CN103308292A - 基于振动信号分析的真空断路器机械状态检测方法 - Google Patents

Abstract

本发明公开一种基于振动信号分析的真空断路器机械状态检测方法，包括以下步骤：1）采集VS1真空断路器动作过程中的振动信号；2）对步骤1）采集的振动信号进行小波分解消噪；3）对小波分解后的信号，在各频段内对信号进行重构，将各频段重构信号利用matlab绘制在信号的时-频-信号幅值谱中；并计算各频域段的信息熵，将振动信号各频段的信息熵组合到一起构成故障特征向量；4）将步骤3）的计算的故障特征向量输入训练好的神经网络进行分类，实现真空断路器的状态检测。

Description

基于振动信号分析的真空断路器机械状态检测方法

技术领域

本发明涉及真空断路器技术领域，特别涉及一种基于振动信号分析的VS1真空断路器机械状态检测方法。 

背景技术

VS1真空断路器是高压开关的一种，电网中高压开关的运行状态对系统的安全运行异常重要。状态检测是基于设备的实际运行工况确定设备是否需要检修，检修哪些部件和内容，具有极强的针对性。高压开关事故中，属于机械原因造成的故障占首位，故要实现VS1真空断路器的状态检测，必须考虑其机械状态，而其合、分闸过程中的振动信号包含着大量的设备机械状态信息且易于测量，所以选择分析VS1真空断路器的振动信号来实现其故障诊断。 

高压开关的振动信号属于瞬时非平稳信号，不具有周期性。有效信号出现的时间非常短，通常在数十到数百毫秒之间。通过小波分解得到的时-频-信号幅值谱图能看到在不同时刻不同频率下信号的大小，将振动信号的特征分解到不同的频段，更精确地描述高压断路器的机械状态，对了解信号的构成非常重要。而信息熵是在一定的状态下定位系统的一种测度，它是对序列未知程度的一种度量。对于高压断路器的振动信号而言，各种正常状态都是一个标准正常状态的脉动，各故障状态却可认为是这个标准正常状态的不同突变，因此，可以选择小波分解得到的各频段的信息熵作为故障诊断的特征向量。 

发明内容

本发明的目的在于提供一种基于振动信号分析的真空断路器机械状态检测方法，选择合适的小波基分析VS1真空断路器操作过程中振动信号，对其进行消噪，并对信 号进行小波分解，得到其在不同时间不同频率下的幅值，了解信号构成；同时得到各频段信息熵，并将信息熵向量作为故障诊断特征量输入神经网络，实现VS1真空断路器故障诊断的基于振动信号小波分析的VS1真空断路器机械状态检测。 

为达到上述目的，本发明采用如下技术方案： 

基于振动信号分析的真空断路器机械状态检测方法，包括以下步骤： 

1）采集VS1真空断路器动作过程中的振动信号； 

2）对步骤1）采集的振动信号进行小波分解消噪； 

3）对小波分解后的信号，在各频段内对信号进行重构，将各频段重构信号利用matlab绘制在信号的时-频-信号幅值谱中；并计算各频域段的信息熵，将振动信号各频段的信息熵组合到一起构成故障特征向量； 

4）将步骤3）的计算的故障特征向量输入训练好的神经网络；神经网络结合振动信号知识库将振动信号的故障特征向量进行分类，得到其机械状态为正常或具体故障类型，实现真空断路器的状态检测。 

本发明进一步的改进在于：振动信号知识库的建立及神经网络的训练包括以下步骤： 

S1）利用实验测量及多体动力学软件ADAMS仿真VS1真空断路器动作过程， 

获取多组不同位置不同状态下的振动信号； 

S2）对步骤S1）采集的振动信号进行小波分解消噪，利用matlab自带一维信号小波消噪函数wden()实现，其中参数设置为：根据小波基与VS1断路器合、分闸振动信号的相似度选择与振动信号相似的小波基，分解层数为3，用heursure启发式阈值进行小波系数阈值量化，使用软阈值函数完成消噪； 

S3）对小波分解后的信号，在各频段内对信号进行重构，将各频段重构信号利用matlab绘制在信号的时-频-信号幅值谱中； 

S4）计算信号由小波分解到各频段的信息熵；将振动信号各频段的信息熵组合到一起构成故障特征向量，建立VS1真空断路器振动信号知识库； 

S5）将各故障状态及正常状态下的振动信号故障特征向量按其机械状态编码，并输入支持向量机SVM神经网络进行训练得到训练好的神经网络。 

本发明进一步的改进在于：SVM神经网络采用径向基函数作为核函数，采用交叉验证的方法或粒子群优化算法实现参数寻优，得到使神经网络对训练集分类最为准确的惩罚参数c和核函数参数g。 

本发明进一步的改进在于：步骤S2）中选择小波基的方法为：考虑小波分解之后重构信号与原信号的相似性，既考虑其整体误差，又考虑其局部误差，选择与振动信号相似度较高的小波基；具体的相似度判断公式为： 

$e={\mathrm{\α}}_1\sqrt{{{\left|\right|S-S}_1\left|\right|}^2/N}+{\mathrm{\α}}_2\left(\max \left(\right|S-S_1\left|\right)\right)---\left(1\right)$

式中： 

e——信号小波分解重构之后与原信号的相似度； 

α₁——系数，表明整体误差在小波基选择中所占的权重，取0.5； 

α₂——系数，表明局部误差在小波基选择中所占的比例，取0.5； 

S——原始信号； 

S₁——小波分解重构所得信号； 

N——信号的点数。 

本发明进一步的改进在于：步骤S2）中选择小波基为bior3.9小波基或rbio3.7小波基。 

本发明进一步的改进在于：步骤S4）中信息熵计算的具体方法为：对分解到各频 段的振动信号进行希尔伯特变换，求得其包络，根据信息熵的计算公式算出每个频段的信息熵； 

信息熵的计算方法由式(2)～(5)给出： 

$A\left(t\right)=\sqrt{x^2{\left(t\right)+x}^{\′2}\left(t\right)}---\left(2\right)$

式中： 

A(t)——信号包络； 

x(t)——原始信号； 

x'(t)——信号的希尔伯特变换； 

对每个信号进行N等分，并利用下式计算每段信号的能量Q_k(i)，k为信号小波分解对应的分量数，i=1,2,…N； 

$Q_k\left(i\right)={\∫}_{t_0}^{t_1}{A}^2\left(t\right)\mathrm{dt}---\left(3\right)$

式中： 

t₀——该段信号的起始时间； 

t₁——该段信号的终止时间； 

将各段能量进行归一化； 

${\mathrm{\ϵ}}_k\left(i\right)=Q_k\left(i\right)/{\mathrm{\Σ}}_{i=1}^N{Q}_k\left(i\right)---\left(4\right)$

信息熵为： 

$H_k=-{\mathrm{\Σ}}_{i=1}^N{\mathrm{\ϵ}}_k\left(i\right)\lg \left({\mathrm{\ϵ}}_k\left(i\right)\right)---\left(4\right)$

选择信息熵向量中较为敏感的分量作为神经网络的故障特征量。 

本发明进一步的改进在于：所述较为敏感的分量为去掉信息熵向量中在不同情况下变化幅度不超过5%的分量后留下的分量。具体选择方法为：对不同故障及正常情况下的振动信号进行故障特征向量的计算，观察对比向量的各个分量，去掉在不同情况下变化幅度不超过5%的分量，留下的分量即可组成更有利于故障分类的特征向量。 

本发明进一步的改进在于：步骤2）中对步骤1）采集的振动信号进行小波分解消噪具体为：利用matlab自带一维信号小波消噪函数wden()实现，其中参数设置为：小波基选择bior3.9小波基或bior3.7小波基，分解层数为3，用heursure启发式阈值进行小波系数阈值量化，使用软阈值函数完成消噪。 

相对于现有技术，本发明具有以下优点： 

1、相对于现有振动信号分析技术中选择小波基较为盲目的情况，本发明考虑分解重构后信号与原信号的整体误差及局部误差，选择了与振动信号相似度较高的小波基，使其更有效地完成信号的消噪、分解与重构。 

2、断路器的振动信号的频段集中在60kHz以下，而实验中的采样频率为500k～1MHz，即所采到的信号的高频部分包含许多无用的信号分量。本发明采用的小波分解相对于现有的技术中采用的小波包分解在高频部分的分辨率有所降低，有效地降低了信息熵向量中分量的数目及故障诊断的难度，而又保持了在信号低频部分的高分辨率。 

3、在运算速度上，小波分解相对于现有信号分解方法中常用的经验模态分解有很大提高，为实现断路器故障的实时诊断提供了保障。 

4、相对于现有技术中常用的欧氏距离法、奇异值法等单一特征向量的方法，本发明中的小波分解信息熵向量法对信号各频段的特征进行了细化，用多个分量更加清晰地在频域上描述了断路器的故障特征。 

5、SVM神经网络相对于现有的故障诊断中常用的BP神经网络、基于径向基函数(RBF)神经网络及基于概率神经网络（PNN）在故障分类方面有更高的准确率和运行速度，且在利用交叉验证法进行参数寻优得到最佳c、g后进一步提高了其诊断的准确率。 

附图说明

图1是本发明的知识库建立及神经网络训练框图。 

图2是本发明的故障诊断方法框图。 

具体实施方式

请参阅图1和图2所示，本发明基于振动信号分析的真空断路器机械状态检测方法，包括以下步骤： 

1）采集VS1真空断路器动作过程中的振动信号； 

2）通过小波分解对步骤1）采集的振动信号进行消噪：利用matlab自带一维信号小波消噪函数wden()实现，其中参数设置为：小波基选择bior3.9小波基或bior3.7小波基，分解层数为3，用heursure启发式阈值进行小波系数阈值量化，使用软阈值函数完成消噪； 

3）对小波分解后的信号，在各频段内对信号进行重构，将各频段重构信号利用matlab绘制在信号的时-频-信号幅值谱中；并计算各频域段的信息熵，将振动信号各频段的信息熵组合到一起构成故障特征向量； 

4）将步骤3）的计算的故障特征向量输入训练好的神经网络；经网络结合振动信号知识库将振动信号的故障特征向量进行分类，得到其机械状态为正常或具体故障类型，实现真空断路器的状态检测。 

振动信号知识库的建立及神经网络的训练包括以下步骤： 

S1）利用实验测量及多体动力学软件ADAMS仿真VS1真空断路器动作过程， 

获取多组不同位置不同状态下的振动信号； 

S2）对步骤S1）采集的振动信号进行小波分解消噪，利用matlab自带一维信号小波消噪函数wden()实现，其中参数设置为：根据小波基与VS1断路器合、分闸振动信号的相似度（采用相似度公式进行判断）选择与振动信号相似的小波基，分解层数为3，用heursure启发式阈值进行小波系数阈值量化，使用软阈值函数完成消噪； 

选择小波基的依据为：考虑小波分解之后重构信号与原信号的相似性，既考虑其整体误差，又考虑其局部误差，选择与振动信号相似度较高的小波基。具体的相似度判断公式为： 

$e={\mathrm{\α}}_1\sqrt{{{\left|\right|S-S}_1\left|\right|}^2/N}+{\mathrm{\α}}_2\left(\max \left(\right|S-S_1\left|\right)\right)---\left(1\right)$

式中： 

e——信号小波分解重构之后与原信号的相似度； 

α₁——系数，表明整体误差在小波基选择中所占的权重，取0.5。 

α₂——系数，表明局部误差在小波基选择中所占的比例，取0.5。 

S——原始信号。 

S₁-—小波分解重构所得信号。 

N——信号的点数。 

最终，依据该公式选择bior3.9小波基或rbio3.7小波基步骤S2)中的小波基。 

S3）对小波分解后的多个频带信号，在各频段内对信号进行重构，将各频段重构信号利用matlab绘制在信号的时-频-信号幅值谱中，可观察到振动信号在不同时刻不同频率下的幅值，该时-频-信号幅值谱的特点是低频情况下有较高的频域分辨率，这是符合VS1真空断路器振动信号在低频下包含较多机械信息，而高频下包含较多噪声 的特点的； 

S4）计算信号由小波分解到各频段的信息熵，具体做法为：对分解到各频段的振动信号进行希尔伯特变换，求得其包络，根据信息熵的计算公式算出每个频段的信息熵，将振动信号各频段的信息熵组合到一起构成故障特征向量，建立VS1真空断路器振动信号知识库； 

信息熵的计算方法由式(2)～(5)给出： 

$A\left(t\right)=\sqrt{x^2{\left(t\right)+x}^{\′2}\left(t\right)}---\left(2\right)$

式中： 

A(t)——信号包络。 

x(t)——原始信号。 

x'(t)——信号的希尔伯特变换。 

对每个信号进行N等分，并利用下式计算每段信号的能量Q_k(i)，k为信号小波分解对应的分量数，i=1,2,…N。 

$Q_k\left(i\right)={\∫}_{t_0}^{t_1}{A}^2\left(t\right)\mathrm{dt}---\left(3\right)$

式中： 

t₀——该段信号的起始时间。 

t₁——该段信号的终止时间。 

将各段能量进行归一化： 

${\mathrm{\ϵ}}_k\left(i\right)=Q_k\left(i\right)/{\mathrm{\Σ}}_{i=1}^N{Q}_k\left(i\right)---\left(4\right)$

——归一化后的各段能量； 

信息熵H_k为： 

$H_k=-{\mathrm{\Σ}}_{i=1}^N{\mathrm{\ϵ}}_k\left(i\right)\lg \left({\mathrm{\ϵ}}_k\left(i\right)\right)---\left(5\right)$

如果对信号进行4层小波分解，则最后的信息熵向量应包含5个分量，选择其中较为敏感的分量（具体为：对不同故障及正常情况下的振动信号进行故障特征向量的计算，观察对比向量的各个分量，去掉在不同情况下变化幅度不超过5%的分量，留下的分量即可组成更为有利于故障分类的特征向量。较为敏感的分量即为去掉信息熵向量中在不同情况下变化幅度不超过5%的分量后留下的分量）作为神经网络的故障特征量。 

S5）将各故障状态及正常状态下的振动信号故障特征向量按其机械状态编码，并输入支持向量机(SVM)神经网络进行训练得到训练好的神经网络。SVM神经网络采用径向基函数（radial basis function）作为核函数，采用交叉验证(cross validation)的方法或粒子群优化算法（PSO,Particle Swarm Optimization）实现参数寻优，得到使神经网络对训练集分类最为准确的惩罚参数c和核函数参数g。 

Claims (8)

1.基于振动信号分析的真空断路器机械状态检测方法，其特征在于，包括以下步骤： 

1）采集VS1真空断路器动作过程中的振动信号； 

2）对步骤1）采集的振动信号进行小波分解消噪； 

3）对小波分解后的信号，在各频段内对信号进行重构，将各频段重构信号利用matlab绘制在信号的时-频-信号幅值谱中；并计算各频域段的信息熵，将振动信号各频段的信息熵组合到一起构成故障特征向量； 

4）将步骤3）的计算的故障特征向量输入训练好的神经网络；神经网络结合振动信号知识库将振动信号的故障特征向量进行分类，得到其机械状态为正常或具体故障类型，实现真空断路器的状态检测。 

2.根据权利要求1所述的基于振动信号分析的真空断路器机械状态检测方法，其特征在于，振动信号知识库的建立及神经网络的训练包括以下步骤： 

S1）利用实验测量及多体动力学软件ADAMS仿真VS1真空断路器动作过程，获取多组不同位置不同状态下的振动信号； 

S2）对步骤S1）采集的振动信号进行小波分解消噪，利用matlab自带一维信号小波消噪函数wden()实现，其中参数设置为：根据小波基与VS1断路器合、分闸振动信号的相似度选择与振动信号相似的小波基，分解层数为3，用heursure启发式阈值进行小波系数阈值量化，使用软阈值函数完成消噪； 

S3）对小波分解后的信号，在各频段内对信号进行重构，将各频段重构信号利用matlab绘制在信号的时-频-信号幅值谱中； 

S4）计算信号由小波分解到各频段的信息熵；将振动信号各频段的信息熵组合到一起构成故障特征向量，建立VS1真空断路器振动信号知识库； 

S5）将各故障状态及正常状态下的振动信号故障特征向量按其机械状态编码，并 输入支持向量机SVM神经网络进行训练得到训练好的神经网络。 

3.根据权利要求2所述的基于振动信号分析的真空断路器机械状态检测方法，其特征在于，SVM神经网络采用径向基函数作为核函数，采用交叉验证的方法或粒子群优化算法实现参数寻优，得到使神经网络对训练集分类最为准确的惩罚参数c和核函数参数g。 

4.根据权利要求2所述的基于振动信号分析的真空断路器机械状态检测方法，其特征在于，步骤S2）中选择小波基的方法为：考虑小波分解重构所得信号与原信号的相似性，既考虑其整体误差，又考虑其局部误差，选择与振动信号相似度较高的小波基；具体的相似度判断公式为： 

式中： 

e——信号小波分解重构之后与原信号的相似度； 

α₁——系数，表明整体误差在小波基选择中所占的权重，取0.5； 

α₂——系数，表明局部误差在小波基选择中所占的比例，取0.5； 

S——原始信号； 

S₁——小波分解重构所得信号； 

N——信号的点数。 

5.根据权利要求2所述的基于振动信号分析的真空断路器机械状态检测方法，其特征在于，步骤S2）中选择小波基为bior3.9小波基或rbio3.7小波基。 

6.根据权利要求2所述的基于振动信号分析的真空断路器机械状态检测方法，其特征在于，步骤S4）中信息熵计算的具体方法为：对分解到各频段的振动信号进行 希尔伯特变换，求得其包络，根据信息熵的计算公式算出每个频段的信息熵； 

信息熵的计算方法由式(2)～(5)给出： 

式中： 

A(t)——信号包络； 

x(t)——原始信号； 

x′(t)——信号的希尔伯特变换； 

对每个信号进行N等分，并利用下式计算每段信号的能量Q_k(i)，k为信号小波分解对应的分量数，i=1,2,…N； 

式中： 

t₀——该段信号的起始时间； 

t₁——该段信号的终止时间； 

将各段能量进行归一化； 

ε_k(i)——归一化后的各段能量； 

信息熵H_k为： 

选择信息熵向量中较为敏感的分量作为神经网络的故障特征量。 

7.根据权利要求6所述的基于振动信号分析的真空断路器机械状态检测方法，其特征在于，所述较为敏感的分量为去掉信息熵向量中在不同情况下变化幅度不超过5%的分量后留下的分量。 

8.根据权利要求1所述的基于振动信号分析的真空断路器机械状态检测方法，其特征在于，步骤2）中对步骤1）采集的振动信号进行小波分解消噪具体为：利用matlab自带一维信号小波消噪函数wden()实现，其中参数设置为：小波基选择bior3.9小波基或bior3.7小波基，分解层数为3，用heursure启发式阈值进行小波系数阈值量化，使用软阈值函数完成消噪。 

Images