CN107607303A - 基于小波包与som网络的高压断路器机械故障识别方法 - Google Patents

Abstract

本发明公开了一种基于小波包与SOM网络的高压断路器机械故障识别方法，首先利用压电式加速度传感器采集油断路器在合闸过程中正常和故障状态下的振动信号，然后应用小波包变换对高压断路器振动信号进行处理，得到各频段的能量并做归一化处理，构造特征向量输入SOM网络，进行故障模式判断。本发明不需要大数据库进行训练，解决目前高压断路器故障识别技术存在样本数据少，计算复杂，精度不高等问题。

Description

基于小波包与SOM网络的高压断路器机械故障识别方法

技术领域

本发明提出了一种基于小波包与SOM网络的高压断路器机械故障识别方法，属于断路器故障识别技术领域。

背景技术

机械故障是高压断路器的主要故障。国际大电网会议(CIGER)对高压断路器可靠性所做的2次世界范围的调查及我国电力科学研究院对高压开关事故的统计分析均表明，80％高压断路器故障起因于机械故障。因而高压断路器的机械振动信号在其机械故障诊断中有着重要作用。断路器在分合闸操作中所产生的振动信号是一系列无规则的信号量，这些振动信号还会夹杂着各种各样的噪声干扰和随机振动。高压断路器的振动信号是一种瞬时非平稳信号，包含有大量设备状态信息，通过监测断路器动作过程中的振动信号，可以识别出断路器的机械故障或机械状态。且利用振动诊断方法有利于实现对断路器的非侵入式的状态监测，可很好地解决高压隔离问题。

对振动信号的处理一般包括2个环节，即特征提取、故障识别。特征提取比较常用的是时频法，时频法能兼顾时间和频率，能较好地表达信号地局部特征，特别适合非平稳信号的分析。小波包技术在保持小波正交基的优良特性的基础上改善了小波“高频低分辨”的问题，它为振动信号提供了一种更加精细的分析方法，并对不同信号的特征具有自适应能力。小波包正交分解后的信号具有各频带信号独立、能量守衡的特点，更适用于振动信号的时频分析及能量谱分析。故障识别针对机械故障特征量对系统状态进行判断。高压断路器故障识别方法较常用的是人工智能算法，包括人工神经网络、支持向量机、人工免疫网络等。神经网络具有较好的容错能力和泛化性能，但存在局部收敛问题。目前可选用的网络类型有EBP、径向基函数RBF等。首先对网络进行训练，得到分类器，或者径向基函数预测结果与实测信号的偏差来做诊断。但大多数神经都受到样本数据少的限制。支持向量机是一种基于统计学习理论的分类算法，适合小样本分类问题，但它是二分判断，当采用“一对余”策略进行多状态分类时，计算较为复杂，目前还没有一种较为完善的故障识别方法。不可否认，现有诊断方法以及故障模式识别的诊断效率与准确率普遍较低。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于小波包与SOM网络的高压断路器机械故障识别方法，其诊断结果确实精度高，结构简单，可操作性强。

为解决上述技术问题，本发明提供一种基于小波包与SOM网络的高压断路器机械故障识别方法，包括以下步骤：

1)通过加速度传感器对断路器正常状态下的振动信号、故障状态下的振动信号进行采集，并对振动信号做预处理；

2)对采集到的振动信号进行小波包分解，得到8个频段，8个频段信号分别以能量的形式表示，并进行归一化，构造特征向量，作为SOM网络的输入；

3)对SOM网络进行训练，将所述步骤2)构造的特征向量输入到SOM网络中，对SOM网络进行训练；当SOM网络达到训练误差时，将测试数据输入到训练好的SOM网络，从而判断高压断路器的故障模式。

前述的步骤1)中，模拟某少油断路器在合闸过程中正常和故障状态下的振动信号，将压电式加速度传感器安装于断路器每相基座支架上，数据采集卡在断路器模拟动作时以30kHz的速率每相采集12000点振动数据送至PC机进行处理；将采集到的振动数据分成二组，每组都包括正常振动信号与故障振动信号，一组用于SOM网络的训练，另一组用于SOM网络的测试。

前述的故障状态是指合闸线圈有短路匝和缓冲器弹簧无效超行程两种情况。

前述的步骤2)中，采用Daubechies小波系列的db10小波对采集到的振动信号进行3层小波包变换，得到8个频段。

前述的步骤2)中，频段信号的能量表达式为：

其中，E₃(i)为第i个频段的能量，W(3,i)为小波包3层分解后第三层第i个频段信号，x_ik表示第i个频段信号W(3,i)的第k个离散点的值，i＝0,1,…,7，表示8个频段，k＝1,2,…,N，N表示离散点数，离散点即步骤1)中采集的振动信号。

前述的步骤2)中，由各个频带能量所占的比例构造的特征向量T为：

T＝[E₃(0)/S₃,…,E₃(7)/S₃]，

其中，S₃为小波包3层分解后第三层总能量，

前述的步骤3)中，SOM网络的训练步骤如下：

3-1)竞争，给定第t次输入X(t)，计算每个神经元权向量W_i(t)与输入向量的相对距离D_i(t)：||X(t)-W_i(t)||＝D_i(t)，相对距离最小者被选为赢者，则兴奋，即：i^*(t)＝{i:minD_i(t)}；

3-2)学习，赢者及其相邻神经元被允许学习该输入模式，权系数的调节正比于权系数与输入的差：ΔW_i＝η(t)(X(t)-W_i(t))，η(t)是一种可变学习速度，随时间而衰减；

3-3)重复步骤3-1)和3-2)，直至兴奋神经元与输入样本稳定对应，训练结束。

前述的采用训练样本对SOM网络进行训练1万次，每次都从训练样本中随机抽取数据进行训练。

本发明的有益效果如下

1、SOM网络是一种无导师的自组织映射网络，它具有网络规模小，学习过程时间短，计算量小，训练出的网络容错性好等特点。

2、本发明不需要大数据库进行训练，解决目前高压断路器故障识别技术存在样本数据少，计算复杂，精度不高等问题。

附图说明

图1是小波包分解树示意图；

图2是SOM网络结构图；

图3是高压断路器3种状态小波包能量谱图；图3(a)为正常状态的小波包能量谱图；图3(b)为合闸线圈有短路匝故障状态的小波包能量谱图；图3(c)为缓冲器弹簧无效超行程的小波包能量谱图。

具体实施方式

下面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。

本发明的基于小波包与SOM网络的高压断路器机械故障识别方法，包括以下步骤：

步骤1)通过加速度传感器进行正常信号、故障信号采集，并对信号做相应的预处理；具体为：模拟某少油断路器在合闸过程中正常和故障状态(合闸线圈有短路匝，缓冲器弹簧无效超行程)下的振动信号。测试时压电式加速度传感器安装于断路器每相基座支架上，数据采集卡在断路器模拟动作时以30kHz的速率每相采集12000点振动数据送至PC机进行处理。将采集到的数据分成二组(每组都包括正常振动信号与故障振动信号)，一组用于SOM网络的训练，另一组用于SOM网络的测试。

步骤2)对采集到的振动信号进行小波包分解；小波基函数的选取会影响到最后信号的分析精度，小波包分解的层数与振动信号的时频分析精度直接有关。选择的分解层数少，则分析速度快，这对于高频带信号尤其明显，但频带分辨率低；选择的分解层数多，则分析速度慢，但频带分辨率高。兼顾两者的关系并考虑所分析信号的时变特性和频变特性，本发明选用Daubechies小波系列的db10小波对采集到的振动信号进行3层小波包变换，得到8个频段，如图1所示，然后把8个频段信号分别以能量的形式表示，并进行归一化，构造特征向量，作为SOM网络的输入。

按照能量方式表示的小波包分解结果称为小波包—能量谱。由于断路器出现机械故障时不仅会引起振动冲击事件的时间漂移，还会引起时域波形中一些波峰值的变化。因此每个频段能量占总能量的比例会随着断路器状态变化而被打破。也即各个频带能量所占的比例可以反映断路器的故障信息。如图3所示，为高压断路器3种状态下的小波包能量谱。从图3中可以看出，高压断路器处于不同状态，其小波包能量谱分布不同。对于正常状态图3(a)、合闸线圈有短路匝状态图3(b)以及缓冲器弹簧无效超行程状态图3(c)，节点1、2能量变化最为明显。因此，可以形成确定的故障判据。

设E₃(i)为第i个频段的能量，W(3,i)为小波包3层分解后第三层每个节点(节点即频段)信号。则：

式中：x_ik表示第i个节点信号W(3,i)的各离散点的值；i＝0,1,…,7表示8个频段，k＝1,2,…,N，N表示离散点数，每个频段均包括N个离散点，离散点即步骤1)中采集的振动信号。

则第三层总能量为：

由各个频带能量所占的比例构造的特征向量T为：

T＝[E₃(0)/S₃,…,E₃(7)/S₃]。

步骤3)对SOM网络进行训练；利用步骤2)中构造的特征向量输入到SOM网络，对SOM网络进行训练。当网络达到训练误差时，我们采用测试数据对SOM网络进行测试，从而判断高压断路器故障模式；

SOM网络的训练大致可分为2部分，即竞争和学习。其步骤如下：

3-1)竞争。给定第t次输入X(t)，本发明的输入向量为特征向量T，计算每个神经元权向量W_i(t)与输入向量的相对距离||X(t)-W_i(t)||＝D_i(t)，其中相对距离最小者被选为赢者，则兴奋。即：i^*(t)＝{i:minD_i(t)}；

3-2)学习。赢者及其相邻神经元被允许学习该输入模式，权系数的调节正比于权系数与输入的差：ΔW_i＝η(t)(X(t)-W_i(t))，η(t)是一种可变学习速度，随时间而衰减；

3-3)反复步骤3-1)和3-2)，直至兴奋神经元(即输出)与输入样本稳定对应。

图2为SOM网络结构图。SOM网络只有一层“平面式”神经元层，每个输入都输入到每个神经元，也即是每个神经元和每个输入都有连接，所以对于第i个神经元，它与输入之间的权系数组成的向量维数与输入向量的维数相等。每个神经元没有专门的输出层，其兴奋状态就是输出。从SOM网络的输出状况，不但能判断输入模式所属的类别并使输出结点代表某一类模式，还能够得到整个数据区域的大体分布情况，即从样本数据中抓到所有数据分布的大体本质特性。因此，SOM网络可以用来进行高压断路器故障模式识别。

为了简化运算，本发明对测试数据的8个频段能量做了归一化处理。由于SOM网络采用竞争学习模式，没有专门的输出层，样本数据可以循环输入，即适合小样本数据分类。为了更好的训练SOM网络，提高网络模式识别精确度，同时考虑仿真时间，本发明采用样本对网络进行训练1万次，每次都从训练样本中随机抽取数据进行训练，保证了网络的可靠性。

把测试数据输入到训练好的SOM网络，测试网络能否辨识出高压断路器的故障类别。经仿真实验，结果表明基于小波包与SOM网络的高压断路器机械故障识别方法具有良好的诊断效果。

表1为SOM网络15组数据测试结果，测试结果与目标值相同，因此SOM网络可以正确地识别出故障模式，并具有一定的稳定性。当训练样本增多时，识别结果会更好。因此，基于小波包能量结合SOM网络的高压断路器故障模式识别方法对于高压断路器的故障诊断具有良好的效果。

表1测试结果对比

序号	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15
																预测值	1	1	1	1	1	2	2	2	2	2	3	3	3	3	3
目标值	1	1	1	1	1	2	2	2	2	2	3	3	3	3	3

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 (8)

1.基于小波包与SOM网络的高压断路器机械故障识别方法，其特征在于，包括以下步骤：

1)通过加速度传感器对断路器正常状态下的振动信号、故障状态下的振动信号进行采集，并对振动信号做预处理；

2)对采集到的振动信号进行小波包分解，得到8个频段，8个频段信号分别以能量的形式表示，并进行归一化，构造特征向量，作为SOM网络的输入；

3)对SOM网络进行训练，将所述步骤2)构造的特征向量输入到SOM网络中，对SOM网络进行训练；当SOM网络达到训练误差时，将测试数据输入到训练好的SOM网络，从而判断高压断路器的故障模式。

2.根据权利要求1所述的基于小波包与SOM网络的高压断路器机械故障识别方法，其特征在于，所述步骤1)中，模拟某少油断路器在合闸过程中正常和故障状态下的振动信号，将压电式加速度传感器安装于断路器每相基座支架上，数据采集卡在断路器模拟动作时以30kHz的速率每相采集12000点振动数据送至PC机进行处理；将采集到的振动数据分成二组，每组都包括正常振动信号与故障振动信号，一组用于SOM网络的训练，另一组用于SOM网络的测试。

3.根据权利要求1所述的基于小波包与SOM网络的高压断路器机械故障识别方法，其特征在于，所述故障状态是指合闸线圈有短路匝和缓冲器弹簧无效超行程两种情况。

4.根据权利要求1所述的基于小波包与SOM网络的高压断路器机械故障识别方法，其特征在于，所述步骤2)中，采用Daubechies小波系列的db10小波对采集到的振动信号进行3层小波包变换，得到8个频段。

5.根据权利要求1所述的基于小波包与SOM网络的高压断路器机械故障识别方法，其特征在于，所述步骤2)中，频段信号的能量表达式为：

<mrow> <msub> <mi>E</mi> <mn>3</mn> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>&amp;Integral;</mo> <mo>|</mo> <mi>W</mi> <mrow> <mo>(</mo> <mn>3</mn> <mo>,</mo> <mi>i</mi> <mo>)</mo> </mrow> <msup> <mo>|</mo> <mn>2</mn> </msup> <mi>d</mi> <mi>t</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mo>|</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow>

其中，E₃(i)为第i个频段的能量，W(3,i)为小波包3层分解后第三层第i个频段信号，x_ik表示第i个频段信号W(3,i)的第k个离散点的值，i＝0,1,…,7，表示8个频段，k＝1,2,…,N，N表示离散点数，离散点即步骤1)中采集的振动信号。

6.根据权利要求5所述的基于小波包与SOM网络的高压断路器机械故障识别方法，其特征在于，所述步骤2)中，由各个频带能量所占的比例构造的特征向量T为：

T＝[E₃(0)/S₃,…,E₃(7)/S₃]，

其中，S₃为小波包3层分解后第三层总能量，

7.根据权利要求1所述的基于小波包与SOM网络的高压断路器机械故障识别方法，其特征在于，所述步骤3)中，SOM网络的训练步骤如下：

3-1)竞争，给定第t次输入X(t)，计算每个神经元权向量W_i(t)与输入向量的相对距离D_i(t)：||X(t)-W_i(t)||＝D_i(t)，相对距离最小者被选为赢者，则兴奋，即：i^*(t)＝{i:minD_i(t)}；

3-2)学习，赢者及其相邻神经元被允许学习该输入模式，权系数的调节正比于权系数与输入的差：ΔW_i＝η(t)(X(t)-W_i(t))，η(t)是一种可变学习速度，随时间而衰减；

3-3)重复步骤3-1)和3-2)，直至兴奋神经元与输入样本稳定对应，训练结束。

8.根据权利要求7所述的基于小波包与SOM网络的高压断路器机械故障识别方法，其特征在于，采用训练样本对SOM网络进行训练1万次，每次都从训练样本中随机抽取数据进行训练。