CN108267687A - 基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法 - Google Patents
基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法 Download PDFInfo
- Publication number
- CN108267687A CN108267687A CN201810001749.6A CN201810001749A CN108267687A CN 108267687 A CN108267687 A CN 108267687A CN 201810001749 A CN201810001749 A CN 201810001749A CN 108267687 A CN108267687 A CN 108267687A
- Authority
- CN
- China
- Prior art keywords
- probability density
- voltage circuitbreaker
- linear embedding
- locally linear
- interval width
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法:步骤1、通过故障模拟试验形成该型号高压断路器振动信号数据库;步骤2、采用概率密度算法提取特征向量;步骤3、采用局部线性嵌入法进行降维处理;步骤4、利用支持向量机将高压断路器实时测得的振动信号的p'维坐标与基础波形数据库中的坐标进行对比分类,实现高压断路器的机械故障状态诊断;步骤6、记录不同区间宽度T对应的识别准确率,经三次样条插值得到识别准确率的变化曲线;步骤7、根据识别准确率的变化曲线确定最佳的区间宽度T,当进行高压断路器的机械故障状态诊断时,基于最佳的区间宽度T、利用支持向量机实现高压断路器的机械故障状态诊断。
Description
技术领域
本发明涉及一种基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法。
背景技术
工作电压在3kV以上的断路器统称为高压断路器,其是高压开关设备中最重要的电气设备,在电网中起到控制和保护的作用,断路器的主要故障有拒动故障、误动故障、绝缘故障、载流故障、外力及其他故障,在上述故障的原因统计中,机械原因占60%以上,且机械故障中绝大多数是操动机构的问题,因此对断路器运行状态尤其是机械状态进行监测和评估十分重要,对于提高和维护电力系统的安全稳定运行有重要意义。
专利号为2017107747368的中国专利公开了一种基于多维缩放统计分析的高压断路器机械故障诊断方法,其计算简单,可有效避免信号局部分散性带来的影响,降低故障诊断的错误率。但是,其难以捕捉信号的局部信息,从而对轻微故障的区分能力有限。
发明内容
针对上述问题,本发明提供基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法,采用概率密度法寻找高压断路器正常和故障情况下的差异区间,进而快速、准确的得到特征向量,识别准确率更高。
为实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法,包括如下步骤:
步骤1、通过故障模拟试验,利用IEPE加速度传感器获得某型号高压断路器在不同机械状态下的振动信号波形,从而形成该型号高压断路器振动信号数据库;
步骤2、采用概率密度算法提取特征向量:
2.1、初始化区间宽度T和循环次数H,令参数k=1;
2.2、设采集了p次高压断路器的振动信号,将采集的振动信号沿时间轴均分为若干个区间,每个区间长度为T;
2.3、计算各区间内信号的幅值和;
2.4、用正态分布拟合同一故障情况下的幅值分布,得到幅值分布的概率密度函数;
2.5、比较正常情况下和故障情况下的幅值分布情况,获得q个标记区间,将标记区间内的幅值和作为特征量生成样本(xi,yi),其中,xi为各标记区间的信号幅值和,yi为样本的类别;
步骤3、采用局部线性嵌入法对特征向量进行降维处理,从p维降到p'维;
步骤4、利用支持向量机将高压断路器实时测得的振动信号的p'维坐标与基础波形数据库中的坐标进行对比分类,实现高压断路器的机械故障状态诊断;
步骤5、令参数k的值加1并判断k是否小于H,若k小于H,则改变区间宽度T并进入步骤2.2;若k不小于H,则进入步骤6;
步骤6、记录不同区间宽度T对应的识别准确率,经三次样条插值得到识别准确率的变化曲线;
步骤7、根据识别准确率的变化曲线确定最佳的区间宽度T,当进行高压断路器的机械故障状态诊断时,基于最佳的区间宽度T、利用支持向量机实现高压断路器的机械故障状态诊断。
优选,步骤2.1中,初始化区间宽度T为1ms,循环次数H为10~20,选取前400ms的高压断路器振动信号进行分析。
优选,步骤2.5中,设某一区间内正常情况下样本幅值和的均值为μ0,标准差为δ0,故障情况下样本幅值和的均值为μ1,标准差为δ1,若|μ0-μ1|≥δ0+δ1,则选取该区间为标记区间。
本发明的有益效果是:
第一、本方法所需信号的采集途径简单,不影响高压断路器的结构。
第二、采用概率密度法寻找高压断路器正常和故障情况下的差异区间,进而得到特征向量。
第三、经过局部线性嵌入法优化,可通过可视化技术直观地判断特征提取的效果。
第四、基于最佳的区间宽度T进行高压断路器的机械故障状态诊断,识别准确率更高。
附图说明
图1是本发明基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法的流程图;
图2是本发明特征向量提取方法流程图;
图3是区间宽度对识别准确率的影响示意图。
具体实施方式
下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法,如图1所示,包括如下步骤:
步骤1、通过故障模拟试验,利用IEPE加速度传感器(IEPE指的是一种自带电量放大器或电压放大器的加速度传感器)获得某型号高压断路器在不同机械状态下的振动信号波形,从而形成该型号高压断路器振动信号数据库。
高压断路器分合闸操作过程中,从电磁铁线圈通电到分合闸动静铁心碰撞,期间各部件之间存在的若干次的碰撞与摩擦,表现为振动信号中的时域上的若干次振动事件,不同事件的幅值、形状、延续时间等不同。但同一型号、相同机械状态下的断路器振动信号相似,不同机械状态下断路器振动信号存在差异,这是进行故障诊断的基础。优选,IEPE加速度传感器安装在高压断路器合闸电磁铁周边或附近的位置。IEPE加速度传感器可采用PCB公司开发的PCB-352B70传感器。
步骤2、采用概率密度算法提取特征向量:
2.1、初始化区间宽度T和循环次数H,令参数k=1;
2.2、设采集了p次高压断路器的振动信号,分别为x1,x2,...,xp,令D={x1,x2,...,xp};将采集的振动信号沿时间轴均分为若干个区间,如图2所示,每个区间长度为T,采用每一段区间内的信号幅值和作为特征量;
2.3、计算各区间内信号的幅值和;
2.4、用正态分布拟合同一故障情况下的幅值分布,得到幅值分布的概率密度函数;
2.5、比较正常情况下和故障情况下的幅值分布情况,获得q个标记区间,将标记区间内的幅值和作为特征量生成样本(xi,yi),其中,xi为各标记区间的信号幅值和,yi为样本的类别;
步骤3、采用局部线性嵌入法对特征向量进行降维处理,从p维降到p'维;
步骤4、利用支持向量机(SVM)将高压断路器实时测得的振动信号的p'维坐标与基础波形数据库中的坐标进行对比分类,实现高压断路器的机械故障状态诊断;
步骤5、令参数k的值加1并判断k是否小于H,若k小于H,则改变区间宽度T并进入步骤2.2;若k不小于H,则进入步骤6;
步骤6、记录不同区间宽度T对应的识别准确率,经三次样条插值得到识别准确率的变化曲线。
步骤7、根据识别准确率的变化曲线确定最佳的区间宽度T,当进行高压断路器的机械故障状态诊断时,基于最佳的区间宽度T、利用支持向量机实现高压断路器的机械故障状态诊断。
优选,步骤2.1中,初始化区间宽度T为1ms,循环次数H为10~20,选取前400ms的高压断路器振动信号进行分析,则区间总数为400。步骤2.5中,设某一区间内正常情况下样本幅值和的均值为μ0,标准差为δ0,故障情况下样本幅值和的均值为μ1,标准差为δ1,由于正态分布下区间(-∞,μ+δ)内的面积为总面积的84%,其中,μ为正态分布的均值,δ为正态分布的标准差,因而,若|μ0-μ1|≥δ0+δ1,则选取该区间为标记区间。得到q个标记区间,构成q个特征量(xi1;xi2;...;xiq),记为xi=(xi1;xi2;...;xiq),xi∈D。p个信号总计p×q个特征量。
选择和样本xi的欧氏距离最近的θ个样本,这θ个样本的集合为Qi,对于xj∈Qi
上式中,参数Cjk=(xi-xj)T(xi-xk),Cjk -1为Cjk的逆矩阵,Cls=(xi-xl)T(xi-xs),为Cls的逆矩阵。
对于
ωij=0 (2)
根据公式(1)、(2)确定线性重构矩阵W,其中W的第i行j列元素为ωij。
令M=(I-W)T(I-W) (3)
上式中,I为单位矩阵。对M进行特征值分解,得到M最小的p'个特征值,对应的特征向量组成的矩阵为ZT。那么样本集D在低维空间的投影Z={z1,z2,...,zm},m为低维空间的维数。采用局部线性嵌入法对特征向量进行降维处理后进行可视化输出。
步骤6中,改变区间的宽度,记录不同宽度对应的识别准确率,经三次样条插值得到识别率的变化曲线,如图3所示,由图3可知,在区间宽度小于6ms时,本方法的准确率能维持在较高水平,当区间宽度达到8ms以上时,识别效果急剧下降,因此最佳的区间宽度T的范围为1~5ms。
本发明的有益效果是:
第一、本方法所需信号的采集途径简单,不影响高压断路器的结构。
第二、采用概率密度法寻找高压断路器正常和故障情况下的差异区间,进而得到特征向量。
第三、经过局部线性嵌入法优化,可通过可视化技术直观地判断特征提取的效果。
第四、基于最佳的区间宽度T进行高压断路器的机械故障状态诊断,识别准确率更高。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或者等效流程变换,或者直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法,其特征在于,包括如下步骤:
步骤1、通过故障模拟试验,利用IEPE加速度传感器获得某型号高压断路器在不同机械状态下的振动信号波形,从而形成该型号高压断路器振动信号数据库;
步骤2、采用概率密度算法提取特征向量:
2.1、初始化区间宽度T和循环次数H,令参数k=1;
2.2、设采集了p次高压断路器的振动信号,将采集的振动信号沿时间轴均分为若干个区间,每个区间长度为T;
2.3、计算各区间内信号的幅值和;
2.4、用正态分布拟合同一故障情况下的幅值分布,得到幅值分布的概率密度函数;
2.5、比较正常情况下和故障情况下的幅值分布情况,获得q个标记区间,将标记区间内的幅值和作为特征量生成样本(xi,yi),其中,xi为各标记区间的信号幅值和,yi为样本的类别;
步骤3、采用局部线性嵌入法对特征向量进行降维处理,从p维降到p'维;
步骤4、利用支持向量机将高压断路器实时测得的振动信号的p'维坐标与基础波形数据库中的坐标进行对比分类,实现高压断路器的机械故障状态诊断;
步骤5、令参数k的值加1并判断k是否小于H,若k小于H,则改变区间宽度T并进入步骤2.2;若k不小于H,则进入步骤6;
步骤6、记录不同区间宽度T对应的识别准确率,经三次样条插值得到识别准确率的变化曲线;
步骤7、根据识别准确率的变化曲线确定最佳的区间宽度T,当进行高压断路器的机械故障状态诊断时,基于最佳的区间宽度T、利用支持向量机实现高压断路器的机械故障状态诊断。
2.根据权利要求1所述的基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法,其特征在于,步骤2.1中,初始化区间宽度T为1ms,循环次数H为10~20,选取前400ms的高压断路器振动信号进行分析。
3.根据权利要求1所述的基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法,其特征在于,步骤2.5中,设某一区间内正常情况下样本幅值和的均值为μ0,标准差为δ0,故障情况下样本幅值和的均值为μ1,标准差为δ1,若|μ0-μ1|≥δ0+δ1,则选取该区间为标记区间。
4.根据权利要求1所述的基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法,其特征在于,IEPE加速度传感器采用PCB公司开发的PCB-352B70传感器。
5.根据权利要求3所述的基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法,其特征在于,最佳的区间宽度T的范围为1~5ms。
6.根据权利要求3所述的基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法,其特征在于,步骤3中,采用局部线性嵌入法对特征向量进行降维处理后进行可视化输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810001749.6A CN108267687B (zh) | 2018-01-02 | 2018-01-02 | 基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810001749.6A CN108267687B (zh) | 2018-01-02 | 2018-01-02 | 基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108267687A true CN108267687A (zh) | 2018-07-10 |
CN108267687B CN108267687B (zh) | 2019-03-15 |
Family
ID=62773297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810001749.6A Active CN108267687B (zh) | 2018-01-02 | 2018-01-02 | 基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108267687B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187264A (zh) * | 2019-05-29 | 2019-08-30 | 西安西电电气研究院有限责任公司 | 高压断路器机械衰退性确定方法和装置 |
CN111366985A (zh) * | 2020-03-02 | 2020-07-03 | 国网宁夏电力有限公司电力科学研究院 | 一种gis设备内部的遗留物的检测方法及系统 |
CN112329825A (zh) * | 2020-10-23 | 2021-02-05 | 贵州电网有限责任公司 | 基于信息分维及提升决策树的变压器机械故障诊断方法 |
EP3896805A4 (en) * | 2018-12-12 | 2021-12-01 | Mitsubishi Electric Corporation | DIAGNOSTIC DEVICE |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60200180A (ja) * | 1984-03-26 | 1985-10-09 | Hitachi Ltd | 高電圧直流遮断器の等価試験法 |
JPH03202792A (ja) * | 1989-12-28 | 1991-09-04 | Meidensha Corp | しゃ断器の合成試験装置 |
JP2000304834A (ja) * | 1999-04-22 | 2000-11-02 | Meidensha Corp | しゃ断器の試験装置 |
CN106934157A (zh) * | 2017-03-13 | 2017-07-07 | 国网江苏省电力公司电力科学研究院 | 基于支持向量机和多体动力学仿真的高压断路器识别方法 |
CN107329079A (zh) * | 2017-07-28 | 2017-11-07 | 河海大学 | 一种高压断路器在线监测及故障综合诊断系统 |
CN107367687A (zh) * | 2017-07-31 | 2017-11-21 | 江苏省电力试验研究院有限公司 | 一种高压断路器弹簧故障程度检测方法及装置 |
CN107505569A (zh) * | 2017-08-15 | 2017-12-22 | 国网江苏省电力公司检修分公司 | 基于机械、电气、气体状态在线监测的高压断路器寿命评估方法 |
-
2018
- 2018-01-02 CN CN201810001749.6A patent/CN108267687B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60200180A (ja) * | 1984-03-26 | 1985-10-09 | Hitachi Ltd | 高電圧直流遮断器の等価試験法 |
JPH03202792A (ja) * | 1989-12-28 | 1991-09-04 | Meidensha Corp | しゃ断器の合成試験装置 |
JP2000304834A (ja) * | 1999-04-22 | 2000-11-02 | Meidensha Corp | しゃ断器の試験装置 |
CN106934157A (zh) * | 2017-03-13 | 2017-07-07 | 国网江苏省电力公司电力科学研究院 | 基于支持向量机和多体动力学仿真的高压断路器识别方法 |
CN107329079A (zh) * | 2017-07-28 | 2017-11-07 | 河海大学 | 一种高压断路器在线监测及故障综合诊断系统 |
CN107367687A (zh) * | 2017-07-31 | 2017-11-21 | 江苏省电力试验研究院有限公司 | 一种高压断路器弹簧故障程度检测方法及装置 |
CN107505569A (zh) * | 2017-08-15 | 2017-12-22 | 国网江苏省电力公司检修分公司 | 基于机械、电气、气体状态在线监测的高压断路器寿命评估方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3896805A4 (en) * | 2018-12-12 | 2021-12-01 | Mitsubishi Electric Corporation | DIAGNOSTIC DEVICE |
CN110187264A (zh) * | 2019-05-29 | 2019-08-30 | 西安西电电气研究院有限责任公司 | 高压断路器机械衰退性确定方法和装置 |
CN110187264B (zh) * | 2019-05-29 | 2021-08-20 | 西安西电电气研究院有限责任公司 | 高压断路器机械衰退性确定方法和装置 |
CN111366985A (zh) * | 2020-03-02 | 2020-07-03 | 国网宁夏电力有限公司电力科学研究院 | 一种gis设备内部的遗留物的检测方法及系统 |
CN112329825A (zh) * | 2020-10-23 | 2021-02-05 | 贵州电网有限责任公司 | 基于信息分维及提升决策树的变压器机械故障诊断方法 |
CN112329825B (zh) * | 2020-10-23 | 2022-12-06 | 贵州电网有限责任公司 | 基于信息分维及提升决策树的变压器机械故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108267687B (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108267687B (zh) | 基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法 | |
CN107817098B (zh) | 一种高压断路器机械故障诊断方法 | |
CN106482937B (zh) | 一种高压断路器机械状态的监测方法 | |
CN104181460B (zh) | 一种基于多信息融合的永磁机构真空断路器故障诊断方法 | |
CN110926778B (zh) | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 | |
CN107505569B (zh) | 基于机械、电气、气体状态在线监测的高压断路器寿命评估方法 | |
CN108680348A (zh) | 一种基于随机森林的断路器机械故障诊断方法及系统 | |
CN106324490A (zh) | 变压器有载分接开关机械故障诊断方法 | |
CN107329079A (zh) | 一种高压断路器在线监测及故障综合诊断系统 | |
CN106249101A (zh) | 一种智能配电网故障辨识方法 | |
CN103675355B (zh) | 风速仪监测方法和系统 | |
CN105703258A (zh) | Gis开关设备动作状态监测系统及其使用方法 | |
CN106707094A (zh) | 低压供配电线路电弧故障的分类识别方法 | |
CN104713714B (zh) | 一种基于网格多密度聚类的高压断路器动作特性分析方法 | |
CN108872852A (zh) | 一种风力发电机故障诊断系统及方法 | |
CN108489717A (zh) | 变压器有载分接开关机械状态监测方法及系统 | |
CN108344922A (zh) | 一种基于相类区分和s变换的输电线路直击雷故障识别方法 | |
CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
CN108693469A (zh) | Gis设备的故障诊断方法及装置 | |
CN108399579A (zh) | 变电站设备监控数据信号的智能解析系统 | |
CN107607302B (zh) | 基于多维缩放统计分析的高压断路器机械故障诊断方法 | |
CN106980051B (zh) | 一种间歇性串联型故障电弧识别方法 | |
Yang et al. | Vibration signature extraction of high-voltage circuit breaker by frequency and chaotic analysis | |
CN105116323B (zh) | 一种基于rbf的电机故障检测方法 | |
CN115113038B (zh) | 基于电流信号相空间重构的断路器故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |