CN109784279A - 基于多小波分析及svm的x射线高压电源故障诊断方法 - Google Patents

基于多小波分析及svm的x射线高压电源故障诊断方法 Download PDF

Info

Publication number
CN109784279A
CN109784279A CN201910045296.1A CN201910045296A CN109784279A CN 109784279 A CN109784279 A CN 109784279A CN 201910045296 A CN201910045296 A CN 201910045296A CN 109784279 A CN109784279 A CN 109784279A
Authority
CN
China
Prior art keywords
svm
ultiwavelet
power supply
voltage power
high voltage
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
Application number
CN201910045296.1A
Other languages
English (en)
Other versions
CN109784279B (zh
Inventor
张建龙
郭鑫宇
陈圆圆
何建辉
王亚南
李月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201910045296.1A priority Critical patent/CN109784279B/zh
Publication of CN109784279A publication Critical patent/CN109784279A/zh
Application granted granted Critical
Publication of CN109784279B publication Critical patent/CN109784279B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52Outage or fault management, e.g. fault detection or location

Landscapes

  • X-Ray Techniques (AREA)

Abstract

本发明属于电源故障探测技术领域,公开了一种基于多小波分析及SVM的X射线高压电源故障诊断方法;利用多小波工具对采集到的电源工作信号进行多尺度分解;对获取的多小波高频分量系数进行软阈值处理,去除信号中的噪声;计算不同尺度下高频系数的绝对值之和、能量及能量熵并归一化,然后将多种特征组合成新的特征向量;将特征向量送入训练好的SVM获得最终的诊断结果。本发明克服了单小波在电源工作信号分析中的不足,结合有较强泛化能力的SVM算法进行故障诊断,提高了故障诊断的性能,并且为实现X射线高压电源小型化、高频化和产业化提供技术支撑和理论依据。

Description

基于多小波分析及SVM的X射线高压电源故障诊断方法
技术领域
本发明属于电源故障探测技术领域,尤其涉及一种基于多小波分析及SVM的X射线高压电源故障诊断方法。
背景技术
目前,业内常用的现有技术是这样的:X射线高压电源是X射线电子系统的主要部件,其性能决定了X射线应用系统的使用寿命,重要意义不言而喻。X射线高频高压电源具有如下优点:输出电压等级高、精度高、温漂小、稳定性好、纹波系数小、体积小、重量轻等优点,因此被广泛应用于医疗、科教、工业等领域,如医疗诊病、无损检测、公共交通、安全检查等方面的各种类型X光机仪器设备中的X射线管专用高压电源。然而,由于高压电源电路集成度、复杂度高,微小故障可能引发灾难性的事故,另外高压电源高频化也会导致电源元器件的寄生效应明显,使设备本身转变为一个非线性、时变的复杂系统,难以建立精确的数学模型加以描述。因此探索解决高压电源故障诊断的有效方法,构建故障在线控制数学模型,遏制故障发生,保障设备安全运行,成为目前学者们的研究热点和难点。一般X射线高压电源故障诊断方法主要包含3个关键步骤:首先对于输入信号进行预处理;然后对信号进行特征提取和融合;最后对信号的特征空间分类决策。目前常用的信号预处理方法有传统的滤波器法或小波软、硬阈值系数收缩法。特征提取的方法有多种多样,有基于统计学方法(计算原始信号的均值、方差、最大值及最小值等)、频域变换法、深度学习网络法等。分类决策手段主要依赖于人工智能理论中有监督的机器学习算法,如:逻辑回归、KNN、Adaboost和SVM等。SVM作为一种经典的有监督二分类模型,且基于结构风险最小化理论,通过构建最优超平面获得全局最优解,具有较强的泛化能力,不仅可以解决线性与非线性问题,而且很容易扩展到多元分类,因此采用SVM作为最终的故障诊断器。目前基于统计学方法的分析目标是原始信号,忽略了信号的时频特性,并且特征过于单一导致信号的区分度过低,无法准确诊断出故障信号。傅立叶变换作为经典的时频分析手段能够很好地揭示平稳信号的特征,但X射线高压电源的工作状态为一个非稳定、非线性的复杂系统,傅立叶变换不足以刻画信号特性,因此小波变换成为主要的分析手段。目前应用最为广泛的小波是Daubechies小波系列,它可以对信号实现多尺度分解,但单小波无法匹配信号中多种特征波形。
综上所述,现有技术存在的问题是:
(1)目前基于统计学方法的分析目标是原始信号,忽略信号的时频特性,并且特征过于单一导致信号的区分度过低,无法准确诊断出故障信号。
(2)傅立叶变换作为经典的时频分析手段能够很好地揭示平稳信号的特征,但X射线高压电源的工作状态为一个非稳定、非线性的复杂系统,傅立叶变换不足以刻画信号特性,导致诊断精度较低。
(3)目前应用最为广泛的小波是Daubechies小波系列,对信号实现多尺度分解,分频抽取信号故障特征,克服单小波无法匹配X射线高压电源工作信号中多种特征波形,进而提高诊断精度。
解决上述技术问题的难度:
本发明首先是对X射线高压电源工作波形的表征与分析,多小波理论作为数学领域中理论基础较为扎实的信号分析工具,如何将多小波域中的分频信号进行特征表示是本发明的一个最大的重点与难点。
解决上述技术问题的意义:
本发明克服了单小波在电源工作信号分析中的不足,结合有较强泛化能力的SVM算法进行故障诊断,提高了故障诊断的性能,并且为实现X射线高压电源小型化、高频化和产业化提供技术支撑和理论依据。
发明内容
针对现有技术存在的问题,本发明提供了一种基于多小波分析及SVM的X射线高压电源故障诊断方法。
本发明是这样实现的,一种基于多小波分析及SVM的X射线高压电源故障诊断方法,所述基于多小波分析及SVM的X射线高压电源故障诊断方法包括:
首先通过实时设备采集X射线高压电源工作信号,对于信号利用GHM多小波直接进行多尺度分解,获取各个频段多小波系数;
然后提取多小波高频系数进行软阈值收缩,去除噪声干扰;
其次计算处理后的多小波高频系数的各频段绝对值和、能量和能量熵等归一化后拼接成多维特征矢量;
最后将特征矢量送入训练好的SVM模型,获得最终的诊断结果。
进一步,所述基于多小波分析及SVM的X射线高压电源故障诊断方法具体包括:
步骤一,对输入是长度为N的电流信号,采用GHM多小波对信号进行多尺度分解,分解层数为L,分解后按照层数由高到低排列将高频系数表示为DL,DL-1,...,D2,D1,其中每个系数矩阵有2维;
步骤二,信号x(n)表示为:
x(n)=f(n)+σz(n),n=0,1,...,N-1;
f(n)为一维真实信号,z(n)为噪声,σ为噪声方差,N为信号长度;多小波去噪就是根据实际应用对多小波分解系数做出合理的处理;多小波软阈值处理多小波分解系数的方法表达为:
其中ω是小波系数,t是阈值;设置阈值
步骤三,对于长度为N的电流信号,采用GHM多小波进行L级分解后获取的多小波高频系数可表示为DL,DL-1,...,D2,D1,提取的多小波系数特征包括:每个频带系数的最大值、最小值、能量及能量熵;
步骤四,利用SVM模型对输入特征矢量进行诊断具体包括:SVM包含:线性SVM及非线性SVM,线性SVM目标函数及约束条件如下式:
该问题的学习方式采用对偶算法,则原问题式的对偶问题是:
非线性SVM对偶问题的目标函数及分类决策函数分别:
进一步,所述步骤一和步骤三中的N满足2的整数次幂。
进一步,所述步骤三中:
第L层高频系数DL的能量定义为:
多小波高频系数的能量熵S表示为:
进一步,所述步骤四中采用SMO算法将原二次规划问题分解为只有两个变量的二次规划子问题,并对子问题进行解析求解,直到所有变量满足KKT条件为止;通过启发式的方法得到原二次规划问题的最优解,最后实现SVM的高效求解。
本发明的另一目的在于提供一种应用所述基于多小波分析及SVM的X射线高压电源故障诊断方法的电源故障探测平台。
综上所述,本发明的优点及积极效果为:本发明提供了一种基于多小波分析及SVM的X射线高压电源故障诊断方法,用于解决现有的故障诊断方法中存在的由于忽略时频特性导致分类特征单一及单小波无法匹配信号中多种特征波形的技术问题。本发明采用多小波手段对工作信号进行多尺度时频分析,不仅能够匹配信号中多种特征波形,而且能够获得信号的多维特征;引入人工智能理论中SVM算法准确地对输入的特征向量分类,提高模型诊断精度及泛化能力,本发明可用于在线监测X射线高压电源工作状态,进而保证设备安全运行。
本发明与现有技术相比性能指标如表1所示,具有如下优点:
1.引入多小波手段对信号进行多尺度时频分析,不仅能够匹配信号中多种特征波形,而且能够获得信号的多维特征;
2.采用基于结构风险最小化理论的SVM作为故障诊断器,准确地对输入的特征向量分类,提高模型诊断精度及泛化能力。
表1本发明方法与现有技术进行故障诊断性能对比
附图说明
图1是本发明实施例提供的基于多小波分析及SVM的X射线高压电源故障诊断方法流程图。
图2是本发明实施例提供的基于多小波分析及SVM的X射线高压电源故障诊断方法实现流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的技术问题,本发明引入GHM(Geronimo Hardin Massopust)多小波分析手段对输入信号进行分解并提取高频各个频段的多小波系数特征送入训练好的SVM中进行诊断,提高诊断精度。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于多小波分析及SVM的X射线高压电源故障诊断方法包括以下步骤:
S101:利用多小波工具对采集到的电源工作信号(电流、电压等)进行多尺度分解;
S102:对获取的多小波高频分量系数进行软阈值处理,去除信号中的噪声;计算不同尺度下高频系数的绝对值之和、能量及能量熵并归一化,然后将多种特征组合成新的特征向量;
S103:将特征向量送入训练好的SVM获得最终的诊断结果。
下面结合附图对本发明的应用原理作进一步的描述。
如图2所示,本发明实施例提供的基于多小波分析及SVM的X射线高压电源故障诊断方法具体包括以下步骤:
步骤一,对输入是长度为N(N满足2的整数次幂)的电流信号,采用GHM多小波对信号进行多尺度分解,分解层数为L,分解后按照层数由高到低排列将高频系数表示为DL,DL-1,...,D2,D1,其中每个系数矩阵有2维。
步骤二,假设信号x(n)可以表示为:
x(n)=f(n)+σz(n),n=0,1,...,N-1 (1)
f(n)为一维真实信号,z(n)为噪声,σ为噪声方差,N为信号长度。多小波去噪就是根据实际应用对多小波分解系数做出合理的处理,然后达到去噪的目的。多小波软阈值处理多小波分解系数的方法可以表达为:
其中ω是小波系数,t是阈值。也就是说小于t的小波系数置0,而大于t的作趋0处理,为了保证去噪之后的信号具有很好的适应性和光滑性,本发明设置阈值
步骤三,对于长度为N(N满足2的整数次幂)的电流信号,采用GHM多小波进行L级分解后获取的多小波高频系数可表示为DL,DL-1,...,D2,D1,提取的多小波系数特征包括:每个频带系数的最大值、最小值、能量及能量熵。
第L层高频系数DL的能量定义为:
多小波高频系数的能量熵S可以表示为:
步骤四,所述利用SVM模型对输入特征矢量进行诊断具体包括:SVM包含:线性SVM及非线性SVM。线性SVM目标函数及约束条件如下式:
该问题的学习方式采用对偶算法,则原问题式(5)的对偶问题是:
针对本发明而言,X射线高压电源故障诊断过程中,对特征向量的分类本身就是一个非线性可分问题,因此本发明主要研究非线性SVM。非线性SVM对偶问题的目标函数及分类决策函数分别如式(7)和(8)所示:
然后,采用SMO算法将原二次规划问题分解为只有两个变量的二次规划子问题,并对子问题进行解析求解,直到所有变量满足KKT条件为止。这样通过启发式的方法得到原二次规划问题的最优解,最后实现SVM的高效求解。
下面结合仿真实验对本发明的应用效果作详细的描述。
1.仿真条件
本发明在Intel(R)Core(TM)i7-7700CPU@3.6GHz Windows 10系统下,Matlab2017a运行平台上完成仿真实验。
2.实验内容及分析
本发明在SVM训练阶段,正负样本数量均为150例,训练之后对模型性能进行测试。选取100组数据作为测试样本,前50组是正常波形,后50组数据中人为引入相应故障,利用训练好的模型进行故障诊断。为了验证本发明的有效性,设计两组对比实验与本发明方法进行对比,并且选取两种分解尺度进行实验,诊断结果如表2所示。
表2不同方法进行故障诊断性能对比
根据以上实验结果可知,多小波比单小波具有更强的波形匹配能力,本发明设计的多小波系数特征更加有效地表征了不同类型的波形特性,并且本发明的采用的SVM算法对于X射线高压电源故障诊断更有效。总体来说,本发明方法明显提高了X射线高压电源故障诊断的准确率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于多小波分析及SVM的X射线高压电源故障诊断方法,其特征在于,所述基于多小波分析及SVM的X射线高压电源故障诊断方法包括:
首先通过实时设备采集X射线高压电源工作信号,对于信号利用GHM多小波直接进行多尺度分解,获取各个频段多小波系数;
然后提取多小波高频系数进行软阈值收缩,去除噪声干扰;
其次计算处理后的多小波高频系数的各频段绝对值和、能量和能量熵等归一化后拼接成多维特征矢量;
最后将特征矢量送入训练好的SVM模型,获得最终的诊断结果。
2.如权利要求1所述的基于多小波分析及SVM的X射线高压电源故障诊断方法,其特征在于,所述基于多小波分析及SVM的X射线高压电源故障诊断方法具体包括:
步骤一,对输入是长度为N的电流信号,采用GHM多小波对信号进行多尺度分解,分解层数为L,分解后按照层数由高到低排列将高频系数表示为DL,DL-1,...,D2,D1,其中每个系数矩阵有2维;
步骤二,信号x(n)表示为:
x(n)=f(n)+σz(n),n=0,1,...,N-1;
f(n)为一维真实信号,z(n)为噪声,σ为噪声方差,N为信号长度;多小波去噪就是根据实际应用对多小波分解系数做出合理的处理;多小波软阈值处理多小波分解系数的方法表达为:
其中ω是小波系数,t是阈值;设置阈值
步骤三,对于长度为N的电流信号,采用GHM多小波进行L级分解后获取的多小波高频系数可表示为DL,DL-1,...,D2,D1,提取的多小波系数特征包括:每个频带系数的最大值、最小值、能量及能量熵;
步骤四,利用SVM模型对输入特征矢量进行诊断具体包括:SVM包含:线性SVM及非线性SVM,线性SVM目标函数及约束条件如下式:
该问题的学习方式采用对偶算法,则原问题式的对偶问题是:
非线性SVM对偶问题的目标函数及分类决策函数分别:
3.如权利要求2所述的基于多小波分析及SVM的X射线高压电源故障诊断方法,其特征在于,所述步骤一和步骤三中的N满足2的整数次幂。
4.如权利要求2所述的基于多小波分析及SVM的X射线高压电源故障诊断方法,其特征在于,所述步骤三中:
第L层高频系数DL的能量定义为:
多小波高频系数的能量熵S表示为:
5.如权利要求2所述的基于多小波分析及SVM的X射线高压电源故障诊断方法,其特征在于,所述步骤四中采用SMO算法将原二次规划问题分解为只有两个变量的二次规划子问题,并对子问题进行解析求解,直到所有变量满足KKT条件为止;通过启发式的方法得到原二次规划问题的最优解,最后实现SVM的高效求解。
6.一种应用权利要求1~5任意一项所述基于多小波分析及SVM的X射线高压电源故障诊断方法的电源故障探测平台。
CN201910045296.1A 2019-01-17 2019-01-17 基于多小波分析及svm的x射线高压电源故障诊断方法 Active CN109784279B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910045296.1A CN109784279B (zh) 2019-01-17 2019-01-17 基于多小波分析及svm的x射线高压电源故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910045296.1A CN109784279B (zh) 2019-01-17 2019-01-17 基于多小波分析及svm的x射线高压电源故障诊断方法

Publications (2)

Publication Number Publication Date
CN109784279A true CN109784279A (zh) 2019-05-21
CN109784279B CN109784279B (zh) 2023-04-18

Family

ID=66500966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910045296.1A Active CN109784279B (zh) 2019-01-17 2019-01-17 基于多小波分析及svm的x射线高压电源故障诊断方法

Country Status (1)

Country Link
CN (1) CN109784279B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382790A (zh) * 2020-03-07 2020-07-07 北京工业大学 一种基于小波变换的高压直流故障分类方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104459388A (zh) * 2014-11-26 2015-03-25 国家电网公司 一种永磁直驱风力发电系统一体化故障诊断方法
CN105956290A (zh) * 2016-05-06 2016-09-21 国网江苏省电力公司检修分公司 一种基于多数据融合技术的高压断路器机械故障诊断方法
CN106778592A (zh) * 2016-12-10 2017-05-31 国网福建省电力有限公司 基于多小波的水电机组状态监测数据降噪方法
CN107091737A (zh) * 2017-06-06 2017-08-25 太原理工大学 一种基于电流信号的转子系统典型故障诊断方法
US20180238951A1 (en) * 2016-09-07 2018-08-23 Jiangnan University Decision Tree SVM Fault Diagnosis Method of Photovoltaic Diode-Clamped Three-Level Inverter

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104459388A (zh) * 2014-11-26 2015-03-25 国家电网公司 一种永磁直驱风力发电系统一体化故障诊断方法
CN105956290A (zh) * 2016-05-06 2016-09-21 国网江苏省电力公司检修分公司 一种基于多数据融合技术的高压断路器机械故障诊断方法
US20180238951A1 (en) * 2016-09-07 2018-08-23 Jiangnan University Decision Tree SVM Fault Diagnosis Method of Photovoltaic Diode-Clamped Three-Level Inverter
CN106778592A (zh) * 2016-12-10 2017-05-31 国网福建省电力有限公司 基于多小波的水电机组状态监测数据降噪方法
CN107091737A (zh) * 2017-06-06 2017-08-25 太原理工大学 一种基于电流信号的转子系统典型故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李东敏等: "基于多小波包系数熵和人工神经网络的输电线路故障类型识别方法", 《电网技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382790A (zh) * 2020-03-07 2020-07-07 北京工业大学 一种基于小波变换的高压直流故障分类方法
CN111382790B (zh) * 2020-03-07 2023-09-29 北京工业大学 一种基于小波变换的高压直流故障分类方法

Also Published As

Publication number Publication date
CN109784279B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
Grezmak et al. Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis
CN107884706B (zh) 基于向量值正则核函数逼近的模拟电路故障诊断方法
Shi et al. An independent component analysis classification for complex power quality disturbances with sparse auto encoder features
CN102122133B (zh) 自适应小波神经网络异常检测故障诊断分类系统及方法
CN112036301B (zh) 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法
Hajian et al. A new hybrid pattern recognition scheme for automatic discrimination of power quality disturbances
CN108573225A (zh) 一种局部放电信号模式识别方法及系统
CN102435910B (zh) 基于支持向量分类的功率电子电路健康监测方法
CN110705456A (zh) 一种基于迁移学习的微型电机异常检测方法
CN110348491A (zh) 基于学习字典与奇异值分解的滚动轴承故障识别方法
Janani et al. Classification of simultaneous multiple partial discharge sources based on probabilistic interpretation using a two-step logistic regression algorithm
CN110298085A (zh) 基于XGBoost和随机森林算法的模拟电路故障诊断方法
CN110456217B (zh) 一种基于wpd-foa-lssvm双模型的mmc故障定位方法
CN109323754A (zh) 一种列车车轮多边形故障诊断检测方法
CN110070102B (zh) 用于电能质量扰动类型识别的序列对序列模型建立方法
Lima et al. Wavelet‐artificial immune system algorithm applied to voltage disturbance diagnosis in electrical distribution systems
CN104951787A (zh) 一种src框架下判别字典学习的电能质量扰动识别方法
CN110533007A (zh) 一种桥梁车载应变影响线特征智能识别与提取方法
CN115221930A (zh) 一种滚动轴承的故障诊断方法
CN202119467U (zh) 自适应小波神经网络异常检测故障诊断分类系统
CN113869145A (zh) 轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统
CN114700587B (zh) 一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统
Zhao et al. A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition
CN114237046A (zh) 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法
CN116087647A (zh) 基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法

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