CN109633431B - 基于振动信号特征提取的有载分接开关故障识别方法 - Google Patents
基于振动信号特征提取的有载分接开关故障识别方法 Download PDFInfo
- Publication number
- CN109633431B CN109633431B CN201910020606.4A CN201910020606A CN109633431B CN 109633431 B CN109633431 B CN 109633431B CN 201910020606 A CN201910020606 A CN 201910020606A CN 109633431 B CN109633431 B CN 109633431B
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- signal
- modal
- kci
- load tap
- 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.)
- Active
Links
Images
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
-
- 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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种基于振动信号特征提取的有载分接开关故障识别方法,该方法采用模拟退火算法进行参数的选取,根据振动信号自适应地选取模态数K和二次惩罚因子α,以获取最佳的参数组合,改善振动信号模态分解的效果,有利于提取出更显著的特征,以便于后续的状态监测和故障诊断。
Description
技术领域
本发明属于电力设备技术领域,涉及电力设备机械振动信号处理领域,具体涉及一种电力变压器有载分接开关的机械振动信号的信号处理方法。
背景技术
有载分接开关是电力变压器中唯一可动的关键部件。对有载分接开关的机械振动信号进行特征识别与故障诊断,可及时判别开关的运行状态,有利于保障设备的安全与电网的可靠运行。
由于有载分接开关的机械振动信号具有非线性非平稳的特点,因此利用小波变换或快速傅里叶变换所提取的时域或频率特征不是一个稳定有效的指标,无法准确反映出振动信号的内在特征。经验模态分解(本申请以下简称为EMD)是一种常见的时频分析算法,可对振动信号进行模态分解以提取特征。然而,由于EMD方法是对振动信号取包络,信号的极值点分布不均,将会导致模态混叠现象的产生,从而使得分解得到的本征模态分量物理意义不明确,对特征提取的效果产生影响。同时,EMD算法缺乏严格的数学基础,算法效率低,抗噪性能较差,因此需要研究新的模态分解算法,进一步避免模态混叠现象,同时提高运算效率,优化特征提取的效果。
变分模态分解(本申请以下简称为VMD)是一种最近提出的时频分析方法,其实质为一组自适应的维纳滤波组,具有良好的信噪分离特性,同时具有模态混叠现象不明显、可有效减少伪分量等优势,可对有载分接开关的机械振动信号进行有效的模态分解,并提取显著的模态特征,有利于有载分接开关的状态监测和故障诊断。
在VMD算法的使用中,需要提前确定模态数K和二次惩罚因子α的取值,不同的取值会对分解的效果产生较大的影响,因此如何选择合适的参数组合是基于VMD的振动信号分解的关键问题。
发明内容
本发明提出了基于振动信号特征提取的有载分接开关故障识别方法,该方法采用模拟退火算法进行参数的选取,根据振动信号自适应地选取模态数K和二次惩罚因子α,以获取最佳的参数组合,改善振动信号模态分解的效果,有利于提取出更显著的特征,以便于后续的状态监测和故障诊断。
为了实现上述目标,本发明采用如下技术方案:
所述方法包括以下步骤:
步骤1:采集有载分接开关的振动信号;
步骤2:设定优化目标函数;选用加权峭度指标作为VMD参数优化的目标函数;
步骤3:根据目标优化函数,通过模拟退火算法计算最佳参数组合;
步骤4:根据最佳参数组合,对采集得到的振动信号进行VMD分解;
步骤5:经过VMD分解后,计算各模态的加权峭度指标,选择具有最大指标的模态分量;
步骤6:对该最大指标的模态分量进行傅里叶变换,提取典型信号特征;
利用所述典型信号特征进行状态监测和故障诊断。
更优选地,步骤2中所述加权峭度指标的计算如式(1)~(3)所示:
KCI=KI·|C| (1)
更优选地,步骤3主要步骤包括:
3.1给定初始温度T为10℃,退火率r为0.95,Markov链长Lk为10,设定模态数K的取值范围为[2,10],二次惩罚因子α的取值范围为[200,10000],选取K的初始值为2,α的初始值为200,对振动信号y(t)进行VMD分解,计算分解后的各模态分量的加权峭度值,对加权峭度值取负,因为模拟退火算法需要求得全局最小量,并选取最小的值为局部最优解KCI;
3.2对初始值进行随机扰动产生新状态,并计算新的优化函数值KCI’,计算△KCI,△KCI=KCI’-KCI;
3.3判断△KCI,若△KCI<0,新状态被接受;若△KCI>0,则新状态根据Metropolis准则,接受或放弃;
3.4在T为10℃下,重复Markov链长Lk为10次的随机扰动过程;
3.5在T=T*r下进行退火降温;等式左边的T为降温后的温度,等式右边的T为当前状态的温度;
重复步骤3.1到3.5,直到温度近似为0℃,获得优化后的参数K、α。
更优选地,步骤4主要步骤包括:
4.1将有载分接开关振动信号y(t)分解成K个模态分量,针对各模态分量uk(t),进行Hilbert变换得到相应的解析信号和单边频谱;其中δ(t)为单位脉冲函数;
4.3计算解调信号的梯度L2范数,估计各模态信号的带宽,由此构造出变分约束问题:
4.4利用二次惩罚因子α和Lagrange算子λ(t)将上述的约束性变分问题转化为非约束性问题。变换得式(7)所示的拉格朗日函数L(uk(t),{ωk},λ):
4.5利用乘子交替方向法(ADMM)求解上述增广Lagrange函数的鞍点,求得的模态分量uk和中心频率ωk分别为:
本发明所提出的基于振动信号特征提取的有载分接开关故障识别方法,采用模拟退火算法进行参数的选取,根据振动信号自适应地选取模态数K和二次惩罚因子α,以获取最佳的参数组合,改善振动信号模态分解的效果,有利于提取出更显著的特征,以便于后续的状态监测和故障诊断。
附图说明
图1是本发明基于振动信号特征提取的有载分接开关故障识别方法流程图。
图2是本发明变压器有载分接开关振动信号示意图。
图3是本发明模拟退火算法迭代优化曲线图。
图4是本发明VMD分解所得4个模态分量示意图。
图5是本发明模态1的频域图。
具体实施方式
下面结合附图对本发明做进一步描述。以下实施案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。
本发明提出的基于振动信号特征提取的有载分接开关故障识别方法,该方法采用模拟退火算法进行参数的选取,根据振动信号自适应地选取模态数K和二次惩罚因子α,以获取最佳的参数组合,改善振动信号模态分解的效果,有利于提取出更显著的特征,以便于后续的状态监测和故障诊断。本发明为达到上述发明目的,所采用的具体技术方案如下:
步骤1:采集有载分接开关的振动信号y(t);
通常利用加速度传感器采集有载分接开关切换时,开关顶部的振动信号;
步骤2:设定优化目标函数;
本发明选用加权峭度指标作为VMD参数优化的目标函数。该指标由峭度和相关系数构成,其中峭度指标反映振动信号的分布密度,相关系数指标表征模态信号与原信号间的相似性,由这两种指标加权构成的加权峭度指标可同时考虑模态信号的冲击特性与相似性,有利于提高最终分解的精度与效率。加权峭度指标的计算如式(1)~(3)所示。
KCI=KI·|C| (1)
式中,KI表示时域信号序列x(n)的峭度指标,N为振动信号长度,C表示信号序列x(n)和y(n)间的相关系数,E为数学期望,KCI即为构造的加权峭度指标。信号序列x(n)和y(n)即分别指代模态信号和原信号。y(n)和y(t)均表示振动信号,只是在计算时把振动信号视为离散信号,n为采样点。
步骤3:根据目标优化函数,通过模拟退火算法计算最佳参数组合。
主要步骤包括:
3.1给定初始温度T为10℃,退火率r为0.95,Markov链长Lk为10,设定模态数K的取值范围为[2,10],二次惩罚因子α的取值范围为[200,10000],选取K的初始值为2,α的初始值为200,对振动信号y(t)进行VMD分解,计算分解后的各模态分量的加权峭度值(对加权峭度值取负,因为模拟退火算法需要求得全局最小量),并选取最小的值为局部最优解KCI;
3.2对初始值进行随机扰动产生新状态,并计算新的优化函数值KCI’,计算△KCI,△KCI=KCI’-KCI;
3.3判断△KCI,若△KCI<0,新状态被接受;若△KCI>0,则新状态根据Metropolis准则,接受或放弃;
3.4在T为10℃下,重复Markov链长Lk为10次的随机扰动过程;
3.5在T=T*r下进行退火降温;等式左边的T为降温后的温度,等式右边的T为当前状态的温度;
重复步骤3.1到3.5,直到温度近似为0℃,获得优化后的参数K、α。
步骤4:根据最佳参数组合,对采集得到的振动信号进行VMD分解。主要步骤包括:
4.1将有载分接开关振动信号y(t)分解成K个模态分量,针对各模态分量uk(t),进行Hilbert变换得到相应的解析信号和单边频谱;其中δ(t)为单位脉冲函数;
4.3计算解调信号的梯度L2范数,估计各模态信号的带宽,由此构造出变分约束问题:
4.4利用二次惩罚因子α和Lagrange算子λ(t)将上述的约束性变分问题转化为非约束性问题。变换得式(7)所示的拉格朗日函数L(uk(t),{ωk},λ):
4.5利用乘子交替方向法(ADMM)求解上述增广Lagrange函数的鞍点,求得的模态分量uk和中心频率ωk分别为:
步骤5:经过VMD分解后,计算各模态的加权峭度指标,选择具有最大指标的模态分量;
步骤6:对该最大指标的模态分量进行傅里叶变换,提取典型信号特征。
本发明提出的基于振动信号特征提取的有载分接开关故障识别方法的整体流程图如图1所示。
为了更好地说明本发明实现的效果,下面结合实例进一步阐述基于参数自适应变分模态分解的变压器有载分接开关振动信号分析方法的实施步骤。首先,利用加速度传感器采集有载分接开关切换时,开关顶部的振动信号,并通过数据采集卡传输至计算机进行分析,如图2所示。
对振动信号进行VMD分解,首先通过模拟退火算法选取最优的参数组合。选取加权峭度指标为优化目标函数,迭代优化曲线如图3所示。
在第15次迭代时取得全局最小值,此时对应的模态数K为4,二次惩罚因子α为6200,加权峭度指标KCI为6.695。以此参数组对振动信号进行VMD分解,分解得到的各分量的时域图如图4所示。
分别计算4个模态分量的加权峭度指标,结果如表1所示:
表1模态分量的加权峭度指标
模态分量 | 模态1 | 模态2 | 模态3 | 模态4 |
加权峭度指标 | 6.6953 | 5.9968 | 1.0954 | 0.3913 |
模态1具有最大的加权峭度值,因此可看作其包含最明显的特征信号。因此对其进行快速傅里叶变换,提取其频域特征。频域图如图5所示。
根据模态1的频域图,可以清晰地提取出其频率特征,特征频率主要集中在1250Hz左右和1508Hz左右。根据提取的特征频率,可便于后续对开关在不同故障下的特征进行对比与分析,实现有载分接开关振动信号的特征提取与故障诊断。
申请人结合说明书附图对本发明的实施例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (5)
1.一种基于振动信号特征提取的有载分接开关故障识别方法,其特征在于,所述方法包括以下步骤:
步骤1:采集有载分接开关的振动信号;
步骤2:设定优化目标函数;选用加权峭度指标作为VMD参数优化的目标函数;
步骤3:根据目标优化函数,通过模拟退火算法计算最佳参数组合,包括:VMD模态数和二次惩罚因子;
步骤4:根据最佳参数组合,对采集得到的振动信号进行VMD分解;
步骤5:经过VMD分解后,计算各模态的加权峭度指标,选择具有最大指标的模态分量;
步骤6:对该最大指标的模态分量进行傅里叶变换,提取典型信号特征;
利用所述典型信号特征进行状态监测和故障识别。
3.根据权利要求1或2所述的基于振动信号特征提取的有载分接开关故障识别方法,其特征在于,步骤3主要步骤包括:
3.1给定初始温度T为10℃,退火率r为0.95,Markov链长Lk为10,设定模态数k的取值范围为[2,10],二次惩罚因子α的取值范围为[200,10000],选取K的初始值为2,α的初始值为200,对振动信号y(t)进行VMD分解,计算分解后的各模态分量的加权峭度值,对加权峭度值取负,因为模拟退火算法需要求得全局最小量,并选取最小的值为局部最优解KCI;
3.2对初始值进行随机扰动产生新状态,并计算新的优化函数值KCI’,计算△KCI,△KCI=KCI’-KCI;
3.3判断△KCI,若△KCI<0,新状态被接受;若△KCI>0,则新状态根据Metropolis准则,接受或放弃;
3.4在T为10℃下,重复Markov链长Lk为10次的随机扰动过程;
3.5在T=T*r下进行退火降温;等式左边的T为降温后的温度,等式右边的T为当前状态的温度;
重复步骤3.1到3.5,直到温度近似为0℃,获得优化后的参数K、α。
4.根据权利要求1或2所述的基于振动信号特征提取的有载分接开关故障识别方法,其特征在于,步骤4主要步骤包括:
4.1将有载分接开关振动信号y(t)分解成K个模态分量,针对各模态分量uk(t),进行Hilbert变换得到相应的解析信号和单边频谱;其中δ(t)为单位脉冲函数;
4.3计算解调信号的梯度L2范数,估计各模态信号的带宽,由此构造出变分约束问题:
4.4利用二次惩罚因子α和Lagrange算子λ(t)将上述的约束性变分问题转化为非约束性问题,变换得式(7)所示的拉格朗日函数L(uk(t),{ωk},λ):
4.5利用乘子交替方向法(ADMM)求解上述增广Lagrange函数的鞍点,求得的模态分量uk和中心频率ωk分别为:
5.根据权利要求1或2所述的基于振动信号特征提取的有载分接开关故障识别方法,其特征在于,步骤1中利用加速度传感器采集有载分接开关切换时,开关顶部的振动信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910020606.4A CN109633431B (zh) | 2019-01-09 | 2019-01-09 | 基于振动信号特征提取的有载分接开关故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910020606.4A CN109633431B (zh) | 2019-01-09 | 2019-01-09 | 基于振动信号特征提取的有载分接开关故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109633431A CN109633431A (zh) | 2019-04-16 |
CN109633431B true CN109633431B (zh) | 2021-07-09 |
Family
ID=66061054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910020606.4A Active CN109633431B (zh) | 2019-01-09 | 2019-01-09 | 基于振动信号特征提取的有载分接开关故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109633431B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110208375B (zh) * | 2019-06-13 | 2021-12-14 | 石家庄铁道大学 | 一种锚杆锚固缺陷的检测方法及终端设备 |
CN111539378B (zh) * | 2020-05-12 | 2023-05-09 | 重庆大学 | 基于变分模态分解和灰色关联分析的机械振动信号特征提取方法 |
CN111948493A (zh) * | 2020-08-21 | 2020-11-17 | 兰州理工大学 | 一种mmc-hvdc直流输电线路故障定位方法 |
CN112014047B (zh) * | 2020-08-27 | 2022-05-03 | 华侨大学 | 一种有载分接开关机械故障诊断方法 |
CN112268615B (zh) * | 2020-11-27 | 2022-05-03 | 华侨大学 | 一种机电设备振动信号特征提取方法 |
CN113405788B (zh) * | 2021-05-28 | 2022-11-22 | 广西电网有限责任公司电力科学研究院 | 基于波形趋势信息的有载分接开关机械状态监测方法 |
CN113324759B (zh) * | 2021-06-01 | 2022-08-05 | 西安交通大学 | 基于振动能量梯度分解的旋转设备状态监测指标提取方法 |
CN113468756B (zh) * | 2021-07-15 | 2023-10-20 | 北京化工大学 | 一种多冲击振动信号变分时域分解方法 |
CN113657268B (zh) * | 2021-08-13 | 2023-01-31 | 江苏国电南自海吉科技有限公司 | 一种应用于风电机组齿轮箱故障诊断的信号自动分解方法 |
CN114048859B (zh) * | 2021-10-29 | 2024-07-23 | 上海电力大学 | 一种基于量子退火算法的配电网故障定位方法 |
CN114235396B (zh) * | 2021-11-26 | 2022-11-29 | 电子科技大学 | 一种齿轮减速器故障特征提取方法 |
CN114563181B (zh) * | 2022-01-10 | 2023-06-27 | 浙江工业大学之江学院 | 基于改进变分模态提取的旋转机械故障特征提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104251953A (zh) * | 2014-09-11 | 2014-12-31 | 国家电网公司 | 一种电力变压器有载分接开关触头松动故障诊断法及装置 |
CN107907320A (zh) * | 2017-12-01 | 2018-04-13 | 国网重庆市电力公司电力科学研究院 | 变压器有载分接开关的机械状态特征的诊断方法及装置 |
CN108692936A (zh) * | 2018-03-27 | 2018-10-23 | 四川大学 | 基于参数自适应vmd的机械故障诊断方法 |
CN108845250A (zh) * | 2018-06-01 | 2018-11-20 | 国网江苏省电力有限公司南京供电分公司 | 基于振动信号特征提取的有载分接开关故障识别方法 |
-
2019
- 2019-01-09 CN CN201910020606.4A patent/CN109633431B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104251953A (zh) * | 2014-09-11 | 2014-12-31 | 国家电网公司 | 一种电力变压器有载分接开关触头松动故障诊断法及装置 |
CN107907320A (zh) * | 2017-12-01 | 2018-04-13 | 国网重庆市电力公司电力科学研究院 | 变压器有载分接开关的机械状态特征的诊断方法及装置 |
CN108692936A (zh) * | 2018-03-27 | 2018-10-23 | 四川大学 | 基于参数自适应vmd的机械故障诊断方法 |
CN108845250A (zh) * | 2018-06-01 | 2018-11-20 | 国网江苏省电力有限公司南京供电分公司 | 基于振动信号特征提取的有载分接开关故障识别方法 |
Non-Patent Citations (2)
Title |
---|
"基于VMD 和奇异值能量差分谱的风机滚动轴承故障特征提取方法";张伟等;《华北电力技术》;20170331;第60-61页 * |
"基于改进Fisher准则、VMD、距离相关系数和核极限学习机的轴承故障诊断";宋坤骏等;《铁道机车车辆》;20180630;第24-25页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109633431A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109633431B (zh) | 基于振动信号特征提取的有载分接开关故障识别方法 | |
CN107101813B (zh) | 一种基于振动信号的框架式断路器机械故障程度评估方法 | |
CN108845250B (zh) | 基于振动信号特征提取的有载分接开关故障识别方法 | |
CN103968937B (zh) | 一种基于emd样本熵和fcm的配电开关机械状态诊断方法 | |
CN103630808B (zh) | 一种基于提升小波变换的局部放电信号去噪方法 | |
CN110068759A (zh) | 一种故障类型获得方法及装置 | |
CN103308292A (zh) | 基于振动信号分析的真空断路器机械状态检测方法 | |
CN109813547B (zh) | 基于稀疏分解优化算法的旋转机械局部型故障诊断方法 | |
CN109784310B (zh) | 基于ceemdan及加权时频熵的配电开关机械故障特征提取方法 | |
CN109307798B (zh) | 一种用于开关事件检测的功率信号滤波方法 | |
CN108268837B (zh) | 基于小波熵和混沌特性的辐射源指纹特征提取方法 | |
CN110146268A (zh) | 一种基于均值分解算法的oltc故障诊断方法 | |
CN113537102B (zh) | 一种微震信号的特征提取方法 | |
CN108398252A (zh) | 基于itd与svm的oltc机械故障诊断方法 | |
CN113325277A (zh) | 一种局部放电处理方法 | |
CN112183400B (zh) | 一种新型的配电变压器潜伏性故障特征提取方法及系统 | |
CN111914705A (zh) | 提升电抗器健康状态评估准确率的信号生成方法及装置 | |
CN109541455A (zh) | 一种基于s变换时频谱svd降噪的oltc冲击特性提取方法 | |
CN112668105A (zh) | 一种基于sae与马氏距离的直升机传动轴异常判定方法 | |
CN108089100A (zh) | 小电流接地系统弧光电阻接地故障的检测方法 | |
Chan et al. | Automatic blind equalization and thresholding for partial discharge measurement in power transformer | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
CN117290788B (zh) | 一种基于改进小波变换算法的配电网故障辨识方法及系统 | |
CN109635428B (zh) | 一种基于机械状态信号分析的gis机械故障诊断方法 |
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 |