一种高压断路器机械故障诊断方法
技术领域
本发明涉及电力电气设备领域,特别涉及一种高压断路器机械故障诊断方法。
背景技术
高压断路器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。正常工作情况下,高压断路器承载着电流以及控制着电网的通断。当电网中某处发生故障时,高压断路器首先做出保护响应;如果故障不能及时消除或隔离,备用保护系统将波及更大范围的网络,导致更多架空线、母线、变电站中断。此外,更为严重的是引起电力系统动态稳定性问题。因此,高压断路器快速、有效、可靠地消除或隔离故障是保证电力系统稳定运行的一个先决条件。研究表明,大部分高压断路器故障是由机械故障引起的。通常,高压断路器机械故障诊断方法主要是定期维护。定期维护不仅耗时、费力,而且反复的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。随着机器学习的发展,智能诊断技术已成功应用于各个领域,如汽轮机、柴油机、医疗领域等。在此基础上,建立可靠、精准、智能化的高压断路器机械故障识别模型逐渐成为发展的一种趋势。许多专家学者不断提出以触头行程位移、电磁线圈电流、振动信号等为分析对象的高压断路器机械故障诊断方法;其中,基于振动信号分析的方法易于数据获取,逐渐成为高压断路器机械故障诊断技术研究的主流方向。
发明内容
本发明的目的在于提供一种高压断路器机械故障诊断方法,该方法具有较高的辨识度。
为实现上述目的,本发明的技术方案是:一种高压断路器机械故障诊断方法,首先,通过采集装置获取高压断路器振动信号;接着,对振动信号进行自适应噪声的完备经验模态分解(CEEMDAN),并采用基于希尔伯特(Hilbert)变换与带通滤波相结合的频带划分方法构造等带宽的时频矩阵;其次,划分时段构造分块能量矩阵,并分别在时域方向和频域方向归一化的能量矩阵中提取时频熵;再者,采用正态累积分布函数(NCDF)对各频带振动信号进行归一化处理,提取各分块时频矩阵的奇异熵;最后,采用集成极限学习机(I-ELM,Integrated Extreme Learning Machine)作为分类器用于小样本高压断路器机械故障的识别。
在本发明一实施例中,所述高压断路器振动信号采用基于LabVIEW的虚拟仪器数据采集系统获取。
在本发明一实施例中,所述对振动信号进行CEEMDAN分解,并采用基于Hilbert变换与带通滤波相结合的频带划分方法构造等带宽的时频矩阵的具体方式为:
对振动信号进行CEEMDAN分解:
假定原始信号为x(t),设定噪声标准差比值、辅助噪声添加次数,经过CEEMDAN分解可得到:
其中,ck(t)(k=1,2,…,K)为第k阶本征模态函数IMF分量,r(t)为残差分量;
采用基于Hilbert变换与带通滤波相结合的频带划分方法构造等带宽的时频矩阵:
对IMF分量ck(t)(k=1,2,…,K)进行Hilbert变换:
由上式可构造相位函数φk(t):
由于各阶IMF分量的相位函数具有随时间变化的瞬时特性,进而可求得各阶IMF分量的瞬时频率fk(t):
确定带宽以及频带数量;对于其中一个频带,对各阶IMF分量数据点对应的瞬时频率进行判断:若瞬时频率在该频带内,则保留IMF分量对应的数据点,否则,置零;最后,将各阶滤波处理后的新序列累加起来,即为该频带的振动波形;同理,对每个频带进行此操作,最后获得信号在不同频带的振动波形。
在本发明一实施例中,所述划分时段构造分块能量矩阵,并分别在时域方向和频域方向归一化的能量矩阵中提取时频熵的具体方式为:
经Hilbert变换与带通滤波可将频域划分成M个频带,形成M×N大小的时频矩阵,其中N为时间序列的长度;在时域方向,将时间序列等间距划分成L个时段,构成M×L个分块时频矩阵,每个分块矩阵的长度为N/L;设
为第m个频带中第l个时段对应的时间序列,其能量值E
l,m的计算公式如下:
接着,从时域和频域方向分别对能量矩阵进行归一化处理,转化公式如下:
其中,Pl,m表示El,m在第m个频带内沿时域方向的归一化值;Ql,m表示El,m在第l个时段内沿频率方向的归一化值;
而后,采用香农熵表征信号的特征,香农熵Θ的计算公式如下:
其中,
是随机事件y
i的概率,且
以熵作为特征属性,分别对时域和频域方向归一化的能量矩阵进行特征提取,具体计算公式如下:
其中,
为时域方向第l个时段对应的特征值,
为频域方向第m个频带对应的特征值;
为总的特征集合,即时频熵。
在本发明一实施例中,所述采用正态累积分布函数对各频带振动信号进行归一化处理,提取各分块时频矩阵的奇异熵的具体方式为:
正态累积分布函数NCDF是对服从正态分布的概率密度函数的积分,能够完整地描述随机变量X的概率分布,其公式可表示为:
其中,μ、σ2、σ分别为随机变量X的均值、方差、标准差;
在完成NCDF对各频带信号标准化处理后,接下来提取奇异熵,奇异熵的计算过程如下:
假定D是一个m×n大小的矩阵,根据奇异值分解的理论,对任一个m×n的矩阵,总存在一个m×r的矩阵U,r×n的矩阵V,r×r的对角矩阵Λ,使得矩阵D可表示为:
D=UΛVT
其中,矩阵Λ中的对角元素λl(l=1,2,…,r)称为矩阵D的奇异值,此外,奇异值具有非负性且按递减方式排列;
接着,对奇异值进行归一化处理:
其中,pl为λl在总奇异值中所占的比例;
最后,奇异熵SE可定义为:
为获得更细微的特征,需要将由重构波形组成的时频矩阵进行分块划分;对于一个M×L大小的时频矩阵,沿时域方向将其等间距划分G个分块子矩阵,其中,每个分块子矩阵的大小为M×(L/G);奇异熵特征向量是可从分块时频矩阵中提取而来的。
在本发明一实施例中,所述采用集成极限学习机作为分类器对小样本高压断路器的机械故障进行识别的具体方式为:
针对从高压断路器振动信号中提取的时频熵、奇异熵两种特征类型,分别训练出m个弱分类器,即2m个弱分类器,并利用这些弱分类器构造一个集成极限学习机,其函数可表示为:
其中,arg(·)是获取自变量的值函数,上式等号右侧表示2m个弱分类器输出结果中机械故障类别为i的弱分类器个数最大的机械故障类别;sum(i)表示预测结果为机械故障类别i的弱分类器个数;
根据上式,2m个分类器的输出结果,以投票的方式进行决策,票数最多的类别即判定为最终的输出结果,即得出高压断路器的机械故障类别。
极限学习机(ELM)源于单隐含层前馈神经网络,由输入层、隐含层、输出层组成。ELM算法的主要优点是在输入层与隐含层之间的连接权值及偏置随机生成,且在整个训练过程中无需调整,因此,计算速度非常快。此外,仅需设置隐含层神经元的个数以及选择合适的激活函数类型,便可以获得唯一的最优解。ELM的原理如下:
假定,x为输入样本,对应于n个输入神经元;σ对应于l个隐含层神经元;y对应于m个输出神经元。输入层与隐含层的连接权值矩阵w可表示为:
其中,wij表示输入层第i个神经元与隐含层第j个神经元之间的连接权值。
隐含层与输出层的连接权值矩阵β可表示为:
其中,βjk表示隐含层第j个神经元与输出层第k个神经元之间的连接权值。
隐含层神经元的偏置矩阵b可表示为:
b=[b1 b2 … bl]T
其中,T表示矩阵的转置运算。
设具有Q个样本的训练集输入矩阵X和输出矩阵Y分别为:
若隐含层神经元的激活函数为f(x),则ELM网络的实际输出矩阵O可表示为:
O=[o1,o2,…,oQ]m×Q
其中,wi为权值矩阵w的第i行,xj为输入矩阵X的第j列。该式可以转化为:
Hβ=OT
H称为神经网络隐含层的输出矩阵,具体形式可表示为:
若选取的激活函数f(x)无限可微时,则在训练过程中ELM网络的参数不需全部调整,其中w和b可以随机选取,且在训练过程保持不变。隐含层与输出层的连接权值β可通过求解方程的最小二乘解获得:
其解为:
其中,
为H的Moore-Penrose广义逆矩阵。
对于具有多输出节点的ELM,其输出结果通常是以具有最高输出值的类别作为最终的类别标签。比如,给定一测试数据x,f(x)=[f1(x),f2(x),…,ft(x)]为ELM各输出节点的值,其中,t为输出节点的个数,同时,为便于对类别进行记号,将类别标签记为(1,t)范围内的整数;f(·)为ELM的函数模型。多输出节点的ELM的决策函数可表示为:
其中,arg(·)是获取自变量的值函数,该式等号右侧表示最大fi(x)对应的类别标签。
集成极限学习机(I-ELM,IntegratedExtreme LearningMachine)是由一组ELM构成,其决策函数可表示为:
其中,sum(i)表示预测结果为i的子分类器个数。
相较于现有技术,本发明具有以下有益效果:
1、现有的高压断路器机械故障诊断方法中,基于时频熵的特征提取方法较为常见,但是实测振动信号存在众多的干扰因素,仅以时频熵为特征,表征信号的能力显然不足。本发明基于熵的理论提出时频熵、奇异熵两种特征提取的方法,并成功应用于高压断路器机械故障诊断领域,避免了单类型特征表征能力不足的问题;
2、高压断路器实测振动信号过于复杂,直接对其分解所获取的时频矩阵进行奇异值分解,并以奇异值或奇异熵为表征信号往往效果很差,主要原因在于奇异值受冲击值影响较为敏感。本发明采用NCDF函数归一化各频带振动信号,将过大的冲击值分布于NCDF曲线两端,其实质是突出振动信号整体的分布,从而起到弱化冲击值的作用。经过NCDF处理后,再提取奇异熵能够挖掘出信号内在的特征信息;
3、极限学习机需要大量样本进行训练,且其输入层与隐含层之间的权值、偏置随机生成,故以小样本生成的极限学习机是一个弱分类器。鉴于其快速性、全局性等优点,本发明结合双重特征与极限学习机构建出基于集成极限学习机的故障诊断模型。虽训练生成多组分类器,但其快速性使得总体诊断时间相较于其他方法仍然具有一定的优势。实验结果证明,本发明成功将集成极限学习机应用于小样本的高压断路器机械故障诊断领域,弥补了单个分类器泛化能力不足的问题。
附图说明
图1为本发明方法流程示意图。
图2为能量矩阵在时、频域方向归一化的计算过程示意图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
如图1所示,本发明提供了一种高压断路器机械故障诊断方法,首先,通过采集装置获取高压断路器振动信号;接着,对振动信号进行CEEMDAN分解,并采用基于Hilbert变换与带通滤波相结合的频带划分方法构造等带宽的时频矩阵;其次,划分时段构造分块能量矩阵,并分别在时域方向和频域方向归一化的能量矩阵中提取时频熵;再者,采用正态累积分布函数对各频带振动信号进行归一化处理,提取各分块时频矩阵的奇异熵;最后,采用集成极限学习机作为分类器用于小样本高压断路器机械故障的识别。
以下为本发明的具体实现过程。
本发明提出一种新型的高压断路器机械故障诊断方法,主要实现过程包括以下内容:
第一,采用基于LabVIEW的虚拟仪器数据采集系统获取高压断路器不同机械状态的振动信号。该步骤需设置采样频率、波形启动阈值、信号截取时间参数。
第二,采用自适应噪声的完备集合经验模态分解(CEEMDAN)方法分解振动信号。假定原始信号为x(t),设定噪声标准差比值、辅助噪声添加次数,经过CEEMDAN分解可得到:
其中,ck(t)(k=1,2,…,K)为第k阶IMF分量,r(t)为残差分量。
CEEMDAN分解能够消除模态混叠,最大限度的实现零重构误差,通过对不同分量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,本发明采用相关系数作为相关性比较的方法。
第三,对不同类型的振动信号进行CEEMDAN分解,所得IMF分量可能存在阶数不同以及同阶带宽不同等问题,从而影响信号的分析。本发明采用基于Hilbert变换与带通滤波相结合的等频带划分方法,以便在相同频带内分析不同信号之间的差异。频带划分的过程如下:
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:
对IMF分量ck(t)(k=1,2,…,K)进行Hilbert变换:
由上式可构造相位函数φk(t):
由于各阶IMF分量的相位函数具有随时间变化的瞬时特性,进而可求得各阶IMF分量的瞬时频率fk(t):
确定带宽以及频带数量;以其中一个频带为例,对各阶IMF分量数据点对应的瞬时频率进行判断:若瞬时频率在该频带内,则保留IMF分量对应的数据点,否则,置零;最后,将各阶滤波处理后的新序列累加起来,即为该频带的振动波形;同理,对每个频带进行此操作,最后获得信号在不同频带的振动波形。
第四,提取时频熵。经Hilbert变换与带通滤波可将频域划分成M个频带,形成M×N大小(N为时间序列的长度)的时频矩阵。在时域方向,将时间序列等间距划分成L个时段,构成M×L个分块时频矩阵,每个分块矩阵的长度为N/L。设
为第m个频带中第l个时段对应的时间序列,其能量值E
l,m的计算公式如下:
接着,从时域和频域方向分别对能量矩阵进行归一化处理,转化公式如下:
其中,Pl,m表示El,m在第m个频带内沿时域方向的归一化值;Ql,m表示El,m在第l个时段内沿频率方向的归一化值,转化过程如图2所示。
香农熵作为评估时间序列复杂度的一种指标,常被用于表征信号的特征。香农熵Θ的计算公式如下:
其中,
是随机事件y
i的概率,且
本文以熵作为特征属性,分别对时域和频域方向归一化的能量矩阵进行特征提取,具体计算公式如下:
其中,W
l t为时域方向第l个时段对应的特征值,
为频域方向第m个频带对应的特征值;
为总的特征集合,即为本文所述的时频熵。
第五,提取奇异熵。采用正态累积分布函数(NCDF)对各频带振动信号进行归一化处理,提取各分块时频矩阵的奇异熵的具体方式为:
NCDF是对服从正态分布的概率密度函数的积分,能够完整地描述随机变量X的概率分布,其公式可表示为:
其中,μ、σ2、σ分别为随机变量X的均值、方差、标准差。
不同大小的σ2对应的正态累积分布函数曲线均呈中间陡峭、两端平滑的趋势,且陡峭程度与σ2的大小有关。合理的参数选择能够有效地将冲击值趋近于曲线两端,其实质是突出振动信号整体的分布,从而降低冲击值的影响。对于σ2的选取,本发明是通过多次实验选择最优结果对应的σ2。
在完成NCDF对各频带信号标准化处理后,接下来提取奇异熵,奇异熵的计算过程如下:
假定D是一个m×n大小的矩阵,根据奇异值分解的理论,对任一个m×n的矩阵,总存在一个m×r的矩阵U,r×n的矩阵V,r×r的对角矩阵Λ,使得矩阵D可表示为:
D=UΛVT
其中,矩阵Λ中的对角元素λl(l=1,2,…,r)称为矩阵D的奇异值,此外,奇异值具有非负性且按递减方式排列;
接着,对奇异值进行归一化处理:
其中,pl为λl在总奇异值中所占的比例;
最后,奇异熵SE可定义为:
为获得更细微的特征,需要将由重构波形组成的时频矩阵进行分块划分。对于一个M×L大小的时频矩阵,沿时域方向将其等间距划分G个分块子矩阵,其中,每个分块子矩阵的大小为M×(L/G)。奇异熵特征向量是可从分块时频矩阵中提取而来的。
第六,构造集成极限学习机。ELM是一种新型的快速学习算法,具有全局性,故每次训练生成均是最优模型。采用ELM作为高压断路器机械故障识别模型的分类器,主要存在以下两方面的问题:其一,由于输入层与隐含层之间的权值和偏置为随机生成,故每次训练生成的网络并不一致,其性能也存在明显差异。其二,ELM网络的训练需要大量的样本,高压断路器机械故障属于小样本事件,故采用ELM所生成的分类器为弱分类器。鉴于ELM存在的不足,本发明提出集成极限学习机(I-ELM,Integrated Extreme Learning Machine)弥补了单个ELM分类能力差的问题,并适用于小样本的高压断路器机械故障诊断中。
本发明构造的集成极限学习机,其函数可表示为:
其中,arg(·)是获取自变量的值函数,上式等号右侧表示2m个弱分类器输出结果中机械故障类别为i的弱分类器个数最大的机械故障类别;sum(i)表示预测结果为机械故障类别i的弱分类器个数。
每个振动信号可提取出时频熵和奇异熵两种特征类型,每种特征向量均可训练出m个弱分类器,最后将2m个输出结果汇总决策,且决策以投票的方式进行,其中票数最多的类别判定为最终的输出结果。双重特征与I-ELM分类器以分-总的组合方式构造出本发明的诊断模型。
以下为本发明一具体实施例。
实施例:
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,研究的高压断路器机械状态包括:正常状态;通过松动底座与断路器之间的螺丝构造底座松动状态;通过调整A相底部轴销构造轴销异常状态。鉴于高压断路器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,选择高压断路器合闸振动信号作为辨识数据来源。此外,为验证所提方法是否具有现场实用的价值,本实验的数据均在背景干扰的情况下获取,即断路器底座与固定点连接处存在松动。
本实施例提出了一种新型的高压断路器机械故障诊断方法,具体实施过程包括以下内容:
获取高压断路器振动信号: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;为了减小传感器的零度漂移影响,选择截取起始前10ms与截取后190ms(共4000个数据点)的数据点。
CEEMDAN分解振动信号:噪声标准差比值为0.2,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0.997,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个分块时频矩阵,每个分块的大小为1×200;从时域和频域方向分别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。在时域能量矩阵中可提取出20个特征,在频域能矩阵能够提取出10个特征。
在对各频带进行NCDF归一化的过程中,选择均值为0、方差为2的NCDF函数。接着,将处理后的等带宽时频矩阵沿时域方向等间距划分成40个时段,每个时段包含100个数据点,共划分成40个10×100的分块时频矩阵,分别对各分块矩阵计算奇异熵,提取出40个特征。
每类特征对应于100组ELM,故每次实验将获得200个输出结果。在ELM训练前,需指定隐含层神经元的个数以及激活函数的类型。参数的选择与最终的分类结果息息相关,在本实例中,通过固定一变量再对另一变量进行多次实验以此来选择较优的参数。由实验分析,最终隐含层神经元个数设置为50个,激活函数选择sin函数。由于采用集成的思想,在对参数进行选择时允许存在一定的偏差。
本实施例中,每种机械状态各50个样本,其中38个样本用于训练,12个样本用于测试。此外,为验证本发明是否具有鲁棒性,另采集了三组样本集加以诊断。表1给出了四组测试样本集对应的准确分类个数。
表1多组样本集对应的准确分类个数
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。