CN115453336B - 一种gis刀闸运行状态判断方法、***及计算机可读存储介质 - Google Patents
一种gis刀闸运行状态判断方法、***及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115453336B CN115453336B CN202211026877.9A CN202211026877A CN115453336B CN 115453336 B CN115453336 B CN 115453336B CN 202211026877 A CN202211026877 A CN 202211026877A CN 115453336 B CN115453336 B CN 115453336B
- Authority
- CN
- China
- Prior art keywords
- modal
- disconnecting link
- data
- signal
- gis
- 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 46
- 239000013598 vector Substances 0.000 claims abstract description 49
- 238000003745 diagnosis Methods 0.000 claims abstract description 48
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 44
- 238000012706 support-vector machine Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000000926 separation method Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000003379 elimination reaction Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- 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
- G01R31/3272—Apparatus, systems or circuits therefor
- G01R31/3274—Details related to measuring, e.g. sensing, displaying or computing; Measuring of variables related to the contact pieces, e.g. wear, position or resistance
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及电力设备检测技术领域，提供了一种GIS刀闸运行状态判断方法、***及计算机可读存储介质。其中，GIS刀闸运行状态判断方法包括以下步骤：获取GIS设备运行期间刀闸分合闸时的振动信号数据；对获取的振动信号数据进行变分模态分解；选取信号模态分量，形成模糊熵特征向量；将模糊熵特征向量输入到预设的故障诊断模型中，输出GIS设备刀闸运行状态。本发明通过采取自适应的变分模态分解算法对GIS刀闸分合闸时振动信号数据进行处理，实现固有模态分量的有效分离和信号频域的划分，利用模糊熵作为故障诊断特征输入预设的故障诊断模型中，可快速准确的识别GIS刀闸的运行状态，工作人员根据运行状态判断结果，及早介入故障排除工作，降低运维成本。
Description
技术领域
本发明涉及电力设备检测技术领域，更具体地，涉及一种GIS刀闸运行状态判断方法、***及计算机可读存储介质。
背景技术
气体绝缘金属封闭开关设备(gas insulated switchgear，简称GIS)是电网中重要的控制和保护设备，具有运行可靠性高、抗干扰能力强等优点，已被广泛应用于高压、超高压电网领域。随着GIS设备的增多，GIS设备故障也越来越多，作为电网控制的重要环节，一旦其出现运行故障，往往存在检修难度大、检修时间长等问题，将带来重大的经济损失，所以及时对GIS设备运行状态进行检测有助于及早介入故障排除、降低运维成本。
GIS设备故障类型分为机械类故障和放电型故障两大类。目前机械类故障与电器控制回路故障中GIS刀闸机械故障占比多达80％，刀闸机械故障包括拒分、拒合、无故分闸、分合闸锁闭和其他。
振动检测是检测GIS设备运行状态的重要方式之一，通过振动信号传感器可检测到的振动信号包含机械谐振、环境噪声和刀闸分闸故障时的异常振动。现有技术公开了一种GIS机械故障振动检测方法，对加速度传感器采集的GIS外壳振动信号进行低通滤波、信号放大处理和A/D转换后，将振动信号的频谱特性与数据库中存储的频谱特性进行对比，获取GIS设备状态。但由于振动信号容易受到机械谐振和外部噪声的干扰，现有检测方法存在可靠性低、准确性低的问题，难以满足高可靠性及高准确性的要求。
发明内容
本发明为克服上述现有技术所述检测方法可靠性低、准确性低的问题，提供一种GIS刀闸运行状态判断方法、***及计算机可读存储介质。
为解决上述技术问题，本发明的技术方案如下：
第一方面，一种GIS刀闸运行状态判断方法，包括下述步骤：
S1、获取GIS设备运行期间刀闸分合闸时的N维的振动信号数据I，其中数据维度N表示获取到的振动信号数据点个数，用公式表示为：
N＝fs×t
式中，fs为信号采样频率，t为信号采样时间；
S2、对获取的振动信号数据I进行变分模态分解，得到若干个不同频段的模态分量，所述模态分量包括信号模态分量和噪声模态分量；
S3、从所述模态分量中选取信号模态分量，根据振动信号数据I计算表征各信号模态分量复杂程度的模糊熵特征值，形成模糊熵特征向量；
S4、将模糊熵特征向量输入到预设的故障诊断模型中，输出GIS设备刀闸运行状态。
作为优选方案，所述步骤S2中对获取的振动信号数据I进行变分模态分解具体步骤如下：
S2.1、设定模态分量个数K的初始值，对振动信号数据进行变分模态分解得到K个模态分量，分别计算每个模态分量的中心频率；
S2.2、计算第K个模态分量中心频率与第K-1个模态分量中心频率的误差σ；
S2.3、判断中心频率误差σ是否小于预设的误差阈值Δ：若σ<Δ，则输出稳定模态分量个数S＝K，将获取的振动信号数据变分模态分解成S个模态分量；若σ≥Δ，则执行步骤S2.4；
S2.4、设定模态分量个数K＝K+1，其余参数不变，重复执行步骤S2.1-S2.4，直至中心频率误差σ小于预设误差阈值Δ，输出稳定模态分量个数S，将获取的振动信号数据I变分模态分解成S个模态分量。
作为本优选方案的一种可能设计，所述步骤S2.2中误差σ可用公式表示为：
σ＝|ωK-ωK-1|；
作为本优选方案的另一种可能设计，所述步骤S2.2中误差σ可用公式表示为：
σ＝|ωK-ωK-1|ωK-1；
作为本优选方案的另一种可能设计，所述步骤S2.2中误差σ可用公式表示为：
σ＝|ωK-ωK-1|/(ωK-1×100)。
作为优选方案，所述步骤S3中，选取信号模态分量的步骤包括：
S3.1.1、计算各模态分量与振动信号数据I的互信息MIi，并对其做归一化处理，得到表示第i个模态分量对应互信息的归一化结果βi，其中i＝1,2,…,K；
S3.1.2、判断βi是否不小于预设阈值τ：若βi≥τ，则第i个模态分量为信号模态分量；若βi<τ，则第i个模态分量为噪声模态分量。
作为本优选方案的一种可能设计，所述步骤S3.1.1中归一化处理过程用公式表示为：
βi＝MIi/max(MIi)，i＝1,2,…,K
其中，MIi表示第i个模态分量与振动信号I的互信息，max(MIi)表示各模态分量互信息中最大值，βi表示第i个模态分量对应互信息的归一化结果，K表示振动信号数据I变分模态分解后得到的模态分量个数。
作为优选方案，所述步骤S3中，根据振动信号数据I计算表征各信号模态分量复杂程度的模糊熵特征值的步骤包括：
S3.2.1、将N维信号模态分量表示为ud(t)＝[ud(1),ud(2),…ud(N)]，其中ud(t)表示第d个信号模态分量，d取值范围为[1,n]，n表示信号模态分量个数；预设参数相空间维度m，相空间维度m表示划分信号模态分量时间序列的窗口大小且m≤N-2；
S3.2.2、对各信号模态分量按照预设参数m进行相空间重构；其中，经过相空间重构的重构信号模态分量时间序列用公式表示为：
式中，通过从第i个数据点开始的连续m个ud(t)去掉均值u0(i)后得到，u0(i)表示从第i个数据点开始的一个窗口下m个数据的平均值；
S3.2.3、引入预设的表征模糊集合的模糊隶属函数，计算任意两个不同的重构信号模态分量时间序列和/>在相空间中的相似度/>其中，j＝1,2,...,N-m+1,且i≠j；
S3.2.4、根据所述相似度计算重构信号模态分量信号的平均相似度φm(m,r)，其表达式为：
其中，r表示相似度的度量值；
S3.2.5、根据所述平均相似度φm(m,r)计算模糊熵，其处理过程用公式表达为：
FE(m,r)＝limN→∞[lnφm(m,r)-lnφm+1(m,r)]
经计算，获得各个信号模态分量信号的模糊熵FE，构成模糊熵特征向量T＝[FE1,FE2,…,FEn]。
作为本优选方案的一种可能设计，引入相似容限度预设模糊隶属函数，所述模糊隶属函数表达式为：
其中，以相似度的度量值r作为相似容限度；x表示模糊隶属函数的输入。
进一步地，输入参数即令/>则所述重构信号模态分量时间序列/>和/>在相空间中的相似度/>用公式表达为：
其中，表示两个重构信号模态分量时间序列/>和/>之间的绝对距离，r表示相似度的度量值，i和j作为下标均表示一个窗口m个数据点的起始索引。
作为优选方案，所述步骤S4中所述预设故障诊断模型包括支持向量机。
作为优选方案，所述步骤S4中，所述预设故障诊断模型经过训练得到，所述训练过程包括以下步骤：
S4.1、收集GIS设备运行时刀闸正常和故障状态振动信号数据，并记录当时刀闸运行状态Y，建立振动信号样本库；
S4.2、对振动信号数据分别进行K层变分模态分解，得到K个不同频段的模态分量，保留信号模态分量，去除噪声模态分量；
S4.3、计算信号模态分量模糊熵特征向量T，并与对应运行状态组合形成特征熵向量数据集D＝{Ti,Yi}，其中Ti表示第i个振动信号样本的模糊熵特征向量，Yi表示第i个振动信号样本对应的运行状态类别，所述运行状态类别包括故障状态类别和正常状态；
S4.4、搭建用于判断GIS刀闸是否正常运行的基于支持向量机的第一阶故障诊断模型，将特征熵向量数据集D中故障状态归为负例、正常状态归为正例，按照预设比例将特征熵向量数据集D划分为训练集和验证集；利用训练集对第一阶故障诊断模型进行训练，并利用验证集验证分类精度，若分类精度达不到目标要求，重新在特征熵向量数据集D中抽取训练集数据进行训练，直到输出最优第一阶故障诊断模型；
S4.5、搭建用于判断GIS刀闸故障类别的多分类支持向量机故障诊断模型，每两类故障状态之间搭建一个支持向量机分类器；将故障状态对应数据从特征熵向量数据集D中抽取出来，形成振动故障数据集；按照步骤S4.4所述方法训练，直到输出最优多分类支持向量机故障诊断模型；
S4.6、所述最优第一阶故障诊断模型和所述最优多分类支持向量机故障诊断模型共同组成预设故障诊断模型。
本优选方案中，首先采用一对多策略，将故障运行状态划分为负例，正常运行状态划分为正例，训练一个支持向量机分类器；对于故障状态分类采用一对一策略，在每两类故障之间都建立一个支持向量机分类器。通过一对多和一对一策略结合的方式，可以减少分类器个数，减少训练分类器时间，从而提高故障诊断效率。
第二方面，本发明还提供了一种GIS刀闸运行状态判断***，应用于上述任一技术方案提出的GIS刀闸运行状态判断方法，包括：
数据采集模块，被配置为获取GIS刀闸运行时振动信号数据，输出振动信号数据时间序列；
数据处理模块，被配置为对所述振动信号数据时间序列进行变分模态分解，输出若干个信号模态分量；
模糊熵计算模块，被配置为对所述信号模态分量计算模糊熵，输出模糊熵特征向量；
故障诊断模块，被配置为将所述模糊熵特征向量输入支持向量机，输出GIS刀闸运行状态；其中，所述支持向量机通过将GIS刀闸正常运行状态和故障运行状态时的信号模态分量特征熵向量数据集作为训练特征训练得到。
第三方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序可被处理器执行以实现如上所述任一技术方案提出的GIS刀闸运行状态判断方法。
与现有技术相比，本发明技术方案的有益效果是：本发明采取自适应的变分模态分解算法对GIS刀闸分合闸时振动信号数据进行处理，实现固有模态分量的有效分离和信号频域的划分，利用模糊熵作为故障诊断特征输入预设的故障诊断模型中，可快速准确的识别GIS刀闸的运行状态，其效率远高于其他多分类神经网络模型，有助于及早介入GIS设备的故障排除工作，降低运维成本。
附图说明
图1为本发明所述GIS刀闸运行状态判断方法流程图；
图2为本发明所述GIS刀闸运行状态判断方法故障判断流程图；
图3为本发明所述故障模型诊断训练流程图；
图4为本发明所述GIS刀闸运行状态判断***框图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供一种GIS刀闸运行状态判断方法，如图1所示，为本实施例的GIS刀闸运行状态判断方法流程图。
本实施例提出的GIS刀闸运行状态判断方法，包括以下步骤：
S1、获取GIS设备运行期间刀闸分合闸时的N维的振动信号数据I，其中数据维度N表示获取到的振动信号数据点个数，用公式表示为：
N＝fs×t
式中，fs为信号采样频率，t为信号采样时间；
S2、对获取的振动信号数据I进行变分模态分解，得到若干个不同频段的模态分量，所述模态分量包括信号模态分量和噪声模态分量；
S3、从所述模态分量中选取信号模态分量，根据振动信号数据I计算表征各信号模态分量复杂程度的模糊熵特征值，形成模糊熵特征向量；
S4、将模糊熵特征向量输入到预设的故障诊断模型中，输出GIS设备刀闸运行状态。
本实施例所采用变分模态分解算法是一种自适应、完全非递归的模态分解和信号处理方法，可以将信号的固有模态分量实现有效分离和信号频域划分。此外，由于模糊熵特征值可以反映信号的复杂程度，且正常状态下GIS刀闸振动信号为规律振动，当出现故障时，其振动信号数据的复杂程度大幅提高，故可利用模糊熵作为故障诊断特征。
在一具体实施过程中，所述步骤S1包括但不限于振动加速度传感器以3200hz的采样频率采集3秒的振动信号数据时，采集振动信号开始于刀闸分合闸瞬间，直到3秒采样时间结束，得到的振动信号数据维度数量N为9600。即以3200hz的采样频率采集3秒振动信号数据共可采集到9600个数据点共同构成振动信号数据I。
在一可选实施例中，所述步骤S2中对获取的振动信号数据I进行变分模态分解具体步骤如下：
S2.1、设定模态分量个数K的初始值，对振动信号数据I进行变分模态分解得到K个模态分量，分别计算每个模态分量的中心频率；
S2.2、计算第K个模态分量的中心频率ωK与第K-1个模态分量的中心频率ωK-1的误差σ；
S2.3、判断中心频率误差σ是否小于预设的误差阈值Δ：若σ<Δ，则输出稳定模态分量个数S＝K，将获取的振动信号数据I变分模态分解成S个模态分量；若σ≥Δ，则执行步骤S2.4；
S2.4、设定模态分量个数K＝K+1，其余参数不变，重复执行步骤S2.1-S2.4，直至中心频率误差σ小于预设误差阈值Δ，输出稳定模态分量个数S，将获取的振动信号数据I变分模态分解成S个模态分量。
进一步地，所述误差σ可用公式表达为：
σ＝|ωK-ωK-1|ωK-1；
在一具体实施过程中，包括但不限于将误差阈值Δ设为5％，即当σ<5％时，可以认定当前模态分量个数为稳定模态分解个数。
在一可选实施例中，变分模态分解中不等式约束指各模态分量相应的估计带宽和应为最小，所述变分模态分解约束模型为：
其中，σ(t)为狄拉克函数；ud(t)为变分模态分解得到的d个模态分量信号；{ωk}为各模态分量对应中心频率，即{ωk}＝{ω1,ω2,…,ωk}，I为振动信号数据时间序列。
将K设为稳定模态分量S，将获取的振动信号数据I输入变分模态分解约束模型中进行变分模态分解，对变分模态分解约束模型迭代求解得到各个模态分量。
在一具体实施过程中，包括但不限于设置稳定模态分量个数S取值范围为[4,8]，可保证信号分解的准确性。
本实施例中，所述步骤S3需要选取各模态分量中的信号模态分量进行模糊熵特征值的计算。
在一可选实施例中，所述步骤S3中，选取信号模态分量的步骤包括：
S3.1.1、计算各模态分量与振动信号数据I的互信息MIi，并对其做归一化处理，得到表示第i个模态分量对应互信息的归一化结果βi，其中i＝1,2,…,K；
S3.1.2、判断βi是否大于预设阈值τ：若βi≥τ，则第i个模态分量为信号模态分量；若βi<τ，则第i个模态分量为噪声模态分量。
在一具体实施过程中，包括但不限于将阈值τ设为0.05，所述归一化处理过程用公式表示为：
βi＝MIi/max(MIi)，i＝1,2,…,K
其中，MIi表示第i个模态分量与振动信号数据I的互信息，max(MIi)表示各模态分量互信息中最大值，βi表示第i个模态分量对应互信息的归一化结果；当βi>0.05时，可以认定第i个模态分量为信号模态分量。
本实施例中，所述步骤S3中，选取出信号模态分量后，计算各信号模态的模糊熵特征值，形成模糊熵特征向量。
在一可选实施例中，根据预设参数对各信号模态分量进行相空间重构，引入预设的模糊隶属函数，计算此时相空间中两个重构信号模态分量时间序列的相似度，进而获得重构信号模态分量信号的平均相似度，计算模糊熵。
在一具体实施过程中，N维信号模态分量表示为ud(t)＝[ud(1),ud(2),…ud(N)]，其中ud(t)表示第d个信号模态分量，d取值范围为[1,n]，n表示信号模态分量个数；
预设参数相空间维度m，相空间维度m表示划分信号模态分量时间序列的窗口大小且m≤N-2；对各信号模态分量按照预设参数m进行相空间重构，以相空间维度m重构的重构信号模态分量时间序列可通过如下公式表示：
式中，表示从第i个点开始的连续m个ud(t)去掉均值u0(i)，u0(i)表示从第i个点开始的一个窗口下m个数据的平均值，d取值为1到n，表示取n个信号模态分量。
引入相似容限度r预设模糊隶属函数A(x)，可通过如下公式表示：
模糊隶属函数用于表征模糊集合，能够说明一个集合中的元素是否属于特定子集合。根据模糊隶属函数A(x)，计算此时相空间中任意两个不同的重构信号模态分量时间序列和/>的相似度/>可通过如下公式表示：
其中，表示两个重构信号模态分量时间序列/>和/>之间的绝对距离，r表示相似度的度量值，i和j作为下标均表示一个窗口m个数据点的起始索引。
根据两个重构信号模态分量时间序列相似度计算重构信号模态分量信号的平均相似度φm(r)，可以通过如下公式表示：
根据重构信号模态分量信号的平均相似度计算模糊熵，其处理过程可以通过如下公式表示：
FE(m,r)＝limN→∞[lnφm(m,r)-lnφm+1(m,r)]
通过上述各步骤获得各个信号模态分量的模糊熵FE，FEi表示第i个信号模态分量的模糊熵，i＝[1,n]，构成模糊熵特征向量T＝[FE1,FE2,…,FEn]。
本实施例中，所述步骤S4中，参阅图2，将振动信号数据处理后得到的模糊熵特征向量输入到预设的故障诊断模型中，即可输出GIS设备的刀闸是否正常运行；当识别到GIS刀闸处于故障状态时，会进一步输出故障类别。
在一可选实施例中，所述预设故障诊断模型包括支持向量机，参阅图3，其经过训练得到，训练过程包括以下步骤：
S4.1、收集GIS设备运行时刀闸正常和故障状态振动信号数据，并记录当时刀闸运行状态Y，建立振动信号样本库；
S4.2、对振动信号数据分别进行K层变分模态分解，得到K个不同频段的模态分量，保留信号模态分量，去除噪声模态分量；
S4.3、计算信号模态分量模糊熵特征向量T，并与对应运行状态组合形成特征熵向量数据集D＝{Ti,Yi}，其中Ti表示第i个振动信号样本的模糊熵特征向量，Yi表示第i个振动信号样本对应的运行状态类别，所述运行状态类别包括故障状态类别和正常状态；
S4.4、搭建用于判断GIS刀闸是否正常运行的基于支持向量机的第一阶故障诊断模型，将特征熵向量数据集D中故障状态归为负例、正常状态归为正例，按照预设比例将特征熵向量数据集D划分为训练集和验证集；利用训练集对第一阶故障诊断模型进行训练，并利用验证集验证分类精度，若分类精度达不到目标要求，重新在特征熵向量数据集D中抽取训练集数据进行训练，直到输出最优第一阶故障诊断模型；
S4.5、搭建用于判断GIS刀闸故障类别的多分类支持向量机故障诊断模型，每两类故障状态之间搭建一个支持向量机分类器；将故障状态对应数据从特征熵向量数据集D中抽取出来，形成振动故障数据集；按照步骤S4.4所述方法训练，直到输出最优多分类支持向量机故障诊断模型；
S4.6、将所述最优第一阶故障诊断模型和所述最优多分类支持向量机故障诊断模型共同组成预设故障诊断模型。
在该可选实施例中，采用多分类支持向量机作为故障诊断模型，首先采用一对多策略，将故障运行状态都划分为负例，正常运行状态为正例，训练一个支持向量机分类器；对于故障状态分类采用一对一策略，在每两类故障之间都建立一个支持向量机分类器，即有M类故障，则需要建立M(M-1)/2个分类器。
在一具体实施过程中，所述步骤S4.3中，刀闸运行状态可能取值Yi的取值为[1，2，…n]，n为故障状态数量加1，对应若干个故障状态类别和唯一个正常状态。
所述步骤S4.4中，将特征熵向量数据集D中故障状态归为负例、正常状态归为正例，按照训练集与验证集间比例为8：2进行随机抽取划分，选用径向基核函数，利用训练集对分类器进行训练，利用验证集验证分类准确度。若分类精度达到90％以上即可输出第一阶故障诊断模型，若分类精度达不到目标要求，则重新在数据集D中抽取训练集数据进行训练，直至分类精度达到要求。
所述步骤S4.5中，所述故障状态对应数据包括故障状态类别和对应的模糊熵特征向量；在每两类样本之间训练一个支持向量机分类器，训练过程采用10折交叉验证：将样本随机分成10份，随机选取其中9份作为训练样本，1份作为验证样本，计算分类结果的精确率和召回率，利用F1-Measure来选择最优化参数。在M类故障之间，训练得到M(M-1)/2个支持向量机分类器，最后采用投票法确定最终故障类别。如有故障类型A、B、C、D四类，则在训练时选择A,B、A,C、A,D、B,C、B,D和C,D所对应的样本作为训练集，分别训练得到6个SVM分类器；将故障振动模糊熵特征向量分别输入到上述6个分类器中，得到6个分类结果，最后采用投票形式，得到故障类型。当分类精度达到90％以上，即可输出多分类支持向量机故障诊断模型。
实施例2
本实施例提供了一种GIS刀闸运行状态判断***，应用实施例1提出的GIS刀闸运行状态判断方法。如图4所示，为本实施例GIS刀闸运行状态判断***框图。
本实施例提出的GIS刀闸运行状态判断***，包括数据采集模块、数据处理模块、模糊熵计算模块和故障诊断模块。
其中，数据采集模块，被配置为获取GIS刀闸运行时振动信号数据，输出振动信号数据时间序列。
在一具体实施过程中，数据采集模块通过单片机电脑、振动加速度传感器和数据采集卡实现对GIS设备刀闸运行时振动信号数据的采集和输出。
数据处理模块，被配置为对所述振动信号数据时间序列进行变分模态分解，输出若干个信号模态分量。
模糊熵计算模块，被配置为对所述信号模态分量计算模糊熵，输出模糊熵特征向量。
故障诊断模块，被配置为将所述模糊熵特征向量输入支持向量机，输出GIS刀闸运行状态；其中，所述支持向量机通过将GIS刀闸正常运行状态和故障运行状态时的信号模态分量特征熵向量数据集D作为训练特征训练得到。
在一具体实施过程中，所述数据处理模块、模糊熵计算模块和故障诊断模块均被部署在服务器上，所述服务器可对振动信号数据进行读取和计算。
实施例3
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例1中提出的GIS刀闸运行状态判断方法的步骤。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种GIS刀闸运行状态判断方法，其特征在于，包括以下步骤：
S1、获取GIS设备运行期间刀闸分合闸时的N维的振动信号数据I，其中数据维度N表示获取到的振动信号数据点个数；
S2、对获取的振动信号数据I进行变分模态分解，得到若干个不同频段的模态分量，所述模态分量包括信号模态分量和噪声模态分量；具体步骤如下：
S2.1、设定模态分量个数K的初始值，对振动信号数据I进行变分模态分解得到K个模态分量，分别计算每个模态分量的中心频率；
S2.2、计算第K个模态分量的中心频率ωK与第K-1个模态分量的中心频率ωK-1的误差σ；
S2.3、判断中心频率误差σ是否小于预设的误差阈值Δ：若σ<Δ，则输出稳定模态分量个数S＝K，将获取的振动信号数据I变分模态分解成S个模态分量；若σ≥Δ，则执行步骤S2.4；
S2.4、设定模态分量个数K＝K+1，其余参数不变，重复执行步骤S2.1-S2.4，直至中心频率误差σ小于预设误差阈值Δ，输出稳定模态分量个数S，将获取的振动信号数据I进行变分模态分解成S个不同频段的模态分量；
S3、从所述模态分量中选取信号模态分量，根据振动信号数据I计算表征各信号模态分量复杂程度的模糊熵特征值，得到模糊熵特征向量；其中，计算表征各信号模态分量复杂程度的模糊熵特征值的步骤包括：
S3.2.1、将N维信号模态分量表示为ud(t)＝[ud(1),ud(2),…ud(N)]，其中ud(t)表示第d个信号模态分量，d取值范围为[1,n]，n表示信号模态分量个数；预设参数相空间维度m，相空间维度m表示划分信号模态分量时间序列的窗口大小且m≤N-2；
S3.2.2、对各信号模态分量按照预设参数m进行相空间重构；其中，经过相空间重构的重构信号模态分量时间序列用公式表示为：
式中，通过从第i个数据点开始的连续m个ud(t)去掉均值u0(i)后得到，u0(i)表示从第i个数据点开始的一个窗口下m个数据的平均值；
S3.2.3、引入预设的表征模糊集合的模糊隶属函数，计算任意两个不同的重构信号模态分量时间序列和/>在相空间中的相似度/>其中，j＝1,2,...,N-m+1，且i≠j；
引入相似容限度预设模糊隶属函数，所述模糊隶属函数表达式为：
其中，以相似度的度量值r作为相似容限度；x表示模糊隶属函数的输入；
S3.2.4、根据所述相似度计算重构信号模态分量信号的平均相似度φm(m,r)，其表达式为：
其中，r表示相似度的度量值；
S3.2.5、根据所述平均相似度φm(m,r)计算模糊熵，其处理过程用公式表达为：
FE(m,r)＝limN→∞[lnφm(m,r)-lnφm+1(m,r)]
经计算，获得各个信号模态分量的模糊熵FE，构成模糊熵特征向量
T＝[FE1,FE2,…,FEn]；
S4、将模糊熵特征向量输入到预设故障诊断模型中，输出GIS设备刀闸运行状态。
2.根据权利要求1所述的一种GIS刀闸运行状态判断方法，其特征在于，所述步骤S3中，从所述模态分量中选取信号模态分量的步骤包括：
S3.1.1、计算各模态分量与振动信号数据I的互信息MIi，并对其做归一化处理，获得表示第i个模态分量对应互信息的归一化结果βi；
S3.1.2、根据βi是否不小于预设阈值τ选取信号模态分量：若βi≥τ，则第i个模态分量为信号模态分量；若βi<τ，则第i个模态分量为噪声模态分量。
3.根据权利要求1所述的一种GIS刀闸运行状态判断方法，其特征在于，输入参数所述重构信号模态分量时间序列/>和/>在相空间中的相似度/>用公式表达为：
其中，表示两个重构信号模态分量时间序列/>和/>之间的绝对距离，r表示相似度的度量值，i和j作为下标均表示一个窗口m个数据点的起始索引。
4.根据权利要求1所述的一种GIS刀闸运行状态判断方法，其特征在于，所述步骤S4中所述预设故障诊断模型包括支持向量机。
5.根据权利要求1所述的一种GIS刀闸运行状态判断方法，其特征在于，所述步骤S4中，所述步骤S4中，所述预设故障诊断模型经过训练得到，所述训练过程包括以下步骤：
S4.1、收集GIS设备运行时刀闸正常和故障状态振动信号数据，并记录当时刀闸运行状态Y，建立振动信号样本库；
S4.2、对振动信号数据分别进行K层变分模态分解，得到K个不同频段的模态分量，保留信号模态分量，去除噪声模态分量；
S4.3、计算信号模态分量模糊熵特征向量T，并与对应运行状态组合形成特征熵向量数据集D＝{Ti,Yi}，其中Ti表示第i个振动信号样本的模糊熵特征向量，Yi表示第i个振动信号样本对应的运行状态类别，所述运行状态类别包括故障状态类别和正常状态；
S4.4、搭建用于判断GIS刀闸是否正常运行的基于支持向量机的第一阶故障诊断模型，将特征熵向量数据集D中故障状态归为负例、正常状态归为正例，按照预设比例将特征熵向量数据集D划分为训练集和验证集；利用训练集对第一阶故障诊断模型进行训练，并利用验证集验证分类精度，若分类精度达不到目标要求，重新在特征熵向量数据集D中抽取训练集数据进行训练，直到输出最优第一阶故障诊断模型；
S4.5、搭建用于判断GIS刀闸故障类别的多分类支持向量机故障诊断模型，每两类故障状态之间搭建一个支持向量机分类器；将故障状态对应数据从特征熵向量数据集D中抽取出来，形成振动故障数据集；按照步骤S4.4所述方法训练，直到输出最优多分类支持向量机故障诊断模型；
S4.6、将所述最优第一阶故障诊断模型和所述最优多分类支持向量机故障诊断模型共同组成预设故障诊断模型。
6.一种GIS刀闸运行状态判断***，应用权利要求1～5任一项所述的GIS刀闸运行状态判断方法，其特征在于，包括：
数据采集模块，被配置为获取GIS刀闸运行时振动信号数据，输出振动信号数据时间序列；
数据处理模块，被配置为对所述振动信号数据时间序列进行变分模态分解，输出若干个信号模态分量；
模糊熵计算模块，被配置为对所述信号模态分量计算模糊熵，输出模糊熵特征向量；
故障诊断模块，被配置为将所述模糊熵特征向量输入支持向量机，输出GIS刀闸运行状态；其中，所述支持向量机通过将GIS刀闸正常运行状态和故障运行状态时的信号模态分量特征熵向量数据集作为训练特征训练得到。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的GIS刀闸运行状态判断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211026877.9A CN115453336B (zh) | 2022-08-25 | 2022-08-25 | 一种gis刀闸运行状态判断方法、***及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211026877.9A CN115453336B (zh) | 2022-08-25 | 2022-08-25 | 一种gis刀闸运行状态判断方法、***及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115453336A CN115453336A (zh) | 2022-12-09 |
| CN115453336B true CN115453336B (zh) | 2024-03-12 |
Family
ID=84299512
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211026877.9A Active CN115453336B (zh) | 2022-08-25 | 2022-08-25 | 一种gis刀闸运行状态判断方法、***及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115453336B (zh) |
Citations (9)
| 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 |
| CN110146294A (zh) * | 2019-04-23 | 2019-08-20 | 莆田学院 | 一种风力发电机振动故障诊断方法及存储介质 |
| CN110146269A (zh) * | 2019-05-28 | 2019-08-20 | 河海大学 | 基于eemd的多尺度模糊熵的oltc故障诊断方法 |
| CN112014047A (zh) * | 2020-08-27 | 2020-12-01 | 华侨大学 | 一种有载分接开关机械故障诊断方法 |
| CN113191247A (zh) * | 2021-04-27 | 2021-07-30 | 国网山西省电力公司电力科学研究院 | 一种gis设备机械故障诊断方法及*** |
| CN113408458A (zh) * | 2021-06-29 | 2021-09-17 | 北京交通大学 | 一种基于振动信号特征熵融合的断路器故障诊断方法 |
| CN114139293A (zh) * | 2021-08-18 | 2022-03-04 | 福州大学 | 一种滚动轴承故障诊断方法及*** |
| CN114167237A (zh) * | 2021-11-30 | 2022-03-11 | 西安交通大学 | 一种gis局部放电故障识别方法、***、计算机设备、存储介质 |
| CN114608826A (zh) * | 2022-03-16 | 2022-06-10 | 合肥工业大学 | 轴承故障诊断模型的训练方法、诊断方法及诊断装置 |
-
2022
- 2022-08-25 CN CN202211026877.9A patent/CN115453336B/zh active Active
Patent Citations (9)
| 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 |
| CN110146294A (zh) * | 2019-04-23 | 2019-08-20 | 莆田学院 | 一种风力发电机振动故障诊断方法及存储介质 |
| CN110146269A (zh) * | 2019-05-28 | 2019-08-20 | 河海大学 | 基于eemd的多尺度模糊熵的oltc故障诊断方法 |
| CN112014047A (zh) * | 2020-08-27 | 2020-12-01 | 华侨大学 | 一种有载分接开关机械故障诊断方法 |
| CN113191247A (zh) * | 2021-04-27 | 2021-07-30 | 国网山西省电力公司电力科学研究院 | 一种gis设备机械故障诊断方法及*** |
| CN113408458A (zh) * | 2021-06-29 | 2021-09-17 | 北京交通大学 | 一种基于振动信号特征熵融合的断路器故障诊断方法 |
| CN114139293A (zh) * | 2021-08-18 | 2022-03-04 | 福州大学 | 一种滚动轴承故障诊断方法及*** |
| CN114167237A (zh) * | 2021-11-30 | 2022-03-11 | 西安交通大学 | 一种gis局部放电故障识别方法、***、计算机设备、存储介质 |
| CN114608826A (zh) * | 2022-03-16 | 2022-06-10 | 合肥工业大学 | 轴承故障诊断模型的训练方法、诊断方法及诊断装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115453336A (zh) | 2022-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bazan et al. | Stator short-circuit diagnosis in induction motors using mutual information and intelligent systems | |
| CN103968937B (zh) | 一种基于emd样本熵和fcm的配电开关机械状态诊断方法 | |
| CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
| CN112213640A (zh) | 一种电机故障诊断方法及其相关设备 | |
| CN106199267B (zh) | 一种电力设备故障特征分析方法 | |
| EP3837565B1 (en) | Method, apparatus and device for evaluating the state of a distribution transformer, and a medium and a program | |
| CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及*** | |
| CN110715678B (zh) | 一种传感器异常检测方法及装置 | |
| CN109116243B (zh) | 一种动力电池的异常检测方法和装置 | |
| CN113379252A (zh) | 基于多尺度排列熵值的贝叶斯网络高压开关柜健康***评估方法 | |
| CN114236393A (zh) | 基于大数据的在线检测电池异常的方法及*** | |
| Li et al. | Dynamic data-driven identification of battery state-of-charge via symbolic analysis of input–output pairs | |
| CN116559667A (zh) | 模型训练方法及装置、电池检测方法及装置、设备、介质 | |
| CN115453336B (zh) | 一种gis刀闸运行状态判断方法、***及计算机可读存储介质 | |
| CN116400244B (zh) | 储能电池的异常检测方法及装置 | |
| CN115514620B (zh) | 一种异常检测的方法和云网络平台 | |
| CN116090353A (zh) | 产品剩余寿命预测方法和装置、电子设备及存储介质 | |
| CN112906489A (zh) | 一种基于lmd与排列熵的变压器机绕组松动识别方法 | |
| Patel et al. | Development of feature extraction and classification for bearing fault analysis of induction motor | |
| CN112001326B (zh) | 基于振动指纹的高压开关装备故障诊断与预测方法和*** | |
| CN118032122B (zh) | 一种基于gis运行声音的异常检测方法、装置及介质 | |
| CN117124857B (zh) | 一种绝缘异常识别方法、装置、可读存储介质及电动汽车 | |
| CN117538760B (zh) | 一种铅酸蓄电池参数辨识方法及相关装置 | |
| CN117890825B (zh) | 充电枪的泄露电流测试方法、装置、设备及存储介质 | |
| Aroui et al. | Autoencoder-Based Unsupervised Anomaly Detection in Induction Motors Diagnosis |
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 |