CN108918111A - 基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法 - Google Patents
基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法 Download PDFInfo
- Publication number
- CN108918111A CN108918111A CN201810465185.1A CN201810465185A CN108918111A CN 108918111 A CN108918111 A CN 108918111A CN 201810465185 A CN201810465185 A CN 201810465185A CN 108918111 A CN108918111 A CN 108918111A
- Authority
- CN
- China
- Prior art keywords
- breaker
- classification
- neighbour
- measured
- tag
- 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.)
- Pending
Links
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于k‑近邻贝叶斯多标签分类的断路器机械故障诊断方法,包括建立断路器振动样本数据库构建训练样本集D;采集目标断路器的振动信号数据,并对其数据进行预处理;提取目标断路器振动信号数据的待测频域特征向量;将得到的待测频域特征向量组合成为待测特征向量集;采用k‑近邻贝叶斯多标签分类法,对断路器进行故障判断。本方法适用于断路器多种故障同时存在时的分类,也适用于单一故障时的分类,对于断路器多种故障同时存在时的分类,可对其包含的各单一故障的重要性做出适当的判定,分类方法具有较强的抗噪能力。
Description
技术领域
本发明涉及电力系统中高压电器设备的检测领域,特别是涉及一种基于k-近邻贝叶斯多 标签分类(k-nearest neighbor Bayesian rule,KNN-Bayesian)的断路器机械故障诊断方法。
背景技术
作为电力系统中重要的保护与控制电器,中高压断路器在保障电网安全稳定运行方面起 着十分关键的作用,其运行维护也是电力部门日常工作的重要内容。
根据CIGRE与中国电科院的调研结果,机械故障占开关设备故障的近37%,因此对开关 设备进行机械故障检测显得极为重要。近年来,各种数据挖掘算法被广泛应用于中高压断路 器的机械故障诊断中,并取得了良好的效果。但是在实际的电力系统中,断路器的机械故障 往往是多种故障类型同时存在,而目前的断路器机械故障诊断方法基本上都是针对单一故障 的诊断,如基于人工神经网络的诊断系统和基于支持向量机的诊断系统,难以解决多种故障 同时存在时的诊断问题。
综上所述,现有数据挖掘算法中对于如何高效的提高机械故障诊断的正确率问题,尚缺 乏有效的解决方案。
发明内容
为了解决现有技术问题的不足,本发明提供了一种基于k-近邻贝叶斯多标签分类的断路 器机械故障诊断方法,适用于断路器多种故障同时存在时的分类,也适用于单一故障时的分 类,对于断路器多种故障同时存在时的分类,可对其包含的各单一故障的重要性做出适当的判 定,分类方法具有较强的抗噪能力。
为了实现上述目的,本发明采用如下技术方案:
基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法,包括如下步骤:
采集断路器正常运行以及故障时的振动信号数据,建立断路器振动样本数据库,所述断 路器振动样本数据库包含无故障时的断路器振动数据和存在故障时断路器振动数据;
分别提取断路器振动样本数据库中每一个振动信号数据进行预处理并提取频域特征向量, 针对断路器同一故障或无故障的采集的振动信号的频域特征向量进行组合,得到一组特征向 量;
为得到的每一个特征向量分别添加有故障或者无故障状态标签,构成训练样本集D;
采集目标断路器的振动信号数据,并对其数据进行预处理;
提取目标断路器振动信号数据的待测频域特征向量;将得到的待测频域特征向量组合成 为待测特征向量集;
根据得到的原始训练样本集以及待测特征向量采用k-近邻贝叶斯多标签分类法,对断路 器进行故障判断。
进一步的,所述采用k-近邻贝叶斯多标签分类法,对断路器进行故障诊断的方法,具体 为:
(1)基于拉普拉斯估计从训练样本集中估计先验概率l为所述标签;
(2)根据训练样本集由贝叶斯准则计算后验概率通过先验概率和后验概率计算若样本含有标签l其k-近邻中应该含有标签l的最小样本数Kmin(l)。
(3)对于待测频域特征向量为x(x∈D),首先根据最小样本数Kmin(l)找出其k-近邻N(x), 然后构建分类函数f(l),通过分类函数将k-近邻N(x)内的所有标签是待测频域特征向量的 标签的概率大小进行排序;
重复(1)—(3)步骤计算待测特征向量集中的所有待测特征向量所贴有标签的概率。 概率大且在所有待测特征向量所贴有标签出现的最多的标签所对应的故障为本次测量的目标 断路器的故障
进一步的,所述预处理为去除趋势项和噪声。
进一步的,所述频域特征向量的提取方法为使用db4小波对故障振动信号进行8层离散 小波变换,取各层高频系数及第8层低频系数的标准能量差作为故障振动信号的特征向量。
与现有技术相比,本发明的有益效果为:
(1)不仅适用于断路器多种故障同时存在时的分类,也适用于单一故障时的分类;
(2)对于断路器多种故障同时存在时的分类,可对其包含的各单一故障的重要性做出适当的 判定;
(3)无论是对单一故障还是多种故障同时存在时的情况,分类方法具有较强的抗噪能力。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实 施例及其说明用于解释本申请,并不构成对本申请的限定。
图1是本发明基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法流程图;
图2是本发明k-近邻贝叶斯多标签分类法的分类过程示意图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指 明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的 相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申 请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图 包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其 指明存在特征、步骤、操作、器件、组件和/或它们的组合。
下述实施例为本申请的一种典型的实施方式,下面对本申请的实施例进行说明。
术语解释部分:多标签分类,设为定义在d维特征空间上的样本空间, ψ={1,2,...M,}是标签的有限集。对任意样本x∈χ,记为x所贴有的所有真实标签 的集合,若y∈Y(x),则称样本x贴有标签y。对于给定的训练集合D={(x1,Y1),(x2,Y2),...,(xm,Ym)}, 其中多标签分类的目标是根据训练集D构建一个多标签分类器 h:χ→2M,该分类器对未知样本能有效预测其贴有的标签集。
在本发明的一个实施例中,如图1所示,提供了一种基于k-近邻贝叶斯多标签分类的断 路器机械故障诊断方法,包括以下步骤:
基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法,包括如下步骤:
训练样本集D的构建步骤为:
采集断路器正常运行以及故障时的振动信号数据,建立断路器振动样本数据库,所述断 路器振动样本数据库包含无故障时的断路器振动数据和存在故障时断路器振动数据;
分别提取断路器振动样本数据库中每一个振动信号数据进行预处理并提取频域特征向量, 针对断路器同一故障或无故障的采集的振动信号的频域特征向量进行组合,得到一组特征向 量;
为得到的每一个特征向量分别添加有故障或者无故障状态标签,构成训练样本集D;
目标断路器故障判断的步骤为:
采集目标断路器的振动信号数据,并对其数据进行预处理;
提取目标断路器振动信号数据的待测频域特征向量;将得到的待测频域特征向量组合成 为待测特征向量集;
根据得到的原始训练样本集以及待测特征向量采用k-近邻贝叶斯多标签分类法,对断路 器进行故障诊断。
采用k-近邻贝叶斯多标签分类法,对断路器进行故障诊断的方法,具体为:
(1)基于拉普拉斯估计从训练样本集中估计先验概率l为所述标签;
若构建的训练样本集为D={(x1,Y1),(x2,Y2),...,(xm,Ym)}基于拉普拉斯估计从训练样本集 D={(x1,Y1),(x2,Y2),...,(xm,Ym)}中估计先验概率
在训练样本集D中所有含有标签l的样本总个数。式中:若l∈Yi则否则
其中,为xi所贴有的所有真实标签的集合,设为定义在d 维特征空间上的样本空间,ψ={1,2,...,M}是标签的有限集。
(2)根据训练样本集由贝叶斯准则计算后验概率通过先验概率和后验概率计算若样本含有标签l其k-近邻中应该含有标签l的最小样本数Kmin(l)。对断路器进行故障诊断的方法,具体为如图2所示
令表示事件的k-近邻N(x)中有i个样本含有标签l”,表示事件“样本x含有标签l”, 表示事件“样本x不含有标签l”;
计算后验概率估计参数Kmin(l),
参数V(j)(j∈{0,1,...,k})记录了在训练样本集D中满足条件“含有标签l并且其k-近邻中 有j个近邻含有标签l”的样本个数;参数V′(j)(j∈{0,1,...,k})记录了在训练样本集中满足条 件“不含标签l但其k-近邻中有j个近邻含有标签l”的样本个数。
Kmin(l)表示若待测特征向量x含有标签l,待测样本x的k-近邻中应该含有标签l的最小样 本数,可表示为:
(3)对于待测频域特征向量为x(x∈D),首先根据最小样本数Kmin(l)确定x的k-近邻 N(x),然后构建分类函数f(l),通过分类函数将k-近邻N(x)内的所有标签是待测频域特征向量的标签的概率大小进行排序;
对于待测频域特征向量为x(x∈D)其标签集合定义Cx(l)为在样本t在k-近邻 N(t)中所有含有标签l的样本总个数,即:
式中:若l∈Y则ya(l)=1;否则ya(l)=0。
多标签分类器的输出定义为:
实现标签排位的实函数f(l)表示为:
通过实函数f(l)对待测特征向量的近邻域内的所有标签进行按出现的概率大小进行排位。
对采集的断路器的振动信号进行如下预处理:去除趋势项和噪声。
所谓趋势项是指,由于周围环境对传感器的干扰以及传感器频率范围外低频性能的不稳 定等,采集到的振动信号数据往往会偏离基线,且偏离基线的大小会随时间发生变化。偏离 基线随时间变化的整个过程即是信号的趋势项。和噪声类似,趋势项也是一种干扰。
对预处理后的振动信号进行进一步处理,提取特征向量。
本发明使用db4小波对故障振动信号进行8层离散小波变换(discrete wavelettransform, DWT),取各层高频系数及第8层低频系数的标准能量差作为故障振动信号的特征量,记为 F1-F9,分别表示为:
式中d1-d8分别为故障振动信号DWT后的第1-8层高频系数,a8为故障振动信号DWT后的第8层低频系数,dpure1-dpure8分别为正常振动信号DWT后的第1-8层高频系数,apure8为正常振动信号DWT后的第8层低频系数。
为了对多标签分类器的评价具有较好的均衡性和全面性,构件测试样本集,测试样本集 的构件基于已知断路器故障测得的振动信号建立,设测试样本集为 T={(x1,Y1),(x2,Y2),...,(xn,Yn)},采用以下评价指标:
(1)汉明损失
(2)一类错误
式中:fargmax(xi,y)表示使得f(xi,y)最大的属于标签集ψ的标签y;表达式表示若成立则否则
以上评价指标中,评价指标越小,分类性能越好。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员 来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等 同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限 制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付 出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (4)
1.基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法,其特征在于,包括如下步骤:
采集断路器正常运行以及故障时的振动信号数据,建立断路器振动样本数据库,所述断路器振动样本数据库包含无故障时的断路器振动数据和存在故障时断路器振动数据;
分别提取断路器振动样本数据库中每一个振动信号数据进行预处理并提取频域特征向量,针对断路器同一故障或无故障的采集的振动信号的频域特征向量进行组合,得到一组特征向量;
为得到的每一个特征向量分别添加有故障或者无故障状态标签,构成训练样本集D;
采集目标断路器的振动信号数据,并对其数据进行预处理;
提取目标断路器振动信号数据的待测频域特征向量;将得到的待测频域特征向量组合成为待测特征向量集;
根据得到的原始训练样本集以及待测特征向量集采用k-近邻贝叶斯多标签分类法,对断路器进行故障判断。
2.如权利要求1所述的基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法,其特征在于:所述采用k-近邻贝叶斯多标签分类法,对断路器进行故障诊断的方法,具体为:
(1)基于拉普拉斯估计从训练样本集中估计先验概率l为所述标签;
(2)根据训练样本集由贝叶斯准则计算后验概率通过先验概率和后验概率计算若样本含有标签l其k-近邻中应该含有标签l的最小样本数Kmin(l);
(3)对于待测频域特征向量为x(x∈D),首先根据最小样本数Kmin(l)确定x的k-近邻域N(x),然后构建分类函数f(l),通过分类函数将k-近邻N(x)内的所有标签是待测频域特征向量的标签的概率大小进行排序;
重复(1)—(3)步骤计算待测特征向量集中的所有待测特征向量所贴有标签的概率;计算结果概率大且在所有待测特征向量所贴有标签出现的最多的标签所对应的故障为本次测量的目标断路器的故障。
3.权利要求1所述的基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法,其特征在于:所述预处理为去除趋势项和噪声。
4.权利要求1所述的基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法,其特征在于:所述频域特征向量的提取方法为使用db4小波对故障振动信号进行8层离散小波变换,取各层高频系数及第8层低频系数的标准能量差作为故障振动信号的特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810465185.1A CN108918111A (zh) | 2018-05-16 | 2018-05-16 | 基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810465185.1A CN108918111A (zh) | 2018-05-16 | 2018-05-16 | 基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108918111A true CN108918111A (zh) | 2018-11-30 |
Family
ID=64404027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810465185.1A Pending CN108918111A (zh) | 2018-05-16 | 2018-05-16 | 基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108918111A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109932644A (zh) * | 2019-02-28 | 2019-06-25 | 天津大学 | 基于混合智能算法的断路器故障诊断方法 |
CN111275135A (zh) * | 2020-02-27 | 2020-06-12 | 苏州大学 | 一种故障诊断方法、装置、设备、介质 |
CN111622815A (zh) * | 2020-04-20 | 2020-09-04 | 天津大学 | 基于叶尖定时和优化朴素贝叶斯的叶片裂纹在线测量方法 |
CN113110401A (zh) * | 2021-05-21 | 2021-07-13 | 广东美房智高机器人有限公司 | 一种智能生成机器人故障解决方案的方法 |
CN117872124A (zh) * | 2024-03-12 | 2024-04-12 | 杭州布雷科电气有限公司 | 基于神经网络的断路器离线测试系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102736027A (zh) * | 2012-07-18 | 2012-10-17 | 南京因泰莱配电自动化设备有限公司 | 一种基于断路器动特性测试仪的断路器故障诊断方法 |
CN103575525A (zh) * | 2013-11-18 | 2014-02-12 | 东南大学 | 一种断路器机械故障的智能诊断方法 |
CN106124175A (zh) * | 2016-06-14 | 2016-11-16 | 电子科技大学 | 一种基于贝叶斯网络的压缩机气阀故障诊断方法 |
-
2018
- 2018-05-16 CN CN201810465185.1A patent/CN108918111A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102736027A (zh) * | 2012-07-18 | 2012-10-17 | 南京因泰莱配电自动化设备有限公司 | 一种基于断路器动特性测试仪的断路器故障诊断方法 |
CN103575525A (zh) * | 2013-11-18 | 2014-02-12 | 东南大学 | 一种断路器机械故障的智能诊断方法 |
CN106124175A (zh) * | 2016-06-14 | 2016-11-16 | 电子科技大学 | 一种基于贝叶斯网络的压缩机气阀故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
周雒维等: "多标签分类法在电能质量复合扰动分类中的应用", 《中国电机工程学报》 * |
檀何凤: "基于标签相关性的KNN多标签分类方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109932644A (zh) * | 2019-02-28 | 2019-06-25 | 天津大学 | 基于混合智能算法的断路器故障诊断方法 |
CN111275135A (zh) * | 2020-02-27 | 2020-06-12 | 苏州大学 | 一种故障诊断方法、装置、设备、介质 |
CN111275135B (zh) * | 2020-02-27 | 2023-09-12 | 苏州大学 | 一种故障诊断方法、装置、设备、介质 |
CN111622815A (zh) * | 2020-04-20 | 2020-09-04 | 天津大学 | 基于叶尖定时和优化朴素贝叶斯的叶片裂纹在线测量方法 |
CN113110401A (zh) * | 2021-05-21 | 2021-07-13 | 广东美房智高机器人有限公司 | 一种智能生成机器人故障解决方案的方法 |
CN113110401B (zh) * | 2021-05-21 | 2022-08-05 | 广东美房智高机器人有限公司 | 一种智能生成机器人故障解决方案的方法 |
CN117872124A (zh) * | 2024-03-12 | 2024-04-12 | 杭州布雷科电气有限公司 | 基于神经网络的断路器离线测试系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108918111A (zh) | 基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法 | |
Wang et al. | ArcNet: Series AC arc fault detection based on raw current and convolutional neural network | |
Liu et al. | Deep adversarial domain adaptation model for bearing fault diagnosis | |
Aydin et al. | An approach for automated fault diagnosis based on a fuzzy decision tree and boundary analysis of a reconstructed phase space | |
Naresh et al. | An integrated neural fuzzy approach for fault diagnosis of transformers | |
CN110071913A (zh) | 一种基于无监督学习的时间序列异常检测方法 | |
CN108760302A (zh) | 一种风力发电机组轴承的在线监测与故障诊断系统 | |
CN111398679B (zh) | 基于pmu测量相量的次同步振荡识别与告警方法 | |
Biswal et al. | Nonstationary power signal time series data classification using LVQ classifier | |
CN108573227A (zh) | 心电图数据质量评价方法及装置 | |
CN114254668A (zh) | 基于绝缘开关设备放电信号的故障检测方法和装置 | |
CN109635864B (zh) | 一种基于数据的容错控制方法及装置 | |
Yu et al. | A fault diagnosis approach for diesel engine valve train based on improved ITD and SDAG-RVM | |
CN109918720A (zh) | 基于磷虾群优化支持向量机的变压器故障诊断方法 | |
CN108304567A (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN113358993A (zh) | 一种多电平变换器igbt的在线故障诊断方法及系统 | |
Wang et al. | Intelligent fault diagnosis method for gear transmission systems based on improved multi-scale reverse dispersion entropy and swarm decomposition | |
CN112200263A (zh) | 一种应用于配电物联网的自组织联邦聚类方法 | |
CN116595317A (zh) | 基于正交定子电流ga分析及sfo-pnn的电机故障诊断方法 | |
Dwivedi et al. | DynamoPMU: A Physics Informed Anomaly Detection, Clustering and Prediction Method using Non-linear Dynamics on μPMU Measurements | |
CN113239623B (zh) | 一种适用于电力装备的故障定位方法 | |
Tang et al. | Detection of COVID-19 using deep convolutional neural network on chest X-ray (CXR) images | |
Liu et al. | Fuzzy reliability prediction of rotating machinery product with accelerated testing data | |
Chudasama et al. | Induction motor relaying scheme for external faults detection and classification using subtractive clustering based sugeno fuzzy inference system | |
Li et al. | Condition evaluation of large generator stator insulation based on partial discharge measurement |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181130 |