CN106646205A - 一种声振联合分析断路器故障的随机大扰动信号剔除算法 - Google Patents

Abstract

本发明公开了一种基于声振联合分析断路器故障的随机大扰动信号凸包络剔除算法，包括步骤如下：(1)利用声音、振动传感器和同步数据采集卡获得断路器分、合闸操作过程的数字信号，所述数字信号为断路器正常状态动作或故障状态的数据特征。(2)提取振动信号和声音信号波形的包络线。(3)由信号分组能量突变检测断路器操动发生时间段，基于小波变换检改进模极大值精确搜索畸变点，获得断路器操动起始时刻，进行信号的时标对位。(4)大扰动在信号时域波形上表现为能量叠加的凸包络，由时标校准后包络线斜率累积误差超过阈值，判断声音信号中是否含有大扰动(5)利用声振同源性的前推能量累积比对法生成含扰动信号新的数据点，剔除大扰动信号。

Description

一种声振联合分析断路器故障的随机大扰动信号剔除算法

技术领域

本发明数据装备维护保障领域，尤其是一种基于声振联合分析断路器故障及其类型，解决传感器采集数据中含有的大扰动信号判别及其进行有效滤除的一种算法。

背景技术

从传感器所测到的信号中提取有用信息是实现断路器运行状态及故障诊断的基础。国内外的许多学者对断路器的线圈电流、机械特性进行了大量的研究，近年也出现了利用声音和振动信号联合分析断路器运行状态和故障诊断技术。

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和声音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，对断路器操作过程产生振动信号和声音信号联合分析研究还处于探索阶段。

随着一些先进的信号分析算法逐渐用于断路器状态判别中，断路器故障诊断分析技术日渐成熟。实际测试中发现各类智能诊断方法虽然理论完善，但其结果受到信号前处理因素影响的问题突出，诸如传播媒质不同造成信号时标差异，原始信号采集中存在大扰动。断路器故障诊断常用的经验模态分解法，该方法的分解结果是固有模态函数，它反映了信号中内嵌的简单振荡模式，这种分解是自适应的，故可以更好的反应故障的本质信息。该方法对于小的扰动具有很好的处理效果，但对于存在大的波动，在分解过程中仍然会包含在固有模态函数中，对后续的分析造成了较大的影响。小波包分解法，该方法是一种改进型的加窗傅立叶变化，采用可变窗，使用视频多分辨率分析信号，同时兼顾时、频分辨率。但其在变换过程中一般会对原始信号进行阈值去噪处理，由于某些扰动过大，如果选择较大阈值就会造成对断路器分合闸有用信号的滤除，从而降低了后续分析结果的准确性。这些断路器故障分析诊断算法局限于大扰动信号处理，并没有取得较为理想的结果。

声振联合分析是一种有效的断路器故障诊断方法。其中声音信号属于非接触式测量，变电站运行环境中汽车喇叭、雷电、其他断路器合闸以及电站故障告警等声音，这些大扰动影响声振联合分析断路器故障结果。针对声振联合分析目前尚未有针对的变电站特有信号抗干扰通用算法，本专利提出一种利用同源振动信号的前推能量归一化比对法，剔除在变电站采集到的声音信号中大扰动的方法。

发明内容

本发明的目的是弥补现有声振联合分析断路器故障信号前处理技术的不足，可以作为现有技术的补充。利用同源信号波形包络相似性，以振动信号为基准剔除变电站运行环境特定声音中号的大干扰，校正声音失真对诊断结果的影响。其原理在于振动传感器对原始信号有严格变换比例关系，受变电站环境大干扰影响甚微。既保留了声音信号作为非接触式信号频率特征丰富的优点，又剔除了信号在介质传播过程中混入的大扰动。经过本发明所述方法对信号的时标对位处理和剔除大扰动后，再使用声振联合分析技术对断路器故障进行辨识，解决了经验模态分解法和小波包等对信号前处理要求，使得断路器故障及其故障类型诊断更加准确。

为解决上述声音信号受到大干扰畸变影响诊断结果的问题，本发明采取如下技术方案，所述方法主要包括以下几个步骤：

步骤1利用声音传感器和振动传感器测得断路器故障信号，得到一系列无规则信号量。这些信号中会夹杂着各种各样的噪声扰动和随机振动，是典型的带有噪声的非平稳信号。

步骤2分别提取采集到的振动信号和声音信号的包络线。

步骤3由包络线斜率误差限法进行声音和振动信号的时标对位。利用能量突变算法检测声音和振动两种信号在断路器操动开始发生剧烈变化的特点，再利用包络线上点斜率最大寻找声振信号畸变最大点，即断路器动触头运动起始点。

以每50个采样点作为一组数据(原始信号f(t)的采集速率200k/s下)，将预处理的信号根据采样先后共分为N组，以求和形式计算出每组采样点所包含的总能量E(i)。

其中E(i)为每组采样点的能量，f(j)为信号第j个点的采样值，Δt是信号的采样间隔，此处取单位时间计算能量更方便，得：

用第N组能量值减去第N-1组的能量值得到一个能量值差ΔE(i)：

ΔE(i)＝E(i+1)-E(i)

振动和声音信号分别为ΔE_v(i)和ΔE_s(i)：

对ΔE₁和ΔE₂能量归一化：

式中，K_v和K_s分别为振动和声音传感器的信号变换比。

当和均大于设定值Δ，此时能量发生突变，表明断路器在[i-5-，i+49]采样点发生合分闸操作，此时两种信号归一化能量突变粗略确定了断路器操动起始时间范围，然后对这一区间采样点进行Daubechies 2小波变换，对进行奇异突变点检测。

对上述时间区间内信号经小波多尺度变换后，从最高尺度逐层向低尺度搜索。adhoc算法搜索模极大值线过程为：对于尺度2j的一个模极大值a，如果它与2j+1尺度上的一个模极大值b有相同的符号，位置比较靠近且具有较大的幅值，连接不同尺度上所对应的点，则得到模极大值线，模极大值线最终将收敛于奇异点，因此把最后在最小尺度上得到的采样点作为奇异点。在从高尺度向低尺度搜索的过程中，当到达第2尺度和第1尺度时，在一般情况下，这两个尺度上的小波信息变化复杂，容易受到干扰，最后出现传播点与实际奇异点位置发生较大偏差的现象。

本发明针对搜索到第2尺度易受干扰问题，找与上一层有相同符号、位置比较靠近且具有较大幅值的模极大值点，取左右两端各两点；再向第一尺度搜索，在第2尺度上得到两点的基础上，同理取两端的点最后得到四点，作为断路器操作起始的候补突变点。对这些点按下式进行检验，判断是否成立。

Z₁≥(1+λ)Z₂

其中Z1、Z2为操动起始点前后差分值中模较大数与模较小数，λ为一调整参数。若采样点符合检验条件，则认为此点是信号波形最大突变点。否则在候补点中选取与最近的点继续按上式计算，至符合条件的点为止，选择准备点中最佳值为同源声振信号突变起始点τ_Vibration和τ_Sound，断路器动作起始时刻两信号突变是同一时刻。利用下式进行时标对位。

Δτ＝τ_Vibration-τ_Sound

其中

Δτ：声音信号与振动信号对应点的时间差

m：声音信号滞后振动信号的采样点数

Δt：采样间隔

通过将声音信号移动m个点，修正后即可得到声音信号基准起始点，对振动和声音信号的时标可进行准确对位。

步骤4判断声音信号中是否含有大扰动。时标对齐后，重新计算包络线各点导数：Sound′(i)为声音信号包络线在第i点切线的导数，Vibration′(i)表示振动信号包络线在第i点切线的导数。如声音信号中出现大扰动，包络波形体现为凸函数，其信号点斜率与振动对应点斜率差异明显，累计两个包络线点切线斜率之差的绝对值指标，判别大扰动是否出现。

判别函数为：

其中d(i)为记录信号中点i是否含有大扰动。仍按步骤3对采样点的分组，取50连续点累计判别函数：

累计判别函数出现5个点以上斜率差异超标，认为存在大扰动信号；若累计判别函数不出现连续超标情况则判别为不含有大扰动信号

步骤5去除大扰动信号。当有大扰动信号时，利用声音和振动同源信号波形包络相似性原理校准声音信号。如扰动出现在k至k+50采样点构成的组中，取k-20至k点之间的振动和声音信号能量比，修正k+1点的声音信号Sound(k+1)：

其中

Sound(k+1)为第k+1点声音信号值

Vibration(k+1)为第k+1点振动信号值

由Sound(k+1)替代原k+1点采样信号，循环到该组每个采样点结束，即可剔除该段出现的大扰动。

所述步骤2，断路器的振动和声音信号属于非平稳信号，如果根据包络线定义来描绘包络线，则包络线与原始信号的复杂程度相同，不利于使用包络线进行下一步的运算。本发明采用将原始信号以每50点分为一段，计算每段最大值当作该组的局部极大值，再以三次样条插值绘出信号包络线，从而取得了较好的结果。

所述步骤3，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。虽然声音信号和振动信号本身同源，但由于无法判断大扰动的位置，故无法使用两者信号某时刻的值做时标对位。本发明采用能量突变算法对声音信号和振动信号进行能量检测。即当相邻的两段归一化能量差分大于某差异阈值确定断路器动作时间范围，再利用小波有高尺度向低尺度，四候补点迭代提高畸变点检测精度，从而对声音信号和振动信号进行时标对位，矫正声音信号。分段归一能量差分粗检断路器操动启动信号时间范围，再小波变换的改进模极大值算法搜索采样值的畸变点作为精测的操动起始点，完成时标对位。既发挥了小波精测畸变点作用，归一化能量差分避免了大量小波变换耗时，提高了采样信号搜索速度。

所述步骤4，由于振动信号和声音信号具有同源性，信号之间的包络线趋势应相似，故可通过计算时标对位后的某点信号的斜率来检测该点是否含有混入的大扰动。

所述步骤5，产生大扰动组的声音信号重新计算方法：根据扰动前50个点声振信号能量比固定，重构大扰动存在组所有采样点信号。

以上所述仅是本发明的中心内容，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

附图说明

图1是本发明的实现框图

图2是信号包络提取框图

图3是判断信号是否含有扰动流程图

图4是去除信号扰动框图。

Claims (5)

1.一种声振联合分析断路器故障的随机大扰动信号剔除算法，其特征在于：包括如下步骤(1)利用声音、振动传感器和同步数据采集卡获得断路器分、合闸操作过程的数字信号，所述数字信号为断路器正常状态动作或故障状态的数据特征。(2)提取振动信号和声音信号波形的包络线。(3)由信号分组能量突变检测断路器操动发生时间段，基于小波变换检改进模极大值精确搜索畸变点，获得断路器操动起始时刻，进行信号的时标对位。(4)大扰动在信号时域波形上表现为能量叠加的凸包络，由时标校准后包络线斜率累积误差超过阈值，判断声音信号中是否含有大扰动(5)利用声振同源性的前推能量累积比对法生成含扰动信号新的数据点，剔除大扰动信号。

2.根据权利要求1所述的声振联合分析断路器故障的随机大扰动信号剔除算法，其特征在于提取信号的包络线。由于断路器信号属于非平稳信号，采集到的声音和振动信号十分复杂。如果按包络线定义来提取信号的包络线，那么分析该包络线的复杂程度和分析原始信号相同，提取包络线就失去了其意义。故本发明采用以每50点为一段，提取每段信号的最大值作为该段的极大值，这样提取出的包络线信号具有分析简单直观且不会降低太多准确性等优点。

3.根据权利要求1所述的声振联合分析断路器故障的随机大扰动信号剔除算法，其特征在于利用相邻信号归一能量突变算法粗检和改进小波模极大值精捡畸变点结合方法，进行同源声振信号精确、快速时标对位方法，从而消除因声音传播介质的不同而带来的延时，所述信号包括断路器机械故障时的状况和无故障的状况。

基于改进小波变换的模量极大值搜索，检验公式

Z₁≥(1+λ)Z₂

选择准备点中最佳的畸变值得到同源声振信号起始点，利用下式进行时标对位。

Δτ＝τ_Vibration-τ_Sound

其中

Δτ：声音信号与振动信号对应点的时间差

m：声音信号滞后振动信号的采样点数

Δt：采样间隔 。

4.根据权利要求1所述的声振联合分析断路器故障的随机大扰动信号剔除算法，其特征在于利用信号包络线的斜率来判断信号中是否含有大扰动信号：断路器的振动和声音信号同源，故其包络线在每个时刻的斜率应相差甚微，其判别函数为：

其中d(i)为记录信号中点i是否含有大扰动，Sound′(i)表示声音信号在该点的导数Vibration′(i)表示振动信号在该点的导数。累计判别函数：

。

5.根据权利要求1所述的声振联合分析断路器故障的随机大扰动信号剔除算法，其特征在于利用断路器振动信号和声音信号的同源性去除声音信号中的大扰动信号。由于声音和振动信号归一化信号的相似性，在判断出声音信号中含有大扰动时，可以将该点振动信号与之前一段能量累积值比对来矫正声音信号相应时时刻采样值，从而达到去除声音信号中含有的大扰动信号。修正k+1点的声音信号Sound(k+1)：

其中

Sound(k+1)为第k+1点声音信号值

Vibration(k+1)为第k+1点振动信号值

E_sound(i)和E_Vibration(i)为前推的累积能量

由Sound(k+1)替代原k+1点采样信号，循环到该组每个采样点结束，即可剔除该段出现的大扰动。