CN109800740A - 一种基于样本熵和svm的oltc机械故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于样本熵和SVM的OLTC机械故障诊断方法，步骤1：将加速振动传感器置于OLTC顶盖采集各种状态下的振动信号。步骤2：将原始的振动信号进行EEMD分解，得到分量IMF，取前4个IMF分量进行进一步处理；步骤3：计算选取IMF分量的样本熵；步骤4：对于训练数据集，用计算得到的样本熵作为特征向量，输入SVM进行训练，得到SVM分类器，把测试样本的IMF分量的SampEn值输入SVM分类器，由SVM分类器的输出得到测试样本的运行状态。本发明可实时监测变压器有载分接开关的工作状态，满足变压器有载分接开关实时故障诊断要求，为有目的检修提供数据支撑和理论依据，避免浪费人力，物力和时间。

Description

一种基于样本熵和SVM的OLTC机械故障诊断方法

技术领域

本发明涉及一种基于样本熵和SVM的OLTC机械故障诊断方法，属于电力设备信号监测技术领域。

背景技术

有载分接开关(OLTC)是电力变压器的一个重要组成部分，其运行状况直接关系到变压器及系统的稳定与安全。OLTC是变压器故障率最高部件之一。其故障不但直接影响变压器运行，而且影响电网质量与电网运行。根据国内资料统计，由OLTC故障引起的事故约占变压器总事故的28％左右，且故障类型基本为机械故障，例如触头松动、触头脱落、机构卡涩、滑档、拒动等。机械故障会直接损坏OLTC和变压器本身，进而引起其他更严重的电气故障，以致造成严重的后果。因此，对运行中的OLTC的机械性能进行监测，及早发现其故障隐患，对变压器及电力系统的安全运行有着十分重大的意义。

目前，对有载分接开关机械故障的诊断方法主要是停电检修和在线监测。有载分接开关的停电检修往往周期较长，难以及时发现早期的机械故障，经常在停电检修前即发生故障损坏，并且停电检修影响变压器正常运行，需要耗费大量人力、物力和财力。

在线监测方法主要有基于热噪声诊断法和基于振动的在线监测等，基于热噪声的诊断是由于变压器分接开关故障后发热产生的热噪声传播到变压器外面，通过在变压器外壳上安装噪声传感器检测来进行分接开关故障诊断，但热噪声传到传感器时，能量损耗太大再加上各种噪音大干扰工程运用很难实现。基于振动的分接开关故障诊断的关键是在被监测信号中发现能反映分接开关故障的特征信号，本专利基于振动法提取特征量，然后与支持向量机(SVM)相结合实现OLTC的故障诊断，具有速度快，结论直观，诊断机械故障正确率高特点。

发明内容

目的：为了克服现有技术中存在的不足，及时发现有载分接开关运行过程中的潜伏性故障，提高有载分接开关可靠性，本发明提供一种基于样本熵和SVM的OLTC机械故障诊断方法。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种基于样本熵和SVM的OLTC机械故障诊断方法，包括如下步骤：

步骤1：将加速振动传感器置于OLTC顶盖采集各种状态下的振动信号；

步骤2：将各种状态下的振动信号分别进行EEMD分解，得到分量IMF，取前k个IMF分量进行进一步处理；

步骤3：计算选取的IMF分量的样本熵；

步骤4：对于训练数据集，用计算得到的样本熵作为特征向量，输入SVM进行训练，得到SVM分类器，把测试样本的IMF分量的SampEn值输入SVM分类器，由SVM分类器的输出得到测试样本的运行状态。

作为优选方案，所述步骤1中振动传感器放置于OLTC的垂直顶端。

作为优选方案，所述步骤1中各种状态下振动信号，包括：正常、触头松动、触头磨损、触头烧毁、触头脱落的振动信号，每种状态下采集多组振动信号。

作为优选方案，所述步骤2将采集到各个状态下的多组振动信号分别进行EEMD分解，得到分量IMF，具体步骤如下：

2.1：在振动信号x(t)中加入高斯白噪声，取信号波形的上极值点、下极值点，分别得到局部最大值包络线和局部最小值包络线；将两条包络线相应各点的值取平均，得到一条曲线m₁；求振动信号x(t)和该曲线的差：

h₁＝x(t)-m₁ (1)

2.2：继续迭代以上步骤：

h₁₁＝h₁-m₁₁ (2)

式中：m₁₁为h₁的上、下包络线平均值；求解h_1k，h_1k＝h_1(k-1)-m_1k，式中k为大于等于1的自然数，直到判据S_i＜0.1，其中：

式中，t代表采集时刻，r代表采集时长；

此时h_1k＝h_1(k-1)-m_1k，为第1个IMF，记为c₁；

2.3：将c₁从原信号中减去：

r₁＝x(t)-c₁ (4)

将r₁作为新的数据，加入高斯白噪声后，再重复步骤2.1和2.2，得到第2个IMF，记为c₂；如果所得到的S_i或残余分量r_n小于预先设定的值，或者已经变成了一条单调曲线，则分解结束；否则，继续对得到的IMF进行以上操作，最终得到一系列的IMF，原信号分解为

即原信号被分解为n个IMF和1个剩余分量。

作为优选方案，所述步骤3，将各个状态下多组前k个IMF分量按下述步骤分别计算出各个IMF分量的样本熵；具体步骤如下：

3.1：将每个IMF分量组成一组维数为m的向量序列，C_m(1)，…，C_m(N-m+1)，其中C_m(i)＝{c(i)，c(i+1)，…，c(i+m-1)}，1≤i≤N-m+1；C_m(i)代表从第i点开始的m个连续的c_i波形中的值；

3.2：定义向量C_m(i)与C_m(j)之间的距离d[C_m(i)，C_m(j)]为两者对应元素中最大差值的绝对值；即：

d[C_m(i)，C_m(j)]＝max_{k＝0，…，m-1}(|c(i+k)-c(j+k)|) (6)

3.3：对于给定的C_m(i)，统计C_m(i)与C_m(j)之间距离小于等于相似容限r的j，1≤j≤N-m，j≠i的数目，并记作B_i；对于1≤i≤N-m，定义：

3.4：定义B^m(r)为：

3.5：增加维数到m+1，计算C_m+1(i)与C_m+1(j)，1≤j≤N-m，j≠i距离小于等于相似容限r的个数，记为A_i；A_i ^m(r)定义为：

3.6：定义A^m(r)为：

样本熵定义为：

当N为有限值时，可以用下式估计：

式中：m值优选为1或2，r＝0.1Std～0.25Std，Std是振动信号原始数据x(i)，i＝1，2，…，N的标准差，N为采样点数；

3.7：将各个状态下多组前k个IMF分量的样本熵作为特征向量。

作为优选方案，所述m＝2，r＝0.2Std；

作为优选方案，所述步骤4，把各种状态下采集的多组特征向量分为训练数据、测试数据，SVM分类器核函数使用的高斯核函数形式，核函数形式为：

其中，T₁，T₂表示同一个状态下的两个特征向量，σ为控制核函数高宽的参数；对于线性不可分情况，引入惩罚因子C来控制错误分类。

作为优选方案，所述σ＝1，惩罚因子C＝10。

作为优选方案，所述前k个IMF分量中k取4≤k≤6。

作为优选方案，所述k＝4。

有益效果：本发明提供的一种基于样本熵和SVM的OLTC机械故障诊断方法，其优点如下：

1)、本专利采用的样本熵分析方法只需要较短数据就可得出稳健的估计值，是一种具有较好的抗噪和抗干扰能力的非线性分析方法。通过对OLTC正常运行、触头烧毁、触头磨损、触头脱落、触头松动的振动信号分析实验表明，当OLTC出现故障时，样本熵的值会有所改变，不同的故障，样本熵的值也不同，说明样本熵作为OLTC故障诊断的特征的有效性。

2)、当OLTC出现轻微故障时，样本熵值会突然变大，这种特性表明样本熵在OLTC早期故障诊断方面有潜在的应用前景。

3)、对OLTC振动信号进行EEMD分解后，再进行样本熵特征提取，比直接对轴承振动信号进行样本熵特征提取，可以发现OLTC信号中更深层次的信息，得到更好的OLTC故障诊断效果。

附图说明

图1为本发明的流程图；

图2为正常状态下的振动信号；

图3为经过EEMD分解后的前4个IMF。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，一种基于样本熵和SVM的OLTC机械故障诊断方法，包括如下步骤：

步骤1：将加速振动传感器置于OLTC顶盖采集各种状态下的振动信号。

步骤2：将各种状态下的振动信号分别进行EEMD(集合经验模态分解)分解，得到分量IMF，取前k(4≤k≤6)个IMF分量进行进一步处理；

步骤3：计算选取的IMF分量的样本熵；

步骤4：对于训练数据集，用计算得到的样本熵作为特征向量，输入SVM进行训练，得到SVM分类器，把测试样本的IMF分量的SampEn值输入SVM分类器，由SVM分类器的输出得到测试样本的运行状态。

本文选用上海华明电力有限公司生产的CMIII-500-63B-10193W型有载分解开关作为研究对象，实验重点模拟OLTC切换过程中各种故障。

其中，步骤1因为OLTC垂直顶端直接与触头动作结构相连，所以顶端的振动信号应该最强，将振动传感器放置于OLTC的垂直顶端采集到的正常状态下振动信号，如图2所示。采集有载分接开关各种状态下振动信号，包括：正常、触头松动、触头磨损、触头烧毁、触头脱落振动信号x(t)，各150组，图2为一组正常状态下的振动信号。

其中，步骤2将采集到各个状态下的150组振动信号分别进行EEMD分解，得到分量IMF，具体步骤如下：

2.1：在振动信号x(t)中加入高斯白噪声，取信号波形的上极值点、下极值点，分别得到局部最大值包络线和局部最小值包络线；将两条包络线相应各点的值取平均，得到一条曲线m₁；求振动信号x(t)和该曲线的差：

h₁＝x(t)-m₁ (1)

2.2：继续迭代以上步骤：

h₁₁＝h₁-m₁₁ (2)

式中：m₁₁为h₁的上、下包络线平均值；求解h_1k，h_1k＝h_1(k-1)-m_1k，式中k为大于等于1的自然数，直到判据S_i＜0.1，其中：

式中，t代表采集时刻，r代表采集时长；

此时h_1k＝h_1(k-1)-m_1k，为第1个IMF，记为c₁。

2.3：将c₁从原信号中减去：

r₁＝x(t)-c₁ (4)

将r₁作为新的数据，加入高斯白噪声后，再重复步骤2.1和2.2，得到第2个IMF，记为c₂；如果所得到的S_i或残余分量r_n小于预先设定的值，或者已经变成了一条单调曲线，则分解结束。否则，继续对得到的IMF进行以上操作，最终得到一系列的IMF，原信号分解为

即原信号被分解为n个IMF和1个剩余分量。因为前4个IMF基本包含了信号的所有有效的信息，所以本发明优选前4个IMF，如图(3)所示进行进一步分析。

其中，步骤3，将各个状态下150组前k个IMF分量按下述步骤分别计算出各个IMF分量的样本熵；具体步骤如下：

3.1：将每个IMF分量组成一组维数为m的向量序列，C_m(1)，…，C_m(N-m+1)，其中C_m(i)＝{c(i)，c(i+1)，…，c(i+m-1)}，1≤i≤N-m+1。C_m(i)代表从第i点开始的m个连续的c_i波形中的值。

3.2：定义向量C_m(i)与C_m(j)之间的距离d[C_m(i)，C_m(j)]为两者对应元素中最大差值的绝对值。即：

d[C_m(i)，C_m(j)]＝max_{k＝0，…，m-1}(|c(i+k)-c(j+k)|) (6)

3.3：对于给定的C_m(i)，统计C_m(i)与C_m(j)之间距离小于等于相似容限r的j(1≤j≤N-m，j≠i)的数目，并记作B_i。对于1≤i≤N-m，定义：

3.4：定义B^m(r)为：

3.5：增加维数到m+1，计算C_m+1(i)与C_m+1(j)(1≤j≤N-m，j≠i)距离小于等于相似容限r的个数，记为A_i。A_i ^m(r)定义为：

3.6：定义A^m(r)为：

这样，B^m(r)是两个序列在相似容限r下匹配m个点的概率，而A^m(r)是两个序列在相似容限r下匹配m+1个点的概率。样本熵定义为：

当N为有限值时，可以用下式估计：

式中：m值优选为2，r＝0.2Std，Std是振动信号原始数据x(i)，i＝1，2，…，N的标准差，N为采样点数。确定m，r两个参数的值对于样本熵的计算非常重要。这里，根据Pincus原理的的研究结果，m＝1或2，r＝0.1Std～0.25Std(Std是原始数据x(i)，i＝1，2，…，N的标准差)计算得到的样本熵具有较为合理的统计特性。在本文的研究中，优取m＝2，r＝0.2Std。

3.7：将各个状态下150组前k个IMF分量的样本熵作为特征向量。

现以1组前4个IMF分量的样本熵为例，例举出各状态下的特征向量，如表1所示：

表1 五种类型信号分解后的样本熵

	IMF1	IMF2	IMF3	IMF4
					正常	0.1994	0.0648	0.0085	0.0041
触头磨损	0.2154	0.0534	0.0135	0.0112
					触头烧毁	0.3546	0.1065	0.0652	0.0274
触头松动	0.9345	0.2354	0.6524	0.0423
					触头脱落	1.2545	0.4315	0.0551	0.1341

得到特征向量T_正常＝[0.1994，0.0648，0.0085，0.0041]等各自状态下的样本熵特征量。

其中，步骤4，把各种状态下采集的各150组特征向量中的50组数据作为样本训练SVM分类器，本专利SVM分类器核函数优选最常使用的高斯核函数形式，核函数形式为：

其中，T₁，T₂表示同一个状态下的两个特征向量，σ为控制核函数高宽的参数。对于线性不可分情况，引入惩罚因子C来控制错误分类。参数取值为σ＝1，惩罚因子C＝10。然后把另外的各个状态的100组作为测试样本，带入分类器进行故障诊断，最后测试的结果如表2所示：

表2 测试的部分结果

数据集	训练样本(组)	测试样本(组)	总的分辨率
				正常状态	150	50	100％
触头松动	150	50	97.36％
				触头烧毁	150	50	96.65％
触头磨损	150	50	97.22％
				触头脱落	150	50	96.44％

如上表所示，基于EEMD的样本熵熵特征提取方法和有小样本优势、很强泛化能力的SVM，总识别故障率很高，具有很大的实际工程应用。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于样本熵和SVM的OLTC机械故障诊断方法，其特征在于：包括如下步骤：

步骤1：将加速振动传感器置于OLTC顶盖采集各种状态下的振动信号；

步骤2：将各种状态下的振动信号分别进行EEMD分解，得到分量IMF，取前k个IMF分量进行进一步处理；

步骤3：计算选取的IMF分量的样本熵；

步骤4：对于训练数据集，用计算得到的样本熵作为特征向量，输入SVM进行训练，得到SVM分类器，把测试样本的IMF分量的SampEn值输入SVM分类器，由SVM分类器的输出得到测试样本的运行状态。

2.根据权利要求1所述的一种基于样本熵和SVM的OLTC机械故障诊断方法，其特征在于：所述步骤1中振动传感器放置于OLTC的垂直顶端。

3.根据权利要求1所述的一种基于样本熵和SVM的OLTC机械故障诊断方法，其特征在于：所述步骤1中各种状态下振动信号，包括：正常、触头松动、触头磨损、触头烧毁、触头脱落的振动信号，每种状态下采集多组振动信号。

4.根据权利要求1所述的一种基于样本熵和SVM的OLTC机械故障诊断方法，其特征在于：所述步骤2将采集到各个状态下的多组振动信号分别进行EEMD分解，得到分量IMF，具体步骤如下：

2.1：在振动信号x(t)中加入高斯白噪声，取信号波形的上极值点、下极值点，分别得到局部最大值包络线和局部最小值包络线；将两条包络线相应各点的值取平均，得到一条曲线m₁；求振动信号x(t)和该曲线的差：

h₁＝x(t)-m₁ (1)

2.2：继续迭代以上步骤：

h₁₁＝h₁-m₁₁ (2)

式中：m₁₁为h₁的上、下包络线平均值；求解h_1k，h_1k＝h_1(k－1)-m_1k，式中k为大于等于1的自然数，直到判据S_i＜0.1，其中：

式中，t代表采集时刻，r代表采集时长；

此时h_1k＝h_1(k－1)-m_1k，为第1个IMF，记为c₁；

2.3：将c₁从原信号中减去：

r₁＝x(t)-c₁ (4)

将r₁作为新的数据，加入高斯白噪声后，再重复步骤2.1和2.2，得到第2个IMF，记为c₂；如果所得到的S_i或残余分量r_n小于预先设定的值，或者已经变成了一条单调曲线，则分解结束；否则，继续对得到的IMF进行以上操作，最终得到一系列的IMF，原信号分解为

即原信号被分解为n个IMF和1个剩余分量。

5.根据权利要求1所述的一种基于样本熵和SVM的OLTC机械故障诊断方法，其特征在于：所述步骤3，将各个状态下多组前k个IMF分量按下述步骤分别计算出各个IMF分量的样本熵；具体步骤如下：

3.1：将每个IMF分量组成一组维数为m的向量序列，C_m(1)，…，C_m(N-m+1)，其中C_m(i)＝{c(i)，c(i+1)，…，c(i+m-1)}，1≤i≤N-m+1；C_m(i)代表从第i点开始的m个连续的c_i波形中的值；

3.2：定义向量C_m(i)与C_m(j)之间的距离d[C_m(i),C_m(j)]为两者对应元素中最大差值的绝对值；即：

d[C_m(i),C_m(j)]＝max_k＝_0,…,_m-1(|c(i+k)-c(j+k)|) (6)

3.3：对于给定的C_m(i)，统计C_m(i)与C_m(j)之间距离小于等于相似容限r的j，1≤j≤N-m，j≠i的数目，并记作B_i；对于1≤i≤N-m，定义：

3.4：定义B^m(r)为：

3.5：增加维数到m+1，计算C_m+1(i)与C_m+1(j)，1≤j≤N-m，j≠i距离小于等于相似容限r的个数，记为A_i；A_i ^m(r)定义为：

3.6：定义A^m(r)为：

样本熵定义为：

当N为有限值时，可以用下式估计：

式中：m值优选为1或2，r＝0.1Std～0.25Std，Std是振动信号原始数据x(i)，i＝1,2,…,N的标准差，N为采样点数；

3.7：将各个状态下多组前k个IMF分量的样本熵作为特征向量。

6.根据权利要求5所述的一种基于样本熵和SVM的OLTC机械故障诊断方法，其特征在于：所述m＝2，r＝0.2Std。

7.根据权利要求1所述的一种基于样本熵和SVM的OLTC机械故障诊断方法，其特征在于：所述步骤4，把各种状态下采集的多组特征向量分为训练数据、测试数据，SVM分类器核函数使用的高斯核函数形式，核函数形式为：

其中，T₁,T₂表示同一个状态下的两个特征向量，σ为控制核函数高宽的参数；对于线性不可分情况，引入惩罚因子C来控制错误分类。

8.根据权利要求7所述的一种基于样本熵和SVM的OLTC机械故障诊断方法，其特征在于：所述σ＝1，惩罚因子C＝10。

9.根据权利要求1或5所述的一种基于样本熵和SVM的OLTC机械故障诊断方法，其特征在于：所述前k个IMF分量中k取4≤k≤6。

10.根据权利要求9所述的一种基于样本熵和SVM的OLTC机械故障诊断方法，其特征在于：所述k＝4。