CN111398798A - 基于振动信号区间特征提取的断路器储能状态辨识方法 - Google Patents

Abstract

本发明公开了一种基于振动信号区间特征提取的断路器储能状态辨识方法，所述方法包括：提取断路器的储能振动信号，并确定所述储能振动信号的起始点；对所述提取断路器的储能振动信号进行KS检验，得到特征向量；筛选所述特征向量，得到最优特征子集；基于KFCM‑SVM算法对所述优选特征子集进行状态辨识，得到所述断路器储能状态的辨识结果。在本发明实施中，所述方法在保证准确率的前提下，提取特征仅需0.2s，对断路器在线监测具有重要的研究价值；这是一种针对现场运行环境下断路器实用诊断的新方法，在不牺牲准确率的前提下缩短了诊断时间，与传统的断路器状态辨识方法相比优势明显。

Description

基于振动信号区间特征提取的断路器储能状态辨识方法

技术领域

本发明涉及电气设备故障诊断的技术领域，尤其涉及一种基于振动信号区间特征提取的断路器储能状态辨识方法。

背景技术

有大量学者对断路器操作机构进行了研究，但是对于储能过程中的状态辨识相对空缺。高压断路器作为闭合开关，通过储能弹簧为断路器的分合闸动作提供动力，各部件间连接和控制过程复杂导致储能过程常发生电压波动、传动机构卡涩、储能弹簧脱落以及限位开关失灵等故障，对储能状态的准确监测具有重要研究价值。

目前的断路器故障诊断方法以线圈电流、声音信号、振动信号为主，线圈电流难以全面反映各类机械故障，声音信号虽然采集方便但是需要复杂的信号预处理，影响计算速度，振动信号属于体外监测，信噪比高且富含丰富的状态信息，并且传感器安装便捷、无需辅助电源供电可进行信号采集，有利于现场的实时监测。但是振动信号的特征提取常采用进集合经验模式分解(EEMD)、互补总体经验模态分解(CEEMD)、局部均值分解(LMD)等方法，信号分解后再求取熵谱系数等特征，导致计算过程复杂。虽然诊断准确率得到提高，但是特征提取计算开销庞大，整个辨识流程时间过长。如何在不降低准确率的前提下，采用单一振动信号快速提取储能状态特征，准确辨识断路器运行状态值得深入研究。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于振动信号区间特征提取的断路器储能状态辨识方法，利用统计学习理论提取特征，采用模糊算法结合机器学习算法进行状态辨识，其中的重点是振动信号的快速提取以及诊断模型分类。

为了解决上述技术问题，本发明实施例提供了一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述方法包括：

提取断路器的储能振动信号，并确定所述储能振动信号的起始点；

对所述提取断路器的储能振动信号进行KS检验，得到特征向量；

筛选所述特征向量，得到最优特征子集；

基于KFCM-SVM算法对所述优选特征子集进行状态辨识，得到所述断路器储能状态的辨识结果。

可选的，所述提取断路器的储能振动信号，并确定所述储能振动信号的起始点包括：

通过计算得到断路器的储能振动信号的包络；

将所述断路器的储能振动信号的包络分成若干个连续区间，并通过计算得到所述若干个连续区间的峭度；

对比每个区间的包络的峭度值，并所述峭度值确定粗略时间段信号；

对所述粗略时间段信号进行小波变换，得到模极大值线；

基于所述模极大值线，确定所述储能振动信号的起始点。

可选的，所述通过计算得到断路器的储能振动信号的包络中，具体的计算公式如下：

其中，y(t)表示其希尔伯特变换，x(t)表示断路器的储能振动信号，t表示t时刻，τ表示时间延迟，z(t)表示解析信号，m(t)表示信号的包络。

可选的，所述通过计算得到所述若干个连续区间的峭度中，具体的计算公式如下：

其中，k表示峭度，E(x)表示对应振动信号的期望值，μ表示包络均值，σ表示标准差。

可选的，所述对所述提取断路器的储能振动信号进行KS检验，得到特征向量包括：

通过KS检验对所述提取断路器的储能振动信号进行标记，得到标记后的信号；

通过所述标记后的信号进行分析，得到包络幅值差异明显区间；

将所述包络幅值差异明显区间的包络均值求和，得到特征向量。

可选的，所述筛选所述特征向量，得到最优特征子集包括：

基于ReliefF算法对所述特征向量进行初选，得到初选后的特征向量；

基于SFS算法对所述初选后的特征向量进行去除不相关特征量，得到最优特征子集。

可选的，所述基于ReliefF算法对所述特征向量进行初选，得到初选后的特征向量包括：

基于ReliefF算法每次从所述特征向量的训练集中选出一个样本R；

从与所述样本R同类和不同类的样本中分别找出所述样本R的k个近邻R₁、R₂，并通过计算得到每个特征a的权重；

基于所述每个特征a的权重，得到初选后的特征向量。

可选的，所述通过计算得到每个特征的权重中，具体的计算公式如下：

其中，diff(a,R,R₁)表示R和R₁在特征a上的距离，c表示R所属类别，P(c)表示c的先验概率，m表示随机抽样次数，j表示第j个数，R表示所述样本R，k表示从与所述样本R同类和不同类的样本中分别找出所述样本R的k个近邻R₁、R₂，a表示每个特征，W(a)表示每个特征的权重，R(a)表示样本R中的特征a，R₁(a)表示样本R₁中的特征a，max(a)表示特征a的最大值，min(a)表示特征a的最小值。

可选的，所述基于KFCM-SVM算法对所述优选特征子集进行状态辨识，得到所述断路器储能状态的辨识结果包括：

通过KFCM对所述最优特征子集进行预分类，并建立所述最优特征子集与故障类别间的隶属度映射；

在所述建立映射完成之后，通过SVM进行训练，并综合评估得到训练的结果；

基于所述训练的结果得到所述断路器储能状态的辨识结果。

可选的，所述通过KFCM对所述最优特征子集进行预分类，并建立所述最优特征子集与故障类别间的隶属度映射包括：

基于所述最优特征子集，设定模糊系数、类别个数、函数类型及参数、目标函数精度；

基于所述模糊系数、类别个数、函数类型及参数、目标函数精度，对隶属度矩阵进行初始化；

在初始化完成之后，通过计算得到聚类中心，并得到更新后的隶属度矩阵；

将所述更新后的隶属度矩阵与所述隶属度矩阵进行对比；

若收敛则停止迭代；

若不收敛则返回至在初始化完成之后，通过计算得到聚类中心，并得到更新后的隶属度矩阵。

在本发明实施中，一种基于振动信号区间特征提取的断路器储能状态辨识方法，首先根据峭度-小波模极大值检测断路器储能状态起始点提取储能信号，然后将振动信号通过KS检验标记包络幅值差异明显区间，提取信号包络和作为特征向量，采用ReliefF-SFS方法对特征进行筛选降维得到最优特征子集，最后通过模糊C均值聚类(KFCM)对特征进行预分类获得风险最小的最优超平面，利用支持向量机(SVM)建立训练模型进行状态辨识；在保证准确率的前提下，提取特征仅需0.2s，对断路器在线监测具有重要的研究价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。

图1是本发明实施中的基于振动信号区间特征提取的断路器储能状态辨识方法的流程示意图；

图2是本发明实施中的正常储能状态、电压偏高储能状态、电压偏低储能状态、弹簧脱落储能状态的时域波形幅值图；

图3是本发明实施中的正常储能状态、电压偏高储能状态、电压偏低储能状态、弹簧脱落储能状态的包络幅值图；

图4是本发明实施中的KFCM-SVM诊断流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例

请参阅图1，图1是本发明实施中的基于振动信号区间特征提取的断路器储能状态辨识方法的流程示意图。

如图1所示，一种基于振动信号区间特征提取的断路器储能状态辨识方法，所述方法包括：

S11：提取断路器的储能振动信号，并确定所述储能振动信号的起始点；

在本发明具体实施过程中，所述提取断路器的储能振动信号，并确定所述储能振动信号的起始点包括：通过计算得到断路器的储能振动信号的包络；将所述断路器的储能振动信号的包络分成若干个连续区间，并通过计算得到所述若干个连续区间的峭度；对比每个区间的包络的峭度值，并所述峭度值确定粗略时间段信号；对所述粗略时间段信号进行小波变换，得到模极大值线；基于所述模极大值线，确定所述储能振动信号的起始点。

具体的，确定所述储能振动信号的起始点，步骤如下：

先将所述储能振动信号x(t)求取包络，计算公式如下：

设定有y(t)为其希尔伯特变换(hilbert transform，HT)，可得到：

通过HT，得到解析信号z(t)，其模值m(t)即为信号的包络，如下所示：

将包络模值分成N个连续区间，计算各区间的峭度，对比每区间信号包络的峭度值，寻找峭度值变化差异明显的区间段从而确定发生越变的粗略时间；峭度计算公式如下：

式中，E(x)对应振动信号的期望值，μ为包络均值，σ是标准差；

对由峭度确定的粗略时间段信号进行小波变换，每一尺度上的模极大值和奇异点有关；采用adhoc算法由高尺度向低尺度逐层搜索，得到一条模极大值线；将得到的最小尺度上的模极大值点作为奇异点，其对应的时刻即为振动信号起始点；为了对奇异点位置偏差现象进行校正，寻找上下相邻尺度中同符号的模极大值点，左右两端各取两点作为候补突变点；所选择的起始点根据下式进行判别：

Q₁≥(1+λ)Q₂；

其中Q₁和Q₂为储能起始点前后差分值中模较大数和较小数，λ为调节参数。

确定起始点后监测信号持续时间便可判别是否为储能过程。对于分合闸过程一般持续时间不超过0.5s，而储能过程中从按下开关储能电机输出扭矩到储能保持挚子能量保持所需时间均大于1.5s，此为判别时间依据。

S12：对所述提取断路器的储能振动信号进行KS检验，得到特征向量；

在本发明具体实施过程中，所述对所述提取断路器的储能振动信号进行KS检验，得到特征向量包括：通过KS检验对所述提取断路器的储能振动信号进行标记，得到标记后的信号；通过所述标记后的信号进行分析，得到包络幅值差异明显区间；将所述包络幅值差异明显区间的包络均值求和，得到特征向量。

具体的，所述的KS检验提取特征，其对噪具有非敏感性，故可省略复杂的去噪过程；设定样本X和Y的经验分布函数分别为F(x)和G(x)，检验问题如下：

根据Glivenko，采用Smimov检验统计量：

式中m，n分别表示样本数，X(i)和Y(i)分别表示X和Y的顺序统计量，H₀的拒绝域取最大值；D对应的显著性水平α由可靠性分布函数Rs表示：

其中

若D大于显著性水平α说明两样本不同分布。

S13：筛选所述特征向量，得到最优特征子集；

在本发明具体实施过程中，所述筛选所述特征向量，得到最优特征子集包括：基于ReliefF算法对所述特征向量进行初选，得到初选后的特征向量；基于SFS算法对所述初选后的特征向量进行去除不相关特征量，得到最优特征子集。

需要说明的时，所述基于ReliefF算法对所述特征向量进行初选，得到初选后的特征向量包括：基于ReliefF算法每次从所述特征向量的训练集中选出一个样本R；从与所述样本R同类和不同类的样本中分别找出所述样本R的k个近邻R₁、R₂，并通过计算得到每个特征a的权重；基于所述每个特征a的权重，得到初选后的特征向量。

具体的，所述通过计算得到每个特征的权重中，具体的计算公式如下：

其中，diff(a,R,R₁)表示R和R₁在特征a上的距离，c表示R所属类别，P(c)表示c的先验概率，m表示随机抽样次数，j表示第j个数，R表示所述样本R，k表示从与所述样本R同类和不同类的样本中分别找出所述样本R的k个近邻R₁、R₂，a表示每个特征，W(a)表示每个特征的权重，R(a)表示样本R中的特征a，R₁(a)表示样本R₁中的特征a，max(a)表示特征a的最大值，min(a)表示特征a的最小值。

另外，设定特征评估准则函数为：

式中：M为样本类别数，μ_i和μ_j为第i类和第j类样本的类内特征向量均值，

和

分别表示第i类和第j类样本类内方差。

S14：基于KFCM-SVM算法对所述优选特征子集进行状态辨识，得到所述断路器储能状态的辨识结果。

在本发明具体实施过程中，所述基于KFCM-SVM算法对所述优选特征子集进行状态辨识，得到所述断路器储能状态的辨识结果包括：通过KFCM对所述最优特征子集进行预分类，并建立所述最优特征子集与故障类别间的隶属度映射；在所述建立映射完成之后，通过SVM进行训练，并综合评估得到训练的结果；基于所述训练的结果，得到所述断路器储能状态的辨识结果。

需要说明的是，所述通过KFCM对所述最优特征子集进行预分类，并建立所述最优特征子集与故障类别间的隶属度映射包括：基于所述最优特征子集，设定模糊系数、类别个数、函数类型及参数、目标函数精度；基于所述模糊系数、类别个数、函数类型及参数、目标函数精度，对隶属度矩阵进行初始化；在初始化完成之后，通过计算得到聚类中心，并得到更新后的隶属度矩阵；将所述更新后的隶属度矩阵与所述隶属度矩阵进行对比；若收敛则停止迭代；若不收敛则返回至在初始化完成之后，通过计算得到聚类中心，并得到更新后的隶属度矩阵。

具体的，对于n个向量组成的数据集X，设定所需分类的类别数c，定义隶属矩阵，过程如下：

(1)设定模糊系数m、类别个数c、核函数类型及参数，目标函数精度为ε；

(2)对隶属度矩阵进行初始化，符合归一；

(3)计算聚类中心：

式中，c_i为第i组模糊聚类中心，u_ij为x_j在第i类的隶属度值，0≤u_ij≤1；采用高斯核函数，K(x,y)＝exp(-||X-Y||²/σ²)；

更新隶属度矩阵：

按照矩阵范数对迭代的，隶属度矩阵进行对比，若收敛则停止迭代，否则返回上一步。

具体实施中，对实验室的ZN65-12型断路器进行储能实验，本发明的具体实施方式如下：

第1步，安装频率范围1-10000Hz压电式(CK 8605)传感器，吸附于断路器振动本体上。采样率设置40kHz，电压偏高、电压偏低、弹簧脱落和正常状态下各采集30组储能数据进行研究，时域波形如附图2和附图3所示，图2示出本发明实施中的正常储能状态、电压偏高储能状态、电压偏低储能状态、弹簧脱落储能状态的时域波形幅值图；图3示出本发明实施中的正常储能状态、电压偏高储能状态、电压偏低储能状态、弹簧脱落储能状态的包络幅值图。训练集设定为20组，测试集设定为10组。其中断路器储能过程中改变电压高低可以模拟电压偏高和电压偏低状态，将断路器弹簧一端的紧固螺丝拧松模拟弹簧脱落故障。

第2步，采用步骤(1)所提的方法进行起始点检测，确定起始点后通过监测信号持续时间便可判别是否为储能过程。对于分合闸过程一般持续时间不超过0.5s，而储能过程中从按下开关储能电机输出扭矩到储能保持挚子能量保持所需时间均大于1.5s，此为判别时间依据。

第3步，采用步骤(2)所提的方法提取特征，设定区间宽度5ms，储能时间不超过5s，故将区间设定为1000个，显著性水平α设置为0.01，分别检验各状态下样本包络幅值的分布情况，对包络分布不同的区间进行标记，四种状态标记区间数量如表1所示。正常状态和异常状态的概率密度明显不同，故可将其作为优选的特征量。

表1四种储能状态标记区间

状态类型	标记区间数量/个
		正常状态	78
储能电压偏高	196
		储能电压偏低	310
储能弹簧脱落	243

第4步，SFS根据设立的规则评价函数处理原特征集特征(目标子集初始为空)，通过对比特征函数值选出函数值最大的加入目标特征集。将未入选的特征与已入选的特征相匹配，计算匹配组合特征的准则函数值FDR(参见步骤3)，并将其按升序排列。不断将ReliefF算法初次筛选的特征子集添加比较，重复上述步骤直到达到设定值。

采用网格搜索法对迭代次数m和近邻个数k进行选取，ReliefF迭代m次后得到特征表权重。其中m和k分别设定为100和10，设定ReliefF阈值η为0.1，进行初次特征筛选。根据SFS对选取的特征集进行降维，降维后的标记特征区间取交集，作为最终的特征向量。

第5步，通过KFCM对特征集进行预分类，建立特征集与故障类别间的隶属度映射，在此基础之上通过SVM进行训练，综合评估得到最后结果。采用聚类有效性指标λ_KFCM进行校核，

uic为第c个样本对第i个类别的隶属度，C为聚类数，N为样本个数)算法流程如附图4所示，附图4示出本发明实施中的KFCM-SVM诊断流程图。

聚类数C设定为4，SVM(C-SVC)采用RBF径向基函数，惩罚因子C设置为3.8，核函数参数g设置为0.15。设置正常状态样本特征值标签为1(1-10组)，储能电压偏高为2(11-20组)，储能电压偏低为3(21-30组)，弹簧脱落为4(31-40组)，进行状态辨识，并验证所提方法的快速性。

在本发明实施中，一种基于振动信号区间特征提取的断路器储能状态辨识方法，首先根据峭度-小波模极大值检测断路器储能状态起始点提取储能信号，然后将振动信号通过KS检验标记包络幅值差异明显区间，提取信号包络和作为特征向量，采用ReliefF-SFS方法对特征进行筛选降维得到最优特征子集，最后通过模糊C均值聚类(KFCM)对特征进行预分类获得风险最小的最优超平面，利用支持向量机(SVM)建立训练模型进行状态辨识；在保证准确率的前提下，提取特征仅需0.2s，对断路器在线监测具有重要的研究价值。

另外，以上对本发明实施例所提供的一种基于振动信号区间特征提取的断路器储能状态辨识方法进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述方法包括：

提取断路器的储能振动信号，并确定所述储能振动信号的起始点；

对所述提取断路器的储能振动信号进行KS检验，得到特征向量；

筛选所述特征向量，得到最优特征子集；

基于KFCM-SVM算法对所述优选特征子集进行状态辨识，得到所述断路器储能状态的辨识结果。

2.根据权利要求1所述的一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述提取断路器的储能振动信号，并确定所述储能振动信号的起始点包括：

通过计算得到断路器的储能振动信号的包络；

将所述断路器的储能振动信号的包络分成若干个连续区间，并通过计算得到所述若干个连续区间的峭度；

对比每个区间的包络的峭度值，并所述峭度值确定粗略时间段信号；

对所述粗略时间段信号进行小波变换，得到模极大值线；

基于所述模极大值线，确定所述储能振动信号的起始点。

3.根据权利要求2所述的一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述通过计算得到断路器的储能振动信号的包络中，具体的计算公式如下：

其中，y(t)表示其希尔伯特变换，x(t)表示断路器的储能振动信号，t表示t时刻，τ表示时间延迟，z(t)表示解析信号，m(t)表示信号的包络。

4.根据权利要求2所述的一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述通过计算得到所述若干个连续区间的峭度中，具体的计算公式如下：

其中，k表示峭度，E(x)表示对应振动信号的期望值，μ表示包络均值，σ表示标准差。

5.根据权利要求1所述的一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述对所述提取断路器的储能振动信号进行KS检验，得到特征向量包括：

通过KS检验对所述提取断路器的储能振动信号进行标记，得到标记后的信号；

通过所述标记后的信号进行分析，得到包络幅值差异明显区间；

将所述包络幅值差异明显区间的包络均值求和，得到特征向量。

6.根据权利要求1所述的一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述筛选所述特征向量，得到最优特征子集包括：

基于ReliefF算法对所述特征向量进行初选，得到初选后的特征向量；

基于SFS算法对所述初选后的特征向量进行去除不相关特征量，得到最优特征子集。

7.根据权利要求6所述的一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述基于ReliefF算法对所述特征向量进行初选，得到初选后的特征向量包括：

基于ReliefF算法每次从所述特征向量的训练集中选出一个样本R；

从与所述样本R同类和不同类的样本中分别找出所述样本R的k个近邻R₁、R₂，并通过计算得到每个特征a的权重；

基于所述每个特征a的权重，得到初选后的特征向量。

8.根据权利要求7所述的一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述通过计算得到每个特征的权重中，具体的计算公式如下：

其中，diff(a,R,R₁)表示R和R₁在特征a上的距离，c表示R所属类别，P(c)表示c的先验概率，m表示随机抽样次数，j表示第j个数，R表示所述样本R，k表示从与所述样本R同类和不同类的样本中分别找出所述样本R的k个近邻R₁、R₂，a表示每个特征，W(a)表示每个特征的权重，R(a)表示样本R中的特征a，R₁(a)表示样本R₁中的特征a，max(a)表示特征a的最大值，min(a)表示特征a的最小值。

9.根据权利要求1所述的一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述基于KFCM-SVM算法对所述优选特征子集进行状态辨识，得到所述断路器储能状态的辨识结果包括：

通过KFCM对所述最优特征子集进行预分类，并建立所述最优特征子集与故障类别间的隶属度映射；

在所述建立映射完成之后，通过SVM进行训练，并综合评估得到训练的结果；

基于所述训练的结果得到所述断路器储能状态的辨识结果。

10.根据权利要求9所述的一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述通过KFCM对所述最优特征子集进行预分类，并建立所述最优特征子集与故障类别间的隶属度映射包括：

基于所述最优特征子集，设定模糊系数、类别个数、函数类型及参数、目标函数精度；

基于所述模糊系数、类别个数、函数类型及参数、目标函数精度，对隶属度矩阵进行初始化；

在初始化完成之后，通过计算得到聚类中心，并得到更新后的隶属度矩阵；

将所述更新后的隶属度矩阵与所述隶属度矩阵进行对比；

若收敛则停止迭代；

若不收敛则返回至在初始化完成之后，通过计算得到聚类中心，并得到更新后的隶属度矩阵。

Images