塔杆的径向安装放置。

在本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法中，所述步骤3中采用一阶差分法对振动数据进行预处理。

在本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法中，所述步骤4包括：

步骤4.1：选取小波基函数；

步骤4.2：确定相应的分解尺度，采用下列公式来计算分解尺度：

j＝log₂(f_s/f₀)-2

式中，f₀为三跨杆塔的自然频率，f_s为单片机的采样频率；

步骤4.3：利用小波基函数和分解尺度对振动数据进行小波变换，得到1个低频信号和n个高频率范围的信号，即S₀～S_n共n+1个频带的重构信号表示为S＝[S₀，S₁，S₂，…，S_n]。

在本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法中，所述步骤5包括：

步骤5.1：将小波变换后的数据构造特征向量，第i个特征向量记为d_i，d_i∈R^M，M为特征向量维数,；

步骤5.2：根据杆塔螺栓的工作状态，对特征向量进行标签，特征向量d_i对应的类别的类标为z_i，即构成诊断样本(d_i，z_i)_N×M，其中N代表所有诊断样本数目；

步骤5.3：将诊断样本数据集(d_i，z_i)_N×M分为训练集和测试集，将训练集输入到注意力模型中对模型进行训练；

步骤5.4，将训练集数据输入到注意力模型中，得到注意力模型输出一维实向量Y，Y表示为[y⁽¹⁾，y⁽²⁾，…，y^(k)]，其中k为分类类别数，y^(k)为d_i属于第k类的得分，Y的计算为：

Y＝W·d_i+b，

其中，W是权重矩阵，表示为[w⁽¹⁾，w⁽²⁾，…，w^(k)]；b是偏置项，表示为[b₁，b₂,…，b_k]；

步骤5.5，注意力模型输出Y经过sigmoid激活函数及softmax函数，转化为d_i属于各类别的概率，softmax函数的输出为：

进而求解出来d_i属于类别r的概率；

步骤5.6，以

为损失函数来计算误差，并利用随机梯度下降法更新网络参数W和b，其中m为训练集的特征向量；

步骤5.7，重复步骤5.4-5.6，直到达到所设置的迭代次数为止，完成模型训练；

步骤5.8，将测试集输入到训练好的注意力模型中，检验注意力模型的训练效果。

本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法，采用ANSYS有限元建模和完全法瞬态动力分析确定振动速度传感器的安装位置，利用振动速度传感器对振动信号进行采集，并对振动数据进行预处理，在此基础上构建基于小波变换和注意力模型的三跨杆塔故障诊断方法，其采用小波变换对预处理后的振动数据进行处理，得到注意力模型的输入矩阵，把输入矩阵输入到训练好的注意力模型中进行分析诊断，进而得到三跨杆塔的故障诊断结果，能够实时准确地对杆塔螺栓工作状态的进行判别，提高了诊断效率。

附图说明

图1是本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法的流程图；

图2是本发明的注意力模型的基本结构。

具体实施方式

下面结合说明书附图对本发明的具体实施方式进行详细说明。

如图1所示，本发明的基于小波变换和注意力模型的三跨杆塔故障诊断方法，包括如下步骤：

步骤1：

对三跨杆塔进行ANSYS有限元建模和ANSYS完全法瞬态动力分析，找到关键杆件分布，进而确定振动速度传感器的安装位置；

通过在三跨杆塔上加装振动速度传感器可以获取杆塔在外荷载作用下的动力响应信息，考虑到铁塔往往具有极大的自由度，对每个自由度节点都安装传感器是不现实的，因此需要通过ANSYS有限元建模和完全法瞬态动力分析各种环境因素对铁塔应力分布和幅值的影响，针对“三跨”环境研究不同铁塔破坏事件的应力特点，找到螺栓松动概率较高的铁塔杆件分布，并结合实际现场，确定振动速度传感器的安装位置。

具体实施时，对三跨杆塔进行ANSYS有限元建模时，对于模型参数的确定，需合理选取三跨杆塔自身固有频率分布范围，考虑塔身螺栓、节点板等零件产生的力学作用，除塔身质量需控制外，在对杆塔进行动力特性分析时，还需要输入杆塔结构的阻尼系数，在ANSYS动力学分析中，通常采用Rayleign阻尼，即根据下式求解杆塔的阻尼系数：

[C]＝α[M]+β[K]

其中，[C]为有限元结构的总阻尼矩阵、[M]为有限元结构的总质量矩阵、[K]为有限元结构的总刚度矩阵、α有限元结构的质量阻尼系数、β为有限元结构的刚度阻尼系数。

具体实施时，ANSYS完全法瞬态动力分析主要步骤有：建模、建立初始条件、设置求解选项、施加荷载、写入荷载步文件、瞬态分析求解、观察结果等。进行ANSYS完全法瞬态动力分析时以下面的瞬态动力学的运动方程为基础来求解有限元在动力载荷作用下的响应：

其中，

为有限元结构节点的加速度向量、

为有限元结构节点的速度向量、{U}为有限元结构节点的位移向量，{F^a}为外荷载矢量矩阵。

步骤2：将振动速度传感器安装在三跨杆塔上，利用振动速度传感器采集三跨杆塔的振动数据；

具体实施时，通过单片机连接振动速度传感器进行振动数据采集，且单片机的采用频率设置为振动信号频率的7～10倍。振动速度传感器采用电磁式速度传感器，振子运动切割磁力线产生电压输出，振动速度传感器沿塔杆的径向安装放置。

步骤3：对采集到的振动数据进行预处理，将异常值剔除，具体，采用的是一阶差分法，该方法需要事先给定允许差限值。

步骤4：对预处理后的振动数据进行小波变换，得到小波变换后的数据，具体包括：

步骤4.1：选取合适的小波基函数。同一信号进行小波变换选取不同的小波基函数将会得到不同的效果，db4小波基函数是一个具有紧支撑小波，其不具有对称性，对于给定的支撑长度和消失矩阵比相同阶数的其他小波要好，且db4小波具有正交性和正则性等特点，本实施方案中选取db4小波基函数。

步骤4.2：确定相应的分解尺度，采用下列公式来计算分解尺度：

j＝log₂(f_s/f₀)-2

式中，f₀为三跨杆塔的自然频率，f_s为单片机的采样频率；

步骤4.3：利用小波基函数和分解尺度对振动数据进行小波变换，得到1个低频信号和n个高频率范围的信号，即S₀～S_n共n+1个频带的重构信号表示为S＝[S₀，S₁，S₂，…，S_n]。

步骤5：将小波变换后的数据输入到训练好的注意力模型中，注意力模型对数据进行分析诊断，进而判断三跨杆塔是否存在故障，如图2所示为注意力模型的基本结构。

本实施方案中，注意力模型将小波变换后的数据与其所对应的杆塔螺栓工作状态以加权的形式连接，再通过softmax函数即可得到对于杆塔螺栓各个工作状态的概率分布，注意力模型的训练过程包括以下步骤：

步骤5.1：将小波变换后的数据构造特征向量，第i个特征向量记为d_i，d_i∈R^M，M为特征向量维数，M取值为5；

步骤5.2：根据杆塔螺栓的工作状态，对特征向量d_i进行标签，特征向量d_i对应的类别的类标为z_i，即构成诊断样本(d_i，z_i)_N×M，其中N代表所有诊断样本数目，由于杆塔螺栓只有松动和紧固两种工作状态，其对应的值分别为“0”和“1”，因此z_i的值只有“0”和“1”；具体实施时，选取10000个样本；

步骤5.3：将诊断样本数据集(d_i，z_i)_N×M分为训练集和测试集，9000个样本作为训练集，另外1000个样本作为测试集；将训练集输入到注意力模型中对模型进行训练；

步骤5.4，将训练集数据输入到注意力模型中，得到注意力模型输出一维实向量Y，Y表示为[y⁽¹⁾，y⁽²⁾，…，y^(k)]，其中k为分类类别数，k＝2，y^(k)为d_i属于第k类的得分，Y的计算为：

Y＝W·d_i+b，

其中，W是权重矩阵，表示为[w⁽¹⁾，w⁽²⁾，…，w^(k)]；b是偏置项，表示为[b₁，b₂,…，b_k]；

步骤5.5，注意力模型输出Y经过sigmoid激活函数及softmax函数，转化为d_i属于各类别的概率，softmax函数的输出为：

进而求解出来d_i属于类别r的概率；

步骤5.6，以

为损失函数来计算误差，并利用随机梯度下降法更新网络参数W和b，其中m为训练集的特征向量；

步骤5.7，重复步骤5.4-5.6，直到达到所设置的迭代次数为止，完成模型训练；

步骤5.8，将测试集输入到训练好的注意力模型中，检验注意力模型的训练效果。

本发明提供的基于小波变换和注意力模型的三跨杆塔故障诊断方法，采用ANSYS有限元建模和完全法瞬态动力分析确定振动速度传感器的安装位置，利用振动速度传感器将采集振动数据，并对振动数据进行预处理，在此基础上构建基于小波变换和注意力模型的三跨杆塔故障诊断方法，其采用小波变换对预处理后的振动处理进行处理，得到注意力模型的输入矩阵，把输入矩阵输入到训练好的注意力模型中进行分析诊断，进而得到三跨杆塔的故障诊断结果，能够实时准确地对杆塔螺栓工作状态的进行判别，提高了诊断效率。

以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于小波变换和注意力模型的三跨杆塔故障诊断方法，其特征在于，包括如下步骤：

步骤1：对三跨杆塔进行ANSYS有限元建模和ANSYS完全法瞬态动力分析，找到关键杆件分布，进而确定振动速度传感器的安装位置；

步骤2：将振动速度传感器安装在三跨杆塔上，利用振动速度传感器采集三跨杆塔的振动数据；

步骤3：对采集到的振动数据进行预处理，将异常值剔除；

步骤4：对预处理后的振动数据进行小波变换，得到小波变换后的数据；

步骤5：将小波变换后的数据输入到训练好的注意力模型中，注意力模型对数据进行分析诊断，进而判断三跨杆塔是否存在故障，所述步骤5包括：

步骤5.1：将小波变换后的数据构造特征向量，第i个特征向量记为d_i，d_i∈R^M，M为特征向量维数；

步骤5.2：根据杆塔螺栓的工作状态，对特征向量d_i进行标签，特征向量d_i对应的类别的类标为z_i，即构成诊断样本(d_i，z_i)_N×M，其中N代表所有诊断样本数目；

步骤5.3：将诊断样本数据集(d_i，z_i)_N×M分为训练集和测试集，将训练集输入到注意力模型中对模型进行训练；

步骤5.4： 将训练集数据输入到注意力模型中，得到注意力模型输出一维实向量Y，Y表示为[y⁽¹⁾，y⁽²⁾，…，y^(k)]，其中k为分类类别数，y^(k)为d_i属于第k类的得分，Y的计算为：

Y＝W·d_i+b，

其中，W是权重矩阵，表示为[w⁽¹⁾，w⁽²⁾，…，w^(k)]；b是偏置项，表示为[b₁，b₂,…，b_k]；

步骤5.5，注意力模型输出Y经过sigmoid激活函数及softmax函数，转化为d_i属于各类别的概率，softmax函数的输出为：

进而求解出来d_i属于类别r的概率；

步骤5.6，以

为损失函数来计算误差，并利用随机梯度下降法更新网络参数W和b，其中m为训练集的特征向量；

步骤5.7，重复步骤5.4-5.6，直到达到所设置的迭代次数为止，完成模型训练；

步骤5.8，将测试集输入到训练好的注意力模型中，检验注意力模型的训练效果。

2.如权利要求1所述的基于小波变换和注意力模型的三跨杆塔故障诊断方法，其特征在于，所述步骤1中对三跨杆塔进行ANSYS有限元建模时根据下式求解杆塔的阻尼系数：

[C]＝α[M]+β[K]

其中，[C]为有限元结构的总阻尼矩阵、[M]为有限元结构的总质量矩阵、[K]为有限元结构的总刚度矩阵、α有限元结构的质量阻尼系数、β为有限元结构的刚度阻尼系数。

3.如权利要求2所述的基于小波变换和注意力模型的三跨杆塔故障诊断方法，其特征在于，所述步骤1中进行ANSYS完全法瞬态动力分析时以下面的瞬态动力学的运动方程为基础来求解有限元在动力载荷作用下的响应：

其中，

为有限元结构节点的加速度向量、

为有限元结构节点的速度向量、{U}为有限元结构节点的位移向量，{F^a}为外荷载矢量矩阵。

4.如权利要求1所述的基于小波变换和注意力模型的三跨杆塔故障诊断方法，其特征在于，所述步骤2中通过单片机连接振动速度传感器进行振动数据采集，且单片机的采用频率设置为振动信号频率的7～10倍。

5.如权利要求1所述的基于小波变换和注意力模型的三跨杆塔故障诊断方法，其特征在于，所述振动速度传感器采用电磁式速度传感器，振子运动切割磁力线产生电压输出，振动速度传感器沿塔杆的径向安装放置。

6.如权利要求1所述的基于小波变换和注意力模型的三跨杆塔故障诊断方法，其特征在于，所述步骤3中采用一阶差分法对振动数据进行预处理。

7.如权利要求1所述的基于小波变换和注意力模型的三跨杆塔故障诊断方法，其特征在于，所述步骤4包括：

步骤4.1：选取小波基函数；

步骤4.2：确定相应的分解尺度，采用下列公式来计算分解尺度：

j＝log₂(f_s/f₀)-2

式中，f₀为三跨杆塔的自然频率，f_s为单片机的采样频率；

步骤4.3：利用小波基函数和分解尺度对振动数据进行小波变换，得到1个低频信号和n个高频率范围的信号，即S₀～S_n共n+1个频带的重构信号表示为S＝[S₀，S₁，S₂，…，S_n]。

Images