CN110458248B - 基于多测点振动信号的变压器异常状态检测方法 - Google Patents

基于多测点振动信号的变压器异常状态检测方法 Download PDF

Info

Publication number
CN110458248B
CN110458248B CN201910880072.2A CN201910880072A CN110458248B CN 110458248 B CN110458248 B CN 110458248B CN 201910880072 A CN201910880072 A CN 201910880072A CN 110458248 B CN110458248 B CN 110458248B
Authority
CN
China
Prior art keywords
transformer
vibration
clustering
vibration sensor
center
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
Application number
CN201910880072.2A
Other languages
English (en)
Other versions
CN110458248A (zh
Inventor
赵洪山
张建敏
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.)
North China Electric Power University
Original Assignee
North China Electric Power 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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN201910880072.2A priority Critical patent/CN110458248B/zh
Publication of CN110458248A publication Critical patent/CN110458248A/zh
Application granted granted Critical
Publication of CN110458248B publication Critical patent/CN110458248B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于多测点振动信号的变压器异常状态检测方法，包括以下步骤：在变压器油箱表面均匀布置多个振动传感器，采用快速傅里叶分解提取每个振动传感器振动信号的时域特征向量，采用k均值聚类算法对每个振动传感器不同时间段的特征向量进行分类，最终得到k个聚类中心以及对应的波动范围；确定各个振动传感器振动信号处于不同状态下的置信度函数；取置信度函数最大值对应的运行状态，作为变压器状态的诊断结果。本发明提供的基于多测点振动信号的变压器异常状态检测方法，能够对油箱表面多个测点的振动信号进行综合分析，实现对变压器运行状态的全面评估。

Description

基于多测点振动信号的变压器异常状态检测方法
技术领域
本发明涉及变压器故障检测技术领域，特别是涉及一种基于多测点振动信号的变压器异常状态检测方法。
背景技术
对于现场运行的变压器设备，由于其运行环境复杂以及其负荷变化等因素的影响，长时间运行后变压器内部铁心、绕组可能存在不同程度的机械变形故障，传统的油色谱等检测方法对于此类微小的机械故障并不敏感，振动信号对于机械变形则非常敏感，适用于变压器机械变形故障的检测。
变压器绕组和铁心产生的振动通过紧固件及绝缘油两条传播路径传播到油箱表面，传播至油箱壁的振动波，只有垂直于油箱壁方向的分量能被检测到，随着传播距离的增加，振动波与平面的入射角增大，垂直油箱壁的分量逐渐减弱，因此油箱壁局部的振动信号只能反映附近振源的振动情况，因此，对变压器健康状态评估时需要考虑不同位置多个测点的振动信号。
现有的变压器故障检测技术中，通常采用两种方案：第一，对变压器顶部或者侧面某些特定位置的单个或少数几个振动信号通过小波包分解等算法提取故障的特征向量进行故障诊断；第二，通过有限元等方法进行电磁仿真，建立变压器的电磁振动模型，通过对变压器各元件的材料特性、外部输入的电磁参数进行模拟仿真，评估变压器的健康状态。这些变压器故障检测方法存在如下缺点：只针对少数位置测点的分析忽略了由于传播路径不同，变压器油箱表面不同位置的振动信号蕴含的故障信息不同，只针对局部位置少数测点的分析难以全面地反映变压器整体的健康状况；采用有限元电磁仿真的电磁模拟方式对实际模型的参数要求过高，需要精确知晓变压器各部件的材料特性曲线、硅钢片的磁化曲线以及运行电流电压等精确参数，实际变电运维工作中难以实现。
发明内容
本发明的目的是提供一种基于多测点振动信号的变压器异常状态检测方法，利用k均值聚类算法对油箱不同表面多个测点的振动信号进行分析，实现对变压器运行状态的全面评估。
为实现上述目的，本发明提供了如下方案：
一种基于多测点振动信号的变压器异常状态检测方法，该方法包括以下步骤：
S1，在变压器油箱表面均匀布置多个振动传感器，采集油箱前后左右四个侧面不同方向的振动信号以及油箱顶部垂直方向的振动信号；
S2，根据步骤S1采集到的振动信号，利用快速傅里叶分解提取每个振动传感器振动信号的100Hz及其整数倍谐波的幅值，作为特征向量Ti(i＝1,2,3···m，其中m为主要频率分量的数量)，变压器油箱表面不同位置的振动传感器对应的特征向量组成了变压器整体的特征向量矩阵T＝[T1,T2,…,Ti,…,Tn]，其中n为振动传感器的数量；
S3，采用k均值聚类算法对每个振动传感器不同时间段的振动信号的特征向量进行聚类分析，得到k个最终的聚类中心以及各聚类中心簇内向量距中心欧式距离的波动范围；计算待测振动信号的特征向量与各个聚类中心的欧式距离；选取距离最近的聚类中心作为基准向量，根据特征向量与基准向量之间的欧式距离与该聚类中心对应的波动范围，计算该振动传感器确定的变压器处于各种状态下的置信度函数；
S4，利用DS证据理论融合不同传感器的置信度函数，得到最终的置信度函数，取置信度函数最大值对应的结果，作为变压器运行状态检测的结果。
可选的，所述步骤S3中，采用k均值聚类算法对每个振动传感器不同时间段的振动信号的特征向量进行聚类分析，得到k个最终的聚类中心以及各聚类中心簇内向量距中心欧式距离的波动范围；计算待测振动信号的特征向量与各个聚类中心的欧式距离；选取距离最近的聚类中心作为基准向量，根据特征向量与基准向量之间的欧式距离与该聚类中心对应的波动范围，计算该振动传感器确定的变压器处于各种状态下的置信度函数，具体包括：
S301，对于单个振动传感器不同时间段振动信号中得到的所有特征向量为T11,T12,…,T1z，其中z表示不同时间段采集样本的数量，根据采集数据期间负荷波动的规律选定分类数k；
S302，在样本中随机选取k个样本作为初始聚类中心C＝{Tc1,Tc2,…Tck}；
S303，计算其余各样本T1i到k个聚类中心的欧式距离：Dik＝||T1i-Tck||2，表示第i个样本到第k个聚类中心的距离；
S304，从各样本到k个聚类中心的欧式距离中选取最小的一个min{Di1,Di2,…,Dik}，将此样本归入聚类中心所在类别中，从而将所有的样本分成k个数据簇；
S305,利用分类好的各个数据簇中的样本更新聚类中心，确定新的聚类中心
Figure BDA0002205616580000031
表示第k类数据簇中d个样本的均值；
S306，计算各簇聚类中心的更新幅度：ΔTck＝Tck'-Tck，选取最大更新幅值ΔT＝max{ΔTc1,ΔTc2,…,ΔTck}，判断最大更新幅值是否小于设定的阈值，如果更新幅值小于阈值或者迭代次数超过设置的最大值时聚类结束，否则，回到第S303步；
S307,聚类完成后得到k个最终的聚类中心Tk＝{Tc1,Tc2,…,Tck}，计算各簇数据中所有样本到聚类中心的欧式距离的最大值Fk＝max{D1k,D2k,…,Ddk}，表示此类数据正常状态下的波动范围阈值，依次可得k簇数据的波动范围F＝[F1,F2,…,Fk]；
S308,对于同一振动传感器采集到的待测振动信号的特征向量T1t，计算T1t与各个聚类中心的欧式距离：Dti＝||T1t-Tci||2，得到距离向量Dk＝[D1,D2,…,Dk],选取最近距离向量min{D1,D2,…,Dk}对应的聚类中心Tck作为基准向量，根据待测振动信号的特征向量与基准向量之间的欧式距离Dtk＝||T1t-Tck||2与该聚类中心对应的波动范围Fk，确定此振动传感器测得的变压器处于各种状态下的置信度函数m1，包括：
变压器无故障的置信度函数为：
Figure BDA0002205616580000032
变压器处于故障预警状态的置信度函数为：
Figure BDA0002205616580000033
变压器处于严重故障状态的置信度函数为：
Figure BDA0002205616580000041
S309,同理，对于变压器的其他振动传感器特征向量T2～Tn依据同样方法可以计算得到变压器处于各种状态下的置信度函数m2～mn。
可选的，所述步骤S4中，利用DS证据理论融合不同传感器的置信度函数，得到最终的置信度函数，取置信度函数最大值对应的结果，作为变压器运行状态检测的结果，具体包括：
根据DS证据理论，将各个振动传感器的基本概率分配为m1(A1),m2(A2),…,mr(Ar)，对于某个命题Ψ的合成规则为：
Figure BDA0002205616580000042
Figure BDA0002205616580000043
其中，K反映了证据的冲突程度，K值越大，说明证据的冲突程度越大，
因此，各个命题的合成规则如下：
Figure BDA0002205616580000044
Figure BDA0002205616580000045
Figure BDA0002205616580000046
Figure BDA0002205616580000047
取置信度函数最大值R＝max{m(A),m(AB),m(B)}对应的结果R作为变压器运行状态的检测结果。
可选的，所述步骤S1中，振动信号的采集，在变压器油箱表面均匀布置多个振动传感器监测点，采集油箱前后左右四个侧面不同方向的振动信号以及油箱顶部垂直方向的振动信号，具体包括：在油箱前后左右四个侧面以及油箱顶部各布置9个振动传感器测点，各个振动传感器测点之间等距离分布。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于多测点振动信号的变压器异常状态检测方法，在变压器油箱四个侧面和顶部各布置9个测点，测点之间等距离分布，测点分布尽可能均匀地覆盖变压器油箱外壁的全部范围，采集油箱前后左右四个侧面不同方向的振动信号以及油箱顶部垂直方向的振动信号，能够全面地反映变压器整体的健康状况，避免了少数几个传感器测点分析不全面、可能遗失某些重要部位振动信息的缺点；同一个振动传感器采集的不同时间段的振动信号可能存在不同的特征向量，这是由于不同时间段负荷波动造成的，本发明利用k均值聚类算法，对同一振动传感器不同时间段负荷下振动特征向量进行聚类分析，并根据待测向量与各聚类中心之间的欧式距离与波动范围的比值作为参数，计算单个测点观测得到的变压器处于各种状态下置信度函数，方法简便可行，检测快速准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于多测点振动信号的变压器异常状态检测方法流程图；
图2为本发明实施例变压器振动传感器分布示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于多测点振动信号的变压器异常状态检测方法，利用k均值聚类算法对油箱不同表面多个测点的振动信号进行综合分析，实现对变压器运行状态的全面评估。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于多测点振动信号的变压器异常状态检测方法流程图，如图1所示，本发明提供的基于多测点振动信号的变压器异常状态检测方法，包括以下步骤：
S1，在变压器油箱表面均匀布置多个振动传感器，采集油箱前后左右四个侧面不同方向的振动信号以及油箱顶部垂直方向的振动信号；
S2，根据步骤S1采集到的振动信号，利用快速傅里叶分解提取每个振动传感器振动信号的各种时域特征值，例如100Hz及其整数倍谐波的幅值作为特征向量Ti(i＝1,2,3···m，其中m为主要频率分量的数量)，变压器油箱表面不同位置的振动传感器对应的特征向量组成了变压器整体的特征向量矩阵T＝[T1,T2,…,Ti,…,Tn]，其中n为振动传感器的数量；
S3，采用k均值聚类算法对每个振动传感器不同时间段的振动信号的特征向量进行聚类分析，最终得到k个聚类中心以及该聚类中心对应的波动范围；对于同一振动传感器采集到的待测振动信号的特征向量，计算其与各个聚类中心的欧式距离，选取最近距离向量对应的聚类中心作为基准向量，根据待测振动信号的特征向量与基准向量之间的欧式距离与该聚类中心对应的波动范围，确定该振动传感器确定的变压器处于各种状态下的置信度函数；
S4，利用DS证据理论融合不同传感器的置信度函数，得到最终的置信度函数，取置信度函数最大值对应的结果，作为变压器运行状态检测的结果。
上述中，所述k均值聚类算法为基于最大最小值的k均值聚类算法。
其中，所述步骤S3中，采用k均值聚类算法对每个振动传感器不同时间段的振动信号的特征向量进行聚类分析，得到k个最终的聚类中心以及该聚类中心对应的波动范围；对于同一振动传感器采集到的待测振动信号的特征向量，计算待测振动信号的特征向量与各个聚类中心的欧式距离，选取最近距离向量对应的聚类中心作为基准向量，根据待测振动信号的特征向量与基准向量之间的欧式距离与该聚类中心对应的波动范围，确定各个振动传感器确定的变压器处于各种状态下的置信度函数，具体包括：
S301，对于单个振动传感器不同时间段振动信号中得到的所有特征向量为T11,T12,…,T1z，其中z表示不同时间段采集样本的数量，根据采集数据期间负荷波动的规律选定分类数k；
S302，在样本中随机选取k个样本作为初始聚类中心C＝{Tc1,Tc2,…Tck}；
S303，计算其余各样本T1i到k个聚类中心的欧式距离：Dik＝||T1i-Tck||2，表示第i个样本到第k个聚类中心的距离；
S304，从各样本特征向量到k个聚类中心的欧式距离中选取最小的一个min{Di1,Di2,…,Dik}，将此样本归入聚类中心所在类别中，将所有的样本分成k个数据簇；
S305,利用分类好的各个数据簇中的样本更新聚类中心，新的聚类中心为
Figure BDA0002205616580000071
表示第k类数据中d个样本的均值；
S306，计算各簇聚类中心的更新幅度：ΔTck＝Tck'-Tck，选取最大更新幅值ΔT＝max{ΔTc1,ΔTc2,…,ΔTck}，判断最大更新幅值是否小于设定的阈值，如果更新幅值小于阈值或者迭代次数超过设置的最大值时聚类结束，否则，回到第S303步；
S307,聚类完成后得到k个最终的聚类中心Tk＝{Tc1,Tc2,…,Tck}，计算各簇数据中所有样本到聚类中心的欧式距离的最大值Fk＝max{D1k,D2k,…,Ddk}，表示此类数据正常状态下的波动范围阈值，依次可得k簇数据的波动范围F＝[F1,F2,…,Fk]；
S308,对于同一振动传感器采集到的待测振动信号的特征向量T1t，计算待测振动信号的特征向量T1t与k均值聚类得到的各个聚类中心的欧式距离：Dti＝||T1t-Tci||2，得到距离向量Dk＝[D1,D2,…,Dk],选取最近距离向量min{D1,D2,…,Dk}对应的聚类中心Tck作为基准向量，根据待测振动信号的特征向量与基准向量之间的欧式距离Dtk＝||T1t-Tck||2与该聚类中心对应的波动范围Fk，计算此振动传感器确定的变压器处于各种状态下的置信度函数m1，包括：
变压器无故障的置信度函数为：
Figure BDA0002205616580000072
变压器处于故障预警状态的置信度函数为：
Figure BDA0002205616580000073
变压器处于严重故障状态的置信度函数为：
Figure BDA0002205616580000081
S309,同理，对于变压器的其他振动传感器特征向量T2～Tn依据同样方法可以计算得到变压器处于各种状态下的置信度函数m2～mn，具体如表1所示，
表1变压器处于各种状态下的置信度函数
Figure BDA0002205616580000082
所述步骤S4中，利用DS证据理论融合不同传感器的置信度函数，得到最终的置信度函数，取置信度函数最大值对应的结果，作为变压器运行状态检测的结果，具体包括：
根据DS证据理论，将各个振动传感器的基本概率分配为m1(A1),m2(A2),…,mr(Ar)，对于某个命题Ψ的合成规则为：
Figure BDA0002205616580000083
Figure BDA0002205616580000084
其中，K反映了证据的冲突程度，K值越大，说明证据的冲突程度越大，
因此，各个命题的合成规则如下：
Figure BDA0002205616580000085
Figure BDA0002205616580000086
Figure BDA0002205616580000087
Figure BDA0002205616580000091
取置信度函数最大值R＝max{m(A),m(AB),m(B)}对应的结果R作为变压器运行状态检测的结果，从而无确定变压器存在的异常状态。
其中，所述步骤S1中，振动信号的采集，在变压器油箱表面均匀布置多个振动传感器监测点，采集油箱前后左右四个侧面不同方向的振动信号以及油箱顶部垂直方向的振动信号，具体包括：在油箱前后左右四个侧面以及油箱顶部各布置9个振动传感器测点，各个振动传感器测点之间等距离分布。
其中，所述步骤S2中，根据步骤S1采集到的振动信号，提取每个振动传感器振动信号的特征向量Ti(i＝1,2,3···m，m为主要频率分量的数量)，变压器油箱表面不同位置的振动传感器对应的特征向量组成了变压器整体的特征向量矩阵T＝[T1,T2,…,Ti,…,Tn]，其中n为振动传感器的数量；振动信号的时域波形可以用多种参数进行描述，包括均值、绝对平均值、峰值、有效值、方差、峭度、波形因子、峰值因子、脉冲值等，根据振动传感器采集的一系列数据点，按照下列公式计算振动信号对应的时域参数。
各种参数的定义如下：
均值：
Figure BDA0002205616580000092
绝对平均幅值：
Figure BDA0002205616580000093
峰值：
Figure BDA0002205616580000094
有效值：
Figure BDA0002205616580000095
方差：
Figure BDA0002205616580000096
峭度：
Figure BDA0002205616580000097
波形因子：
Figure BDA0002205616580000098
峰值因子：
Figure BDA0002205616580000099
脉冲值：
Figure BDA00022056165800000910
其中，x(ti)即为振动传感器不同时间的采样值，N为采样点数，则每个振动传感器振动信号的特征向量Ti表示为：
Figure BDA00022056165800000911
在变压器未发生故障的时期，通过振动传感器采集变压器正常状态下的振动数据，从中提取变压器正常状态下的特征向量，正常状况下变压器的振动信号是稳定的周期信号。对采集到的振动信号进行分析，如果发现某些测点的振动信号波形不具有周期性和平稳性，说明变压器已发生较明显的机械故障，对于各测点振动信号都是平稳周期信号的情况，则需要根据本发明中步骤S3-S4做进一步的诊断。
其中，所述步骤302中，在样本中随机选取k个样本作为初始聚类中心C＝{Tc1,Tc2,…Tck}，具体包括：
(1)给定分类数k，任取一个样本作为聚类中心Tc1,计算其他所有样本距聚类中心的欧式距离Dc1i，取max{Dc1i}对应的样本作为第二个聚类中心Tc2,
(2)取其他所有样本距离聚类中心到Tc1和Tc2的欧式距离Dc1i和Dc2i，取Di＝max{min{Dc1i,Dc2i}}，对应的样本作为第三个聚类中心Tc3，
(3)依次类推，继续计算Di＝max{min{Dc1i,Dc2i,Dc3i}}，直到最终得到k个聚类中心C＝{Tc1,Tc2,…Tck}
本发明提供的基于多测点振动信号的变压器异常状态检测方法，在变压器油箱四个侧面和顶部各布置9个测点，测点之间等距离分布，测点分布尽可能均匀地覆盖变压器油箱外壁的全部范围，采集油箱前后左右四个侧面不同方向的振动信号以及油箱顶部垂直方向的振动信号，能够全面地反映变压器整体的健康状况，避免了少数几个传感器测点分析不全面、可能遗失某些重要部位振动信息的缺点；同一个振动传感器采集的不同时间段的振动信号可能存在不同的特征向量，这是由于不同时间段负荷波动造成的，本发明利用k均值聚类算法，对同一振动传感器不同时间段负荷下振动特征向量进行聚类分析，并根据待测向量与各聚类中心之间的欧式距离与波动范围的比值作为参数，计算单个测点观测得到的变压器处于各种状态下置信度函数，方法简便可行，检测快速准确。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (2)

1.一种基于多测点振动信号的变压器异常状态检测方法，其特征在于，包括以下步骤：
S1，在变压器油箱表面均匀布置多个振动传感器，采集油箱前后左右四个侧面不同方向的振动信号以及油箱顶部垂直方向的振动信号；
S2，根据步骤S1采集到的振动信号，利用快速傅里叶分解提取每个振动传感器振动信号的100Hz及其整数倍谐波的幅值作为特征向量Tx(x＝1,2,3···m，其中m为主要频率分量的数量)，变压器油箱表面不同位置的振动传感器对应的特征向量组成了变压器整体的特征向量矩阵
Figure FDA0003746120990000011
其中n为振动传感器的数量；在变压器未发生故障的时期，通过振动传感器采集变压器正常状态下的振动数据，从中提取变压器正常状态下的特征向量，正常状况下变压器的振动信号是稳定的周期信号；对采集到的振动信号进行分析，如果发现某些测点的振动信号波形不具有周期性和平稳性，说明变压器已发生较明显的机械故障，对于各测点振动信号都是平稳周期信号的情况，则需要根据步骤S3-S4做进一步的诊断；
S3，采用k均值聚类算法对每个振动传感器不同时间段的振动信号的特征向量进行聚类分析，得到k个最终的聚类中心以及各聚类中心簇内向量距中心欧式距离的波动范围；计算待测振动信号的特征向量与各个聚类中心的欧式距离；选取距离最近的聚类中心作为基准向量，根据特征向量与基准向量之间的欧式距离与该聚类中心对应的波动范围，计算该振动传感器确定的变压器处于各种状态下的置信度函数；
S4，利用DS证据理论融合不同传感器的置信度函数，得到最终的置信度函数，取置信度函数最大值对应的结果，作为变压器运行状态检测的结果；
所述步骤S3中，采用k均值聚类算法对每个振动传感器不同时间段的振动信号的特征向量进行聚类分析，得到k个最终的聚类中心以及各聚类中心簇内向量距中心欧式距离的波动范围；计算待测振动信号的特征向量与各个聚类中心的欧式距离；选取距离最近的聚类中心作为基准向量，根据特征向量与基准向量之间的欧式距离与该聚类中心对应的波动范围，计算该振动传感器确定的变压器处于各种状态下的置信度函数，具体包括：
S301，对于单个振动传感器不同时间段振动信号中得到的所有特征向量为T11,T12,…,T1z，其中z表示采集样本的数量，根据采集数据期间负荷波动的规律选定分类数k；
S302，在样本中随机选取k个样本作为初始聚类中心C＝{Tc1,Tc2,…Tck}；
S303，计算其余各样本T1y到k个聚类中心的欧式距离：Dyk＝||T1y-Tck||2，表示第y个样本到第k个聚类中心的距离；
S304，从各样本特征向量距离k个聚类中心的欧式距离中选取最小的一个min{Di1,Di2,…,Dik}，将此样本归入聚类中心所在类别中，从而将所有的样本分成k个数据簇；
S305,利用分类好的各个数据簇中的样本更新聚类中心，确定新的聚类中心为
Figure FDA0003746120990000021
表示第k类数据簇中d个样本的均值；
S306，计算各簇聚类中心的更新幅度：ΔTck＝Tck'-Tck，选取各聚类中心的最大更新幅值ΔT＝max{ΔTc1,ΔTc2,…,ΔTck}，判断最大更新幅值是否小于预设的阈值，如果更新幅值小于阈值或者迭代次数超过设置的最大值时聚类结束，否则，回到第S303步；
S307,聚类完成后得到k个最终的聚类中心Tk＝{Tc1,Tc2,…,Tck}，计算各簇数据中所有样本距离聚类中心欧式距离的最大值Fk＝max{D1k,D2k,…,Ddk}，表示此类数据正常状态下的波动范围的阈值，依次可得k簇数据的波动范围F＝[F1,F2,…,Fk]；
S308,对于同一振动传感器采集到的待测振动信号的特征向量T1t，计算待测振动信号的特征向量T1t与k均值聚类得到的各个聚类中心的欧式距离：Dtg＝||T1t-Tcg||2，得到距离向量Dk＝[D1,D2,…,Dk],选取最近距离向量min{D1,D2,…,Dk}对应的聚类中心Tck作为基准向量，根据待测振动信号的特征向量与基准向量之间的欧式距离Dtk＝||T1t-Tck||2与该聚类中心对应的波动范围Fk，确定此振动传感器测得到的变压器处于各种状态下的置信度函数m1，包括：
变压器无故障的置信度函数为：
Figure FDA0003746120990000031
变压器处于故障预警状态的置信度函数为：
Figure FDA0003746120990000032
变压器处于严重故障状态的置信度函数为：
Figure FDA0003746120990000033
其中，A表示变压器处于无故障状态，AB表示变压器处于故障预警状态，B表示变压器处于严重故障状态；
S309,同理，对于变压器的其他振动传感器特征向量T2～Tn依据同样方法可以计算得到变压器处于各种状态下的置信度函数m2～mn；
所述步骤S4中，利用DS证据理论融合不同传感器的置信度函数，得到最终的置信度函数，取置信度函数最大值对应的结果，作为变压器运行状态检测的结果，具体包括：
根据DS证据理论，将各个振动传感器的基本概率分配为m1(A1),m2(A2),…,mr(Ar)，其中，A1表示对于事件存在的第一种假设结果，A2表示对于事件存在的第二种假设结果，Ar表示对于事件存在的第r种假设结果，对于某个命题Ψ的合成规则为：
Figure FDA0003746120990000034
Figure FDA0003746120990000035
其中，K反映了证据的冲突程度，K值越大，说明证据的冲突程度越大，
因此，各个命题的合成规则如下：
Figure FDA0003746120990000036
Figure FDA0003746120990000037
Figure FDA0003746120990000041
Figure FDA0003746120990000042
取置信度函数最大值R＝max{m(A),m(AB),m(B)}对应的结果R作为变压器运行状态的检测结果。
2.根据权利要求1所述的基于多测点振动信号的变压器异常状态检测方法，其特征在于，所述步骤S1中，振动信号的采集，在变压器油箱表面均匀布置多个振动传感器监测点，采集油箱前后左右四个侧面不同方向的振动信号以及油箱顶部垂直方向的振动信号，具体包括：在油箱前后左右四个侧面以及油箱顶部各布置9个振动传感器测点，各个振动传感器测点之间等距离分布。
CN201910880072.2A 2019-09-18 2019-09-18 基于多测点振动信号的变压器异常状态检测方法 Active CN110458248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910880072.2A CN110458248B (zh) 2019-09-18 2019-09-18 基于多测点振动信号的变压器异常状态检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910880072.2A CN110458248B (zh) 2019-09-18 2019-09-18 基于多测点振动信号的变压器异常状态检测方法

Publications (2)

Publication Number Publication Date
CN110458248A CN110458248A (zh) 2019-11-15
CN110458248B true CN110458248B (zh) 2022-08-30

Family

ID=68492247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910880072.2A Active CN110458248B (zh) 2019-09-18 2019-09-18 基于多测点振动信号的变压器异常状态检测方法

Country Status (1)

Country Link
CN (1) CN110458248B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889227B (zh) * 2019-11-28 2023-05-05 四川泛华航空仪表电器有限公司 一种基于多传感器信息融合的飞机燃油测量方法
CN111272368B (zh) * 2020-02-24 2021-07-30 南京震坤物联网科技有限公司 基于基频数据K-Means聚类的支吊架劣化报警方法
CN111366235A (zh) * 2020-04-13 2020-07-03 国网河北省电力有限公司电力科学研究院 一种高压并联电抗器振动信号检测方法
CN112686279B (zh) * 2021-02-08 2024-03-22 杭州电子科技大学 一种基于k均值聚类和证据融合的齿轮箱故障诊断方法
CN112964357B (zh) * 2021-04-05 2022-09-27 中国人民解放军63966部队 装甲车辆行驶中振动测量系统、方法、设备和存储介质
CN115384580B (zh) * 2021-05-24 2024-03-26 北京全路通信信号研究设计院集团有限公司 一种钢轨在线检测方法及系统
CN113701684B (zh) * 2021-08-05 2022-10-14 西安交通大学 变压器绕组状态检测方法、装置、设备及存储介质
CN114046873A (zh) * 2021-11-17 2022-02-15 国家电网有限公司 一种基于lof-fcm模糊聚类算法的电抗器振动监测系统
CN115095535B (zh) * 2022-06-17 2023-04-07 长沙昌佳自动化设备有限公司 一种工业泵运行多参数检测仪
CN117031277B (zh) * 2023-09-29 2023-12-19 苏州保邦电气有限公司 一种电机运行状态智能监测方法
CN118424453B (zh) * 2024-07-03 2024-10-01 南京导纳能科技有限公司 一种变压器箱体表面振动测点选取设计方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9075701B2 (en) * 2012-05-04 2015-07-07 Electronics And Telecommunications Research Institute Apparatus and method for monitoring abnormal state of vehicle using clustering technique
CN107122879A (zh) * 2017-03-03 2017-09-01 广东南方电力通信有限公司 一种基于大数据与设备状态异常跟踪的电网状态检修方法
CN108760302A (zh) * 2018-05-08 2018-11-06 南京风电科技有限公司 一种风力发电机组轴承的在线监测与故障诊断系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9075701B2 (en) * 2012-05-04 2015-07-07 Electronics And Telecommunications Research Institute Apparatus and method for monitoring abnormal state of vehicle using clustering technique
CN107122879A (zh) * 2017-03-03 2017-09-01 广东南方电力通信有限公司 一种基于大数据与设备状态异常跟踪的电网状态检修方法
CN108760302A (zh) * 2018-05-08 2018-11-06 南京风电科技有限公司 一种风力发电机组轴承的在线监测与故障诊断系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
变压器与并联电抗器振动测试与故障分析;董川、李燕勇;《2009年云南电力技术论坛论文集》;20091231;第98-100页 *

Also Published As

Publication number Publication date
CN110458248A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
CN110458248B (zh) 基于多测点振动信号的变压器异常状态检测方法
CN111626153B (zh) 一种基于集成学习的局放故障状态识别方法
CN110275094B (zh) 一种高压电缆局部放电声光联合检测方法及系统
CN112201260B (zh) 一种基于声纹识别的变压器运行状态在线检测方法
CN106323452B (zh) 一种设备异音的检测方法及检测装置
CN107748314A (zh) 基于声波震荡检测的变压器故障分析系统
CN104198899B (zh) 一种多放电源情况下变压器局部放电类型识别方法
CN107748209B (zh) 一种结构损伤检测方法
JPWO2009139052A1 (ja) 信号判定方法、信号判定装置、プログラム、信号判定システム
JP6789872B2 (ja) 分析方法、分析装置、およびプログラム
CN106771938B (zh) 一种固体绝缘环网柜局部放电模式识别方法及装置
CN105637331A (zh) 异常检测装置、异常检测方法及计算机可读取的存储介质
KR20230103456A (ko) 건축 구조물의 안전성을 평가하는 구조물 안전 평가 방법 및 상기 방법을 수행하는 구조물 안전 평가 장치
CN115618205A (zh) 一种便携式声纹故障检测系统及方法
CN114201991A (zh) 一种基于超声传感器阵列的局放信号检测方法和系统
CN110657355B (zh) 一种热力管线泄漏检测方法
JP2002323371A (ja) 音響診断装置及び音響診断方法
CN113537156B (zh) 一种基于区间标准差结合频谱分析的振动数据清洗方法
CN115310499B (zh) 一种基于数据融合的工业设备故障诊断系统及方法
CN116736051A (zh) Gis绝缘缺陷智能诊断方法、装置、设备及存储介质
CN105467270A (zh) 基于频谱相似性评价的单端行波测距反射波辨识算法
CN114090949A (zh) 一种鲁棒的振动信号特征值计算方法
JP2000266570A (ja) 定常状態と非定常状態を弁別する信号処理装置
CN109753633A (zh) 一种基于非平稳gev分布模型的结构抗风失效风险评估方法
WO2023100243A1 (ja) 学習装置、異常兆候検知装置、異常兆候検知システム、学習方法およびプログラム

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