CN109635428B - 一种基于机械状态信号分析的gis机械故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于机械状态信号分析的GIS机械故障诊断方法，涉及电力设备监测技术领域，该方法包括：对GIS设备运行状态下的振动信号进行采集的步骤；利用极点对称模态分解法（ESMD）和相对熵法对采集的振动信号进行降噪处理的步骤；利用Hilbert变换提取信号中包含的特征向量的步骤；利用粗糙集理论对特征向量进行属性约简并建立诊断决策表的步骤；根据诊断特征决策表建立三层前向神经网络故障诊断模型的步骤。与传统方法相比，本发明对能够适用于GIS装置不同类型机械故障的智能诊断，具有实时性好，诊断准确率高的优点。

Description

一种基于机械状态信号分析的GIS机械故障诊断方法

技术领域

本发明涉及电力设备监测技术领域，更具体地说是指一种基于机械状态信号分析的GIS机械故障诊断方法。

背景技术

GIS的在线监测技术及带电检测技术检测的状态量以绝缘状态量为重点。但GIS缺陷不仅局限于放电性缺陷，其故障原因是多方面的。所以GIS带电检测近年来逐步发展到机械量、化学量、光学等其他有益于设备状态全面监测的研究方向。

目前，GIS(Gas Insulated Switchgear，气体绝缘开关设备)的机械性故障屡有发生，一方面导致设备损坏，更严重的是，一旦出现事故会引起大规模停电，给电网造成无法挽回的巨大损失。其中，通过检测GIS运行状态下的机械状态信号(机械状态信号主要为振动信号)，对GIS机械故障的诊断具有及时、灵敏的特点。当GIS装置出现机械缺陷时，也会伴随异常振动。因此，近年来，基于振动信号监测对GIS装置的机械缺陷及时预警受到了行业的重视。但是，GIS装置的振动机理较为复杂，现场干扰源较多，且在线诊断的实时性要求较高，因此，有必要研发一种抗干扰能力强、诊断准确率高且实时性好的智能诊断算法，以解决对GIS运行现场各种潜伏性的机械故障或缺陷进行在线监测和预警的需求。

发明内容

本发明提供的一种基于机械状态信号分析的GIS机械故障诊断方法，其目的在于解决现有技术中存在的上述问题。

本发明采用的技术方案如下：

一种基于机械状态信号分析的GIS机械故障诊断方法，包括以下步骤。

步骤1：对GIS运行状态下的振动信号进行采集。

步骤2：利用极点对称模态分解法（ESMD）对采集的振动信号进行分解，得到各模态函数（IMF）。

步骤3：利用相对熵从步骤2所得各IMF中选取若干真实IMF。

步骤4：利用Hilbert变换提取所筛选的各真实IMF中包含的特征向量。

步骤5：利用粗糙集理论对特征向量进行属性约简并建立诊断决策表。

步骤6：利用诊断决策表辅助神经网络建立GIS机械故障智能诊断模型。

进一步，所述步骤2包括。

步骤2.1：标记待处理振动信号Y的所有局部极值点，用线段连接所有相邻的极值点，标出它们的中点为F_j ( j =1, 2,…,n-1；n为局部极值点总数)，并补充左右边界中点F_j0与F_jn ，对各局部极值点对应线段构造插值曲线L。

步骤2.2：将Y减去L，重复步骤2.1，直至满足终止条件，从而分解获取模态分量M₁。

步骤2.3：把Y- M₁信号作为原信号进行所述步骤2.1 ，步骤2.2处理，可得M₁，M₂，M₃，…，M_i和余量R。

步骤2.4：筛选次数K在设定范围内变换，重复上述步骤2.1 至步骤2.3，计算与K值对应的Y-R的方差σ以及输入信号的标准偏差σ₀，选取方差比率σ/σ₀最小时所对应的K值为最佳筛选次数，重复上述步骤2.1 至步骤2.3，获得ESMD最优分解结果所对应的全部IMF及最后的余量R。

进一步，所述步骤3中，首先计算各IMF与原始振动数据的相对熵值，选取相对熵值小于0.2的IMF作为真实IMF。

更进一步，步骤3包括：

步骤3.1：对于X=[x₁，x₂，x₃，…，x_n]和Y=[y₁，y₂，y₃，…，y_n]两组数据，X的真实概率密度函数为f(x)，采用非参数核密度估计法求解数据概率密度，核密度估计公式为：

式中，h为常数，通常为窗宽或平滑参数；K[·]为高斯核函数，公式为：

同理，数据Y的概率密度可表示为

，则这两组数据的接近程度可定义为：

由此这两组数据的相对熵散度为：

。

步骤3.2：根据上述定义分别计算各IMF与原始振动数据Y的相对熵。

步骤3.3：根据各IMF与原始振动数据Y的相似程度来选取真实IMF，相对熵越小，则表示该IMF与原始振动数据Y的相似程度越大，因此，选取相对熵不超过0.2对应的IMF作为真实IMF。

进一步，所述步骤4中：将选取的各真实IMF分量进行Hilbert变换得到Hilbert边际谱，求取Hilbert边际谱的平方得到Hilbert边际谱能量作为特征向量。

步骤4.1：对每个IMF分量运用Hilbert变换进行频谱分析，得到信号的瞬时频率

。

步骤4.2：将残余函数r_n(t)省略，Re表示取实部，a_i(t)为幅值函数，φ_i(t)为相位函数；上式展开可得Hilbert谱。

步骤4.3：定义Hilbert边际谱，取Hilbert边际谱的平方得到Hilbert边际谱能量作为特征向量。

进一步，所述步骤5中，根据待约简空间的决策属性给出了一种粗糙近似度的定义以及条件属性重要性程度量化方式，在此基础上, 给出了一种依据条件属性的重要性进行条件属性快速约简的方法。

更进一步，对步骤4所得特征向量进行属性约简；设振动诊断决策空间中条件属性集合C 中有m个属性:C₁ , C₂ ,… , C_m ,（m为步骤3中筛选出的真实IMF数量），决策属性集合为D’（D’为包括正常状态与不同机械故障类型的GIS可能状态），具体约简过程为：

步骤5.1：对于条件属性集C, 计算其粗糙近似度S(C)：

式中，

为集合

所有元素个数；

为论域U 中一定属于集合

的对象组成的最大集合；

为论域U 中可能属于C_i的对象组成的最小集合。

步骤5.2：对于各条件属性C_i，分别计算其重要性SC_i , 并构成集合S。

式中，αC_i、σC_i分别为C_i对每个决策属性D_i的粗糙近似度的均值和方差。

步骤5.3：定义所有属性约简的交为核，令初始约简属性集P为核。

步骤5.4：若S(P)=S(C)，则结束，此时P为约简结果，否则转步骤5.5。

步骤5.5：从S中取出最大值SC_i，如果SC_i是唯一的最大值, 令S=S|{C_i},P=P∪{C_i}，则转步骤5.4；否则，记M为S中达到SC_i的所有属性构成的集合，分别计算P∪{C_j}，C_j∈M的粗糙近似度，选取max（S（P∪{C_j}），C_j∈M）对应的C_j，令S=S|{C_j},P=P∪{C_j}，转回步骤5.4继续执行。

进一步，所述步骤6中，根据约简后的决策属性表中的条件属性构建三层前向神经网络故障诊断模型的输入神经元空间，根据约简后的决策属性表中的决策属性构建三层前向神经网络的输出神经元空间，建立基于振动信号的GIS机械故障智能诊断模型。

由上述对本发明的描述可知，和现有的技术相比，本发明的优点在于：

该方法包括：对GIS设备运行状态下的振动信号进行采集的步骤；利用极点对称模态分解法（ESMD）和相对熵法对采集的振动信号进行降噪处理的步骤；利用Hilbert变换提取信号中包含的特征向量的步骤；利用粗糙集理论对特征向量进行属性约简并建立诊断决策表的步骤；根据诊断特征决策表建立三层前向神经网络故障诊断模型的步骤。与传统方法相比，本发明对能够适用于GIS装置不同类型机械故障的智能诊断，具有实时性好，诊断准确率高的优点。

附图说明

图1为本发明的流程示意图。

图2为采集的GIS的振动信号原始波形。

图3为ESMD分解后各IMF分量的（K-L）散度。

图4为筛选出的11个IMF函数的边际谱能量对比。

图5 为经粗糙集约简的决策信息表构建的神经网络诊断模型训练误差曲线。

图6 为未经粗糙集约简的决策信息表构建的神经网络诊断模型训练误差曲线。

具体实施方式

下面参照附图说明本发明的具体实施方式。为了全面理解本发明，下面描述到许多细节，但对于本领域技术人员来说，无需这些细节也可实现本发明。

一种基于机械状态信号分析的GIS机械故障诊断方法，包括以下步骤：

步骤1：对GIS运行状态下的振动信号进行采集。

具体地，利用安装在GIS装置外壳表面的加速度传感器采集运行状态下GIS的振动信号。

步骤2：利用极点对称模态分解法（ESMD）对采集的振动信号进行分解，得到各模态函数（IMF）。步骤2具体包括以下内容。

步骤2.1：标记待处理振动信号Y的所有局部极值点（n为局部极值点总数），用线段连接所有相邻的极值点，标出它们的中点为F_j ( j =1, 2,…,n-1)， 并补充F_j左右边界中点F_j0与F_jn ，对各局部极值点对应线段构造插值曲线L。

步骤2.2：将Y减去L，重复步骤2.1，直至满足终止条件（L均值达到某一个允许的误差值或筛选次数达到预设的最大数），从而分解获取模态分量M₁。

步骤2.3：把Y- M₁信号作为原信号进行上述步骤2.1 和步骤2.2处理，可得M₁，M₂，M₂，…，M_i和余量R。

步骤2.4：筛选次数K在[K_min，K_max]（K、K_min、K_max为正整数）设定范围内变换，重复上述步骤2.1 至步骤2.3，计算与K值对应的Y-R的方差σ以及输入信号的标准偏差σ₀，选取方差比率σ/σ₀最小时所对应的K值为最佳筛选次数，重复上述步骤2.1 至步骤2.3，获得ESMD最优分解结果所对应的全部IMF及最后的残差R。

步骤3：利用相对熵从步骤2所得各IMF中选取若干真实IMF。具体包括以下内容。

步骤3.1：对于X=[x₁，x₂，x₃，…，x_n]和Y=[y₁，y₂，y₃，…，y_n]两组数据，X的真实概率密度函数为f(x)，采用非参数核密度估计法求解数据概率密度，核密度估计公式为：

式中，h为常数，通常为窗宽或平滑参数；K[·]为高斯核函数，公式为：

同理，数据Y的概率密度可表示为

，则这两组数据的接近程度可定义为：

由此这两组数据的相对熵散度为：

步骤3.2：根据上述定义分别计算各IMF与原始振动数据Y的相对熵。

步骤3.3：根据各IMF与原始振动数据Y的相似程度来选取真实IMF，相对熵越小，则表示该IMF与原始振动数据Y的相似程度越大，因此，选取相对熵不超过0.2对应的IMF作为真实IMF。

步骤4：利用Hilbert变换提取所筛选的各真实IMF中包含的特征向量。具体内容如下。

步骤4.1：对每个IMF分量运用Hilbert变换进行频谱分析，得到信号的瞬时频率

。

步骤4.2：将残余函数r_n(t)省略，Re表示取实部，a_i(t)为幅值函数，φ_i(t)为相位函数。上式展开可得Hilbert谱。

步骤4.3：定义Hilbert边际谱，取Hilbert边际谱的平方得到Hilbert边际谱能量作为特征向量。

步骤5：利用粗糙集理论对特征向量进行属性约简并建立诊断决策表。具体包括以下内容。

对步骤4所得特征向量进行基于粗糙集的属性约简，以降低诊断空间维度，提高算法实时性，设振动诊断决策空间中条件属性集合C 中有m个属性:C₁ , C₂ ,… , C_m ,（其中，m为步骤3中筛选出的真实IMF数量），决策属性集合为D’（D’为包括正常状态与不同机械故障类型的GIS可能状态），具体约简过程为：

步骤5.1：对于条件属性集C, 计算其粗糙近似度S(C)：

式中，

为集合

所有元素个数；

为论域U 中一定属于集合

的对象组成的最大集合；

为论域U 中可能属于C_i的对象组成的最小集合。

步骤5.2：对于各条件属性C_i，分别计算其重要性SC_i , 并构成集合S：

式中，αC_i、σC_i分别为C_i对每个决策属性D_i的粗糙近似度的均值和方差。

步骤5.3：定义所有属性约简的交为核，令初始约简属性集P为核。

步骤5.4：若S(P)=S(C)，则结束，此时P为约简结果，否则转步骤5.5。

步骤5.5：从S中取出最大值SC_i，如果SC_i是唯一的最大值, 令S=S|{C_i},P=P∪{C_i}，则转步骤5.4。否则，记M为S中达到SC_i的所有属性构成的集合，分别计算P∪{C_j}，C_j∈M的粗糙近似度，选取max（S（P∪{C_j}），C_j∈M）对应的C_j，令S=S|{C_j},P=P∪{C_j}，转回步骤5.4继续执行。

步骤6：利用诊断决策表辅助三层前向神经网络结构建立GIS机械故障智能诊断模型。 具体内容如下。

基于三层前向神经网络结构建立基于振动信号的GIS机械故障诊断模型，根据约简后的决策属性表中的条件属性构建三层前向神经网络故障诊断模型的输入神经元空间，根据约简后的决策属性表中的决策属性构建三层前向神经网络的输出神经元空间。

参照图2至图6，下面提供一个实施例，按本发明的故障诊断方法进行实验。

实验中采集的GIS运行状态的原始振动信号波形如图2所示。

对原始振动信号进行ESMD分解，并计算各IMF分量的相对熵值，结果如图3所示。考虑到ESMD分解所得IMF分为含有以故障信息为主要成分的真实IMF和噪声为主要成分的虚假IMF，因此需要选取对于故障信息敏感的IMF用于后续的故障特征提取。这里选取（K-L）<0.2对应IMF分量，即ESMD分解的前11个IMF分量。

将所选择的真实IMF进行Hilbert变换，并提取边际能量谱做为振动信号的特征向量，结果如图4所示。

针对GIS常见机械故障（松动缺陷、触头接触不良型缺陷、导体偏心型缺陷、操动机构卡涩），构建GIS主要机械故障类型编码表，如表1所示，为诊断方便起见，将正常状态也加入其中，作为待辨识的状态之一。

表1 GIS主要机械故障类型及其编码

将前述步骤所得的11个IMF函数的边际能量谱作为诊断的条件属性，5种待辨识的GIS机械状态类型作为决策属性，构建基于振动信号的GIS机械故障诊断决策信息表，如表2所示。

表2 基于振动信号的GIS机械故障诊断决策信息表

基于粗糙集理论对初始诊断决策信息表进行约简，结果如表3所示。

表3 约简后的GIS机械故障诊断决策信息表

根据约简后的结果，核心条件属性为（IMF4、IMF5、IMF9、IMF11），因此构建一个4输入，5输出的三层前向神经网络，隐含层采用试验法确定为17；输入层到隐含层的激励函数选择S型函数，即双曲正切函数：

式中，参数λ是s型函数的增益，决定了函数非饱和段的斜率。

隐含层到输入层的激励函数选取线性函数，即：f(u)=u

以ABB生产的某型号GIS装置作为测试，将AC102-1A-CTC加速度型压电式传感器安装在GIS装置金属管筒表面，并通过东华测试的多路信号分析仪采集到正常、导体偏心、驱动机构连接螺栓松动、操动机构卡涩和主触头接触不良五种类型的振动信号数据。每种状态各测取50组数据，对本发明提出的诊断模型进行训练。训练过程误差变化曲线如图5所示。训练成功后，利用测试数据对模型进行测试，部分测试结果如表4所示。为对比起见，表4还给出了采用未经约简的决策信息表建立的神经网络诊断模型的实际诊断结果（其训练过程的误差曲线如图6所示）。

表4神经网络的目标输出与实验结果对照表

由表4可见，在未经粗糙集理论约简处理的情况下，振动诊断神经网络的训练次数为40，故障识别率为80%，在经粗糙集处理后，振动诊断神经网络的训练次数减少为16，故障识别率100。

因此，本发明所提出的诊断方法能够有效消除现场干扰影响，具有诊断快速、实时性好，诊断精度高的优点。

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (7)

1.一种基于机械状态信号分析的GIS机械故障诊断方法，其特征在于,包括以下步骤：

步骤1：对GIS运行状态下的振动信号进行采集；

步骤2：利用极点对称模态分解法ESMD对采集的振动信号进行分解，得到各模态函数IMF；

步骤3：利用相对熵从步骤2所得各IMF中选取若干真实IMF；首先计算各IMF与原始振动数据的相对熵值，选取相对熵值小于0.2的IMF作为真实IMF：

步骤3.1：对于X＝[x₁，x₂，x₃，…，x_n]和原始振动数据Y＝[y₁，y₂，y₃，…，y_n]两组数据，X的真实概率密度函数为

采用非参数核密度估计法求解数据概率密度，公式为：

式中，h为常数；K[·]为高斯核函数；同理，Y的真实概率密度函数可表示为

则这两组数据的接近程度可定义为：

由此这两组数据的相对熵为：

步骤3.2：根据步骤3.1分别计算各IMF与原始振动数据Y的相对熵；

步骤3.3：选取相对熵不超过0.2对应的IMF作为真实IMF；

步骤4：利用Hilbert变换提取所筛选的各真实IMF中包含的特征向量；

步骤5：利用粗糙集理论对特征向量进行属性约简并建立诊断决策表；

步骤6：利用诊断决策表辅助神经网络建立GIS机械故障智能诊断模型。

2.根据权利要求1所述的一种基于机械状态信号分析的GIS机械故障诊断方法，其特征在于：所述步骤2包括：

步骤2.1：标记待处理的原始振动数据Y的所有局部极值点，用线段连接所有相邻的极值点，标出它们的中点为F_j，j＝1,2,…,n’-1；n’为局部极值点总数，并补充左边界中点F_j0与右边界中点F_jn’，对各局部极值点对应线段构造插值曲线L；

步骤2.2：将Y减去L，重复步骤2.1，直至满足终止条件，从而分解获取模态分量M₁；

步骤2.3：把Y-M₁信号作为原信号进行所述步骤2.1，步骤2.2处理，可得M₁，M₂，M₃，…，M_i和余量R；

步骤2.4：筛选次数K在设定范围内变换，重复上述步骤2.1至步骤2.3，计算与K值对应的Y-R的方差σ以及输入信号的标准偏差σ₀，选取方差比率σ/σ₀最小时所对应的K值为最佳筛选次数，重复上述步骤2.1至步骤2.3，获得ESMD最优分解结果所对应的全部IMF及余量R。

3.根据权利要求1所述的一种基于机械状态信号分析的GIS机械故障诊断方法，其特征在于，所述步骤4中：将选取的各真实IMF分量进行Hilbert变换得到Hilbert边际谱，求取Hilbert边际谱的平方得到Hilbert边际谱能量作为特征向量。

4.根据权利要求3所述的一种基于机械状态信号分析的GIS机械故障诊断方法，其特征在于，包括：

步骤4.1：对每个IMF分量运用Hilbert变换进行频谱分析，得到信号的瞬时频率；

步骤4.2：将残余函数省略，Re表示取实部，a_i(t)为幅值函数，φ_i(t)为相位函数，可得Hilbert谱：

步骤4.3：定义Hilbert边际谱，取Hilbert边际谱的平方得到Hilbert边际谱能量作为特征向量，定义如下：

5.根据权利要求1所述的一种基于机械状态信号分析的GIS机械故障诊断方法，其特征在于，所述步骤5中，根据待约简空间的决策属性给出粗糙近似度的定义以及条件属性重要性程度量化方式，在此基础上,依据条件属性的重要性进行条件属性快速约简。

6.根据权利要求5所述的一种基于机械状态信号分析的GIS机械故障诊断方法，其特征在于：对步骤4所得特征向量进行属性约简；设振动诊断决策空间中条件属性集合C中有m个属性:C₁,C₂,…,C_m,m为步骤3中筛选出的真实IMF数量，决策属性集合为D’,D’为包括正常状态与不同机械故障类型的GIS状态，具体约简过程为：

步骤5.1：对于条件属性集合C,计算其粗糙近似度S(C)：

式中，Total(C_i )为集合C_i 所有元素个数；

步骤5.2：对于各条件属性C_i，分别计算其重要性SC_i,并构成集合S：

式中，αC_i、σC_i分别为C_i对每个决策属性D’_i的近似度的均值和方差；

步骤5.3：定义所有属性约简的交为核，记作初始约简属性集P；

步骤5.4：若S(P)＝S(C)，则结束，此时P为约简结果，否则转步骤5.5；

步骤5.5：从S中取出最大值SC’_i，如果SC’_i是唯一的最大值,令S＝S|{C_i},P＝P∪{C_i}，则转步骤5.4；否则，记M为S中达到SC’_i的所有属性构成的集合，分别计算P∪{C_j}的粗糙近似度，C_j∈M，选取max(S(P∪{C_j})，C_j∈M)对应的C_j，令S＝S|{C_j},P＝P∪{C_j}，转回步骤5.4继续执行。

7.根据权利要求1所述的一种基于机械状态信号分析的GIS机械故障诊断方法，其特征在于，所述步骤6中，根据约简后的决策属性表中的条件属性构建三层前向神经网络故障诊断模型的输入神经元空间，根据约简后的决策属性表中的决策属性构建三层前向神经网络的输出神经元空间，建立基于振动信号的GIS机械故障智能诊断模型。

Images