CN105956290A - 一种基于多数据融合技术的高压断路器机械故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于多数据融合技术的高压断路器机械故障诊断方法，在高压断路器上安装多个传感器，利用数据处理算法获得故障信息，结合故障数据库中储存的典型故障信号特征向量，确定断路器状态属于各不同典型故障的隶属度；通过引入广义信息熵概念获得各传感器的证据可信度，以此得到加权证据，最后采用D‑S证据理论组合规则完成故障融合，得到决策诊断结果。本发明采用加权证据理论及多数据融合技术，不仅考虑了获得各个故障隶属度的结果，还考虑了各个证据的可信度，有效提高了系统诊断的准确性。

Description

一种基于多数据融合技术的高压断路器机械故障诊断方法

技术领域

本发明涉及一种基于多数据融合技术的高压断路器机械故障诊断方法，属于在线监测和故障诊断技术领域。

背景技术

随着社会生产力的发展和科学技术的不断进步，对电力的需求也随之剧增，这对“坚强智能电网”的建设提出了更高的要求。断路器是电力系统中至关重要的控制和保护设备，也是电网中动作最为频繁的设备。因此，保证断路器安全可靠地运行有着十分重要的意义。但按照传统的计划检修方法，由于检修人员无法及时了解断路器操动机构的实际运行状态，操作盲目性强，容易造成检修过剩或检修不足。此外，断路器大修需要解体，时间成本和经济成本高，同时解体和重新装配可能会造成新的缺陷，降低断路器动作的可靠性。而在线监测的方法则通过获取设备在运行状态下的信息特征，通过分析比较来确定设备是否发生故障或缺陷，发生故障或缺陷的部件位置，所以具有很强的实时性和针对性。因此，断路器的在线监测与故障诊断已成为必不可少的环节。同时根据大量统计数据表明断路器主要故障为机械故障。因此，应用在线监测的方式，对断路器进行机械故障诊断显得尤为重要。在机械故障出现的初期及时发现故障，在问题恶化影响断路器运行之前及时处理，能很大程度上提高断路器安全运行和电力系统正常工作的可靠性的经济性。

在故障诊断的过程中，处理的数据都是通过传感器采集得到的。但是由于诊断对象运行状态复杂，影响因素众多，同一种故障往往表现不同，同一症状又可能是多种故障。即检测量与故障特征之间，故障特征与故障源之间都是一种非线性映射，传统的在线监测和故障诊断仅依靠单个传感器得到的故障特征量一般无法有效地完成故障诊断，解决上述问题的有效手段就采用多传感器信号融合技术。信息融合可以应用于原始数据层的处理、特征抽象层的处理、决策层的处理等各个阶层。相应的，在不同层次融合处理的过程中应用不同的数学算法来解决融合过程中遇到的问题。由于传感器自身性能、外部环境干扰等问题的影响，使得传感器接受的数据具有不确定性。利用多传感器进行信息融合能够将获得的不确定性信息进行互补，合理的对信息进行推理决策。

由前文所述，信息融合方式一般在决策层进行融合。决策层的信息融合技术是把两种或更多的分类器进行集成，采用一定的融合算法进行诊断。证据理论也称为Dempster/Shafer证据理论(D-S证据理论)，属于人工智能范畴，最早应用于专家系统中，具有处理不确定信息的能力。作为一种不确定推理方法，证据理论的主要特点是：满足比贝叶斯概率论更弱的条件；具有直接表达“不确定”和“不知道”的能力。

在一般的多数据融合方法中并没有考虑传感器在进行不同故障诊断时的可信度，然而在信息融合和决策环节中，并不是不是所有的证据都具有一样的可信度，通常来说，有些证据比起其他证据具有更高的说服力，为了获得证据可信度，一般方法需要获取先验知识来得到证据可信度，但是先验知识难以获取，而本方法不需要获得先验知识来得到证据可信度；此外，在应用传统的证据理论方法中，存在数据冲突和组合爆炸的现象，本专利的方法通过引入证据可信度对证据源进行了处理，在一定程度上有助于解决这一问题；最后，在一般应用信息熵的多数据融合方法中对故障隶属度进行分配时，只考虑为一种故障类型对应一个基本信度分配单元，但实际情况中，经常存在几种故障不确定的情况。本专利方法引入了广义信息熵的概念，将一个基本信度分配单元对应多种故障类型纳入了考虑，并设计了相应的算法处理。

发明内容

为了解决上述技术问题，本发明提供了一种基于多数据融合技术的高压断路器机械故障诊断方法。

为了达到上述目的，本发明所采用的技术方案是：

一种基于多数据融合技术的高压断路器机械故障诊断方法，包括以下步骤，

步骤1，在断路器上安装多个传感器；

每个传感器采集一类信号；

步骤2，利用小波包分解理论分别对采集的各个采集信号进行小波包分解；

步骤3，计算各个采集信号在小波包分解后的重构序列的能量值；

步骤4，对各个重构序列的能量值进行归一化处理，得到故障特征向量；

每个采集信号对应一个故障特征向量；

步骤5，计算各个故障特征向量与故障数据库中存储的典型故障信号特征向量的欧氏距离；

步骤6，求取故障特征向量各个欧氏距离的倒数的归一化结果，即得到各个传感器对应的故障隶属度；

步骤7，定义广义信息熵来衡量各个传感器对应的故障隶属度的信息价值高低，得到证据可信度；

步骤8，将证据可信度作为权值，将各个故障隶属度作为原始证据，加权求和获得加权证据；

步骤9，利用D-S证据理论对原始证据和加权证据进行数据融合，获得故障诊断结果。

安装在断路器上的传感器包括采集断路器振动信息的振动传感器、采集断路器行程信息的行程传感器以及采集断路器应力信息的应力传感器。

所述行程传感器采用滑线变阻器或者旋转电位器，采用滑线变阻器时，滑线变阻器的滑动端与断路器动触头连接，并且随着动触头运动而滑动，滑线变阻器的其余两端分别接地和接电源；采用旋转电位器时，旋转电位器的凸轴连接于断路器操作机构转轴上，旋转电位器的凸轴随转轴转动。

故障特征向量的具体计算公式为，

定义对采集信号进行n层小波包分解；

故障特征向量E为，

$E=(E_1,E_2,...,E_{2^n})=(E_1^{*}/\mathrm{\Σ},E_2^{*}/\mathrm{\Σ},...,E_{2^n}^{*}/\mathrm{\Σ})$

其中，

$\mathrm{\Σ}=E_1^{*}+E_2^{*}+...E_{2^n}^{*},$

$E_j^{*}=\underset{k=1}{\overset{N}{\Σ}}|d_j^k{|}^2,j=1,2,...2^n,$

$E_j=E_j^{*}/\mathrm{\Σ}$

dj为第j个小波包分解后的重构序列，为第j个小波包分解后的重构序列的第k个分量，N为d_j中分量的个数。

故障隶属度的具体计算公式为，

$m_i\left(a\right)=\left(\frac{1/l_1}{\mathrm{\Σ}1/l},\frac{1/l_2}{\mathrm{\Σ}1/l},\mathrm{...}\frac{1/l_{k^{\′}}}{\mathrm{\Σ}1/l}\right),\mathrm{\Σ}1/l=1/l_1+1/l_2+...+1/l_{k^{\′}}$

其中，m_i(a)为第i个传感器对应的故障隶属度，k′为故障数据库中典型故障类型数目，l_k′为采集信号特征向量与第k′个典型故障信号特征向量的欧氏距离。

证据可信度的计算公式为，

$w_i=\frac{E_{d_i}}{{\mathrm{\ΣE}}_d}$

其中，wi为第i个传感器对应的证据可信度，为定义的第i个传感器对应的广义信息熵，∑E_d为所有广义信息熵之和；

$E_{d_i}=-\underset{i}{\Σ}m\left(A_i\right)log\frac{m\left(A_i\right)}{2^{\left|A_i\right|}-1}$

其中，A_i为BPA中的基本信度分配单元，|A_i|为该基本信度分配单元对应的故障种类数目，m(A_i)为基本信度分配单元A_i对应的故障隶属度。

加权证据的计算公式为，

m(a)＝w₁×m₁(a)+...+w_i×m_i(a)+...+w_n′×m_n′(a)

其中，n′为传感器数目；

由加权证据与传感器获得的故障隶属度作为原始证据，利用Dempster组合规则进行数据融合，最终获得融合结果M(a)＝(ξ₁,ξ₂,…,ξ_k′)，ξ_p(p＝1,2,…k′)为数据融合后各个故障的隶属度，其中最大值对应的故障类型即为故障诊断结果。

本发明所达到的有益效果：1、本发明采用了多传感器信息融合技术，能够将获得的不确定信息进行互补，准确合理的对信息进行推理决策；2、本发明采用小波包分解理论提取故障特征向量，可以提高故障分辨率；3、本发明利用广义信息熵的概念来获得证据可信度，避免了先验知识难以获取的问题；4、本发明将证据可信度作为一个权值来衡量数据融合中证据源的可信度，再将加权证据理论用于故障诊断环节，即有效避免了应用证据理论可能产生的组合爆炸，时间冲突等问题，又兼顾了对证据源可信度的分析，提高了系统诊断的准确性；5、本发明可以准确地进行高压断路器机械故障诊断，缩短维护查找时间，提高维修效率；6、本发明准确高效，是一种能有效提高断路器安全和可靠性的机械故障诊断方法。

附图说明

图1为本发明方法的机构框图。

图2为故障隶属度获取流程。

图3为融合算法的流程图

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1、2和3所示，一种基于多数据融合技术的高压断路器机械故障诊断方法，包括以下步骤：

步骤1，在断路器上安装多个传感器，每个传感器采集一类信号。

安装在断路器上的传感器包括采集断路器振动信息的振动传感器、采集断路器行程信息的行程传感器以及采集断路器应力信息的应力传感器。

振动传感器安装在断路器动静触头距离合适的位置；应力传感器安装在断路器弹簧底板上；行程传感器采用滑线变阻器或者旋转电位器，采用滑线变阻器时，滑线变阻器的滑动端与断路器动触头连接，并且随着动触头运动而滑动，滑线变阻器的其余两端分别接地和接电源，测试时，断路器在分、合闸操作过程中，动触头带动滑线变阻器滑动端运动，变阻器滑动端采样的电压值也随之变动，经A/D转换后输入到计算机采样，进行数据处理，绘制成电压-时间(即是行程-时间)特性曲线。采用旋转电位器时，固定旋转电位器主体，旋转电位器的凸轴连接于断路器操作机构转轴上，旋转电位器的凸轴随转轴转动，将直线位移转换为旋转运动，获得行程特性。

步骤2，利用小波包分解理论分别对采集的各个采集信号进行小波包分解。

小波包分解(WPD)在全频段都具有较高的时频分辨率，具有更精细的局部化性能。它将频带进行多层次的划分，对多分辨率分析没有细分的高频部分进一步分解，并能够根据被分析信号的特征，自适应的选择相应频带，使之与信号频谱相匹配，从而提高时频分辨率，因此具有广泛的应用价值。

步骤3，计算各个采集信号在小波包分解后的重构序列的能量值。

定义对一个采集信号进行n层小波包分解，设为该采集信号小波包分解后的重构序列能量值，

$E_j^{*}=\underset{k=1}{\overset{N}{\Σ}}|d_j^k{|}^2,j=1,2,...2^n$

其中，dj为小波包分解后的第j个重构序列，为小波包分解后的第j个重构序列的第k个分量，N为d_j中分量的个数。

步骤4，对各个重构序列的能量值进行归一化处理，得到故障特征向量，每个采集信号对应一个故障特征向量。

故障特征向量E为，

$E=(E_1,E_2,...,E_{2^n})=(E_1^{*}/\mathrm{\Σ},E_2^{*}/\mathrm{\Σ},...,E_{2^n}^{*}/\mathrm{\Σ})$

其中，

步骤5，计算各个故障特征向量与故障数据库中存储的典型故障信号特征向量的欧氏距离。距离度量越大，表明两者之间的隶属度越弱。

步骤6，求取故障特征向量各个欧氏距离的倒数的归一化结果，即得到各个传感器对应的故障隶属度。

故障隶属度的具体计算公式为，

$m_i\left(a\right)=\left(\frac{1/l_1}{\mathrm{\Σ}1/l},\frac{1/l_2}{\mathrm{\Σ}1/l},...\frac{1/l_k}{\mathrm{\Σ}1/l}\right),\mathrm{\Σ}1/l=1/l_1+1/l_2+...+1/l_{k^{\′}}$

其中，m_i(a)为第i个传感器对应的故障隶属度，k′为故障数据库中典型故障类型数目，l_k′为采集信号特征向量与第k′个典型故障信号特征向量的欧氏距离。

步骤7，定义广义信息熵来衡量各个传感器对应的故障隶属度的信息价值高低，得到证据可信度。

定义第i个传感器对应的广义信息熵

$E_{d_i}=-\underset{i}{\Σ}m\left(A_i\right)log\frac{m\left(A_i\right)}{2^{\left|A_i\right|}-1}$

其中，A_i为BPA中的基本信度分配单元，|A_i|为该基本信度分配单元对应的故障种类数目，m(A_i)为基本信度分配单元A_i对应的故障隶属度。同时一个基本信度分配单元可能对应多个故障类型，而当每个基本信度单元对应的故障种类数目都为1时，定义转化为普通信息熵。

则，证据可信度的计算公式为，

$w_i=\frac{E_{d_i}}{{\mathrm{\ΣE}}_d}$

其中，w_i为第i个传感器对应的证据可信度_，ΣE_d为所有广义信息熵之和。

步骤8，将证据可信度作为权值，将各个故障隶属度作为原始证据，加权求和获得加权证据。

加权证据的计算公式为，

m(a)＝w₁×m₁(a)+...+w_i×m_i(a)+...+w_n′×m_n′(a)

其中，n′为传感器数目。

步骤9，利用D-S证据理论对原始证据和加权证据进行数据融合，获得故障诊断结果。

由加权证据与传感器获得的故障隶属度作为原始证据，利用Dempster组合规则进行数据融合，最终获得融合结果M(a)＝(ξ₁,ξ₂,…,ξ_k′)，ξ_p(p＝1,2,…k′)为数据融合后各个故障的隶属度，其中最大值对应的故障类型即为故障诊断结果。

举例说明上述算法，

表1.证据理论与加权证据理论诊断结果比较表

上表中，传感器2获得的证据与传感器1、3获得的证据，有明显冲突，由常理推断应判断发生故障2。由一般D-S证据理论计算得到的结果为(0.0435，0.6087，0.3478)，若设判断故障发生的阈值为0.7，则一般D-S理论无法进行判别。而加权证据理论获得的结果为(0.0158，0.7080，0.2762)，可以准确进行判别。

上述诊断方法在高压断路器上安装多个传感器，利用数据处理算法获得故障信息，结合故障数据库中储存的典型故障信号特征向量，确定断路器状态属于各不同典型故障的隶属度；通过引入广义信息熵概念获得各传感器的证据可信度，以此得到加权证据，最后采用D-S证据理论组合规则完成故障融合，得到决策诊断结果。

上述诊断方法采用了多传感器信息融合技术，能够将获得的不确定信息进行互补，准确合理的对信息进行推理决策；采用小波包分解理论提取故障特征向量，可以提高故障分辨率；利用广义信息熵的概念来获得证据可信度，避免了先验知识难以获取的问题，并将证据可信度作为一个权值来衡量数据融合中证据源的可信度，再将加权证据理论用于故障诊断环节，即有效避免了应用证据理论可能产生的组合爆炸，时间冲突等问题，又兼顾了对证据源可信度的分析，提高了系统诊断的准确性。

综上所述，上述诊断方法可以准确地进行高压断路器机械故障诊断，缩短维护查找时间，提高维修效率，准确高效，是一种能有效提高断路器安全和可靠性的机械故障诊断方法。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.一种基于多数据融合技术的高压断路器机械故障诊断方法，其特征在于：包括以下步骤，

步骤1，在断路器上安装多个传感器；

每个传感器采集一类信号；

步骤2，利用小波包分解理论分别对各个采集信号进行小波包分解；

步骤3，计算各个采集信号在小波包分解后的重构序列的能量值；

步骤4，对各个重构序列的能量值进行归一化处理，得到故障特征向量；

每个采集信号对应一个故障特征向量；

步骤5，计算各个故障特征向量与故障数据库中存储的典型故障信号特征向量的欧氏距离；

步骤6，求取故障特征向量各个欧氏距离的倒数的归一化结果，即得到各个传感器对应的故障隶属度；

步骤7，定义广义信息熵来衡量各个传感器对应的故障隶属度的信息价值高低，得到证据可信度；

步骤8，将证据可信度作为权值，将各个故障隶属度作为原始证据，加权求和获得加权证据；

步骤9，利用D-S证据理论对原始证据和加权证据进行数据融合，获得故障诊断结果。

2.根据权利要求1所述的一种基于多数据融合技术的高压断路器机械故障诊断方法，其特征在于：安装在断路器上的传感器包括采集断路器振动信息的振动传感器、采集断路器行程信息的行程传感器以及采集断路器应力信息的应力传感器。

3.根据权利要求2所述的一种基于多数据融合技术的高压断路器机械故障诊断方法，其特征在于：所述行程传感器采用滑线变阻器或者旋转电位器，采用滑线变阻器时，滑线变阻器的滑动端与断路器动触头连接，并且随着动触头运动而滑动，滑线变阻器的其余两端分别接地和接电源；采用旋转电位器时，旋转电位器的凸轴连接于断路器操作机构转轴上，旋转电位器的凸轴随转轴转动。

4.根据权利要求1所述的一种基于多数据融合技术的高压断路器机械故障诊断方法，其特征在于：故障特征向量的具体计算公式为，

定义对采集信号进行n层小波包分解；

故障特征向量E为，

$E=(E_1,E_2,...,E_{2^n})=(E_1^{*}/\mathrm{\Σ},E_2^{*}/\mathrm{\Σ},...,E_{2^n}^{*}/\mathrm{\Σ})$

其中，

$\mathrm{\Σ}=E_1^{*}+E_2^{*}+...E_{2^n}^{*},$

$E_j^{*}=\underset{k=1}{\overset{N}{\Σ}}{\left|d_j^k\right|}^2,j=1,2,...2^n,$

$E_j=E_j^{*}/\mathrm{\Σ}$

d_j为第j个小波包分解后的重构序列，为第j个小波包分解后的重构序列的第k个分量，N为d_j中分量的个数。

5.根据权利要求1所述的一种基于多数据融合技术的高压断路器机械故障诊断方法，其特征在于：故障隶属度的具体计算公式为，

$m_i\left(a\right)=\left(\frac{1/l_1}{\mathrm{\Σ}1/l},\frac{1/l_2}{\mathrm{\Σ}1/l},\mathrm{...}\frac{1/l_{k^{\′}}}{\mathrm{\Σ}1/l}\right),\mathrm{\Σ}1/l=1/l_1+1/l_2+...+1/l_{k^{\′}}$

其中，m_i(a)为第i个传感器对应的故障隶属度，k′为故障数据库中典型故障类型数目，l_k′为采集信号的特征向量与第k′个典型故障信号特征向量的欧氏距离。

6.根据权利要求1所述的一种基于多数据融合技术的高压断路器机械故障诊断方法，其特征在于：证据可信度的计算公式为，

$w_i=\frac{E_{d_i}}{{\mathrm{\ΣE}}_d}$

其中，w_i为第i个传感器对应的证据可信度，为定义的第i个传感器对应的广义信息熵，∑E_d为所有广义信息熵之和；

$E_d=-\underset{i}{\Σ}m\left(A_i\right)log\frac{m\left(A_i\right)}{2^{\left|A_i\right|}-1}$

其中，A_i为BPA中的基本信度分配单元，|A_i|为该基本信度分配单元对应的故障种类数目，m(A_i)为基本信度分配单元A_i对应的故障隶属度。

7.根据权利要求1所述的一种基于多数据融合技术的高压断路器机械故障诊断方法，其特征在于：加权证据的计算公式为，

m(a)＝w₁×m₁(a)+...+w_i×m_i(a)+...+w_n′×m_n′(a)

其中，n′为传感器数目；

由加权证据与传感器获得的故障隶属度作为原始证据，利用Dempster组合规则进行数据融合，最终获得融合结果M(a)＝(ξ₁,ξ₂,…,ξ_k′)，ξ_p(p＝1,2,…k′)为数据融合后各个故障的隶属度，其中最大值对应的故障类型即为故障诊断结果。