CN108871558A - 一种基于大数据的电力电缆运行振动健康监测系统 - Google Patents
一种基于大数据的电力电缆运行振动健康监测系统 Download PDFInfo
- Publication number
- CN108871558A CN108871558A CN201811126998.4A CN201811126998A CN108871558A CN 108871558 A CN108871558 A CN 108871558A CN 201811126998 A CN201811126998 A CN 201811126998A CN 108871558 A CN108871558 A CN 108871558A
- Authority
- CN
- China
- Prior art keywords
- signal
- vibration
- power cable
- acceleration transducer
- cable
- 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
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出了一种基于大数据的电力电缆运行振动健康监测系统,包括有振动检测传感器组,所述振动检测传感器组通过信号采集电路与信号处理器;所述信号降噪处理器通过信号采集电路获取所述振动检测传感器组检测到的振动信号,并对所述振动信号进行降噪处理后得到电力电缆的振动特征信号;还包括振动量识别处理器,用于获取所述振动特征信号,并对所述振动特征信号内包含的振动特征信息进行识别得到振动量。本发明设计的电力电缆运行振动健康监测系统极大的完善了现有的电缆线路监测手段,通过长期的数据积累还可分析电力电缆运行过程的振动对金属套及绝缘层的影响,且所述电力电缆运行振动健康监测系统监测精度高、评价结果合理可靠。
Description
技术领域
本发明涉及振动健康监测技术领域,特别是一种基于大数据的电力电缆运行振动健康监测系统。
背景技术
目前,还没有专门针对电力电缆线路的振动量(如振动频率、振动衰减阻尼比、振型)监测分析系统及设备,更没有实现相关的振动监测系统应用到电缆线路的振动监测分析上的应用。对电力电缆线路,尤其是导体截面大的高压及超高压电力电缆在运行过程中在负荷电流和系统电压的作用下产生一定的振动。对于敷设在特殊条件下的电缆线路,特别是在桥梁条件下的电缆线路,当车辆等经过时外界环境的振动会传导到电缆线路上。这种长期的振动对电缆金属套和绝缘层的影响有待进一步研究,因此监测电力电缆的振动以及评估电缆的运行状态,进而实现振动对高压及超高压电缆的金属套的金属疲劳和绝缘层等的影响分析。通过连续监测电缆运行过程的振动量对掌握电缆运行状态,完善电缆线路的运行状态分析是有帮助的。但目前电缆运行振动的监测以及评价缺乏必要的手段和工程实践上合理的标准。
对电缆运行振动的监测以及评价的核心在于何准确且客观的从电缆线路实测的信号中提取出与振动健康状况相关的特征信息,进而识别振动量,实现对电缆振动的健康状态进行评价;而实测振动信号中多存在大量的复杂噪声干扰,现有技术中多采用经验模态分解(EMD)算法来进行信号的降噪处理。
经验模态分解(EMD)算法是Hilbert-Huang变换(HHT)的核心算法。经验模式分解(EMD)算法是通过算法过程定义的,而并非由确定的理论公式定义的,所以对其进行准确的理论分析非常困难,我们目前只能借助大量的数字仿真试验不断对其性能进行深入的研究。EMD算法的目的在于将性能不好的信号分解为一组性能较好的IMF,且IMF须满足以下两个性质:
(1)信号的极值点(极大值或极小值)数目和过零点数目相等或最多相差一个;
(2)由局部极大值构成的上包络线和由局部极小值构成的下包络线的平均值为零。
EMD算法的计算步骤如下:
(1)找出原数据序列X(t)的所有极大值点和极小值点,将其用三次样条函数分别拟合为原序列的上和下包络线;上下包络线的均值为m1;将原数据序列减去m1可得到一个减去低频的新序列h,即h1=X(t)-m1;一般h1不一定是平稳数据序列,为此需对它重复上述过程。如h1的包络均值为m11,则去除该包络平均所代表的低频成分后的数据序列为h11,即h11=h1-m11
重复上述过程,这样就得到第一个本征模函数分量c1,它表示信号数据序列最高频率的成分。
(2)用X(t)减去c1,得到一个去掉高频成分的新数据序列r1;对r1再进行上述分解,得到第二个本征模函数分量c2;如此重复直到最后一个数据序列rn不可被分解,此时,rn代表数据序列X(t)的趋势或均值。在算法中的极值点是指一阶导数为零的点。
发明内容
针对上述问题,本发明旨在提供一种基于大数据的电力电缆运行振动健康监测系统,其监测系统结构简单紧凑,数据监测采集高效,便捷,能对电力电缆运行振动的健康状态进行较为准确的判断,且该系统监测精度高、对电力电缆振动量的提取可靠,进而使得对电力电缆运行振动的健康状态评价合理可靠,可实现对电力电缆的动力缺陷及时的发现与维护。
本发明的目的采用以下技术方案来实现:
提供了一种基于大数据的电力电缆运行振动健康监测系统,包括有振动检测传感器组,所述振动检测传感器组通过信号采集电路与信号处理器;所述信号降噪处理器通过信号采集电路获取所述振动检测传感器组检测到的振动信号,并对所述振动信号进行降噪处理后得到电力电缆的振动特征信号;还包括振动量识别处理器,用于获取所述振动特征信号,并对所述振动特征信号内包含的振动特征信息进行识别得到振动量,所述振动量包括有电缆结构的固有振动频率、阻尼比以及振型系数。
优选地,所述振动检测传感器组包括有第一加速度传感器、第二加速度传感器以及第三加速度传感器;所述第一加速度传感器安装在电力电缆的支撑接触点附近的电缆支架上;所述第二加速度传感器与第三加速度传感器安装在电力电缆的外表面,且所述第二加速度传感器安装在所述第一加速度传感器的对侧;所述第三加速度传感器与所述第二加速度传感器间呈90度安装于电力电缆上。
优选地,所述第一加速度传感器、第二加速度传感器以及第三加速度传感器采用单轴加速度传感器或三轴加速度传感器。
优选地,所述电力电缆运行振动健康监测系统还包括有健康状态评价模块,用于获取所述振动量,并对依据所述振动量对电力电缆的结构健康状态进行评价,得到评价结果。
优选地,所述信号降噪处理器包括信号预处理模块、信号延拓模块、白噪声补偿模块以及信号降噪模块;所述信号预处理模块用于对所述振动信号进行初级降噪、平滑后得到初级信号,以减少信号检测采集过程中的外接环境噪声的干扰;所述信号延拓模块用于对初级信号进行延拓得到次级信号;所述白噪声补偿模块用于计算确定对所述次级信号进行补偿用的白噪声的特性参数;所述信号降噪模块用于将所述白噪声加入次级信号后采用经验模态分解算法对所述加入白噪声的次级信号进行分解重构得到振动特征信号。
优选地,所述依据所述振动量对电力电缆的结构健康状态进行评价的具体过程为:获取电力电缆刚铺设投入运行时对应监测得到的初始振动量,包括初始固有频率、初始阻尼比以及初始振型系数;将上述获取的所述振动量与初始振动量进行对比,计算其相对于电力电缆刚投入运行时的结构健康衰减函数;所述健康衰减函数反映了在信号监测时所述电力电缆结构的健康状态,若所述健康衰减函数的函数值越小,则在信号监测时所述电力电缆结构的健康状态也越好;其中,所述结构健康衰减函数的计算公式为:
式中,Hls为反映所述振动检测传感器组在所述电力电缆上安装位置处电缆结构的振动健康衰减函数值;m代表所述振动检测传感器组中第m加速度传感器的标号;Tm0为第m加速度传感器所处表面位置对应电缆结构的初始固有频率;Zm0为第m加速度传感器所处表面位置对应电缆结构的初始阻尼比;Xm0为第m加速度传感器所处表面位置对应电缆结构的初始振型系数;Tm为第m加速度传感器实时采集的响应信号经处理得到的所述固有振动频率;Zm为第m加速度传感器实时采集的响应信号经处理得到的所述阻尼比;Xm为第m加速度传感器实时采集的响应信号经处理得到的所述振型系数。
本发明的有益效果为:本发明提供了一种基于大数据的电力电缆运行振动健康监测系统,其将振动检测传感器组安装于电缆表面或电缆接触支架附近,根据电缆的走线或排线结构,在电力电缆线路上分布式的布置多个振动检测传感器组,每个振动检测传感器组包括3个加速度传感器用来检测振动信号,并设计了信号处理器以及振动量识别处理器,用来对振动信号进行降噪以及振动量的获取,并进一步提出了综合考虑监测得到的振动量对电力电缆运行振动时结构的健康状态进行评价的评价手段;如此,极大的完善了现有的电缆线路监测手段,通过长期的数据积累还可分析电力电缆运行过程的振动对金属套及绝缘层的影响,且所述电力电缆运行振动健康监测系统监测精度高、评价结果合理可靠,实现了对电力电缆的动力缺陷及时发现。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明一个优选实施例中所述振动检测传感器组在电缆以及电缆支架上的分布示意图;
图2为本发明一个优选实施例中所述电力电缆运行振动健康监测系统的功能模块连接图。
附图标记:
1-第一加速度传感器、2-第二加速度传感器、3-第三加速度传感器、4-电缆支架、5-电力电缆。
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1,本实施中,提供了一种基于大数据的电力电缆运行振动健康监测系统,包括有振动检测传感器组,所述振动检测传感器组通过信号采集电路与信号处理器;所述信号降噪处理器通过信号采集电路获取所述振动检测传感器组检测到的振动信号,并对所述振动信号进行降噪处理后得到电力电缆的振动特征信号;还包括振动量识别处理器,用于获取所述振动特征信号,并对所述振动特征信号内包含的振动特征信息进行识别得到振动量,所述振动量包括有电缆结构的固有振动频率、阻尼比以及振型系数。
本实施例中,根据电缆的走线或排线结构,在电力电缆线路上分布式的布置多个振动检测传感器组,每个振动检测传感器组包括3个加速度传感器用来检测振动信号。
本实施例中,所述振动检测传感器组包括有第一加速度传感器、第二加速度传感器以及第三加速度传感器;所述第一加速度传感器安装在电力电缆的支撑接触点附近的电缆支架上;所述第二加速度传感器与第三加速度传感器安装在电力电缆的外表面,且所述第二加速度传感器安装在所述第一加速度传感器的对侧;所述第三加速度传感器与所述第二加速度传感器间呈90度安装于电力电缆上。
本实施例中,所述第一加速度传感器、第二加速度传感器以及第三加速度传感器采用单轴加速度传感器或三轴加速度传感器。
本实施例中,所述电力电缆运行振动健康监测系统还包括有健康状态评价模块,用于获取所述振动量,并对依据所述振动量对电力电缆的结构健康状态进行评价,得到评价结果。
本实施例中,所述依据所述振动量对电力电缆的结构健康状态进行评价的具体过程为:获取电力电缆刚铺设投入运行时对应监测得到的初始振动量,包括初始固有频率、初始阻尼比以及初始振型系数;将上述获取的所述振动量与初始振动量进行对比,计算其相对于电力电缆刚投入运行时的结构健康衰减函数;所述健康衰减函数反映了在信号监测时所述电力电缆结构的健康状态;其中,所述结构健康衰减函数的计算公式为:
式中,Hls为反映所述振动检测传感器组在所述电力电缆上安装位置处电缆结构的振动健康衰减函数值;m代表所述振动检测传感器组中第m加速度传感器的标号;Tm0为第m加速度传感器所处表面位置对应电缆结构的初始固有频率;Zm0为第m加速度传感器所处表面位置对应电缆结构的初始阻尼比;Xm0为第m加速度传感器所处表面位置对应电缆结构的初始振型系数;Tm为第m加速度传感器实时采集的响应信号经处理得到的所述固有振动频率;Zm为第m加速度传感器实时采集的响应信号经处理得到的所述阻尼比;Xm为第m加速度传感器实时采集的响应信号经处理得到的所述振型系数。
在本实施例中,若所述健康衰减函数的函数值越小,则在信号监测时所述电力电缆结构的健康状态也越好;通过在电力电缆的多处存在结构缺陷的地方进行测试,获取当判断电力电缆结构的健康状态在较大置信区间内为缺陷时的判断阀值,那样,在系统在振动运行的阶段,当计算出来的结构健康衰减函数值大于所述判断阀值时,即确定所述振动传感器组安装处的电力电缆结构存在缺陷;其中所述判断阀值可以人为修订。且由此可以对电力电缆结构的剩余寿命进行工程经验预测,也可发现电力电缆结构中可能存在的安全隐患,若其健康衰减函数较大,则可对电力电缆结构的安全隐患进行排查,并进一步维护保养,较大程度上避免电力电缆结构因安全问题发现不及时,造成安全事故。
本优选实施例中,提出的健康状态评价模块,根据上述信号处理得到的振动量与电力电缆结构的初始振动量进行综合比较,来设计了反映电力电缆结构健康状态的健康衰减函数,与现有技术相比,突破了对电力电缆结构智能化监测困难的技术难题,形成了较为可靠,高精度的电力电缆结构健康监测体系,可用于对电力电缆结构安全性能的评价以及作为电力电缆结构保养维护的标准依据。
本实施例中,所述信号降噪处理器包括信号预处理模块、信号延拓模块、白噪声补偿模块以及信号降噪模块;所述信号预处理模块用于对所述振动信号进行初级降噪、平滑后得到初级信号,以减少信号检测采集过程中的外接环境噪声的干扰;所述信号延拓模块用于对初级信号进行延拓得到次级信号;所述白噪声补偿模块用于计算确定对所述次级信号进行补偿用的白噪声的特性参数;所述信号降噪模块用于将所述白噪声加入次级信号后采用经验模态分解算法对所述加入白噪声的次级信号进行分解重构得到振动特征信号。
本实施例中,所述信号预处理模块,用来对振动传感器组中各个加速度传感器对应采集的振动信号进行初级降噪、平滑,以减少信号采集过程中的外界环境噪声的干扰;所述振动信号经过预处理就得到初级信号。
本实施例中,为对振动信号进行降噪,采用基于经验模态分解(EMD)算法来实现信号降噪,考虑到采用该算法时需要对信号中的局部极值点进行曲线拟合得到其包络线,但振动信号的端点处进行样条曲线拟合时端点出现扭曲发散,造成分解时信息丢失。
故本实施例中,所述信号延拓模块用于对初级信号进行延拓,以避免初级信号的端点在在信号分解过程中进行样条曲线拟合时端点扭曲发散现象;采用一种信号延拓算法,处理初级信号得到次级信号,所述延拓算法的处理过程具体为:
(1)判断确定初级信号的左端点的端点处为极大值还是极小值;针对上述判断结果,获取与左端点对应的端点特性波;具体为:
a、若所述左端点为极小值点,则获取与左端点依次最邻近的第一个极大值点、第一个极小值点、以及第二个极大值点;连接这四个包括左端点的极值点构成一个极值四边形,通过极值四边形来描述其端点特性波;
b、若所述左端点为极大值点,则获取与左端点依次最邻近的第一个极小值点、第一个极大值点、以及第二个极小值点;连接这四个包括左端点的极值点构成一个极值四边形,通过极值四边形来描述其端点特性波;
(2)通过求出除左端点的所有极值点,在初级信号中搜寻与所述极值四边形差异度最小、匹配度最高的匹配四边形;所述匹配四边形与所述左端点的极值四边形对应,即:若左端点为极小值,则匹配四边形由匹配极值点(即所述匹配极值点为初级信号中一个极小值点)、并在匹配极值点右边且与匹配极值点依次邻近的第i个极大值点、第i个极小值点、以及第i+1个极大值点构成;若左端点为极大值,则匹配四边形由匹配极值点(即所述匹配极值点为初级信号中的一个极大值点)、并与匹配极值点依次邻近的第i个极小值点、第i+1个极大值点、以及第i+1个极小值点构成;(所述i仅代表极值点的顺序标号,不具限定性)
其中,当左端点为极小值时,所述匹配四边形与极值四边形的匹配度的计算公式为:
式中,x1为所述左端点为极小值时左端点对应的信号幅值;m1为在初级信号中与所述左端点最邻近的第一极大值点对应的信号幅值;n1为在初级信号中与所述第一极大值点靠右邻近的第一极小值点对应的信号幅值;m2为与所述第一极小值点靠右邻近的第二极大值点对应的信号幅值;ni为在初级信号中间且为极小值点的匹配极值点对应的信号幅值;mi+1为与所述匹配极值点靠右邻近的第i+1极大值点对应的信号幅值;ni+1为与所述第i+1极大值点靠右邻近的第i+1极小值点对应的信号幅值;mi+2为与所述第i+1极小值点靠右邻近的第i+2极大值点对应的信号幅值;Mac为所述与匹配极值点对应的匹配四边形与极值四边形的匹配度;
其中,当所述左端点为极大值时,所述匹配四边形与极值四边形的匹配度的计算公式仅需根据对称进行适应性调整;
(3)依据上述算法找到与所述极值四边形最匹配的匹配四边形对应的匹配极值点后,并获取所述匹配极值点对应的时间值,将该匹配极值点的数据进行延拓至初级信号的左端点处;
(4)并通过以上步骤对初级信号的右端点同样的进行延拓,最后得到延拓处理后的次级信号。
本优选实施例中,提出了一种信号延拓算法,来解决信号分解中对极值点或端点进行曲线拟合时,端点附近仅有单侧信息而其拟合出的包络线会出现扭曲发散的问题;相比与现有技术中的参数繁杂、计算量大的延拓算法,本实施例中设计的延拓算法从端点邻近的局部信号特征出发,基于信号的重复性,在全局信号中搜寻与端点处的局部信号特征最匹配的匹配极值点,进而将匹配极值点延拓到端点处以解决上述问题,该算法简单,且计算量较小。
本实施例中,所述白噪声补偿模块对所述初级信号处理得到补偿用的白噪声的特性参数,所述特性参数主要包括白噪声的幅值标准差,该白噪声补偿模块中计算所述白噪声的幅值标准差的具体步骤为:
(1)通过经验模态算法(EMD)对所述初级信号进行分解得到一系列有序的本征模函数分量;计算各个本征模函数分量对应的高频有效系数为:
式中,EPj为第j个本征模函数分量对应的高频有效系数;N为全部本征模函数分量中存在的极值点个数;Nj为第j个本征模函数分量中存在的极值点的个数;L为初级信号的长度;fj(k)为第j个本征模函数分量中第k个极值点的幅值;j为与本征模函数分量对应的序号;Ni为第i个本征模函数分量存在的极值点的个数;fi(k)为第i个本征模函数分量中第k个极值点的幅值。
(2)将各个本征模函数分量对应的高频有效系数进行从低到高的排序,并筛选出高频有效系数较大的K个本征模函数分量作为初级信号中的高频成分;对这些高频成分进行重构获取与所述高频成分对应的幅值标准差;
(3)将所述高频成分对应的幅值标准差的1/4作为所述白噪声的幅值标准差。
本优选实施例中,提出了一种基于经验模态算法自适应确定对次级信号进行补偿用的白噪声的幅值标准差的计算方法,与现有技术中为对信号进行补偿,添加的白噪声的幅值标准差基本为经验设置或随机产生相比,本实施例中对次级信号添加的白噪声根据初级信号自身特点来确定,提高了白噪声与次级信号的适应度,且使得后续对信号进行分解的质量高,进而保证了信号的降噪效果。
本实施例中,通过所述信号降噪模块获取电力电缆结构的振动特征信号的具体步骤为:
(1)在所述次级信号中加入幅值标准差确定的白噪声信号,所述白噪声信号的幅值标准差通过白噪声补偿模块计算得到;对加入白噪声的信号进行EMD分解,即可得到一系列有序的本征模函数分量(IMF分量)以及一个余项;
(2)对得到的一系列有序的本征模函数分量进行有效筛选,所述有效筛选依据各个本征模函数分量对应的有效系数来进行;其中,所述有效系数的计算公式为:
式中,Yj为第j个本征模函数分量对应的有效系数;N为所述本征模函数分量的总个数,且j∈N;Rj(i)为第j个本征模函数分量与除第j个本征模函数分量之外的第i个本征模函数分量之间的互相关系数;Rx(j)为第j个本征模函数分量与所述次级信号的自相关系数;Fmax为全部所述本征模函数分量对应的信息嫡中的最大值;Fmin为全部所述本征模函数分量对应的信息嫡中的最小值;Fj为第j个本征模函数分量对应的信息嫡;EPmax为全部所述本征模函数分量对应的高频有效系数中的最大值;EPmin为全部所述本征模函数分量对应的高频有效系数中的最小值;EPj为第j个本征模函数分量对应的高频有效系数。
然后,设定有效阀值,当计算得到的所述第j个本征模函数分量对应的有效系数大于有效阀值时,即认为所述第j个本征模函数分量为有效分量;将全部的本征模函数分量进行一一判别后,仅保留有效分量;
(3)对所述有效分量进行重构合成,进而得到包含有电力电缆结构特征信息的振动特征信号。
本实施例中,提出了一种基于EMD算法的有效本征模函数分量筛选的算法,相对于现有技术中筛选有效的IMF分量时,仅考虑IMF分量之间的互相关系数和IMF分量的自相关系数,本实施例综合考虑了现有技术以及IMF分量的自身信息嫡与高频有效系数,使得筛选效果好,显著的提高了筛选后的重构信号的信噪比,进而保证了得到的振动特征信号中特征信息的完整性。
本实施例中,为了确定电力电缆结构的振动系统的系统阶次,设计了系统定阶模块,通过对待测电力电缆运行振动时构成的系统进行理论上的数学建模,采用奇异值跳跃法来计算确定所述系统的系统阶次。
本实施例中,对所述振动特征信号内包含的振动特征信息进行提取、识别得到振动量的具体过程为:
首先依据振动特征信号构造汉克尔矩阵,对所述汉克尔矩阵进行QR分解便可以得到投影矩阵,进而对所述投影矩阵依据系统阶数进行奇异值分解,得到扩展的可观测矩阵以及卡尔曼滤波状态序列,然后将得到的扩展的可观测矩阵以及卡尔曼滤波状态序列在离散时间状态空间模型中处理得到特征矩阵以及输出矩阵;最后,从所述特征矩阵中识别出所述电力电缆结构的振动量,即固有振动频率、阻尼比以及振型系数。
本优选实施例中,提出了一种基于大数据的电力电缆运行振动健康监测系统,其将振动检测传感器组安装于电缆表面或电缆接触支架附近,根据电缆的走线或排线结构,在电力电缆线路上分布式的布置多个振动检测传感器组,每个振动检测传感器组包括3个加速度传感器用来检测振动信号,并设计了信号处理器以及振动量识别处理器,用来对振动信号进行降噪以及振动量的获取,并进一步提出了综合考虑监测得到的振动量对电力电缆运行振动时结构的健康状态进行评价的评价手段;如此,极大的完善了现有的电缆线路监测手段,通过长期的数据积累还可分析电力电缆运行过程的振动对金属套及绝缘层的影响,且所述电力电缆运行振动健康监测系统监测精度高、评价结果合理可靠,实现了对电力电缆的动力缺陷及时发现。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当分析,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (6)
1.一种基于大数据的电力电缆运行振动健康监测系统,其特征在于,包括有振动检测传感器组,所述振动检测传感器组通过信号采集电路与信号处理器;所述信号降噪处理器通过信号采集电路获取所述振动检测传感器组检测到的振动信号,并对所述振动信号进行降噪处理后得到电力电缆的振动特征信号;还包括振动量识别处理器,用于获取所述振动特征信号,并对所述振动特征信号内包含的振动特征信息进行识别得到振动量,所述振动量包括有电缆结构的固有振动频率、阻尼比以及振型系数。
2.根据权利要求1所述的一种基于大数据的电力电缆运行振动健康监测系统,其特征在于,所述振动检测传感器组包括有第一加速度传感器、第二加速度传感器以及第三加速度传感器;所述第一加速度传感器安装在电力电缆的支撑接触点附近的电缆支架上;所述第二加速度传感器与第三加速度传感器安装在电力电缆的外表面,且所述第二加速度传感器安装在所述第一加速度传感器的对侧;所述第三加速度传感器与所述第二加速度传感器间呈90度安装于电力电缆上。
3.根据权利要求2所述的一种基于大数据的电力电缆运行振动健康监测系统,其特征在于,所述第一加速度传感器、第二加速度传感器以及第三加速度传感器采用单轴加速度传感器或三轴加速度传感器。
4.根据权利要求1所述的一种基于大数据的电力电缆运行振动健康监测系统,其特征在于,所述电力电缆运行振动健康监测系统还包括有健康状态评价模块,用于获取所述振动量,并对依据所述振动量对电力电缆的结构健康状态进行评价,得到评价结果。
5.根据权利要求1所述的一种基于大数据的电力电缆运行振动健康监测系统,其特征在于,所述信号降噪处理器包括信号预处理模块、信号延拓模块、白噪声补偿模块以及信号降噪模块;所述信号预处理模块用于对所述振动信号进行初级降噪、平滑后得到初级信号,以减少信号检测采集过程中的外接环境噪声的干扰;所述信号延拓模块用于对初级信号进行延拓得到次级信号;所述白噪声补偿模块用于计算确定对所述次级信号进行补偿用的白噪声的特性参数;所述信号降噪模块用于将所述白噪声加入次级信号后采用经验模态分解算法对所述加入白噪声的次级信号进行分解重构得到振动特征信号。
6.根据权利要求5所述的一种基于大数据的电力电缆运行振动健康监测系统,其特征在于,所述依据所述振动量对电力电缆的结构健康状态进行评价的具体过程为:获取电力电缆刚铺设投入运行时对应监测得到的初始振动量,包括初始固有频率、初始阻尼比以及初始振型系数;将上述获取的所述振动量与初始振动量进行对比,计算其相对于电力电缆刚投入运行时的结构健康衰减函数;所述健康衰减函数反映了在信号监测时所述电力电缆结构的健康状态,若所述健康衰减函数的函数值越小,则在信号监测时所述电力电缆结构的健康状态也越好;其中,所述结构健康衰减函数的计算公式为:
式中,Hls为反映所述振动检测传感器组在所述电力电缆上安装位置处电缆结构的振动健康衰减函数值;m代表所述振动检测传感器组中第m加速度传感器的标号;Tm0为第m加速度传感器所处表面位置对应电缆结构的初始固有频率;Zm0为第m加速度传感器所处表面位置对应电缆结构的初始阻尼比;Xm0为第m加速度传感器所处表面位置对应电缆结构的初始振型系数;Tm为第m加速度传感器实时采集的响应信号经处理得到的所述固有振动频率;Zm为第m加速度传感器实时采集的响应信号经处理得到的所述阻尼比;Xm为第m加速度传感器实时采集的响应信号经处理得到的所述振型系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811126998.4A CN108871558B (zh) | 2018-09-26 | 2018-09-26 | 一种基于大数据的电力电缆运行振动健康监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811126998.4A CN108871558B (zh) | 2018-09-26 | 2018-09-26 | 一种基于大数据的电力电缆运行振动健康监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108871558A true CN108871558A (zh) | 2018-11-23 |
CN108871558B CN108871558B (zh) | 2021-05-07 |
Family
ID=64324646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811126998.4A Expired - Fee Related CN108871558B (zh) | 2018-09-26 | 2018-09-26 | 一种基于大数据的电力电缆运行振动健康监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108871558B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110595597A (zh) * | 2019-10-24 | 2019-12-20 | 国网湖南省电力有限公司 | 油浸式变压器内部噪声监测传感器安装设备及其修正方法 |
CN112861074A (zh) * | 2021-03-09 | 2021-05-28 | 东北电力大学 | 基于Hankel-DMD的电力系统机电参数提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03257332A (ja) * | 1990-03-08 | 1991-11-15 | Nippon Steel Corp | 振動検出機構の診断方法 |
CN104636609A (zh) * | 2015-01-30 | 2015-05-20 | 电子科技大学 | 一种基于经验模态分解与小波分析的信号联合去噪方法 |
CN107976251A (zh) * | 2017-11-15 | 2018-05-01 | 西安工程大学 | 一种输电导线结构破坏在线监测系统及监测方法 |
-
2018
- 2018-09-26 CN CN201811126998.4A patent/CN108871558B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03257332A (ja) * | 1990-03-08 | 1991-11-15 | Nippon Steel Corp | 振動検出機構の診断方法 |
CN104636609A (zh) * | 2015-01-30 | 2015-05-20 | 电子科技大学 | 一种基于经验模态分解与小波分析的信号联合去噪方法 |
CN107976251A (zh) * | 2017-11-15 | 2018-05-01 | 西安工程大学 | 一种输电导线结构破坏在线监测系统及监测方法 |
Non-Patent Citations (1)
Title |
---|
刘薇娜 等: "基于最优特征的改进经验模态分解方法", 《吉林大学学报(工学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110595597A (zh) * | 2019-10-24 | 2019-12-20 | 国网湖南省电力有限公司 | 油浸式变压器内部噪声监测传感器安装设备及其修正方法 |
CN110595597B (zh) * | 2019-10-24 | 2024-03-12 | 国网湖南省电力有限公司 | 油浸式变压器内部噪声监测传感器安装设备及其修正方法 |
CN112861074A (zh) * | 2021-03-09 | 2021-05-28 | 东北电力大学 | 基于Hankel-DMD的电力系统机电参数提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108871558B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kankanamge et al. | Application of wavelet transform in structural health monitoring | |
Liu et al. | Structure damage diagnosis using neural network and feature fusion | |
Samman et al. | Vibration testing for nondestructive evaluation of bridges. I: Theory | |
Mevel et al. | Application of a subspace-based fault detection method to industrial structures | |
CN110398647B (zh) | 变压器状态监测方法 | |
CN110108551B (zh) | 基于声发射探测技术的岩石力学性质测试装置及方法 | |
Overbey et al. | A parametric investigation of state-space-based prediction error methods with stochastic excitation for structural health monitoring | |
CN108871558A (zh) | 一种基于大数据的电力电缆运行振动健康监测系统 | |
CN110728257A (zh) | 基于振动灰度图像的变压器绕组故障监测方法 | |
CN115014617B (zh) | 一种基于地基雷达的斜拉桥拉索索力同步监测方法 | |
Amaravadi et al. | Structural health monitoring using wavelet transforms | |
Liu et al. | Damage-sensitive and domain-invariant feature extraction for vehicle-vibration-based bridge health monitoring | |
Zheng et al. | Localized damage detection of structures subject to multiple ambient excitations using two distance measures for autoregressive models | |
CN109341848A (zh) | 一种隧道运营阶段的安全监测系统 | |
Monavari et al. | Structural deterioration detection using enhanced autoregressive residuals | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
Quqa et al. | Real time damage detection through single low-cost smart sensor | |
CN116353660B (zh) | 一种基于bwo-vmd的高速铁路车轮多边形故障检测方法及系统 | |
Quqa et al. | Instantaneous identification of densely instrumented structures using line topology sensor networks | |
Perez-Macias et al. | Wavelet transform-fractal dimension-based methodology for damage assessment in truss type structures | |
Wang et al. | Comparison of sparse representation and fourier discriminant methods: damage location classification in indirect lab-scale bridge structural health monitoring | |
Mendrok et al. | Load identification using a modified modal filter technique | |
Gao et al. | Experimental study of multi-damage detection in a plate based on non-modal method | |
Silik et al. | Wavelet-based damage-sensitive features extraction | |
Koohdaragh et al. | Damage detection in beam-like structure based on wavelet packet |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210507 |