CN105528741A - 一种基于多信号特征融合的断路器状态识别方法 - Google Patents

Abstract

一种基于多信号特征融合的断路器状态识别方法，包括：步骤1，通过声音传感器、振动传感器和应力传感器测得断路器包括故障和非故障动作时的信号；步骤2，求信号起始点的对应时刻；步骤3，利用小波变换提取振动信号、声音信号和应力信号的小波能谱熵特征矩阵M＝[E_V？E_S？E_F]；步骤4，以形成的小波能谱熵特征矩阵M＝[E_V？E_S？E_F]建立特征融合框架；步骤5，建立基于可信度的判断机制，对得到的特征熵通过证据理论判断过后做出判断。本方法提高了诊断结果的准确度，去除数据的大量冗余，弥补了现有算法的一些缺点；可用于弥补现有断路器诊断方法的不足，亦可作为现有技术的补充。

Description

一种基于多信号特征融合的断路器状态识别方法

技术领域

本发明涉及一种基于多信号特征融合的断路器状态识别方法，用于电力系统中高压断路器故障诊断和运行状态监测。

背景技术

国际大电网会议(CIGRE)对高压断路器可靠性进行了3次世界范围调查，操动机构及辅助回路故障占到大多数，达到了61％。而我国的统计分析表明：220kV以下等级配电开关设备事故情况的拒动、误动、开断与关合故障占总事故的43％；110～500kV电压等级断路器故障中，66.4％为操动机构及辅助回路故障。

由于断路器存在故障隐患时伴随的信号属于非平稳信号，所以不管是在记录还是处理上都要比周期性的信号复杂困难的多。鉴于断路器操作过程中振动、声音和应力信号的复杂性和实测数据的随机性，且信号采样频率和记录速度都很高，所以对断路器操作过程产生的振动信号、声音信号和应力信号联合分析研究还处于探索阶段。

随着信号处理技术的提高，一些新型的算法也逐渐应用于断路器状态判别中。对于通过传统的单一声音信号或振动信号辨别断路器状态，现有的算法主要包括小波分解、经验模态、小波包能谱熵、小波奇异性监测等等,这些算法都取得了比较理想的效果。振动信号通过固体传播衰减小，不易收到外界干扰，一般采用的压电式加速度传感器采集信号时，虽然灵敏度高，但振幅较大时信号存在饱和现象，波形存在削顶现象；而声波信号在空气中传播易受背景噪声干扰，信噪比低，但其属于非接触式测量，安装方便，另外测量频带宽，能够有效避免饱和及失效现象。已有的方法中大部分采用单一的振动信号或声音信号，并没有较全面的利用断路器在动作时其他信号，故而会在一些比较特殊的情况下做出误判断。

发明内容

本发明所要解决的技术问题，就是提供一种基于多信号特征融合的断路器状态识别方法，其在利用现有算法的基础上，综合考虑了断路器在动作过程中产生的声音、振动和应力信号，避免了信息的缺失；利用多信号融合技术，进一步揭示了声音、振动和应力信号之间的内在联系，提高了诊断结果的准确度，去除数据的大量冗余，弥补了现有算法的一些缺点。

解决上述技术问题，本发明采取如下技术方案：

一种基于多信号特征融合的断路器状态识别方法，其特征是包括以下步骤：

步骤1，通过声音传感器、振动传感器和应力传感器测得断路器包括故障和非故障动作时的信号；

步骤2，求信号起始点的对应时刻(也即分合闸起始点)

将声音信号与振动信号以64个点为一组形成信号序列，分别对信号序列进行FFT变换得到信号序列的频率组成，对比得到的信号序列频率组成找出含有不同于环境噪声频率的第一段信号序列；

计算上面得到的声音信号和振动信号不同于环境噪声频率的第一段信号序列之间的欧几里得距离：

其中，v＝(v₁,v₂,...,v_n)、s＝(s₁,s₂,...,s_n)为声音信号和振动信号信号序列在欧几里得空间中的点；

在搜索具体的对应事件时d(V,S)如果单调增加，则加大步长，直至d(V,S)递减，开始精细搜索，得到最小值d(V,S)_min，该点即为信号起始点的对应时刻；

步骤3，利用小波变换提取振动信号、声音信号和应力信号的小波能谱熵特征矩阵M＝[E_VE_SE_F]

E_V＝E_v1,E_v2,...E_vm、E_S＝E_s1,E_s2,...E_sm、E_F＝E_f1,E_f2,...E_fm为振动信号、声音信号和应力信号在m尺度上的小波能谱熵,；

步骤4，以形成的小波能谱熵特征矩阵M＝[E_VE_SE_F]建立特征融合框架

设F为状态识别的特征融合框架，F包含2类状态，即正常F₁和异常F₂状态；

若集函数n：2^F→[0,1](2^F为F的幂集)满足条件：n(Φ)＝0且其中F_k表示第k类状态，则n就叫状态识别特征融合框架F上的基本可信度分配；n(F_k)称为F_k的基本可信数；

n(F_k)表征对第k类状态不确定性的度量或对第k类状态本身的支持度大小；

设n₁,n₂,n₃是F上3类基本可信度分配，那么组合后的基本可信度分配为各可信度分配函数的正交和用公式表示为

$\left\{\begin{array}{c}n\left(\mathrm{\Φ}\right)=0\\ n\left(F_k\right)=K\underset{\∩F_i=F_k}{\mathrm{\Σ}}\underset{1\≤j\≤3}{\mathrm{\Π}}{n}_j\left(F_i\right),F_k\≠\mathrm{\Φ},\\ k,i=1,2\end{array}\right.$

式中 $K^{-1}=1-\underset{\∩F_i=\mathrm{\Φ}}{\Σ}\underset{j=1,2}{\Π}{n}_j\left(F_i\right);$

设第i类状态的第j类信号对应的基本可信度函数为：

$n_j\left(i\right)={\mathrm{\μ}}_j\frac{x_{ij}}{\left|\right|M_i|{|}_2}$

式中：i＝1,2；j＝1,2,3；μ_j为第j类信号的模糊不确定度，根据历史经验或统计数据来设定；||M||₂表示小波能谱熵特征矩阵的二范数，目的是为了通过范数计算出多种信号间的能谱熵距离，从而更好的反应多种信号在不同状态的特征；

以上两式为证据理论的核心，通过它可以把若干条独立的证据组合起来；

K成为冲突因子，当K＜∞，表示这若干条证据一致或部分一致，这时可给出证据组合结果；

当K＝∞时，表示这些证据是完全矛盾的，这时不能用证据理论进行组合；

K越大表示证据冲突越严重，在实际应用中，为避免违背常理的组合结论出现，通常给K设定一阈值，当K大于该阈值时，则认为证据冲突过大造成组合没有实际意义，需要重新寻找证据或采用修正的证据理论；

步骤5，建立基于可信度的判断机制，对得到的特征熵通过证据理论判断过后做出判断；

该判断应满足某种状态具有最大可信度，其可信度与另一状态可信度值差在最大可信度中所占的比例大于某一百分比；

因此应满足条件： $\left\{\begin{array}{c}n\left(F_1\right)>{\mathrm{\ϵ}}_1\\ \frac{n\left(F_1\right)-n\left(F_2\right)}{n\left(F_1\right)}>{\mathrm{\ϵ}}_2\end{array}\right.,$ 则F₁即为判断结果；

其中ε₁为根据断路器的型号和断路器所处环境设置的阈值，ε₂为最大可信度与另一状态差值所占最大可信度的百分比；ε₁是为了保证对F₁成立的信任度足够大，ε₂是为了保证判断结果具有足够的区分度而不至于得到模棱两可的结论。

有益效果：本方法提高了诊断结果的准确度，去除数据的大量冗余，弥补了现有算法的一些缺点；可用于弥补现有断路器诊断方法的不足，亦可作为现有技术的补充。

附图说明

图1是本发明实现框图；

图2是时标对位实现框图；

图3是信息融合过程框图。

具体实施方式

本发明的基于多信号特征融合的断路器状态识别方法实施例，包括以下步骤：

步骤1，通过声音传感器、振动传感器和应力传感器测得断路器包括故障和非故障动作时的信号；

步骤2，由信号频率畸变法初步确定分合闸发生所在的信号序列，利用变步长欧几里得距离快速搜索法对声音信号和振动信号进行时标对位，具体如下：

将声音信号与振动信号以64个点为一组形成信号序列，分别对信号序列进行FFT变换得到信号序列的频率组成，对比得到的信号序列频率组成找出含有不同于环境噪声频率的第一段信号序列；

计算上文得到的不同于环境噪声频率的声音信号和振动信号两者之间的欧几里得距离。选择最小欧几里得距离得到信号起始点的对应时刻；

定义：在欧几里得空间中，点v＝(v₁,v₂,...,v_n)和s＝(s₁,s₂,...,s_n)之间的欧式距离为称为欧几里得距离；

以欧几里得距离之和最小(隶属度最大)的事件为振动信号和声音信号的相应事件，由此绘出两信号对应事件的时间-事件曲线，从而得到信号起始点的对应时刻；

利用欧几里得距离判据，搜索时d(V,S)如果单调增加，则加大步长，直至d(V,S)递减，开始精细搜索，得到最小值d(V,S)_min，该点即为信号起始点的对应时刻即分合闸起始点；

步骤3，利用小波变换提取振动信号、声音信号和应力信号的小波能谱熵特征矩阵M＝[E_VE_SE_F]

E_V＝E_v1,E_v2,...E_vm、E_S＝E_s1,E_s2,...E_sm、E_F＝E_f1,E_f2,...E_fm为振动信号、声音信号和应力信号在m尺度上的小波能谱熵,；

步骤4，以形成的小波能谱熵特征矩阵建立起特征融合框架

设F为状态识别的特征融合框架，F包含2类状态，即正常F₁和异常F₂状态；

若集函数n：2^F→[0,1](2^F为F的幂集)满足条件：n(Φ)＝0且其中F_k表示第k类状态，则n就叫状态识别特征融合框架F上的基本可信度分配；n(F_k)称为F_k的基本可信数；

n(F_k)表征对第k类状态不确定性的度量或对第k类状态本身的支持度大小；

设n₁,n₂,n₃是F上3类基本可信度分配，那么组合后的基本可信度分配为各可信度分配函数的正交和用公式表示为

$\left\{\begin{array}{c}n\left(\mathrm{\Φ}\right)=0\\ n\left(F_k\right)=K\underset{\∩F_i=F_k}{\mathrm{\Σ}}\underset{1\≤j\≤3}{\mathrm{\Π}}{n}_j\left(F_i\right),F_k\≠\mathrm{\Φ},\\ k,i=1,2\end{array}\right.$

式中 $K^{-1}=1-\underset{\∩F_i=\mathrm{\Φ}}{\Σ}\underset{j=1,2}{\Π}{n}_j\left(F_i\right);$

设第i类状态的第j类信号对应的基本可信度函数为：

$n_j\left(i\right)={\mathrm{\μ}}_j\frac{x_{ij}}{\left|\right|M_i|{|}_2}$

式中：i＝1,2；j＝1,2,3；μ_j为第j类信号的模糊不确定度，根据历史经验或统计数据来设定；||M||₂表示小波能谱熵特征矩阵的二范数，目的是为了通过范数计算出多种信号间的能谱熵距离，从而更好的反应多种信号在不同状态的特征；

以上两式为证据理论的核心，通过它可以把若干条独立的证据组合起来；

K成为冲突因子，当K＜∞，表示这若干条证据一致或部分一致，这时可给出证据组合结果；

当K＝∞时，表示这些证据是完全矛盾的，这时不能用证据理论进行组合；

K越大表示证据冲突越严重，在实际应用中，为避免违背常理的组合结论出现，通常给K设定一阈值，当K大于该阈值时，则认为证据冲突过大造成组合没有实际意义，需要重新寻找证据或采用修正的证据理论；

步骤5，建立基于可信度的判断机制，对得到的特征熵通过证据理论判断过后做出判断；

该判断应满足某种状态具有最大可信度，其可信度与另一状态可信度值差在最大可信度中所占的比例大于某一百分比；

因此应满足条件： $\left\{\begin{array}{c}n\left(F_1\right)>{\mathrm{\ϵ}}_1\\ \frac{n\left(F_1\right)-n\left(F_2\right)}{n\left(F_1\right)}>{\mathrm{\ϵ}}_2\end{array}\right.,$ 则F₁即为判断结果；

其中ε₁为根据断路器的型号和断路器所处环境设置的阈值，ε₂为最大可信度与另一状态差值所占最大可信度的百分比；ε₁是为了保证对F₁成立的信任度足够大，ε₂是为了保证判断结果具有足够的区分度而不至于得到模棱两可的结论。

所述步骤2，由于声音信号的传播距离长于振动信号，且两者经过的介质不同，所以两者信号的传播时间会有细微区别，表现为振动信号较声音信号会有一个微小的前移，将该微小错位通过处理手段消除的方法就时标对位。一般的处理方法中，忽略了该微小前移，但声音信号和振动信号都是高频信号，这个微小的差距依然会引起较大的误差。由于断路器的振动信号和声音信号具有较高的频率，与周围的环境噪声有较大区别，故可以利用频率突变法将断路器动作信号的起始位置在采集到的信号段中标出；再利用断路器声音和振动信号的同源性，结合欧式距离得出准确时间点。振动信号和应力信号的传感器都是位于断路器的本体，所以采集到断路器动作信号在振动信号和应力信号的起始点相同，不用进行时标对位。

所述步骤3，断路器的分合闸信号属于一种非平稳信号，传统的傅立叶变换只能提取特定频点或频段成分的变化做特征参数，故只适合平稳随机信号。加窗傅立叶变化，由于时频窗固定，得到的特征参量对时间延时，处理故障信号效果不理想。小波包分解使用时频多分辨率分析信号，同时兼顾时、频分辨率，比较适合与非平稳信号的分析。不同的小波熵能从不同角度反应故障信号的时频分布统计特征，进而能为故障诊断提供基础。本方法选用的能量熵，能直观获得故障信号的能量分布信息，在融合的时候可以达到应有的融合效果。

所述步骤4，本文只讨论断路器的运行状态即只包括断路器正常运行和断路器异常运行，并不涉及断路器的故障类型。

所述步骤5建立的决策机制实质上是对证据理论的一个补充，避免出现证据冲突过大造成组合没有实际意义，也可称为改进证据理论法。

传统的诊断方法是以统计学理论为基础的分类算法，只有当训练样本趋于无穷大时这些算法才能得到合理的结果，但是实际故障诊断中得到的试验数据是有限的并且是不精确、不完备含有大量冗余的信息。而信息融合技术中的粗糙集理论能够在保留关键信息的前提下对知识库中冗余知识进行有效的剔除，使知识库约简为最小表达形式。利用多信号融合技术，对采集到的断路器多种信号(主要指振动、声音和应力)，提取信号中小波能量熵作为特征熵，将这些特征熵作为信息融合的证据体，假设小波能量熵的模糊不确定度μ均为零以直观比较，并以任两种信号的能量熵作为特征融合的证据。

Claims (4)

1.一种基于多信号特征融合的断路器状态识别方法，其特征是包括以下步骤：

步骤1，通过声音传感器、振动传感器和应力传感器测得断路器包括故障和非故障动作时的信号；

步骤2，求信号起始点的对应时刻；

步骤3，利用小波变换提取振动信号、声音信号和应力信号的小波能谱熵特征矩阵M＝[E_VE_SE_F]；

E_V＝E_v1,E_v2,…E_vm、E_S＝E_s1,E_s2,…E_sm、E_F＝E_f1,E_f2,…E_fm为振动信号、声音信号和应力信号在m尺度上的小波能谱熵,；

步骤4，以形成的小波能谱熵特征矩阵M＝[E_VE_SE_F]建立特征融合框架；

步骤5，建立基于可信度的判断机制，对得到的特征熵通过证据理论判断过后做出判断。

2.根据权利要求1所述的基于多信号特征融合的断路器状态识别方法，其特征是：所述的步骤2具体如下：

将声音信号与振动信号以64个点为一组形成信号序列，分别对信号序列进行FFT变换得到信号序列的频率组成，对比得到的信号序列频率组成找出含有不同于环境噪声频率的第一段信号序列；

计算上面得到的声音信号和振动信号不同于环境噪声频率的第一段信号序列之间的欧几里得距离：

其中，v＝(v₁,v₂,…,v_n)、s＝(s₁,s₂,…,s_n)为声音信号和振动信号信号序列在欧几里得空间中的点；

在搜索具体的对应事件时d(V,S)如果单调增加，则加大步长，直至d(V,S)递减，开始精细搜索，得到最小值d(V,S)_min，该点即为信号起始点的对应时刻。

3.根据权利要求1所述的基于多信号特征融合的断路器状态识别方法，其特征是：所述的步骤4具体如下：

设F为状态识别的特征融合框架，F包含2类状态，即正常和异常状态；

若集函数n：2^F→[0,1]满足条件：n(Φ)＝0且其中2^F为F的幂集，F_k表示第k类状态，则n就叫状态识别特征融合框架F上的基本可信度分配；n(F_k)称为F_k的基本可信数；

n(F_k)表征对第k类状态不确定性的度量或对第k类状态本身的支持度大小；

设n₁,n₂,n₃是F上3类基本可信度分配，那么组合后的基本可信度分配为各可信度分配函数的正交和用公式表示为

$\left\{\begin{array}{c}n\left(\mathrm{\Φ}\right)=0\\ n\left(F_k\right)=K\underset{\∩F_i=F_k}{\mathrm{\Σ}}\underset{1\≤j\≤3}{\Π}{n}_j\left(F_i\right),F_k\≠\mathrm{\Φ}\\ k,i=1,2\end{array}\right.,$

式中 $K^{-1}=1-\underset{\∩F_i=\mathrm{\Φ}}{\Σ}\underset{j=1,2}{\Π}{n}_j\left(F_i\right);$

设第i类状态的第j类信号对应的基本可信度函数为：

$n_j\left(i\right)={\mathrm{\μ}}_j\frac{x_{ij}}{\left|\right|M_i|{|}_2}$

式中：i＝1,2；j＝1,2,3；μ_j为第j类信号的模糊不确定度，根据历史经验或统计数据来设定；||M||₂表示小波能谱熵特征矩阵的二范数，目的是为了通过范数计算出多种信号间的能谱熵距离，从而更好的反应多种信号在不同状态的特征；

以上两式为证据理论的核心，通过它可以把若干条独立的证据组合起来；

K成为冲突因子，当K＜∞，表示这若干条证据一致或部分一致，这时可给出证据组合结果；

当K＝∞时，表示这些证据是完全矛盾的，这时不能用证据理论进行组合；

K越大表示证据冲突越严重，在实际应用中，为避免违背常理的组合结论出现，通常给K设定一阈值，当K大于该阈值时，则认为证据冲突过大造成组合没有实际意义，需要重新寻找证据或采用修正的证据理论。

4.根据权利要求1所述的基于多信号特征融合的断路器状态识别方法，其特征是：所述的步骤5具体如下：

判断应满足某种状态具有最大可信度，且其可信度与另一状态可信度值差在最大可信度中所占的比例大于某一百分比；

因此应满足条件： $\left\{\begin{array}{c}n\left(F_1\right)>{\mathrm{\ϵ}}_1\\ \frac{n\left(F_1\right)-n\left(F_2\right)}{n\left(F_1\right)}>{\mathrm{\ϵ}}_2\end{array}\right.,$ 则F₁即为判断结果；

其中ε₁为根据断路器的型号和断路器所处环境设置的阈值，ε₂为最大可信度与另一状态差值所占最大可信度的百分比。