CN105241643A - 采用hs变换和单类支持向量机的高压断路器机械状态监测方法 - Google Patents

Abstract

本发明是一种采用HS变换和单类支持向量机的高压断路器机械状态监测方法，其特点是，包括高压断路器振动信号采集、将振动信号利用HS变换进行处理、振动信号特征提取和单类支持向量机判断断路器机械状态是否正常等步骤。与以往的高压断路器机械状态监测方法相比，本方法中使用的HS变换方法具有较高的抗噪性和鲁棒性，而且相对容易在实际工程环境下实现。采用单类支持向量机方法判断高压断路器机械状态是否正常，不依赖各种故障样本信号，只用一类正常振动信号样本即可完成分类器的训练，具有科学合理，实用性强，推广应用价值较高等优点。

Description

采用HS变换和单类支持向量机的高压断路器机械状态监测方法

技术领域

本发明是一种采用HS变换和单类支持向量机的高压断路器机械状态监测方法，应用于电力系统中高压断路器在线状态监测。

背景技术

高压断路器是非常关键的电力系统设备，起到控制和保护的双重作用。由于其机械部分相对于其他电气设备而言要复杂很多，又经常需要操作，因此容易出现机械故障。一旦其出现机械故障，容易导致高压断路器拒动或误动，这会造成严重的电力系统事故，造成巨大的经济损失。因此对高压断路器的机械状态监测方法进行深入研究，对提高电力系统安全性和可靠性具有重大意义。

主流的高压断路器状态监测方法主要有分合闸线圈电流法、触头行程-时间曲线法和振动信号法等。其中振动信号法通过加速度传感器获得断路器分合闸时产生的振动信号，属于非侵入式方法，不但不影响断路器自身的可靠性，而且还特别适合用于高电压及电磁强度较高的场合。该方法首先需要对振动信号进行处理并提取相应的特征，然后通过模式识别技术实现状态判断。现有方法在各个环节中仍然存在一些问题，如信号处理算法在工程应用中较难实现；选取特征对故障的反应能力不够好；模式识别方法对样本依赖性较强等。

发明内容

本发明的目的在于克服现有技术的不足，提供一种科学合理，算法相对容易实现，故障识别效果较好，且具有较高推广应用价值的采用HS变换和单类支持向量机的高压断路器机械状态监测方法。

本发明的目的是通过以下技术方案来实现的：一种采用HS变换和单类支持向量机的高压断路器机械状态监测方法，其特征是，它包括以下步骤：

1)高压断路器振动信号采集

通过压电式加速度传感器和数据采集系统采集高压断路器振动信号；

2)将振动信号利用HyperbolicS变换进行处理，亦称HS变换进行处理

HyperbolicS变换是S变换的扩展，其关键在于采用Hyperbolic窗函数代替传统S变换使用的高斯窗函数，具体计算方法如下：

离散HS变换公式为： $S\[n,j\]=\underset{m=0}{\overset{N-1}{\Σ}}H\[m+n\]G(m,n)\exp \left(i2\mathrm{\π}mj\right)---\left(1\right)$

其中N为总采样点数；n＝0,1,...,N-1；m＝0,1,...,N-1；j＝0,1,...,N-1；G(m,n)为变换过程中所使用的Hyperbolic窗函数，可记做其中， $X=\frac{({\mathrm{\α}}_{hy}+{\mathrm{\β}}_{hy})}{2{\mathrm{\α}}_{hy}{\mathrm{\β}}_{hy}}t+\frac{({\mathrm{\α}}_{hy}-{\mathrm{\β}}_{hy})}{2{\mathrm{\α}}_{hy}{\mathrm{\β}}_{hy}}\sqrt{t^2+{\mathrm{\λ}}_{hy}^2};$

3)振动信号特征提取

通过统计实验分析发现，频率高于10kHz的振动信号成分振幅很小，因此，主要分析0-10kHz频段，将0-10kHz、0-150ms的时-频平面划分为300个频宽为1kHz、时宽为5ms的等大小时频块，通过分析振动信号在该部分的分布情况，分析断路器工作状态；

通过时-频能量熵描述断路器机械振动信号能量时-频分布特征；设整个时-频平面的总能量为E，时-频块S_ij的能量为E_ij(i＝1,…,10；j＝1,…,30)，首先对E_ij做归一化处理如下：

${\hat{E}}_{ij}=\frac{E_{ij}}{E}---\left(2\right)$

那么对于10个频带中的每个频带，计算该频带中时-频块能量相对于时间的信息熵公式为：

$H_i=-\underset{j=1}{\overset{30}{\Σ}}{\hat{E}}_{ij}\·\lg {\hat{E}}_{ij},i=1,...,10---\left(3\right)$

其中H_i反映第i个频带上的能量随时间分布的均匀程度，

此外，由实验发现振动信号能量集中在收到触发信号后的前50ms内；因此，为了提高延时类故障的识别能力，计算前10个时宽对应的时-频块相对于频率的信息熵，其公式为：

$L_j=-\underset{i=1}{\overset{10}{\Σ}}{\hat{E}}_{ij}\·\lg {\hat{E}}_{ij},j=1,...,10---\left(4\right)$

由以上20个时-频能量熵构成信号的时-频能量熵向量X＝[HL]，其中H＝[H₁,…,H₁₀]，L＝[L₁,…,L₁₀]，向量X作为高压断路器机械状态监测的特征向量；

4)单类支持向量机判断断路器运行状态

每个训练样本通过3)中所介绍的特征提取方法可得到20维输入特征向量样本集，将该训练样本集作为单类支持向量机的输入变量，计算得到特定的决策超平面，完成单类支持向量机的训练过程；当需要判断断路器运行状态时，将采集到的需诊断的样本按3)中介绍的特征提取方法得到输入向量，计算该样本与决策超平面的关系，判断高压断路器机械状态是否正常。

利用本发明的一种采用HS变换和单类支持向量机的高压断路器机械状态监测方法，将振动信号经HS变换进行时-频分析处理，得到振动信号在时-频平面的能量分布；然后将时-频平面分割成等大小的时-频块，计算信号的时-频能量熵向量；最后将正常样本集用于单类支持向量机的训练，得到决策超平面供分类器对试验样本进行判断，判断其机械状态是否处于正常状态。本发明具有算法相对容易实现，故障识别效果较好，实用性强，推广应用价值较高等优点。

附图说明

图1为本发明的总体算法流程图；

图2为HST的计算流程图；

图3为时-频平面的分割示意图；

图4为单类支持向量机原理图；

图5为正常信号特征分布图；

图6为铁芯卡涩信号特征分布图；

图7为螺丝松动信号特征分布图。

具体实施方式

本发明的采用HS变换和单类支持向量机的高压断路器机械状态监测方法，包括以下步骤：

1)高压断路器振动信号采集

通过压电式加速度传感器和数据采集系统采集高压断路器振动信号；

2)将振动信号利用HyperbolicS变换进行处理，亦称HS变换进行处理

HyperbolicS变换是S变换的扩展，其关键在于采用Hyperbolic窗函数代替传统S变换使用的高斯窗函数，具体计算方法如下：

离散HS变换公式为： $S\[n,j\]=\underset{m=0}{\overset{N-1}{\Σ}}H\[m+n\]G(m,n)\exp \left(i2\mathrm{\π}mj\right)---\left(1\right)$

其中N为总采样点数；n＝0,1,...,N-1；m＝0,1,...,N-1；j＝0,1,...,N-1；G(m,n)为变换过程中所使用的Hyperbolic窗函数，可记做其中， $X=\frac{\left({\mathrm{\α}}_{hy}+{\mathrm{\β}}_{hy}\right)}{2{\mathrm{\α}}_{hy}{\mathrm{\β}}_{hy}}t+\frac{\left({\mathrm{\α}}_{hy}-{\mathrm{\β}}_{hy}\right)}{2{\mathrm{\α}}_{hy}{\mathrm{\β}}_{hy}}\sqrt{t^2+{\mathrm{\λ}}_{hy}^2};$

3)振动信号特征提取

通过统计实验分析发现，频率高于10kHz的振动信号成分振幅很小，因此，主要分析0-10kHz频段，将0-10kHz、0-150ms的时-频平面划分为300个频宽为1kHz、时宽为5ms的等大小时频块，通过分析振动信号在该部分的分布情况，分析断路器工作状态；

通过时-频能量熵描述断路器机械振动信号能量时-频分布特征；设整个时-频平面的总能量为E，时-频块S_ij的能量为E_ij(i＝1,…,10；j＝1,…,30)，首先对E_ij做归一化处理如下：

${\hat{E}}_{ij}=\frac{E_{ij}}{E}---\left(2\right)$

那么对于10个频带中的每个频带，计算该频带中时-频块能量相对于时间的信息熵公式为：

$H_i=-\underset{j=1}{\overset{30}{\Σ}}{\hat{E}}_{ij}\·\lg {\hat{E}}_{ij},i=1,...,10---\left(3\right)$

其中H_i反映第i个频带上的能量随时间分布的均匀程度，

此外，由实验发现振动信号能量集中在收到触发信号后的前50ms内；因此，为了提高延时类故障的识别能力，计算前10个时宽对应的时-频块相对于频率的信息熵，其公式为：

$L_j=-\underset{i=1}{\overset{10}{\Σ}}{\hat{E}}_{ij}\·\lg {\hat{E}}_{ij},j=1,...,10---\left(4\right)$

由以上20个时-频能量熵构成信号的时-频能量熵向量X＝[HL]，其中H＝[H₁,…,H₁₀]，L＝[L₁,…,L₁₀]，向量X作为高压断路器机械状态监测的特征向量；

4)单类支持向量机判断断路器运行状态

每个训练样本通过3)中所介绍的特征提取方法可得到20维输入特征向量样本集，将该训练样本集作为单类支持向量机的输入变量，计算得到特定的决策超平面，完成单类支持向量机的训练过程；当需要判断断路器运行状态时，将采集到的需诊断的样本按3)所介绍的特征提取方法得到输入向量，计算该样本与决策超平面的关系，判断高压断路器机械状态是否正常。

参照图1-图4，具体实施方式的采用HS变换和单类支持向量机的高压断路器机械状态监测方法，包括：

A、断路器振动信号原始数据的采集

在高压断路器机构箱内安装压电式加速度传感器，利用数据采集装置采集振动信号；

B、对原始数据进行HS变换运算方法(HyperbolicS-transform，HST)

对电能质量扰动信号进行HS变换分析，其过程如图2；

C、提取分类所需特征

从振动信号的HS变换的运算结果中进行熵计算，作为机械状态监测特征；

D、训练单类支持向量机

用一组设备正常状态下获得的振动信号按以上流程获得训练样本集，并用其对单类支持向量机进行训练，其原理如图4所示；

E、验证本发明的有效性

模拟铁芯卡涩和基座螺丝松动两种故障各3组，加上另外3组正常信号，用来验证本方法的有效性；

图5分别描述了3组正常信号、3组铁芯卡涩信号和3组基座螺丝松动信号的特征分布。如图5所示，不同类型的振动信号的特征分布情况有一定差异。其中，铁芯卡涩信号与正常信号相比，其相对于频率的能量熵分布有明显区别，表现在其相对于频率的能量熵的最大值为第17个特征，而正常信号相对于频率的能量熵最大值是第14个特征。基座螺丝松动信号与正常信号相比，其相对于时间的能量熵分布有明显区别，表现在其低频部分相对于时间的能量熵值偏大而中间频段熵值较小。按上述的算法，利用10组正常信号对单类支持向量机进行训练，得到决策超平面，然后采用故障信号进行测试。最终，3组正常信号识别为正常信号，3组铁芯卡涩信号和3组基座螺丝松动信号均被识别为非正常信号，说明本方法可以不依赖于其他故障信号，只通过正常振动信号样本训练单类支持向量机，即可检验出断路器机械状态是否处于非正常状态，验证了本方法的有效性。

Claims (1)

1.一种采用HS变换和单类支持向量机的高压断路器机械状态监测方法，其特征是，它包括以下步骤：

1)高压断路器振动信号采集

通过压电式加速度传感器和数据采集系统采集高压断路器振动信号；

2)将振动信号利用HyperbolicS变换进行处理，亦称HS变换进行处理

HyperbolicS变换是S变换的扩展，其关键在于采用Hyperbolic窗函数代替传统S变换使用的高斯窗函数，具体计算方法如下：

离散HS变换公式为： $S\[n,j\]=\underset{m=0}{\overset{N-1}{\Σ}}H\[m+n\]G(m,n)\exp \left(i2\mathrm{\π}mj\right)---\left(1\right)$

其中N为总采样点数；n＝0,1,...,N-1；m＝0,1,...,N-1；j＝0,1,...,N-1；G(m,n)为变换过程中所使用的Hyperbolic窗函数，可记做其中， $X=\frac{({\mathrm{\α}}_{hy}+{\mathrm{\β}}_{hy})}{2{\mathrm{\α}}_{hy}{\mathrm{\β}}_{hy}}t+\frac{({\mathrm{\α}}_{hy}-{\mathrm{\β}}_{hy})}{2{\mathrm{\α}}_{hy}{\mathrm{\β}}_{hy}}\sqrt{t^2+{\mathrm{\λ}}_{hy}^2};$

3)振动信号特征提取

通过统计实验分析发现，频率高于10kHz的振动信号成分振幅很小，因此，主要分析0-10kHz频段，将0-10kHz、0-150ms的时-频平面划分为300个频宽为1kHz、时宽为5ms的等大小时频块，通过分析振动信号在该部分的分布情况，分析断路器工作状态；

通过时-频能量熵描述断路器机械振动信号能量时-频分布特征；设整个时-频平面的总能量为E，时-频块S_ij的能量为E_ij(i＝1,…,10；j＝1,…,30)，首先对E_ij做归一化处理如下：

${\hat{E}}_{ij}=\frac{E_{ij}}{E}---\left(2\right)$

那么对于10个频带中的每个频带，计算该频带中时-频块能量相对于时间的信息熵公式为：

$H_i=-\underset{j=1}{\overset{30}{\Σ}}{\hat{E}}_{ij}\·\lg {\hat{E}}_{ij},i=1,...,10---\left(3\right)$

其中H_i反映第i个频带上的能量随时间分布的均匀程度，

此外，由实验发现振动信号能量集中在收到触发信号后的前50ms内；因此，为了提高延时类故障的识别能力，计算前10个时宽对应的时-频块相对于频率的信息熵，其公式为：

$L_j=-\underset{i=1}{\overset{10}{\Σ}}{\hat{E}}_{ij}\·\lg {\hat{E}}_{ij},j=1,...,10---\left(4\right)$

由以上20个时-频能量熵构成信号的时-频能量熵向量X＝[HL]，其中H＝[H₁,…,H₁₀]，L＝[L₁,…,L₁₀]，向量X作为高压断路器机械状态监测的特征向量；

4)单类支持向量机判断断路器运行状态

每个训练样本通过3)中所介绍的特征提取方法可得到20维输入特征向量样本集，将该训练样本集作为单类支持向量机的输入变量，计算得到特定的决策超平面，完成单类支持向量机的训练过程；当需要判断断路器运行状态时，将采集到的需诊断的样本按3)中介绍的特征提取方法得到输入向量，计算该样本与决策超平面的关系，判断高压断路器机械状态是否正常。