CN109784310B - 基于ceemdan及加权时频熵的配电开关机械故障特征提取方法 - Google Patents
基于ceemdan及加权时频熵的配电开关机械故障特征提取方法 Download PDFInfo
- Publication number
- CN109784310B CN109784310B CN201910106304.9A CN201910106304A CN109784310B CN 109784310 B CN109784310 B CN 109784310B CN 201910106304 A CN201910106304 A CN 201910106304A CN 109784310 B CN109784310 B CN 109784310B
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- entropy
- matrix
- domain
- 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
Abstract
本发明涉及配电网技术领域,具体为一种基于CEEMDAN及加权时频熵的配电开关机械故障特征提取方法,包括步骤1,通过加速度或速度信号数据采集系统获取振动信号;步骤2,通过CEEMDAN方法分解振动信号以获取振动信号的各阶IMF分量;步骤3,通过Hilbert变换获取各阶IMF分量分别对应的瞬时频率;步骤4,通过带通滤波方法结合瞬时频率对IMF分量进行等频带划分以构造出规定带宽的时频矩阵;步骤5,在时域方向对时频矩阵进行等间距划分以获得分块时频矩阵,并求取各分块时频矩阵的能量值以构造分块能量矩阵。本发明鉴于各频带时间序列复杂度存在的差异,提出以各频带归一化的样本熵为权值,分别从时域和频域方向归一化的能量矩阵中提取加权时频熵以增强特征的表征能力。
Description
技术领域
本发明涉及配电网技术领域,具体为一种基于CEEMDAN及加权时频熵的配电开关机械故障特征提取方法。
背景技术
配电开关是电力系统中重要的开关设备,具有控制和保护电网的双重功能。研究表明,大部分配电开关故障是由机械故障引起的,通常配电开关机械故障诊断方法主要是定期维护,而定期维护不仅耗时、费力,而且反复地拆卸检修可能引起部件疲劳,甚至在维护过程中产生新的故障。此外,定期维护的诊断结果取决于维护人员的经验评估,存在一定的主观性。针对定期维护存在的不足,建立可靠、精准、智能化的配电开关机械故障识别模型逐渐成为发展的一种趋势。而配电开关分合闸所产生的振动信号蕴含着丰富的机械状态信息,在过去十几年的机械故障诊断中,采用基于振动信号分析的非侵入式故障诊断方法得到了广泛的应用。
发明内容
本发明针对现有技术存在的问题,提出了一种基于CEEMDAN及加权时频熵的配电开关机械故障特征提取方法。
本发明解决其技术问题所采用的技术方案是:一种基于CEEMDAN及加权时频熵的配电开关机械故障特征提取方法,包括
步骤1,通过加速度或速度信号数据采集系统获取振动信号;
步骤2,通过CEEMDAN方法分解振动信号以获取振动信号的各阶IMF分量;
步骤3,通过Hilbert变换获取各阶IMF分量分别对应的瞬时频率;
步骤4,通过带通滤波方法结合瞬时频率对IMF分量进行等频带划分以构造出规定带宽的时频矩阵;
步骤5,在时域方向对时频矩阵进行等间距划分以获得分块时频矩阵,并求取各分块时频矩阵的能量值以构造分块能量矩阵;
步骤6,从时域和频域方向对能量矩阵进行归一化处理以得到时域能量矩阵和频域能量矩阵;同时,计算时频矩阵各频带的样本熵并进行归一化处理以得到归一化样本熵;
步骤7,计算时域加权能量矩阵和频域加权能量矩阵;
步骤8,计算每个时段的香农熵和每个频带的香农熵以提取所需的信号特征;
步骤9,验证所需提取信号特征的有效性。
作为优选,所述步骤1包括设置采样频率、波形启动阈值、信号截取时间参数。
作为优选,所述步骤2由公式(1)进行分解,
作为优选,所述步骤4具体包括将频域等间距划分成M个频带,每一频带均对每阶IMF分量各数据点的瞬时频率进行判断,若在对应频带内则保留IMF分量对应的数据点,否则置零以形成新序列,将各阶新序列的对应数据点进行累加以形成对应频带的新数据序列;对M个频带进行相同处理以得到等带宽间距的时频矩阵。
同时,通过公式(8)计算时频矩阵各频带的样本熵并进行归一化处理,
作为优选,所述步骤7具体为通过公式(9)计算时域加权能量矩阵,通过公式(10)计算频域加权能量矩阵,
作为优选,所述步骤9具体为采用支持向量机、K-最近邻法、神经网络、贝叶斯、决策树分类算法对所提取的信号特征进行有效性验证。
本发明的有益效果是,1、常见的配电开关振动信号分解方法主要有小波变换(WT)、小波包变换(WPT)、局部均值分解(LMD)、经验模态分解(EMD)等。其中,WT与WPT属于非自适应分解的方法,难以选择选择合适的基函数类型;LMD与EMD属于自适应分解的方法,但均出现模态混叠,影响信号的正确分析。本发明采用CEEMDAN处理配电开关振动信号,能够消除模态混叠现象;虽需对辅助噪声添加次数进行设定,但该参数易于选择,对结果影响较小。此外,CEEMDAN分解与带通滤波相结合应用于配电开关振动信号的处理过程中,在降低辅助噪声添加次数的情况下,既消除了模态混叠,又从整体上提高了信号处理的效率。
2、常见的时频熵特征提取方法中,以小波时频熵应用最为广泛。由上可知,小波变换存在一定的不足;此外,配电开关振动信号过于复杂,时频熵特征存在表征能力不足的问题。本发明鉴于各频带时间序列复杂度存在的差异,提出以各频带归一化的样本熵为权值,分别从时域和频域方向归一化的能量矩阵中提取加权时频熵以增强特征的表征能力。
附图说明
图1为本发明基于CEEMDAN及加权时频熵的配电开关机械故障特征提取方法的流程图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
如图1所示,一种基于CEEMDAN及加权时频熵的配电开关机械故障特征提取方法,主要包括以下内容:
采用加速度或速度信号数据采集系统获取振动信号,需设置采样频率(不小于20kHz)、波形启动阈值、信号截取时间参数。
CEEMDAN分解能够消除模态混叠,最大限度的实现信号分解;通过对不同分量进行重构并与原始信号进行相关性比较,选择主要的分量用于后续分析。
通过Hilbert变换,可获取各阶IMF分量对应的瞬时频率,其计算过程如下:
假定将频域等间距划分成M个频带, 对于每阶IMF分量各数据点的瞬时频率进行判断,若在规定频带内则保留IMF分量对应的数据点,否则置零;最后将各阶新序列累加起来,即为规定频带的数据波形。同理,对每个频带进行此操作,最终可得到等间距的时频矩阵。
计算时频矩阵各频带的样本熵,并进行归一化处理:
计算每个时段的香农熵:
计算每个频带的香农熵:
采用支持向量机、K-最近邻法、神经网络、贝叶斯、决策树分类算法进行验证所提方法的有效性。
在本实施例中,选用型号为ZN63A-12(VS1)的户内高压交流真空断路器,其操动机构为弹簧储能式,选用型号为LC0102T的压电加速度传感器,选用NI公司的USB-6211型多功能数据采集模块,上位机软件由LabVIEW编程。
在本实施例中,研究的配电开关机械状态包括:正常状态、A相底部轴销异常状态、底座松动状态。鉴于配电开关合闸时的振动强度大于分闸,使得产生的振动信号传播路径较为复杂,包含的信息也更为多样化,因此,选择配电开关合闸振动信号作为辨识数据来源。
获取配电开关振动信号:采样频率设为20kHz,波形启动阈值为0.5V,截取时长0.5s的振动信号,在数据分析时,选择截取起始前200与截取后3800个数据点用于后续分析。
CEEMDAN分解振动信号:噪声标准差比值为0.2,EMD迭代上限为1000,辅助噪声添加次数为20,对不同阶数的IMF分量进行重构,并做相关性比较,通过实验分析,前6阶IMF分量能够很好地重构原始信号,两者的相关系数大于99.7%,故选用前6阶IMF分量用于后续的分析。
频域等间距划分成10个频带,分别为0~1kHz、1~2kHz、2~3kHz、 3~4kHz、4~5kHz、5~6kHz、6~7kHz、7~8kHz、8~9kHz、9~10kHz,对每阶IMF分量各数据点的瞬时频率进行判断,若在规定频带内,则保留IMF分量对应的数据点,否则置零,从而得到6个新序列,最后将各阶新序列累加起来,即为规定频带的数据波形。同理,对每个频带进行此操作,可得到规范的时频矩阵。
在时域方向等间距划分成20个时段,每时段包含200个数据点,从而构成20*10的分块时频矩阵,从时域和频域方向对能量矩阵进行归一化处理,可得到时域能量矩阵和频域能量矩阵。
以归一化样本熵为权值,分别从时域归一化能量矩阵和频域归一化能量矩阵提取加权时频熵,在计算样本熵时,嵌入维数设置为2,相似容限设置为0.2倍的SD(SD为序列的标准差)。
采用多种分类算法对步骤S5获得的特征向量进行分类识别,选择常见的分类算法:支持向量机、K-最近邻法、神经网络、朴素贝叶斯、决策树应用于故障诊断中。
本实施例采用以上技术之后,能够有效进行特征提取,通过多种分类器验证,均能达到较高的识别率。在正常状态、A相底部轴销异常状态、底座松动状态分类时,每类机械状态样本数为200,其中,70%用于训练,30%用于测试,表1给出了多种分类器的识别率。
表一
上面所述的实施例仅是对本发明的优选实施方式进行描述,并非对本发明的构思和范围进行限定。在不脱离本发明设计构思的前提下,本领域普通人员对本发明的技术方案做出的各种变型和改进,均应落入到本发明的保护范围,本发明请求保护的技术内容,已经全部记载在权利要求书中。
Claims (9)
1.基于CEEMDAN及加权时频熵的配电开关机械故障特征提取方法,其特征在于:包括
步骤1,通过加速度或速度信号数据采集系统获取振动信号;
步骤2,通过CEEMDAN方法分解振动信号以获取振动信号的各阶IMF分量;
步骤3,通过Hilbert变换获取各阶IMF分量分别对应的瞬时频率;
步骤4,通过带通滤波方法结合瞬时频率对IMF分量进行等频带划分以构造出规定带宽的时频矩阵;
步骤5,在时域方向对时频矩阵进行等间距划分以获得分块时频矩阵,并求取各分块时频矩阵的能量值以构造分块能量矩阵;
步骤6,从时域和频域方向对能量矩阵进行归一化处理以得到时域能量矩阵和频域能量矩阵;同时,计算时频矩阵各频带的样本熵并进行归一化处理以得到归一化样本熵;
步骤7,以所述归一化样本熵作为权值计算时域加权能量矩阵和频域加权能量矩阵;
步骤9,验证所需提取信号特征的有效性。
2.根据权利要求1所述的基于CEEMDAN及加权时频熵的配电开关机械故障特征提取方法,其特征在于:所述步骤1包括设置采样频率、波形启动阈值、信号截取时间参数。
5.根据权利要求1所述的基于CEEMDAN及加权时频熵的配电开关机械故障特征提取方法,其特征在于:所述步骤4具体包括将频域等间距划分成M个频带,每一频带均对每阶IMF分量各数据点的瞬时频率进行判断,若在对应频带内则保留IMF分量对应的数据点,否则置零以形成新序列,将各阶新序列的对应数据点进行累加以形成对应频带的新数据序列;对M个频带进行相同处理以得到等带宽间距的时频矩阵。
9.根据权利要求1所述的基于CEEMDAN及加权时频熵的配电开关机械故障特征提取方法,其特征在于:所述步骤9具体为采用支持向量机、K-最近邻法、神经网络、贝叶斯、决策树分类算法对所提取的信号特征进行有效性验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910106304.9A CN109784310B (zh) | 2019-02-02 | 2019-02-02 | 基于ceemdan及加权时频熵的配电开关机械故障特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910106304.9A CN109784310B (zh) | 2019-02-02 | 2019-02-02 | 基于ceemdan及加权时频熵的配电开关机械故障特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784310A CN109784310A (zh) | 2019-05-21 |
CN109784310B true CN109784310B (zh) | 2020-12-04 |
Family
ID=66504111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910106304.9A Active CN109784310B (zh) | 2019-02-02 | 2019-02-02 | 基于ceemdan及加权时频熵的配电开关机械故障特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784310B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146292B (zh) * | 2019-06-04 | 2021-08-31 | 昆明理工大学 | 一种基于集成噪声重构的总体局部均值分解的滚动轴承故障检测方法 |
CN110796047B (zh) * | 2019-10-18 | 2022-08-09 | 哈尔滨工业大学 | 一种基于机器学习的自适应稀疏时频分析方法 |
CN111272429B (zh) * | 2020-03-04 | 2021-08-17 | 贵州大学 | 一种轴承故障诊断方法 |
CN113654750B (zh) * | 2021-08-13 | 2022-05-03 | 华北电力大学(保定) | 一种断路器操动机构振动特征提取方法 |
CN114047438A (zh) * | 2021-11-12 | 2022-02-15 | 中国南方电网有限责任公司超高压输电公司广州局 | 断路器操动机构状态识别方法、系统、装置和电子设备 |
CN115446662B (zh) * | 2022-07-22 | 2023-10-10 | 湖南工业大学 | 一种基于ceemdan-iftc-psr的刀具振动信号处理方法 |
CN117370737B (zh) * | 2023-12-08 | 2024-02-06 | 成都信息工程大学 | 一种基于自适应高斯滤波器的非稳态非高斯噪声去除方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105784340A (zh) * | 2016-03-03 | 2016-07-20 | 电子科技大学 | 基于混合智能技术的气阀故障诊断方法 |
CN105891665A (zh) * | 2014-08-28 | 2016-08-24 | 华北电力大学(保定) | 一种基于样本熵和经验模态分解的谐振接地系统选线方法 |
CN105973593A (zh) * | 2016-04-22 | 2016-09-28 | 北京航空航天大学 | 一种基于局部特征尺度分解-近似熵和流形距离的滚动轴承健康评估方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI460416B (zh) * | 2011-03-28 | 2014-11-11 | Univ Nat Taiwan | 機械系統狀態之判斷方法及判斷裝置 |
CN103968937B (zh) * | 2014-05-09 | 2017-12-26 | 国网福建晋江市供电有限公司 | 一种基于emd样本熵和fcm的配电开关机械状态诊断方法 |
CN105891707A (zh) * | 2016-05-05 | 2016-08-24 | 河北工业大学 | 一种基于振动信号的万能式断路器分合闸故障诊断方法 |
CN106017879B (zh) * | 2016-05-18 | 2018-07-03 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
CN106482937B (zh) * | 2016-09-30 | 2019-08-27 | 南方电网科学研究院有限责任公司 | 一种高压断路器机械状态的监测方法 |
CN109100143A (zh) * | 2018-07-06 | 2018-12-28 | 华中科技大学 | 基于ceemdan和cfsfdp的滚动轴承故障诊断方法及设备 |
-
2019
- 2019-02-02 CN CN201910106304.9A patent/CN109784310B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891665A (zh) * | 2014-08-28 | 2016-08-24 | 华北电力大学(保定) | 一种基于样本熵和经验模态分解的谐振接地系统选线方法 |
CN105784340A (zh) * | 2016-03-03 | 2016-07-20 | 电子科技大学 | 基于混合智能技术的气阀故障诊断方法 |
CN105973593A (zh) * | 2016-04-22 | 2016-09-28 | 北京航空航天大学 | 一种基于局部特征尺度分解-近似熵和流形距离的滚动轴承健康评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109784310A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN106017879B (zh) | 基于振声信号特征融合的万能式断路器机械故障诊断方法 | |
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 | |
CN109948597B (zh) | 一种高压断路器机械故障诊断方法 | |
CN110490071A (zh) | 一种基于mfcc的变电站声信号特征提取方法 | |
CN103823180B (zh) | 一种配电开关机械故障诊断方法 | |
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 | |
EP3422518B1 (en) | A method for recognizing contingencies in a power supply network | |
EP3837565B1 (en) | Method, apparatus and device for evaluating the state of a distribution transformer, and a medium and a program | |
CN111488801A (zh) | 基于振动噪声识别的船舶分类方法 | |
CN112083328A (zh) | 一种高压断路器故障诊断方法及系统和装置 | |
CN113537102B (zh) | 一种微震信号的特征提取方法 | |
CN111368892A (zh) | 一种广义s变换和svm的电能质量扰动高效识别方法 | |
Kong et al. | Radar waveform recognition using Fourier-based synchrosqueezing transform and CNN | |
AU2019473422A1 (en) | Apparatus and process for real-time detection of high-impedance faults in power lines | |
CN113421546B (zh) | 基于跨被试多模态的语音合成方法及相关设备 | |
CN114611551A (zh) | 一种基于小波包能量谱熵的机电故障分类方法 | |
CN110146922A (zh) | 高速铁路地震预警系统单双地震计干扰识别方法 | |
Hafiz et al. | An approach for classification of power quality disturbances based on Hilbert Huang transform and Relevance vector machine | |
CN112581940A (zh) | 基于边缘计算与神经网络的放电声音检测方法 | |
Tang et al. | Classification for transient overvoltages in offshore wind farms based on sparse decomposition | |
CN114664311B (zh) | 一种记忆网络增强的变分推断无声攻击检测方法 | |
CN110740063A (zh) | 基于信号分解和周期特性的网络流量特征指标预测方法 | |
CN105528583A (zh) | 基于实数形式傅里叶变换的特征提取方法及故障诊断方法 | |
Shiling et al. | Research on method of mechanical state characteristics diagnosis based on STFT and RVM for transformer winding |
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 |