CN103558022A - 基于振动信号聚类的配电开关机械状态诊断方法 - Google Patents

Abstract

本发明公开了一种基于振动信号聚类的配电开关机械状态诊断方法，它采用传感器获取配电开关的振动信号；再处理该振动信号以得到若干个本征模函数分量和残余分量并进行Hilbert变换；对各本征模函数的二维Hilbert时频谱按频率区间段进行波形重构，以得到该频率区间上的重构分量；然后对所有频率区间上的重构分量构造时频矩阵，对时频矩阵进行奇异值分解，得到一系列能反映振动信号时频特征的奇异值向量；将所获取的所有振动信号的奇异值向量组合成一个综合奇异值矩阵，作为配电开关机械状态诊断特征量；依据综合奇异值矩阵聚类结果识别配电开关不同机械状态。它具有如下优点：能对配电开关机械状态作出有效的诊断并智能化识别不同的机械状态。

Description

基于振动信号聚类的配电开关机械状态诊断方法

技术领域

本发明涉及一种配电开关机械状态诊断方法，尤其是指一种基于振动信号聚类的配电开关机械状态诊断方法。

背景技术

配电开关在整个配电网中有着举足轻重的地位，其分合闸操作是否正常与电网的稳定和供电可靠性息息相关。提高配电网的可靠性，可通过监测配电开关机械状态，判断其运行过程中的机械状态，及时采取相应的处理措施。

配电开关在分、合闸操作过程中，由于操作机构、连接机构、动触头等运动和撞击，将产生一系列非线性、非平稳特性的振动信号，开关机械状态的改变将导致振动信号的变化，通过振动信号分析开关的动作特性和状态，可以进行故障的有效诊断。

发明内容

本发明提供了一种基于振动信号聚类的配电开关机械状态诊断方法，其克服了配电开关机械状态诊断过程中无法准确分析处理非平稳振动信号并从中获取有效特征量的缺点。

本发明解决其技术问题的所采用的技术方案是：

基于振动信号聚类的配电开关机械状态诊断方法，包括：

步骤1，采用传感器获取配电开关的振动信号；

步骤2，处理获取的振动信号以得到若干个本征模函数分量和残余分量；

步骤3，对得到的本征模函数分量和残余分量做Hilbert变换，以获得二维Hilbert时频谱；

步骤4，将二维Hilbert时频谱的瞬时频率按某一频率宽度进行等间隔区间划分以得到多个频率区间，每个频率区间都经如下处理：置该频率区间外的本征模函数分量瞬时幅值为零且保留该频率区间内所有的本征模函数分量瞬时幅值，对保留本征模函数分量瞬时幅值的频率区间段进行波形重构，以得到该频率区间上的重构分量；

步骤5，对每个振动信号的所有频率区间上的重构分量构造成时频矩阵，对时频矩阵进行奇异值分解，得到一系列能反映振动信号时频特征的奇异值向量；

步骤6，将所获取的所有振动信号的奇异值向量组合成一个综合奇异值矩阵，作为配电开关机械状态诊断特征量；步骤7，依据综合奇异值矩阵聚类结果识别配电开关不同机械状态。

一实施例之中：所述步骤1中，采用加速度传感器获取配电开关的振动信号。

一实施例之中：所述步骤2中，获取的振动信号经过有效波形截取后，再采用经验模态分解法分解以得到若干个本征模函数分量和残余分量。

一实施例之中：所述步骤7中，将该综合奇异值矩阵作为模糊C均值聚类的输入，采用模糊C均值聚类法识别配电开关不同机械状态。

一实施例之中：该经验模态分解法的具体步骤包括：

步骤51，确定该振动信号X(t)的所有极值点，采用三次样条函数对所有极值点插值，分别拟合出由所有极大值点构成的上包络线x_max(t)和由所有极小值点构成的下包络线x_min(t)，并确定该振动信号位于该上包络线和下包络线之间；

步骤52，求取该上包络线x_max(t)和下包络线x_min(t)的均值m₁(t)，得h₁(t)=X(t)-m₁(t)；

步骤53，判断h₁(t)是否满足本征模函数分量的两个条件，若满足，则h₁(t)是X(t)的第一个本征模函数分量；若不满足，则将h₁(t)作为新的信号，重复步骤1、步骤2，再判断是否满足本征模函数分量的两个条件，直至第k次筛选满足该两个条件或收敛条件为止，则h_1k(t)为X(t)的第一个分量；

步骤54，将得到的第一个本征模函数分量从X(t)中分离出来，得到残余分量r₁(t)，并将该残余分量r₁(t)作为原始信号重复步骤51-53直至得到残余分量r_n(t)，当残余分量足够小或是一个单调函数时，则停止分解，此时，原始信号X(t)表示成 $\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{h}_{1i}+r_n\left(t\right).$

一实施例之中：该步骤5中，对所有频率区间上的重构分量构造时频矩阵方法为：该振动信号的采样点数为n，经Hilbert变换后分为m个频率区间，各个频率区间重构分量的数据点为a_ik（i=1,2,…,m;k=1,2,…,n），则振动信号所有频率区间上的重构分量构成的时频矩阵A为：

一实施例之中：该步骤6中，该综合奇异值矩阵H为：

其中：采集l个振动信号，每个振动信号分成m个频率区间，经过奇异值分解后得到m个奇异值，构成一个奇异值向量，l个振动信号的奇异值向量组合成一个综合矩阵。

一实施例之中：该模糊C均值聚类法包括：

步骤81，预先设定分类数，加权指数、迭代终止因子和最大迭代次数，按约束条件初始化隶属度矩阵；

步骤82，计算聚类中心；

步骤83，由聚类中心更新隶属度矩阵；

步骤84，判断是否达到聚类的终止条件，若达到终止条件，则停止迭代，聚类过程结束，否则，重复步骤82、步骤83直至得到各信号的最优聚类中心和隶属度矩阵。

本技术方案与背景技术相比，它具有如下优点：

1.采用传感器获取配电开关的振动信号，安装方便，信号获取操作简单。将获得的振动信号进行经验模态分解，然后进行Hilbert变换，即对获得的振动信号进行Hilbert-Huang变换，能够在处理非线性、非平稳的振动信号上保证时间精度和频率精度。采用重构本征模函数频带分量构造适合奇异值分解的时频矩阵，同时根据该时频矩阵进行奇异值分解形成综合奇异值矩阵作为诊断特征矩阵，减少了诊断矩阵维数，提高了计算效率。以综合奇异值矩阵为特征量，采用模糊C均值聚类法进行配电开关机械状态分类，实现智能化识别配电开关不同的机械状态。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1绘示了经验模态分解（EMD）的求解流程图。

图2绘示了基于振动信号聚类的配电开关机械状态诊断方法流程图。

具体实施方式

请查阅图1和图2，基于振动信号聚类的配电开关机械状态诊断方法，它包括：

步骤1，采用传感器获取配电开关的振动信号；

步骤2，处理获取的振动信号以得到若干个本征模函数（IMF）分量和残余分量；

步骤3，对得到的本征模函数（IMF）分量和残余分量做Hilbert变换，以获得二维Hilbert时频谱；

步骤4，将二维Hilbert时频谱的瞬时频率按某一频率宽度进行等间隔区间划分以得到多个频率区间，每个频率区间都经如下处理：置该频率区间外的本征模函数（IMF）分量瞬时幅值为零且保留该频率区间内所有的本征模函数（IMF）分量瞬时幅值，对保留本征模函数（IMF）的频率区间段进行波形重构，以得到该频率区间上的重构分量；

步骤5，对每个振动信号的所有频率区间上的重构分量构造成时频矩阵，对时频矩阵进行奇异值分解，得到一系列能反映振动信号时频特征的奇异值向量；

步骤6，将所获取的所有振动信号的奇异值向量组合成一个综合奇异值矩阵，作为配电开关机械状态诊断特征量；步骤7，依据综合奇异值矩阵聚类结果识别配电开关不同机械状态。

一具体实施例中，是采用压电加速度传感器获取配电开关的振动信号，将压电加速度传感器安装在配电开关操动机构附近，信号采样频率设为80kHz。获取4种不同状态下的开关振动信号：正常状态、卸一相绝缘拉杆、机械结构卡涩和底座螺丝松动各3个振动信号作为已知状态信号，另外再任取2个振动信号作为待检验数据，共14个振动信号。对各振动信号做EMD分解，自适应得到一系列IMF分量和残余分量，其计算流程图如图1所示，具体步骤如下：

（1）确定该振动信号X(t)的所有极值点，采用三次样条函数对所有极值点插值，分别拟合出由所有极大值点构成的上包络线x_max(t)和由所有极小值点构成的下包络线x_min(t)，并确定该振动信号位于该上包络线和下包络线之间；

（2）求取该上包络线x_max(t)和下包络线x_min(t)的均值m₁(t)，即m₁(t)=[x_max(t)+x_min(t)]/2，得h₁(t)=X(t)-m₁(t)；

（3）判断h₁(t)是否满足本征模函数（IMF）分量的两个条件：①在整个数据序列中，极值点的个数和过零点的个数必须相等或相差最多不能超过一个；②在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于时间轴局部对称。若满足，则h₁(t)是X(t)的第一个本征模函数（IMF）分量；若不满足，则将h₁(t)作为新的信号，重复步骤（1）、步骤（2），计算上、下包络线的平均值m₁₁(t)，即m₁₁(t)=[h_1max(t)+h_1min(t)]/2，从而得到h₁₁(t)=h₁(t)-m₁₁(t)。

判断h₁₁(t)是否满足IMF分量的条件，若不满足，则一直循环，直到经过第k次筛选后的h_1k(t)满足该两个条件为止，即h_1k(t)=h_1(k-1)(t)-m_1k(t)，此时的h_1k(t)即为X(t)的第一个IMF分量，记imf₁=h_1k=c₁

一优选方案中，为了减少循环次数，满足收敛条件：

即循环结束。式中：T为离散信号序列的时间长度。当SD在0.2-0.3之间时，筛选过程即终止。此时，将得到的第一个IMF分量c₁从X(t)中分离出来。

（4）将得到的第一个本征模函数（IMF）分量从X(t)中分离出来，得到残余分量r₁(t)，并将该残余分量r₁(t)作为原始信号重复步骤（1）-（3），则可依次得到第2、3、…、n个IMF分量，即 $\left\{\begin{array}{c}{r}_2\left(t\right)=r_1\left(t\right)-c_2\\ \·\\ \·\\ \·\\ r_n\left(t\right)=r_{n-1}\left(t\right)-c_n\end{array}\right.,$

直至得到残余分量r_n(t)，当残余分量足够小或是一个单调函数时，则停止分解，此时，原始信号X(t)表示成

至此，EMD分解过程结束。

对各振动信号所有的IMF分量进行Hilbert变换，求出各信号的瞬时幅值和瞬时频谱构成的二维Hilbert时频谱，可知振动信号的频谱主要集中在0-20kHz。通过对二维Hilbert时频谱的瞬时频率按需要取2kHz频带宽度进行等间隔区间划分成10个频率区间，对每个频率区间都将该频率区间外的IMF分量瞬时幅值置为零而保留该频率区间内所有的IMF分量瞬时幅值，对保留该瞬时幅值的频率区间进行波形重构，则可得到信号在该频率区间上的重构分量。

进而，对所有频率区间上的重构分量构造时频矩阵，该方法为：该振动信号的采样点数为n，经Hilbert变换后分为m个频率区间，各个频率区间重构分量的数据点为a_ik（i=1,2,…,m;k=1,2,…,n），则振动信号所有频率区间上的重构分量构成的时频矩阵A为：

对时频矩阵A进行奇异值分解，具体方法为：对于一个实矩阵A=(a_ij)_m×n,r(A)=r,A^TA的大于零的特征值为λ₁,λ₂,…,λ_r，必定存在2个正交矩阵V_m×m、U_n×n和一个对角矩阵

使得A=VDU^T成立，其中ν=(v₁,v₂,…,v_m)为AA^T的单位特征向量，U=(u₁,u₂,…,u_n)为A^TA的单位特征向量，

为A的奇异值矩阵，将这个对角排列的奇异值矩阵重新按其值由大到小排成一行，形成奇异值向量。奇异值分解实质是一种正交变换，可将矩阵对角化，具有较强的抗干扰能力，稳定性好，并且能够反映信号的内在特征。分别对该14个振动信号进行奇异值分解，将没个振动信号对应的奇异值向量组合成综合奇异值矩阵H为：

其中：采集l个振动信号，每个振动信号分成m个频率区间，经过奇异值分解后得到m个奇异值，构成一个奇异值向量，l个振动信号的奇异值向量组合成一个综合矩阵。该具体实施例中，

$H=\left[\begin{array}{cccccccccc}84.5949& 37.2757& 30.4016& 22.9014& 11.0772& 8.5991& 4.8188& 1.7858& 1.1115& 0.3395\\ 87.3322& 33.7758& 29.8467& 16.4012& 8.0377& 6.7932& 3.0461& 0.7236& 0.5465& 0.3231\\ 84.0650& 27.1776& 23.9190& 14.5357& 6.3716& 6.1541& 2.8316& 0.7277& 0.4148& 0.3259\\ 95.3506& 30.5866& 26.0017& 16.5267& 6.7051& 6.4972& 2.7305& 1.6232& 1.1271& 1.0472\\ 95.9845& 32.0476& 28.5292& 16.8115& 10.1945& 808665& 4.7278& 2.4714& 1.8225& 1.0252\\ 95.3679& 36.0777& 27.8667& 15.7086& 10.8058& 7.3092& 6.3592& 1.9813& 1.4374& 0.1983\\ 53.2306& 23.5511& 18.2078& 10.0275& 7.2173& 505904& 3.3944& 1.4925& 0.7898& 0.3617\\ 55.2831& 29.8161& 23.3182& 14.6878& 4.8393& 3.7256& 2.6561& 1.9338& 1.1861& 0.5967\\ 52.3491& 26.2918& 21.7000& 14.6766& 8.4890& 6.7332& 5.8672& 1.9299& 1.5007& 1.1524\\ 63.5340& 19.2831& 16.2720& 5.9548& 4.7814& 4.0258& 2.8909& 1.7173& 0.6705& 0.3249\\ 64.6683& 22.6896& 17.1745& 6.4811& 4.0441& 3.3429& 2.2796& 1.3268& 0.8017& 0.4302\\ 71.0050& 24.7192& 18.4069& 6.7865& 5.7935& 4.9067& 2.7561& 0.9661& 0.7603& 0.3794\\ 72.4719& 26.2188& 15.1447& 9.0271& 4.3483& 4.1010& 2.4858& 1.7254& 0.8636& 0.3143\\ 52.3491& 26.2918& 21.7000& 14.6766& 8.4890& 6.7232& 5.8672& 1.9299& 1.5007& 1.1524\end{array}\right]$

其中：该综合奇异值矩阵H中第1-3行表示配电开关正常状态，第4-6行表示配电开关卸一相绝缘拉杆状态，第7-9行表示配电开关机械结构卡涩状态，第10-12行表示配电开关底座螺丝松动状态，第13-14行表示配电开关待检验状态。

将该综合奇异值矩阵作为该模糊C均值聚类法（FCM）的输入识别配电开关不同机械状态，该方法步骤包括：

步骤（1），预先设定分类数c、加权指数p、迭代中止因子ε和最大迭代次数k_max，按约束条件初始化隶属度矩阵U^(k)；

（2）计算聚类中心v_i，

（3）由v_i更新隶属度矩阵U^(k+1)，

$U_{\mathrm{ij}}^{(k+1)}={\left[\underset{l=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{{\left({\left|\right|x_j-v_i\left|\right|}^2\right)}^{(k+1)}}{{\left({\left|\right|x_j-v_i\left|\right|}^2\right)}^{(k+1)}}\right)}^{1/(p-1)}\right]}^{-1}(i=\mathrm{1,2},...,m;l=\mathrm{1,2},...,c);$

（4）判断是否达到中止条件，若‖U^(k+1)-U^(k)‖≤ε，则停止迭代，聚类过程结束，否则置k=k+1，转到步骤（2）；

（5）得到FCM的输入X的一个最优聚类中心V={v_i}和隶属度矩阵U=U_ij。

预先设定分类数，加权指数、迭代终止因子和最大迭代次数，按约束条件初始化隶属度矩阵；

该具体实施例中，该综合奇异值矩阵H作为FCM的输入，已知配电开关状态是4种，设定加权指数p=2，迭代中止因子ε=10^-5，最大迭代次数k_max=100。经过10次迭代，目标函数J_fcm(U,V)=0.0311，隶属度矩阵为

$U=\left[\begin{array}{cccccccccccccc}0.2111& 0.0780& 0.2613& \underset{\‾}{0.8314}& \underset{\‾}{0.9479}& \underset{\‾}{0.8507}& 0.0142& 0.0184& 0.0030& 0.0213& 0.0090& 0.0172& 0.0380& 0.0030\\ 0.0399& 0.0075& 0.1247& 0.0162& 0.0044& 0.0125& 0.1194& 0.1011& 0.0157& \underset{\‾}{0.8271}& \underset{\‾}{0.9284}& \underset{\‾}{0.9181}& \underset{\‾}{0.8360}& 0.0157\\ \underset{\‾}{0.7190}& \underset{\‾}{0.9101}& \underset{\‾}{0.5637}& 0.1436& 0.0450& 0.1292& 0.0206& 0.0295& 0.0045& 0.0299& 0.0132& 0.0265& 0.0574& 0.0045\\ 0.0300& 0.0044& 0.0503& 0.0088& 0.0026& 0.0076& \underset{\‾}{0.8458}& \underset{\‾}{0.8510}& \underset{\‾}{0.9768}& 0.1217& 0.0493& 0.0382& 0.0686& \underset{\‾}{0.9768}\end{array}\right]$

U的行表示配电开关状态，4行表示已知的4种状态；列表示振动信号编号，1-14列依次表示正常状态下振动信号1-3，卸一相绝缘拉杆状态下的振动信号4-6，机械结构卡涩状态下的振动信号7-9，底座螺丝松动状态下的振动信号10-12，待检验状态下的振动信号13-14。U的每一列最大值所在的行即为该振动信号对应的状态。

从U中标下划线的元素位置可知，采集到配电开关的4种不同状态都能正确识别出来，与实际情况一致。而待检验状态振动信号第13列，被归为第2类，判定为底座螺丝松动状态，待检验状态振动信号第14列，被归为第4类，判定为机械结构卡涩状态，均与实际状态相符。

以上所述，仅为本发明较佳实施例而已，故不能依此限定本发明实施的范围，即依本发明专利范围及说明书内容所作的等效变化与修饰，皆应仍属本发明涵盖的范围内。

Claims (8)

1.基于振动信号聚类的配电开关机械状态诊断方法，其特征在于：包括：

步骤1，采用传感器获取配电开关的振动信号；

步骤2，处理获取的振动信号以得到若干个本征模函数分量和残余分量；

步骤3，对得到的本征模函数分量和残余分量做Hilbert变换，以获得二维Hilbert时频谱；

步骤4，将二维Hilbert时频谱的瞬时频率按某一频率宽度进行等间隔区间划分以得到多个频率区间，每个频率区间都经如下处理：置该频率区间外的本征模函数分量瞬时幅值为零且保留该频率区间内所有的本征模函数分量瞬时幅值，对保留本征模函数分量瞬时幅值的频率区间段进行波形重构，以得到该频率区间上的重构分量；

步骤5，对每个振动信号的所有频率区间上的重构分量构造成时频矩阵，对时频矩阵进行奇异值分解，得到一系列能反映振动信号时频特征的奇异值向量；

步骤6，将所获取的所有振动信号的奇异值向量组合成一个综合奇异值矩阵，作为配电开关机械状态诊断特征量；

步骤7，依据综合奇异值矩阵聚类结果识别配电开关不同机械状态。

2.根据权利要求1所述的基于振动信号聚类的配电开关机械状态诊断方法，其特征在于：所述步骤1中，采用加速度传感器获取配电开关的振动信号。

3.根据权利要求1所述的基于振动信号聚类的配电开关机械状态诊断方法，其特征在于：所述步骤2中，获取的振动信号经过有效波形截取后，再采用经验模态分解法分解以得到若干个本征模函数分量和残余分量。

4.根据权利要求1所述的基于振动信号聚类的配电开关机械状态诊断方法，其特征在于：所述步骤7中，将该综合奇异值矩阵作为模糊C均值聚类的输入，采用模糊C均值聚类法识别配电开关不同机械状态。

5.如权利要求1或3所述的基于振动信号聚类的配电开关机械状态诊断方法，其特征在于：该经验模态分解法的具体步骤包括：

步骤51，确定该振动信号X(t)的所有极值点，采用三次样条函数对所有极值点插值，分别拟合出由所有极大值点构成的上包络线x_max(t)和由所有极小值点构成的下包络线x_min(t)，并确定该振动信号位于该上包络线和下包络线之间；

步骤52，求取该上包络线x_max(t)和下包络线x_min(t)的均值m₁(t)，得h₁(t)=X(t)-m₁(t)；

步骤53，判断h₁(t)是否满足本征模函数分量的两个条件，若满足，则h₁(t)是X(t)的第一个本征模函数分量；若不满足，则将h₁(t)作为新的信号，重复步骤1、步骤2，再判断是否满足本征模函数分量的两个条件，直至第k次筛选满足该两个条件或收敛条件为止，则h_1k(t)为X(t)的第一个分量；

步骤54，将得到的第一个本征模函数分量从X(t)中分离出来，得到残余分量r₁(t)，并将该残余分量r₁(t)作为原始信号重复步骤51-53直至得到残余分量r_n(t)，当残余分量足够小或是一个单调函数时，则停止分解，此时，原始信号X(t)表示成 $X\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{h}_{1i}+r_n\left(t\right).$

6.如权利要求1所述的基于振动信号聚类的配电开关机械状态诊断方法，其特征在于：该步骤5中，对所有频率区间上的重构分量构造时频矩阵方法为：该振动信号的采样点数为n，经Hilbert变换后分为m个频率区间，各个频率区间重构分量的数据点为a_ik（i=1,2,…,m;k=1,2,…,n），则振动信号所有频率区间上的重构分量构成的时频矩阵A为：

7.如权利要求1所述的基于振动信号聚类的配电开关机械状态诊断方法，其特征在于：该步骤6中，该综合奇异值矩阵H为：

其中：采集l个振动信号，每个振动信号分成m个频率区间，经过奇异值分解后得到m个奇异值，构成一个奇异值向量，l个振动信号的奇异值向量组合成一个综合矩阵。

8.如权利要求1或4所述的基于振动信号聚类的配电开关机械状态诊断方法，其特征在于：该模糊C均值聚类法包括：

步骤81，预先设定分类数，加权指数、迭代终止因子和最大迭代次数，按约束条件初始化隶属度矩阵；

步骤82，计算聚类中心；

步骤83，由聚类中心更新隶属度矩阵；

步骤84，判断是否达到聚类的终止条件，若达到终止条件，则停止迭代，聚类过程结束，否则，重复步骤82、步骤83直至得到各信号的最优聚类中心和隶属度矩阵。

Images