CN113252322B - 一种含噪背景下的断路器机械故障诊断方法及装置 - Google Patents
一种含噪背景下的断路器机械故障诊断方法及装置 Download PDFInfo
- Publication number
- CN113252322B CN113252322B CN202110459940.7A CN202110459940A CN113252322B CN 113252322 B CN113252322 B CN 113252322B CN 202110459940 A CN202110459940 A CN 202110459940A CN 113252322 B CN113252322 B CN 113252322B
- Authority
- CN
- China
- Prior art keywords
- sound
- circuit breaker
- entropy
- signal
- sound signal
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 230000005236 sound signal Effects 0.000 claims abstract description 111
- 239000013598 vector Substances 0.000 claims abstract description 90
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000000926 separation method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000001228 spectrum Methods 0.000 claims description 17
- 238000003745 diagnosis Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000005484 gravity Effects 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 38
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
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
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种含噪背景下的断路器机械故障诊断方法,包括:选用M个声音传感器采集具有N个声源的声音信号的混合声音信号;通过盲源分离算法对上述混合声音信号进行处理;采用变分模态分解方法对各声源的声音信号进行信号分解;再采用含负样本支持向量描述方法对作为训练样本的断路器各种机械故障合闸时的声音信号的特征向量进行训练并构建含负样本支持向量描述方法的超球体;若作为待识别样本的声音信号的特征向量Tp属于超球体,则认为其属于目标声音类别所表征的断路器机械故障类型。本发明还提供了一种含噪背景下的断路器机械故障诊断装置。本发明通过合理的设计,能够在噪声环境下完成对断路器常见机械状态的准确识别,其适用性广泛。
Description
技术领域
本发明涉及电力设备故障诊断技术领域,特别涉及一种含噪背景下的断路器机械故障诊断方法及装置。
背景技术
众所周知,高压断路器是电力***中的重要组成部分,目前对高压断路器检修主要包括定期巡检和故障事后检修两部分,这两种检测手段的自动化程度较低,且效率不高,费时费力。因此,研究断路器机械状态的在线智能诊断技术具有十分重大的经济意义。
在现有的断路器机械故障诊断方法中,断路器分合闸期间设备壳体的振动信号成为主流的分析对象。在现有技术中,可以通过分析断路器分合闸过程的振动信号来实现对常见机械故障的在线诊断。然而,振动传感器的安装方式与位置目前尚无统一标准,考虑到断路器设备结构较为复杂,振动信号在通过机械构件传播时会发生衰减,因此不同位置的传感器采集到的振动信号波形存在差异,这种方式所得到的诊断结果受人为因素影响较大。
由于声音与振动是同步发生的,二者为同源信号,利用断路器分合闸的声音信号进行断路器机械故障的诊断已然成为一种新的研究方向。但是目前现有技术中的非接触式安装会导致声音传感器采集到的声音信号波形易受变电站环境噪声影响,进而会影响最终的诊断结果。
发明内容
为解决上述问题,本发明旨在提出一种含噪背景下的断路器机械故障诊断方法及装置,通过运用盲源分离算法对声音传感器采集到的声音信号进行预处理,以从复杂声音信号中分离各声源的声音信号,然后运用变分模态分解对各声音信号进行信号分解,分别提取其能量熵、奇异谱熵以及峭度熵组成特征向量,最后运用含负样本支持向量描述对特征向量进行识别,最终完成高压断路器的机械状态诊断。
为达到上述目的,本发明的技术方案是这样实现的:
一种含噪背景下的断路器机械故障诊断方法,所述方法包括以下步骤:
S1、选用M个声音传感器采集具有N个声源的声音信号的混合声音信号;
S2、对上述混合声音信号进行处理,以分离得到各声源的声音信号;
S3、对各声源的声音信号进行信号分解,然后分别提取经过分解的各声音信号的能量熵、奇异谱熵以及峭度熵,以组成各声音信号的特征向量T;
S4、采用含负样本支持向量描述方法对作为训练样本的断路器各种机械故障合闸时的声音信号的特征向量进行训练以得到含负样本支持向量描述方法的超球体;
S5、求取超球体的半径R和中心a;
S6、求取作为待识别样本的声音信号的特征向量Tp与所述中心a的欧式距离,若该欧式距离≤半径R,则认为其属于目标声音类别所表征的断路器机械故障类型。
进一步的,所述步骤S2包括根据盲源分离算法完成对各声源的声音信号的估计:
上述公式(1)中,W表示解混矩阵,s(t)=[s1(t),s2(t),...,sN(t)],其表示N个声源的声音信号;表示s(t)的估计;x(t)=[x1(t),x2(t),...,xM(t)],其表示M个声音传感器采集到的混合声音信号;N表示声源的数量,M表示声音传感器的数量,M≥N。
进一步的,对所述解混矩阵W进行求解采用下述步骤:
S21、对x(t)进行白预化、归一化处理,将处理后的信号矩阵记为Z;
S22、从解混矩阵W的第一行开始对解混矩阵W的第i个行向量Wi进行初始化,约束为行向量的二范数等于1;
S23、采用牛顿迭代法完成对Wi的估计,第k+1次迭代结果如下式所示:
Wi(k+1)=E{Zg(Wi(k)TZ)}-E{Zg′(Wi(k)TZ)}Wi(k)T (2);
上述公式(2)中,T表示矩阵的转置,g为非线性函数,g′表示g的导函数,E表示矩阵的协方差矩阵;
S24、对向量进行正交化处理完成迭代结果的去相关,然后对去相关结果进行归一化;
重复上述步骤S23至步骤S24,直至Wi收敛,然后令i=i+1,返回步骤S22直至解混矩阵W的所有行向量均被求出。
进一步的,在所述步骤S3中采用变分模态分解方法对各声源的声音信号进行信号分解是指:
S31、将声音信号分解为若干个有限带宽模态分量;
S32、将变分模态分解方法的目标函数确定为最小化全部有限带宽模态分量的频率带宽之和;
S33、采用交替方向乘子算法对变分模态分解方法的目标函数进行求解,以得到分解后的各声音信号。
进一步的,所述步骤S31具体为:采用变分模态分解方法将声音信号分解为若干个有限带宽模态分量,第k个有限带宽模态分量uk(t)可表达为:
对变分模态分解方法的分解目标函数进行优化:采用拉格朗日乘子法消除等式约束,并引入拉格朗日乘子λ和二次惩罚因子,优化后的目标函数如下述公式所示:
在上述公式(5)中,λ(t)表示拉格朗日乘子λ随时间变化的函数。
进一步的,所述步骤S33具体为:运用交替方向乘子算法对变分模态分解方法的目标函数进行求解,得到分解后的各声音信号;完成VMD分解后即可求取各声音信号的能量熵、奇异谱熵以及峭度熵特征,上述各熵值的求取过程可以如下所述:
a.能量熵:设采用变分模态分解方法分解后各BLTMF分量的能量排列为F=[F1,F2,...,FK];相应地,第i个BLIMF能量占声音信号能量比重Hi可以如下述公式所示:
由此可以得到能量熵O1的定义如下述公式(7)所示:
b.奇异谱熵:将长度为L的K个BLIMF分量排列为K×L维矩阵,矩阵的奇异值为λ=[λ1,λ2,...,λK],相应地,第i个奇异值占整个奇异谱的比重Ui可以如下述公式(8)所示:
由此可以得到奇异谱熵O2的定义如下述公式(9)所示:
c.峭度熵:峭度是反映信号概率分布的参数,第i个BLIMF分量的峭度Ri可以如下述公式(10)所示:
设定各BLIMF分量的峭度排列为R=[R1,R2,...,RK],则第i个BLIMF分量的峭度Ri占所有分量峭度总和的比重Pi可以如下述公式(11)所示:
由此可以得到对应的峭度熵O3为:
进一步的,所述步骤S4中采用SVDD的改进算法含负样本支持向量描述方法对断路器各种机械状态合闸时的声音信号特征向量进行训练,其将非目标类别的声音特征向量考虑到超球体的形成过程中,以正常状态下断路器合闸声音信号对应超球体的形成为参考,其目标函数可以如下述公式所示:
在上述公式(13)中,a表示为超球体中心;R表示为其半径;F(R,a,ξi,ξl)为目标函数;C1、C2表示为正负样本惩罚因子;ξi、ξl为正负样本松弛系数,Ti为正样本特征向量;TI为负样本特征向量;s.t为数学用语,其表示后续是限制条件;
通过利用拉格朗日乘子散发消除约束,引入拉格朗日乘子αi≥0,αl≥0,γi≥0,γl≥0,则上述公式(13)可以等效为:
对于R,a,ξi,ξl求偏微分并另偏微分函数等于0,则可得公式(15):
将上述公式(15)代入至公式(14)中,同时为了应对特征向量的非线性问题,引入高斯核函数取代特征向量的内积运算,改进后的目标函数如下述公式所示:
在上述公式(16)中,式中i、j对应正样本下标,I、m对应负样本下标,αi、αj对应正样本拉格朗日乘子,αl、αm对应负样本拉格朗日乘子,Ti、Tj为正样本特征向量,TI、Tm为负样本特征向量;K(Ti,Tj)为特征向量Ti、Tj对应的高斯核函数值;对该式进行优化可得αi、αl,由可得圆心a,结合F(R,a,ξi,ξl)求解出超球体半径R。
进一步的,当获得超球体的半径R和中心a后,求取作为待识别样本的声音信号的特征向量Tp与中心a的欧式距离D(Tp):
通过上述公式(17)可以求得D(Tp),若该欧式距离D(Tp)≤半径R,则可以判断其属于目标声音类别所表征的断路器机械故障类型。
为了实现上述目的,本发明还提供了一种含噪背景下的断路器机械故障诊断装置,所述装置使用如上述的含噪背景下的断路器机械故障诊断方法。
所述含噪背景下的断路器机械故障诊断装置与上述含噪背景下的断路器机械故障诊断方法相对于现有技术所具有的优势相同,在此不再赘述。
有益效果:本发明通过合理的设计,能够实时地对断路器机械故障进行诊断,其诊断准确率高,且能够在噪声环境下完成对断路器常见机械状态的识别,其适用性十分广泛,具有良好的推广前景和应用价值。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的含噪背景下的断路器机械故障诊断方法的流程图;
图2为本发明实施例所述的的断路器在不同机械状态下合闸声音波形图;
图3为本发明实施例所述的三个声音传感器采集的声音信号波形图;
图4为本发明实施例所述的d1与NSVDD模型半径R1相对关系图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
实施例1
参见图1:在本实施例中,本实施例所述的断路器机械故障诊断方法包括以下步骤S1-步骤S6:
S1、首先,选用M个声音传感器采集具有N个声源的声音信号的混合声音信号。
S2、通过盲源分离算法对采集的混合声音信号进行处理,以分离得到各声源的声音信号;
S3、其次,采用变分模态分解方法对各声源的声音信号进行信号分解,然后分别提取经过分解的各声音信号的能量熵、奇异谱熵以及峭度熵,以组成各声音信号的特征向量T;
S4、再采用含负样本支持向量描述方法对作为训练样本的断路器各种机械故障合闸时的声音信号的特征向量进行训练以得到含负样本支持向量描述方法的超球体;
S5、求取超球体的半径R和中心a;
S6、最后,求取作为待识别样本的声音信号的特征向量Tp与所述中心a的欧式距离,若该欧式距离≤半径R,则认为其属于目标声音类别所表征的断路器机械故障类型。
在本实施例中,可以通过上述步骤S1-S3来获取训练样本和待识别样本。假设N个声源同时发声,则可以控制M(M≥N)个声音传感器同时采集声音信号,以获得具有N个声源的声音信号的混合声音信号。
在本实施例所述的步骤S2中,需要首选运用盲源分离(BSS)算法对混合声音信号进行预处理,从复杂的混合声音信号中分离出各声源的声音信号。
盲源分离(BSS)算法,即在声源与传输路径的先验知识均未知的情况下,仅根据各声源的独立性利用M个声音传感器采集到的声音观测信号x(t)=[x1(t),x2(t)...xM(t)]完成对各声源的声音信号s(t)=[s1(t),s2(t)...sN(t)]的估计,其数学模型可表达为:
在实际情况中,高压断路器在变电站中所处的环境比较复杂,其在合闸时所产生的声音信号有可能被其他设备的局部放电等背景噪声所干扰,考虑到各个声音信号不属于同一个声源,因此在这种情况下,各声音信号均满足BSS过程的信号独立条件,本实施例可以基于负熵最大化的独立成分分析(FastICA)算法完成对断路器合闸期间各个声音信号的盲分离。
相应地,在本实施例中,可以采用下述步骤对上述公式(1)中的解混矩阵W进行求解:
S21、对x(t)进行白预化、归一化处理,将处理后的信号矩阵记为Z;
S22、从解混矩阵W的第一行开始对解混矩阵W的第i个行向量Wi进行初始化,约束为行向量的二范数等于1;
S23、采用牛顿迭代法完成对Wi的估计,第k+1次迭代结果如下式所示:
Wi(k+1)=E{Zg(Wi(k)TZ)}-E{Zg′(Wi(k)TZ)}Wi(k)T (2)
在上述公式(2)中,T表示矩阵的转置,g为非线性函数,g′表示g的导函数,E表示矩阵的协方差矩阵;
S24、对向量进行正交化处理完成迭代结果的去相关,然后对去相关结果进行归一化;
重复上述步骤S23至步骤S24,直至Wi收敛,然后令i=i+1,返回步骤S22,直至解混矩阵W的所有行向量均被求出。
在本实施例中,采用上述操作可以求得解混矩阵W的行向量,结合参考公式(1)即可完成断路器合闸期间各声源的声音信号的估计,从而完成声音信号的盲源分离(BSS)过程。然而,采用盲源分离算法预处理后得到各声源的声音信号的排列是无序的,即无法从众多声音信号中确定出断路器合闸声音信号的位置。
因此,在本实施例所述方法的后续步骤S4中,本实施例还需要采用含负样本支持向量描述(NSVDD)方法对各个声音信号的特征向量进行识别。由于NSVDD算法为单值分类算法,其能够拒识不属于目标类别的声音特征向量,因此本实施例可利用此种特性完成对噪声信号的拒识从而消除噪声信号的影响。
相应地,在本实施例所述的断路器机械故障诊断方法的步骤S3中,在提取声音信号能量熵等信息特征之前需要完成对各声源的声音信号的信号分解,本实施例采用变分模态分解(VMD)方法完成此过程。
需要说明的是,变分模态分解(VMD)方法是一种新的信号分解算法,其相比于经验模态分解(EMD)具备更快的分解速度,且能够很好的克服模态混叠与边界效应问题,在本实施例所述步骤S3中采用变分模态分解(VMD)方法对各声源的声音信号进行信号分解可以进一步包括以下步骤:
将声音信号分解为若干个有限带宽模态分量。
在上述步骤中,采用变分模态分解(VMD)方法可以将声音信号分解为若干个有限带宽模态分量(BLIMF),第k个有限带宽模态分量uk(t)可表达为:
将变分模态分解方法的目标函数确定为最小化全部有限带宽模态分量的频率带宽之和。
当然为了求解VMD的目标函数,可以采用拉格朗日乘子法消除等式约束,并引入拉格朗日乘子λ和二次惩罚因子,优化后的目标函数如下述公式(5)所示:
在上述公式(5)中,λ(t)表示拉格朗日乘子λ随时间变化的函数;
(33)采用交替方向乘子算法对变分模态分解方法的目标函数进行求解,以得到分解后的各声音信号。
在上述步骤中,本实施例可以运用交替方向乘子算法对变分模态分解方法的目标函数进行求解,得到分解后的各声音信号。完成VMD分解后即可求取各声音信号的能量熵、奇异谱熵以及峭度熵特征,上述各熵值的求取过程可以如下所述:
a.能量熵:设采用变分模态分解(VMD)方法分解后各BLIMF分量的能量排列为F=[F1,F2,...,FK];相应地,第i个BLIMF能量占声音信号能量比重Hi可以如下述公式(6)所示:
由此可以得到能量熵O1的定义如下述公式(7)所示:
b.奇异谱熵:将长度为L的K个BLIMF分量排列为K×L维矩阵,矩阵的奇异值为λ=[λ1,λ2,...,λK],相应地,第i个奇异值占整个奇异谱的比重Ui可以如下述公式(8)所示:
由此可以得到奇异谱熵O2的定义如下述公式(9)所示:
c.峭度熵:峭度是反映信号概率分布的参数,第i个BLIMF分量的峭度Ri可以如下述公式(10)所示:
设定各BLIMF分量的峭度排列为R=[R1,R2,...,RK],则第i个BLIMF分量的峭度Ri占所有分量峭度总和的比重Pi可以如下述公式(11)所示:
由此可以得到对应的峭度熵O3为:
相应地,在本实施例所述的断路器机械故障诊断方法中,在步骤S4中需要采用含负样本支持向量描述(NSVDD)方法对作为训练样本的断路器各种机械故障合闸时的声音信号的特征向量进行训练以得到含负样本支持向量描述方法的超球体。
需要说明的是,支持向量数据描述(SVDD)是近年来发展起来的用于高维特征、小样本的数据描述方法,其分类思想与支持向量机相似,基本思想是在特征空间建立一超球体,该超球体将训练集中的目标类别特征向量(正样本)包围,对于测试样本特征向量,若特征向量位于该超球体内,则测试样本为该类信号,若位于超球体外部,则为非目标信号。
在本实施例中,本实施例采用SVDD的改进算法含负样本支持向量描述(NSVDD)方法对断路器各种机械状态合闸时的声音信号特征向量进行训练,其将非目标类别的声音特征向量(负样本)考虑到超球体的形成过程中,相比SVDD拥有更好的分类性能,同时其能够通过对噪声信号特征向量的拒识消除噪声的影响。以正常状态下断路器合闸声音信号对应超球体的形成为例,其目标函数可以如下述公式(13)所示:
在上述公式(13)中,a表示为超球体中心;R表示为其半径;F(R,a,ξi,ξl)为目标函数;C1、C2表示为正负样本惩罚因子;ξi、ξl为正负样本松弛系数,Ti为正样本特征向量;TI为负样本特征向量;s.t为数学用语,其表示后续是限制条件。
通过利用拉格朗日乘子散发可以消除约束,引入拉格朗日乘子αi≥0,αl≥0,γi≥0,γl≥0,则上述公式(13)可以等效为:
对于R,a,ξi,ξl求偏微分并另偏微分函数等于0,则可得公式(15):
将上述公式(15)代入至公式(14)中,同时为了应对特征向量的非线性问题,可以引入高斯核函数取代特征向量的内积运算,改进后的目标函数可以如下述公式(16)所示:
在上述公式(16)中,式中i、j对应正样本下标,I、m对应负样本下标,αi、αj对应正样本拉格朗日乘子,αl、αm对应负样本拉格朗日乘子,Ti、Tj为正样本特征向量,Tl、Tm为负样本特征向量。K(Ti,Tj)为特征向量Ti、Tj对应的高斯核函数值。对该式进行优化可得αi、αl,由可得圆心a,结合F(R,a,ξi,ξl)可进一步求解出超球体半径R。
相应地,在本实施例所述断路器机械故障诊断方法的步骤S5中,获得超球体的半径R和中心a后,可以求取作为待识别样本的声音信号的特征向量Tp与中心a的欧式距离D(Tp):
通过上述公式(17)可以求得D(Tp),若该欧式距离D(Tp)≤半径R,则可以判断其属于目标声音类别所表征的断路器机械故障类型。
实施例2
本实施例还提供了一种含噪背景下的断路器机械故障诊断装置,所述装置使用如上述的含噪背景下的断路器机械故障诊断方法。
本实施例所述含噪背景下的断路器机械故障诊断装置与上述含噪背景下的断路器机械故障诊断方法相对于现有技术所具有的优势相同,在此不再赘述。
为了更好地说明上述实施例1、2所述的断路器机械故障诊断方法及装置的有效性,通过现场对某110KV高压断路器进行实验,以进行进一步说明。
在具体实现中,断路器机械故障诊断方法及装置可以包括:M个声音传感器和控制模块。其中,M个声音传感器可以用于采集N个声源的声音信号的混合声音信号。
如图2所示,在具体实施中,可以现场模拟采集高压断路器正常合闸与传动导杆卡涩、铁芯间隙过大拒动机械故障合闸的声音信号。在无噪环境下可以分别采集每种合闸状态的声音信号各30组作为训练集,每种状态合闸下一组的声音信号波形如图2所示。
相应地,对于测试机,同样采集高压断路器在每种机械状态下合闸的声音信号各30组,其中在合闸动作发生时,由一名实验人员说话,另一名实验人员手持局部放电抢模拟局部放电声音信号作为背景噪声,以正常状态下合闸的声音信号为例,3个声音传感器采集到的声音信号的波形如图3所示。
图3示意性地显示了本实施例所述的断路器机械故障诊断方法及装置在一种实施方式下的声音传感器采集的声音信号波形。
对声音信号特征向量进行z-score标准化处理,训练集中高压断路器在各种机械状态下合闸的声音信号,声音信号对应的一组特征向量可以如下述表1所示。
下表列出了高压断路器在各种机械状态下合闸的声音信号对应的特征向量。
合闸状态 | 能量熵 | 奇异谱熵 | 峭度熵 |
正常合闸 | 0.8720 | 0.9951 | -0.5072 |
传动导杆卡涩 | 0.4760 | 0.2926 | -0.8957 |
铁芯间隙过大拒动 | -1.4206 | -1.3626 | 1.6424 |
对每种机械状态合闸声音信号特征向量训练一超球体,对测试集中声音信号首先运用FastICA算法进行BSS,提取各分离声音信号的特征向量,然后将各特征向量输入各超球体中进行识别,对于噪声信号特征向量,NSVDD超球体能够很好地将其排除,以正常合闸声音信号对应超球体为例,其半径为R1,中心为a1,d1为中心a1与测试集中每组声音信号所有特征向量距离的最小值,则d1与R1的相对关系可以如图4所示。
图4示意性地显示了d1与NSVDD模型半径R1相对关系。
实验结果表明采用断路器机械故障诊断方法及装置可以有效提高诊断的准确度,高压断路器各种机械状态识别的整体准确率达到96.67%,其能够完成在噪音环境下识别判断断路器常见的机械状态。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种含噪背景下的断路器机械故障诊断方法,其特征在于,所述方法包括以下步骤:
S1、选用M个声音传感器采集具有N个声源的声音信号的混合声音信号;
S2、对上述混合声音信号进行处理,以分离得到各声源的声音信号;
S3、对各声源的声音信号进行信号分解,然后分别提取经过分解的各声音信号的能量熵、奇异谱熵以及峭度熵,以组成各声音信号的特征向量T;
S4、采用含负样本支持向量描述方法对作为训练样本的断路器各种机械故障合闸时的声音信号的特征向量进行训练以得到含负样本支持向量描述方法的超球体;所述步骤S4中采用SVDD的改进算法含负样本支持向量描述方法对断路器各种机械状态合闸时的声音信号特征向量进行训练,其将非目标类别的声音特征向量考虑到超球体的形成过程中,以正常状态下断路器合闸声音信号对应超球体的形成为参考,其目标函数可以如下述公式所示:
在上述公式(13)中,a表示为超球体中心;R表示为其半径;F(R,a,ξi,ξl)为目标函数;C1、C2表示为正负样本惩罚因子;ξi、ξl为正负样本松弛系数,Ti为正样本特征向量;Tl为负样本特征向量;s.t为数学用语,其表示后续是限制条件;
通过利用拉格朗日乘子散发消除约束,引入拉格朗日乘子αi≥0,αl≥0,γi≥0,γl≥0,则上述公式(13)可以等效为:
对于R,a,ξi,ξl求偏微分并另偏微分函数等于0,则可得公式(15):
将上述公式(15)代入至公式(14)中,同时为了应对特征向量的非线性问题,引入高斯核函数取代特征向量的内积运算,改进后的目标函数如下述公式所示:
在上述公式(16)中,式中i、j对应正样本下标,l、m对应负样本下标,αi、αj对应正样本拉格朗日乘子,αl、αm对应负样本拉格朗日乘子,Ti、Tj为正样本特征向量,Tl、Tm为负样本特征向量;K(Ti,Tj)为特征向量Ti、Tj对应的高斯核函数值;对该式进行优化可得αi、αl,由可得圆心a,结合F(R,a,ξi,ξl)求解出超球体半径R,当获得超球体的半径R和中心a后,求取作为待识别样本的声音信号的特征向量Tp与中心a的欧式距离D(Tp):
通过上述公式(17)可以求得D(Tp),若该欧式距离D(Tp)≤半径R,则可以判断其属于目标声音类别所表征的断路器机械故障类型。
3.根据权利要求2所述的含噪背景下的断路器机械故障诊断方法,其特征在于,对所述解混矩阵W进行求解采用下述步骤:
S21、对x(t)进行白预化、归一化处理,将处理后的信号矩阵记为Z;
S22、从解混矩阵W的第一行开始对解混矩阵W的第i个行向量Wi进行初始化,约束为行向量的二范数等于1;
S23、采用牛顿迭代法完成对Wi的估计,第k+1次迭代结果如下式所示:
Wi(k+1)=E{Zg(Wi(k)TZ)}-E{Zg′(Wi(k)TZ)}Wi(k)T (2);
上述公式(2)中,T表示矩阵的转置,g为非线性函数,g′表示g的导函数,E表示矩阵的协方差矩阵;
S24、对向量进行正交化处理完成迭代结果的去相关,然后对去相关结果进行归一化;
重复上述步骤S23至步骤S24,直至Wi收敛,然后令i=i+1,返回步骤S22直至解混矩阵W的所有行向量均被求出。
4.根据权利要求1所述的含噪背景下的断路器机械故障诊断方法,其特征在于,在所述步骤S3中采用变分模态分解方法对各声源的声音信号进行信号分解:
S31、将声音信号分解为若干个有限带宽模态分量;
S32、将变分模态分解方法的目标函数确定为最小化全部有限带宽模态分量的频率带宽之和;
S33、采用交替方向乘子算法对变分模态分解方法的目标函数进行求解,以得到分解后的各声音信号。
6.根据权利要求4所述的含噪背景下的断路器机械故障诊断方法,其特征在于,所述步骤S32具体为:变分模态分解方法的目标函数为最小化全部有限带宽模态分量的频率带宽之和,以声源信号为参考,变分模态分解方法的分解目标函数如下述公式(4)所示:
对变分模态分解方法的分解目标函数进行优化:采用拉格朗日乘子法消除等式约束,并引入拉格朗日乘子入和二次惩罚因子,优化后的目标函数如下述公式所示:
在上述公式(5)中,λ(t)表示拉格朗日乘子入随时间变化的函数。
7.根据权利要求4所述的含噪背景下的断路器机械故障诊断方法,其特征在于,所述步骤S33具体为:运用交替方向乘子算法对变分模态分解方法的目标函数进行求解,得到分解后的各声音信号;完成VMD分解后即可求取各声音信号的能量熵、奇异谱熵以及峭度熵特征,上述各熵值的求取过程可以如下所述:
a.能量熵:设采用变分模态分解方法分解后各BLIMF分量的能量排列为F=[F1,F2,...,FK];相应地,第i个BLIMF能量占声音信号能量比重Hi可以如下述公式所示:
由此可以得到能量熵O1的定义如下述公式(7)所示:
b.奇异谱熵:将长度为L的K个BLIMF分量排列为K×L维矩阵,矩阵的奇异值为λ=[λ1,λ2,…,λK],相应地,第i个奇异值占整个奇异谱的比重Ui可以如下述公式(8)所示:
由此可以得到奇异谱熵O2的定义如下述公式(9)所示:
c.峭度熵:峭度是反映信号概率分布的参数,第i个BLIMF分量的峭度Ri可以如下述公式(10)所示:
设定各BLIMF分量的峭度排列为R=[R1,R2,...,RK],则第i个BLIMF分量的峭度Ri占所有分量峭度总和的比重Pi可以如下述公式(11)所示:
由此可以得到对应的峭度熵O3为:
8.一种含噪背景下的断路器机械故障诊断装置,其特征在于,所述装置使用如权利要求1至7任一项所述的含噪背景下的断路器机械故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110459940.7A CN113252322B (zh) | 2021-04-27 | 2021-04-27 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110459940.7A CN113252322B (zh) | 2021-04-27 | 2021-04-27 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113252322A CN113252322A (zh) | 2021-08-13 |
CN113252322B true CN113252322B (zh) | 2022-05-31 |
Family
ID=77221792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110459940.7A Active CN113252322B (zh) | 2021-04-27 | 2021-04-27 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113252322B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114088364B (zh) * | 2021-09-30 | 2023-06-06 | 广西电网有限责任公司电力科学研究院 | 一种基于SystemVue声信号分离的断路器机械故障诊断方法 |
CN113884292B (zh) * | 2021-10-09 | 2023-07-21 | 西安西电开关电气有限公司 | 基于svdd的开关设备机械故障诊断方法和*** |
CN114112017B (zh) * | 2021-11-25 | 2024-06-25 | 国网安徽省电力有限公司电力科学研究院 | 一种gis隔离开关的振动信号提取方法及*** |
CN116662793B (zh) * | 2023-07-31 | 2024-03-08 | 昆仑数智科技有限责任公司 | 转子裂纹故障诊断、模型构建方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
CN106597266A (zh) * | 2016-11-18 | 2017-04-26 | 国网电力科学院武汉南瑞有限责任公司 | 一种基于多参量的有载分接开关故障监测方法 |
CN108627242A (zh) * | 2018-05-31 | 2018-10-09 | 中冶华天南京工程技术有限公司 | 基于盲源分离单边检测法的环冷机漏风率检测方法 |
CN108759479A (zh) * | 2018-05-31 | 2018-11-06 | 中冶华天工程技术有限公司 | 基于盲源分离单边检测法的烧结机漏风故障在线诊断方法 |
CN112255538A (zh) * | 2020-10-14 | 2021-01-22 | 国网青海省电力公司海西供电公司 | 一种多特征优化融合的高压断路器故障诊断方法 |
CN112289329A (zh) * | 2020-10-22 | 2021-01-29 | 国网青海省电力公司海西供电公司 | 一种基于gwo-kfcm的高压断路器故障诊断方法 |
CN112345249A (zh) * | 2020-07-28 | 2021-02-09 | 江苏理工学院 | 基于优化变分模态分解的滚动轴承故障诊断方法 |
CN112557966A (zh) * | 2020-12-02 | 2021-03-26 | 国网江苏省电力有限公司南京供电分公司 | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 |
-
2021
- 2021-04-27 CN CN202110459940.7A patent/CN113252322B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
CN106597266A (zh) * | 2016-11-18 | 2017-04-26 | 国网电力科学院武汉南瑞有限责任公司 | 一种基于多参量的有载分接开关故障监测方法 |
CN108627242A (zh) * | 2018-05-31 | 2018-10-09 | 中冶华天南京工程技术有限公司 | 基于盲源分离单边检测法的环冷机漏风率检测方法 |
CN108759479A (zh) * | 2018-05-31 | 2018-11-06 | 中冶华天工程技术有限公司 | 基于盲源分离单边检测法的烧结机漏风故障在线诊断方法 |
CN112345249A (zh) * | 2020-07-28 | 2021-02-09 | 江苏理工学院 | 基于优化变分模态分解的滚动轴承故障诊断方法 |
CN112255538A (zh) * | 2020-10-14 | 2021-01-22 | 国网青海省电力公司海西供电公司 | 一种多特征优化融合的高压断路器故障诊断方法 |
CN112289329A (zh) * | 2020-10-22 | 2021-01-29 | 国网青海省电力公司海西供电公司 | 一种基于gwo-kfcm的高压断路器故障诊断方法 |
CN112557966A (zh) * | 2020-12-02 | 2021-03-26 | 国网江苏省电力有限公司南京供电分公司 | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113252322A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113252322B (zh) | 一种含噪背景下的断路器机械故障诊断方法及装置 | |
Li et al. | WavCapsNet: An interpretable intelligent compound fault diagnosis method by backward tracking | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
Wu et al. | A transformer-based approach for novel fault detection and fault classification/diagnosis in manufacturing: A rotary system application | |
CN111879397A (zh) | 高压断路器储能机构故障诊断方法 | |
Sun et al. | Data-driven fault diagnosis method based on second-order time-reassigned multisynchrosqueezing transform and evenly mini-batch training | |
Yao et al. | A recursive denoising learning for gear fault diagnosis based on acoustic signal in real industrial noise condition | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
Han et al. | Data-enhanced stacked autoencoders for insufficient fault classification of machinery and its understanding via visualization | |
CN110782041B (zh) | 一种基于机器学习的结构模态参数识别方法 | |
CN116399579A (zh) | 变压器机械故障诊断方法、装置、计算机设备及存储介质 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
Zhao et al. | Fault diagnosis based on space mapping and deformable convolution networks | |
CN113252323B (zh) | 一种基于人耳听觉特性的断路器机械故障识别方法及*** | |
Zhang et al. | Multiple‐Fault Diagnosis Method Based on Multiscale Feature Extraction and MSVM_PPA | |
Wang et al. | An Automatic Identification Framework for Complex Power Quality Disturbances Based on Ensemble CNN | |
CN116340812A (zh) | 一种变压器局部放电故障模式识别方法及*** | |
Chen et al. | Graph convolution network-based fault diagnosis method for the rectifier of the high-speed train | |
CN113391172A (zh) | 一种基于时序集成的多源超声检测的局放诊断方法及*** | |
CN114252266A (zh) | 一种基于dbn-svdd模型的滚动轴承性能退化评估方法 | |
Hao et al. | Insulator fouling monitoring based on acoustic signal and one-dimensional convolutional neural network | |
Yao et al. | A recursive multi-head self-attention learning for acoustic-based gear fault diagnosis in real-industrial noise condition | |
Xu et al. | A graph convolutional shrinkage network-based fault diagnosis method for industrial process | |
Traoré et al. | Ensemble Learning Framework to Detect Partial Discharges and Predict Power Line Faults |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |