CN116773961A - 基于振动信号高频特征分析的输电线路腐蚀检测方法 - Google Patents
基于振动信号高频特征分析的输电线路腐蚀检测方法 Download PDFInfo
- Publication number
- CN116773961A CN116773961A CN202310716325.9A CN202310716325A CN116773961A CN 116773961 A CN116773961 A CN 116773961A CN 202310716325 A CN202310716325 A CN 202310716325A CN 116773961 A CN116773961 A CN 116773961A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- power transmission
- corrosion
- model
- frequency
- 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.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 123
- 230000007797 corrosion Effects 0.000 title claims abstract description 112
- 238000005260 corrosion Methods 0.000 title claims abstract description 112
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000012706 support-vector machine Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biochemistry (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开基于振动信号高频特征分析的输电线路腐蚀检测方法,该方法利用高频传感器实现对输电线路的高频信号采集,从振动信号中提取高频特征,通过分析信号波形特性,并通过傅里叶变换分析提取反映输电线路腐蚀的高频振动信号特征参数,建立腐蚀特征参数模型和输电线路腐蚀识别模型,准确地识别输电线路腐蚀的严重程度,实现对输电线路腐蚀隐患的检测、评估和预警。与传统的输电线路腐蚀检测方法相比,该方法具有检测速度快、检测准确度高、无需停电等优点,可以实现对输电线路的在线实时监测。
Description
技术领域
本发明涉及输电线路检测技术领域,特别涉及一种基于振动信号高频特征分析的输电线路腐蚀检测方法。
背景技术
输电线路腐蚀问题是电力***中常见的难题之一。腐蚀程度的严重程度会对输电线路的安全运行和寿命产生重要影响,因此,开发一种快速准确的输电线路腐蚀检测方法对于电力***的安全稳定运行至关重要。然而,传统的输电线路腐蚀检测方法,如目视检查、化学分析、金相分析等方法存在着许多局限性,例如检测效率低、准确性差、需要停电等问题,不能满足现代电力***的要求。如现有的输电线路腐蚀检测方法,检测效率低、准确性差,难以判断输电线路是否受到腐蚀,且检测过程中往往需要停电,化学分析的方式通常耗时耗力,且为接触式的检测,给线路带来了一定的干扰和风险。
发明内容
针对现有技术中存在的不足,本发明提供一种基于振动信号高频特征分析的输电线路腐蚀检测方法,能够解决现有技术的输电线路腐蚀检测方法存在的检测效率低、准确性差的问题。
具体技术方案如下:
一种基于振动信号高频特征分析的输电线路腐蚀检测方法,包括以下步骤:
步骤S1、使用传感器从输电线路收集高频振动信号;
步骤S2、从振动信号中提取高频特征;
步骤S3、选择特征,其包括有:
计算每个特征与传输线路腐蚀水平之间的相关性,计算公式如下:
其中,x表示输电线路的振动信号,y表示腐蚀程度相关的特征,rxy表示x与y之间的相关系数,n表示样本数目,xi与yi分别表示样本中第i个数据点的x和y的取值,与/>分别表示x和y的均值;
通过计算所有特征之间的相关矩阵并删除具有高相关性的特征来消除冗余特征,计算公式如下:
其中,ρi,j表示第i个特征和第j个特征之间的皮尔逊相关系数,cov(xi,xj)表示第i个特征和第j个特征的协方差,表示第i个特征的标准差,μi表示第i个特征的平均值;表示第j个特征的标准差,μj表示第j个特征的平均值;xi与yi分别表示样本中第i个数据点的x和y的取值;xj与yj分别表示样本中第j个数据点的x和y的取值;计算出所有特征两两之间的相关系数后,即可组成相关矩阵;
应用特征选择算法来选择有助于腐蚀检测精度的最相关特征;
步骤S4、建立模型;
步骤S5、把腐蚀程度分级,经过模型训练和测试后得到一个能够判断输电线路腐蚀程度的模型,设定一个阈值,如果测试结果显示输电线路腐蚀程度超过阈值,则生成警报或通知,以实现输电线路腐蚀检测。
进一步地,所述使用传感器从输电线路收集高频振动信号包括有信号采集和高频信号预处理;所述信号采集为采集输电线路的高频振动信号,并将信号传输到数据采集***;所述高频信号预处理为对采集到的高频信号进行滤波、去噪预处理。
进一步地,所述高频信号预处理包括:
1)采用数字高通滤波,将采集到的数字信号输入到数字高通滤波器中,进行滤波处理,具体包括:确定数字高通滤波器的截止频率和滤波器类型,将数字高通滤波器表示为一个差分方程,对于一阶高通滤波器,其差分方程表示为:
y[n]=b0*x[n]+b1*x[n-1]+b2*x[n-2]+...-a1*y[n-1]-a2*y[n-2]-...
其中,y[n]表示输出信号的当前样本,x[n]表示输入信号的当前样本,系数b0,b1,b2,...为输入信号的加权系数,a1,a2,...为输出信号的加权系数;使用该差分方程,以通过递推方式计算输出信号的每个样本,如下:
S11、初始化滤波器状态,将输入和输出信号的初始状态设置为零,即x[n]=0,y[n]=0;
S12、递推计算输出信号,对于每个输入信号的样本x[n],根据差分方程进行计算得到对应的输出信号样本y[n];然后更新输入和输出信号的状态,即将当前样本存储为下一次计算的前一个样本,以便下一次迭代时使用;
S13、重复S12直到处理完所有的输入信号样本,通过递推计算,依次处理输入信号的每个样本,即可实现数字高通滤波器的直接实现。
2)对信号进行降噪处理,采用小波去噪,包括:选取合适的小波基函数;对原始信号进行小波分解;对每个小波分量进行阈值处理;对处理后的小波分量进行重构。
进一步地,步骤S2中所述从振动信号中提取高频特征为采用傅里叶变换时频分析对信号进行高频特征提取,获取与输电线路腐蚀相关的特征参数,包括:
1)时域特征提取:在时域中,选用的特征包括均值、方差、标准差、峰值、峰值,以通过上述特征描述信号的幅度、波形、峰值和起伏特点;
2)频域特征提取:在频域中,通过傅里叶变换将时域信号转换为频域信号,进而提取频域特征;选用的频域特征包括功率谱密度、频率、频带宽度、频率峰值、能量,以通过上述特征来描述信号在不同频率下的特征。
进一步地,所述建立模型,包括使用支持向量机(SVM)来建立分类模型,将前序选择的特征作为模型的输入特征,将输电线路腐蚀程度作为模型的输出结果,通过训练得到的模型来对输电线路进行腐蚀检测。
进一步地,SVM模型的建立包括训练和预测两阶段;
在训练阶段,根据已有的样本数据,使用SVM算法来寻找最优分割超平面,并确定超平面的参数;
在预测阶段,将测试样本映射到高维空间,使用训练得到的最优超平面对其进行分类。
进一步地,具体的模型建立步骤包括:
S41、数据准备和预处理:收集和整理带有标签的训练数据集,并确保每个样本都有对应的特征向量和类别标签;对特征进行选择,进行必要的数据预处理操作,以确保特征在相同的尺度上;
S42、划分数据集:将数据集划分为训练集和测试集,采用随机划分或交叉验证方法,训练集用于训练SVM模型的参数,测试集用于评估模型的性能和泛化能力;
S43、模型训练:调用SVM库或工具来建立SVM模型,在SVM模型中选择高斯径向基函数作为核函数;设置正则化参数C;设置高斯核函数的带宽参数,也称为gamma值;
S44、参数调优:使用交叉验证方法进行参数调优,以选择最佳的C和gamma值组合;通过尝试不同的参数组合并使用交叉验证来评估每个组合的性能,选择在测试集上表现最佳的参数组合;
S45、模型评估:使用测试集数据对训练好的SVM模型进行评估;
S46、模型应用:使用训练好的SVM模型对新的未知样本进行分类或回归预测;对于分类问题,将新的未知样本的特征向量输入到训练好的SVM模型中,根据模型的分类决策函数输出预测的类别标签;对于回归问题,SVM模型用作支持向量回归模型。
进一步地,还包括有:
S47、模型调优和改进:若模型的性能不符合预期,则对模型进行调优和改进,采用以下方法中的至少一种来实现:方法一,调整正则化参数C和高斯核函数的带宽参数gamma,以找到更好的平衡点;方法二,使用特征工程技术来提取更有信息量的特征,或者尝试其他核函数进行非线性映射;方法三,使用集成学习方法将多个SVM模型组合起来,以进一步提升性能。
进一步地,步骤S5中,把腐蚀程度分为5个等级,分别为0级、1级、2级、3级、4级,腐蚀等级由0级到4级依序为腐蚀程度加重,其中0级表示无腐蚀,4级表示腐蚀最严重,经过模型训练和测试,得到一个能够判断输电线路腐蚀程度的模型,设定阈值为2.5,如果测试结果显示输电线路腐蚀程度超过阈值,则生成警报或通知,以实现输电线路腐蚀检测。
进一步地,根据步骤S5中检测模型预警到的信号进行现场的维修和处理,通过实际的维修处理结果对检测模型进行进一步的修正和优化。
随着传感器技术和高速信号处理技术的不断发展,利用高频信号特征进行输电线路腐蚀检测将成为一种新的研究方向。本发明即为一种基于振动信号高频特征分析的输电线路腐蚀检测方法。
当输电线受到风等外界力作用时,它会产生一定的振动,这种振动会在输电线上形成一些波纹或者波浪形变,腐蚀使得输电线的表面不光滑,这会使得输电线在振动时摩擦阻力增大,从而降低了输电线的自然频率和抗风振性能。因此,输电线腐蚀度越高,其抗风振能力越低,容易发生振动,进而影响电力***的稳定性和安全性。基于振动信号高频特征分析的输电线路腐蚀检测方法可以利用高频传感器实现对输电线路的高频信号采集,通过分析信号波形特性,并通过傅里叶变换分析提取反映输电线路腐蚀的高频振动信号特征参数,建立腐蚀特征参数模型和输电线路腐蚀识别模型,准确地识别输电线路腐蚀的严重程度,实现对输电线路腐蚀隐患的检测、评估和预警。与传统的输电线路腐蚀检测方法相比,该方法具有检测速度快、检测准确度高、无需停电等优点,可以实现对输电线路的在线实时监测。
该方法具有非接触、高效、准确等特点,可以实现对输电线路的腐蚀程度进行快速准确的检测。该方法主要利用振动信号分析,通过对输电线路振动信号的高频特征进行分析,提取出其中包含的腐蚀特征信息。具体而言,该方法将输电线路的振动信号采集下来,并使用数字高通滤波器滤除低频成分,然后对高频信号进行功率谱分析,提取出频率域的特征参数。接下来,利用支持向量机(SVM)等机器学习方法建立分类模型,对不同腐蚀程度的输电线路进行分类。最终,根据分类结果进行腐蚀程度的判断和预警。
与现有技术相比,本发明的有益效果为:
基于振动信号高频特征分析的输电线路腐蚀检测方法可以用于检测输电线路的腐蚀情况,并根据检测结果进行相应的维护和保护措施,从而延长输电线路的使用寿命。此外,在输电线路的设计和制造过程中,该方法可以用于对输电线路的质量进行检测和评估,确保输电线路的安全可靠运行,因此,该检测方法在电力***领域的应用前景非常广阔。使用基于振动信号高频特征分析的输电线路腐蚀检测方法,可以获得以下优势和益处:
1、高效准确:该方法通过分析振动信号的高频特征,能够快速而准确地检测出输电线路的腐蚀情况,避免了传统方法中需要停电、化学分析等耗时耗力的步骤;
2、非接触式检测:基于振动信号的检测方法无需直接接触输电线路,而是通过传感器等设备对振动信号进行采集和分析,从而实现了对线路的非接触式检测,减少了对线路的干扰和风险;
3、应用广泛:该方法不仅适用于输电线路的维护和保护,还可以应用于输电线路的设计和制造过程中;通过对新建线路的质量检测,可以确保线路的安全可靠运行,提高电力***的稳定性和可靠性;
4、数据驱动:基于机器学习方法的建模过程,可以根据实际数据对模型进行训练和优化,使其能够更好地适应不同线路的腐蚀特征,提高预测的准确性和可靠性;
5、实时监测和预警:该方法可以实现对输电线路的实时监测,并及时发出预警信号,以便采取相应的维护和保护措施,避免腐蚀问题导致的安全隐患和线路故障。
总而言之,基于振动信号高频特征分析的输电线路腐蚀检测方法在电力***中具有重要的应用价值。通过该方法,可以实现对输电线路腐蚀情况的准确检测和预警,提高线路的安全性和可靠性,为电力***的稳定运行和寿命延长做出贡献。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明的基于振动信号高频特征分析的输电线路腐蚀检测方法的示意流程图。
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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参照图1,本发明优选的实施例提供一种基于振动信号高频特征分析的输电线路腐蚀检测方法,该方法包括以下步骤:
步骤S1、使用传感器从输电线路收集高频振动信号。
所述使用传感器从输电线路收集高频振动信号包括有信号采集和高频信号预处理;所述信号采集为采集输电线路的高频振动信号,并将信号传输到数据采集***;所述高频信号预处理为对采集到的高频信号进行滤波、去噪预处理。
信号采集和高频信号预处理,具体的,在输电线路上安装振动传感器,采集输电线路的高频振动信号,并将信号传输到数据采集***,将输电线路振动信号转化为电信号,并将其传输到数据采集***,包括有:
根据输电线路的类型、电压等级、线路结构和工作环境等因素,选择合适的振动传感器类型和规格;
针对输电线路的不同部位和结构,选择合适的传感器安装位置和方法,选择在导线上安装振动传感器;
对于输电线路的高频信号,进行相应的信号处理和滤波;采集过程中需要考虑线路的工作状态、环境噪声等因素,采用合适的采样率和采样深度,以保证采集到的信号准确和可靠;
针对采集到的信号数据,进行信号处理和分析,提取有用的特征信息;通过信号频谱分析、时域分析等方法,得到线路的振动特征,从而判断线路的工作状态和健康状况。
进一步地,所述高频信号预处理,为对采集到的高频信号进行滤波、去噪等预处理,提高信号的质量。对采集的信号进行滤波处理,以去除其中的噪声和干扰,使信号更加稳定和准确。具体包括:
1)采用数字高通滤波,将采集到的数字信号输入到数字高通滤波器中,进行滤波处理。
在处理过程中,选择不同的滤波器类型和截止频率,以及不同的阶数,以获得不同的滤波效果,采用基于差分方程的直接实现,该方法将数字高通滤波器表示为一个差分方程,其中输入信号和输出信号之间的关系可以用递推式来表示。具体包括:首先,确定数字高通滤波器的截止频率和滤波器类型,例如一阶高通滤波器或二阶高通滤波器等,然后将数字高通滤波器表示为一个差分方程,对于一阶高通滤波器,其差分方程可以表示为:
y[n]=b0*x[n]+b1*x[n-1]+b2*x[n-2]+...-a1*y[n-1]-a2*y[n-2]-...
其中,y[n]表示输出信号的当前样本,x[n]表示输入信号的当前样本,y[n-1]和y[n-2]表示输出信号的前两个样本,x[n-1]和x[n-2]表示输入信号的前两个样本;系数b0,b1,b2,...为输入信号的加权系数,a1,a2,...为输出信号的加权系数,根据所选择的滤波器类型和规格,确定差分方程中的系数,这些系数直接影响滤波器的频率响应和特性。使用该差分方程,以通过递推方式计算输出信号的每个样本,如下:
S11、初始化滤波器状态,将输入和输出信号的初始状态设置为零,即x[n]=0,y[n]=0;
S12、递推计算输出信号,对于每个输入信号的样本x[n],根据差分方程进行计算得到对应的输出信号样本y[n];然后更新输入和输出信号的状态,即将当前样本存储为下一次计算的前一个样本,以便下一次迭代时使用;
S13、重复S12直到处理完所有的输入信号样本,通过递推计算,依次处理输入信号的每个样本,即可实现数字高通滤波器的直接实现。
2)对信号进行降噪处理,以去除其中的噪声和干扰,使信号更加清晰和可靠。
采用小波去噪,包括:
选取合适的小波基函数:小波基函数在不同频率范围内的性质不同,因此需要根据信号特征和去噪效果选择合适的小波基函数;
对原始信号进行小波分解:将原始信号分解成不同频率的小波分量,每个小波分量对应一个不同的尺度和频率;
然后对每个小波分量进行阈值处理:将每个小波分量进行滤波和阈值处理,去除其中的噪声信号;
最后对处理后的小波分量进行重构:将处理后的小波分量进行重构,得到去噪后的信号。
步骤S2、从振动信号中提取高频特征。
所述从振动信号中提取高频特征为采用傅里叶变换时频分析对信号进行高频特征提取,获取与输电线路腐蚀相关的特征参数,包括:
1)时域特征提取:在时域中,选用的特征包括均值、方差、标准差、峰值、峰值等,以通过上述特征描述信号的幅度、波形、峰值和起伏特点;
2)频域特征提取:在频域中,通过傅里叶变换将时域信号转换为频域信号,进而提取频域特征;选用的频域特征包括功率谱密度、频率、频带宽度、频率峰值、能量等,以通过上述特征来描述信号在不同频率下的特征。
步骤S3、选择特征。
特征的选择包括有:
计算每个特征与传输线路腐蚀水平之间的相关性,计算公式如下:
其中,x表示输电线路的振动信号,y表示腐蚀程度相关的特征,rxy表示x与y之间的相关系数,n表示样本数目,xi与yi分别表示样本中第i个数据点的x和y的取值,与/>分别表示x和y的均值;
通过计算所有特征之间的相关矩阵并删除具有高相关性的特征来消除冗余特征,计算公式如下:
其中,ρi,j表示第i个特征和第j个特征之间的皮尔逊相关系数,cov(xi,xj)表示第i个特征和第j个特征的协方差,表示第i个特征的标准差,μi表示第i个特征的平均值;表示第j个特征的标准差,μj表示第j个特征的平均值;xi与yi分别表示样本中第i个数据点的x和y的取值;xj与yj分别表示样本中第j个数据点的x和y的取值;计算出所有特征两两之间的相关系数后,即可组成相关矩阵。
应用特征选择算法(随机森林算法)来选择有助于腐蚀检测精度的最相关特征。
特征选择的过程是一个不断筛选、优化的过程,需要综合考虑相关性、特征之间的关系以及算法的要求,选择出最能代表腐蚀程度的特征。其步骤如下:采集一段时间内输电线路的振动信号,并且使用了高频特征分析方法,得到了一些与线路腐蚀程度相关的特征。采用随机森林算法进行特征选择,最后选择峰值、频率、能量等时频特征。
步骤S4、建立模型。
模型的建立,包括在腐蚀检测中,使用支持向量机(SVM)来建立分类模型,将上述选择的特征作为模型的输入特征,将输电线路腐蚀程度作为模型的输出结果,通过训练得到的模型来对输电线路进行腐蚀检测。
SVM模型的建立包括训练和预测两阶段;
在训练阶段,根据已有的样本数据,使用SVM算法来寻找最优分割超平面,并确定超平面的参数。
在预测阶段,将测试样本映射到高维空间,使用训练得到的最优超平面对其进行分类。
SVM算法的关键是选择核函数,核函数用于将样本映射到高维空间,此处采用的是高斯径向基函数,因为它具有较好的灵活性和适用性,能够取得较好的分类效果。而多项式核函数和线性核函数则更适用于一些特定的问题,例如多项式核函数适用于非线性问题中的周期性模式,而线性核函数则适用于特征维数较高、数据量较大的情况。
在优选的实施例中,具体的模型建立步骤包括:
S41、数据准备和预处理:收集和整理带有标签的训练数据集,并确保每个样本都有对应的特征向量和类别标签;对特征进行选择,基于步骤S3中的方法进行特征选择;最后进行必要的数据预处理操作,如特征缩放、归一化、处理缺失值等,以确保特征在相同的尺度上;
S42、划分数据集:将数据集划分为训练集和测试集,采用随机划分或交叉验证方法,训练集用于训练SVM模型的参数,测试集用于评估模型的性能和泛化能力;
S43、模型训练:首先,调用SVM库或工具来建立SVM模型,在SVM模型中选择高斯径向基函数作为核函数,高斯核函数具有非线性映射的能力,能够处理非线性问题;然后,设置正则化参数C,它控制模型的复杂度和容错能力,较小的C值会产生较大的间隔,但可能导致分类错误,较大的C值会导致较小的间隔,但会更强调分类正确性;最后,设置高斯核函数的带宽参数,也称为gamma值,gamma值越大,高斯核函数的作用范围越小,决策边界会更关注离支持向量较近的数据点,gamma值越小,高斯核函数的作用范围越大,决策边界会更平滑;
S44、参数调优:首先,使用交叉验证方法进行参数调优,以选择最佳的C和gamma值组合;然后,通过尝试不同的参数组合并使用交叉验证来评估每个组合的性能,选择在测试集上表现最佳的参数组合;
S45、模型评估:使用测试集数据对训练好的SVM模型进行评估;计算常见的分类评估指标,如准确率、精确率、召回率、F1分数等,以评估模型的性能和泛化能力;
S46、模型应用:首先,使用训练好的SVM模型对新的未知样本进行分类或回归预测;然后,对于分类问题,将新的未知样本的特征向量输入到训练好的SVM模型中,根据模型的分类决策函数输出预测的类别标签;最后,对于回归问题,SVM模型可以用作支持向量回归(Support Vector Regression,SVR)模型,SVR使用与分类问题类似的原理,但目标是拟合一个函数来预测连续目标变量的值;
S47、模型调优和改进:若模型的性能不符合预期,可以用以下方法对模型进行调优和改进,采用以下方法中的至少一种来实现:方法一,调整正则化参数C和高斯核函数的带宽参数gamma,以找到更好的平衡点;方法二,使用特征工程技术来提取更有信息量的特征,或者尝试其他核函数进行非线性映射;方法三,使用集成学习方法,如随机森林、Boosting等,将多个SVM模型组合起来,以进一步提升性能。
步骤S5、把腐蚀程度分级,经过模型训练和测试后得到一个能够判断输电线路腐蚀程度的模型,设定一个阈值,如果测试结果显示输电线路腐蚀程度超过阈值,则生成警报或通知,以实现输电线路腐蚀检测。
具体的实施例中,把腐蚀程度分为5个等级,分别为0级、1级、2级、3级、4级,腐蚀等级由0级到4级依序为腐蚀程度加重,如0级表示无腐蚀,4级表示腐蚀最严重,经过模型训练和测试,得到一个能够判断输电线路腐蚀程度的模型,设定阈值为2.5(级),如果测试结果显示输电线路腐蚀程度超过阈值2.5(级),则生成警报或通知,以实现输电线路腐蚀检测。发现腐蚀异常时及时发出预警信号,通知维护人员进行进一步检查和维修,以便进行相应的维修和处理。
检测模型预警到的信号进行现场的维修和处理,通过实际的维修处理结果对检测模型进行进一步的修正和优化,提高输电线路腐蚀检测模型的准确性和可靠性。
本方法是通过采集输电线路振动信号并进行预处理、特征提取、特征选择和建立模型,能够判断输电线路腐蚀程度,提高腐蚀检测的准确性和效率。具体概况而言,本发明的方法相较于现有技术至少具有以下效果:
一是,检测准确率的提高,通过采用振动信号高频特征分析方法,能够更准确地判断输电线路的腐蚀程度,避免了传统方法中存在的误判和漏判的情况,提高了检测的准确率;
二是,检测效率的提高,基于振动信号高频特征分析的方法能够更快速地采集和处理振动信号,并通过特征选择和模型建立进行自动化腐蚀检测,从而提高了检测的效率。
表1为不同方法检验准确程度比较。
表1不同方法检验准确率比较
通过表1可以看出,本发明的方法的检测率更高,从而检测效果更好,且本发明的方法无需停电操作,省时省力,且为非接触式的检测,减少了对线路的干扰和风险。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于振动信号高频特征分析的输电线路腐蚀检测方法,其特征在于,包括以下步骤:
步骤S1、使用传感器从输电线路收集高频振动信号;
步骤S2、从振动信号中提取高频特征;
步骤S3、选择特征,其包括有:
计算每个特征与传输线路腐蚀水平之间的相关性,计算公式如下:
其中,x表示输电线路的振动信号,y表示腐蚀程度相关的特征,rxy表示x与y之间的相关系数,n表示样本数目,xi与yi分别表示样本中第i个数据点的x和y的取值,与/>分别表示x和y的均值;
通过计算所有特征之间的相关矩阵并删除具有高相关性的特征来消除冗余特征,计算公式如下:
其中,ρi,j表示第i个特征和第j个特征之间的皮尔逊相关系数,cov(xi,xj)表示第i个特征和第j个特征的协方差,表示第i个特征的标准差,μi表示第i个特征的平均值;/>表示第j个特征的标准差,μj表示第j个特征的平均值;xi与yi分别表示样本中第i个数据点的x和y的取值;xj与yj分别表示样本中第j个数据点的x和y的取值;计算出所有特征两两之间的相关系数后,即可组成相关矩阵;
应用特征选择算法来选择有助于腐蚀检测精度的最相关特征;
步骤S4、建立模型;
步骤S5、把腐蚀程度分级,经过模型训练和测试后得到一个能够判断输电线路腐蚀程度的模型,设定一个阈值,如果测试结果显示输电线路腐蚀程度超过阈值,则生成警报或通知,以实现输电线路腐蚀检测。
2.根据权利要求1所述的基于振动信号高频特征分析的输电线路腐蚀检测方法,其特征在于,所述使用传感器从输电线路收集高频振动信号包括有信号采集和高频信号预处理;所述信号采集为采集输电线路的高频振动信号,并将信号传输到数据采集***;所述高频信号预处理为对采集到的高频信号进行滤波、去噪预处理。
3.根据权利要求2所述的基于振动信号高频特征分析的输电线路腐蚀检测方法,其特征在于,所述高频信号预处理包括:
1)采用数字高通滤波,将采集到的数字信号输入到数字高通滤波器中,进行滤波处理,具体包括:确定数字高通滤波器的截止频率和滤波器类型,将数字高通滤波器表示为一个差分方程,对于一阶高通滤波器,其差分方程表示为:
y[n]=b0*x[n]+b1*x[n-1]+b2*x[n-2]+...-a1*y[n-1]-a2*y[n-2]-...
其中,y[n]表示输出信号的当前样本,x[n]表示输入信号的当前样本,系数b0,b1,b2,...为输入信号的加权系数,a1,a2,...为输出信号的加权系数;使用该差分方程,以通过递推方式计算输出信号的每个样本,如下:
S11、初始化滤波器状态,将输入和输出信号的初始状态设置为零,即x[n]=0,y[n]=0;
S12、递推计算输出信号,对于每个输入信号的样本x[n],根据差分方程进行计算得到对应的输出信号样本y[n];然后更新输入和输出信号的状态,即将当前样本存储为下一次计算的前一个样本,以便下一次迭代时使用;
S13、重复S12直到处理完所有的输入信号样本,通过递推计算,依次处理输入信号的每个样本,即可实现数字高通滤波器的直接实现。
2)对信号进行降噪处理,采用小波去噪,包括:选取合适的小波基函数;对原始信号进行小波分解;对每个小波分量进行阈值处理;对处理后的小波分量进行重构。
4.根据权利要求1所述的基于振动信号高频特征分析的输电线路腐蚀检测方法,其特征在于,步骤S2中所述从振动信号中提取高频特征为采用傅里叶变换时频分析对信号进行高频特征提取,获取与输电线路腐蚀相关的特征参数,包括:
1)时域特征提取:在时域中,选用的特征包括均值、方差、标准差、峰值、峰值,以通过上述特征描述信号的幅度、波形、峰值和起伏特点;
2)频域特征提取:在频域中,通过傅里叶变换将时域信号转换为频域信号,进而提取频域特征;选用的频域特征包括功率谱密度、频率、频带宽度、频率峰值、能量,以通过上述特征来描述信号在不同频率下的特征。
5.根据权利要求1所述的基于振动信号高频特征分析的输电线路腐蚀检测方法,其特征在于,所述建立模型,包括使用支持向量机(SVM)来建立分类模型,将前序选择的特征作为模型的输入特征,将输电线路腐蚀程度作为模型的输出结果,通过训练得到的模型来对输电线路进行腐蚀检测。
6.根据权利要求1所述的基于振动信号高频特征分析的输电线路腐蚀检测方法,其特征在于,SVM模型的建立包括训练和预测两阶段;
在训练阶段,根据已有的样本数据,使用SVM算法来寻找最优分割超平面,并确定超平面的参数;
在预测阶段,将测试样本映射到高维空间,使用训练得到的最优超平面对其进行分类。
7.根据权利要求1或5或6所述的基于振动信号高频特征分析的输电线路腐蚀检测方法,其特征在于,具体的模型建立步骤包括:
S41、数据准备和预处理:收集和整理带有标签的训练数据集,并确保每个样本都有对应的特征向量和类别标签;对特征进行选择,进行必要的数据预处理操作,以确保特征在相同的尺度上;
S42、划分数据集:将数据集划分为训练集和测试集,采用随机划分或交叉验证方法,训练集用于训练SVM模型的参数,测试集用于评估模型的性能和泛化能力;
S43、模型训练:调用SVM库或工具来建立SVM模型,在SVM模型中选择高斯径向基函数作为核函数;设置正则化参数C;设置高斯核函数的带宽参数,也称为gamma值;
S44、参数调优:使用交叉验证方法进行参数调优,以选择最佳的C和gamma值组合;通过尝试不同的参数组合并使用交叉验证来评估每个组合的性能,选择在测试集上表现最佳的参数组合;
S45、模型评估:使用测试集数据对训练好的SVM模型进行评估;
S46、模型应用:使用训练好的SVM模型对新的未知样本进行分类或回归预测;对于分类问题,将新的未知样本的特征向量输入到训练好的SVM模型中,根据模型的分类决策函数输出预测的类别标签;对于回归问题,SVM模型用作支持向量回归模型。
8.根据权利要求7所述的基于振动信号高频特征分析的输电线路腐蚀检测方法,其特征在于,还包括有:
S47、模型调优和改进:若模型的性能不符合预期,则对模型进行调优和改进,采用以下方法中的至少一种来实现:方法一,调整正则化参数C和高斯核函数的带宽参数gamma,以找到更好的平衡点;方法二,使用特征工程技术来提取更有信息量的特征,或者尝试其他核函数进行非线性映射;方法三,使用集成学习方法将多个SVM模型组合起来,以进一步提升性能。
9.根据权利要求1所述的基于振动信号高频特征分析的输电线路腐蚀检测方法,其特征在于,步骤S5中,把腐蚀程度分为5个等级,分别为0级、1级、2级、3级、4级,腐蚀等级由0级到4级依序为腐蚀程度加重,其中0级表示无腐蚀,4级表示腐蚀最严重,经过模型训练和测试,得到一个能够判断输电线路腐蚀程度的模型,设定阈值为2.5,如果测试结果显示输电线路腐蚀程度超过阈值,则生成警报或通知,以实现输电线路腐蚀检测。
10.根据权利要求1所述的基于振动信号高频特征分析的输电线路腐蚀检测方法,其特征在于,根据步骤S5中检测模型预警到的信号进行现场的维修和处理,通过实际的维修处理结果对检测模型进行进一步的修正和优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310716325.9A CN116773961A (zh) | 2023-06-16 | 2023-06-16 | 基于振动信号高频特征分析的输电线路腐蚀检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310716325.9A CN116773961A (zh) | 2023-06-16 | 2023-06-16 | 基于振动信号高频特征分析的输电线路腐蚀检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116773961A true CN116773961A (zh) | 2023-09-19 |
Family
ID=87985292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310716325.9A Pending CN116773961A (zh) | 2023-06-16 | 2023-06-16 | 基于振动信号高频特征分析的输电线路腐蚀检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116773961A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272030A (zh) * | 2023-11-20 | 2023-12-22 | 南通市计量检定测试所 | 一种动态信号分组采样与处理的方法 |
-
2023
- 2023-06-16 CN CN202310716325.9A patent/CN116773961A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272030A (zh) * | 2023-11-20 | 2023-12-22 | 南通市计量检定测试所 | 一种动态信号分组采样与处理的方法 |
CN117272030B (zh) * | 2023-11-20 | 2024-01-26 | 南通市计量检定测试所 | 一种动态信号分组采样与处理的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11022633B2 (en) | Enhanced system and method for conducting PCA analysis on data signals | |
Wen et al. | Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings | |
CN107657088B (zh) | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN102016607B (zh) | 用于分析电力***的波形信号的方法和装置 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN102155988B (zh) | 设备监诊方法 | |
CN113947017A (zh) | 一种滚动轴承剩余使用寿命预测方法 | |
CN116773961A (zh) | 基于振动信号高频特征分析的输电线路腐蚀检测方法 | |
CN112213687B (zh) | 基于伪异常点辨识的关口电能表数据异常检测方法及*** | |
CN114563150A (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、***、设备及介质 | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测***及方法 | |
CN116380445A (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN111291918B (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
Yang et al. | Early change detection in dynamical bearing degradation process based on hierarchical graph model and adaptive inputs weighting fusion | |
CN110956112B (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
CN112016800A (zh) | 一种基于有效性指标的特征选择方法与*** | |
CN113139430A (zh) | 用于故障检测的声信号分析方法、故障检测的方法、装置 | |
Yao et al. | A framework via impulses-oriented Gini index and extreme value distribution for rolling bearing dynamic fault alarm and identification | |
CN112215307A (zh) | 一种应用机器学习自动检测地震仪器信号异常的方法 | |
CN116482526A (zh) | 一种用于非故障相阻抗继电器的分析*** | |
CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
CN113408383B (zh) | 基于有界β(g,h)分布和MWKPCA的可听噪声无效数据判定方法 | |
Al-Saad et al. | Best Time Domain Features for Early Detection of Faults in Rotary Machines Using RAT and ANN |
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 |