CN110609088B - 一种支柱绝缘子故障识别方法及装置 - Google Patents
一种支柱绝缘子故障识别方法及装置 Download PDFInfo
- Publication number
- CN110609088B CN110609088B CN201911065093.5A CN201911065093A CN110609088B CN 110609088 B CN110609088 B CN 110609088B CN 201911065093 A CN201911065093 A CN 201911065093A CN 110609088 B CN110609088 B CN 110609088B
- Authority
- CN
- China
- Prior art keywords
- wavelet
- frequency
- post insulator
- fault
- energy
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请提供了一种支柱绝缘子故障识别方法及装置,获取目标支柱绝缘子的振动信号;对振动信号进行N层小波包分解,得到N层小波树;对N层小波树进行特征提取,得到第N层小波中各个频带的能量值分别占第N层小波的总能量值的能量占比;根据各个频带分别对应的能量占比,确定目标支柱绝缘子是否故障;当目标支柱绝缘子故障时,对振动信息进行时频分析,得到小波时频图;根据小波时频图,确定目标支柱绝缘子的故障类型。该方法联合利用小波包能量与时频分析,通过对支柱绝缘子的振动信号的奇异点和奇异点处所包含的频带的分析,即从时域方面和频域方面共同对信号的异常情况进行频谱分析,实现快速准确的对支柱绝缘子是否故障及故障类型进行识别。
Description
技术领域
本申请涉及支柱绝缘子技术领域,尤其涉及一种支柱绝缘子故障识别方法及装置。
背景技术
支柱绝缘子是一种特殊的绝缘控件,早年间多用于电线杆,慢慢发展于大型高压电线连接塔,能够在架空输电线路中起到重要作用。但是由于支柱绝缘子长期面对工作环境恶劣、质量劣化及自然老化等问题,导致故障发生较多,严重影响了电力系统的安全运行。因此,支柱绝缘子在役检测的研究具有重要的应用价值。
现有技术中,可以采用FFT(fast Fourier transform,快速傅里叶变换)频谱分析方法对支柱绝缘子进行检测,傅里叶变换通过将信号从时域变换到频域,从整体上看待信号所包含的频率成分。
但由于支柱绝缘子振动信号属于脉冲激励振动,振动信号频谱复杂,干扰较多。传统的FFT频谱分析方法无法从局部时间点或时间段上对信号进行频谱分析,因此需要多次对比分析才能得出检测结果,计算量大,计算时间长,严重影响了检测效率。
发明内容
本申请提供了一种支柱绝缘子故障识别方法及装置,以解决采用FFT频谱分析方法需要多次对比分析才能得出检测结果,计算量大,计算时间长,严重影响了检测效率的技术问题。
为了解决上述技术问题,本申请实施例公开了以下技术方案:
本申请提供了一种支柱绝缘子故障识别方法,该方法包括:获取目标支柱绝缘子的振动信号;对振动信号进行N层小波包分解,得到N层小波树,其中,N为不小于3的自然数;对N层小波树中第N层小波的小波包能量进行特征提取,得到第N层小波中各个频带的能量值分别占第N层小波的总能量值的能量占比;根据各个频带分别对应的能量占比,确定目标支柱绝缘子是否故障;当确定出目标支柱绝缘子故障时,对振动信息进行时频分析,得到小波时频图;根据小波时频图,确定目标支柱绝缘子的故障类型。
可选地,对N层小波树中第N层小波的小波包能量进行特征提取,得到第N层小波中各个频带的能量值分别占第N层小波的总能量值的能量占比,包括:分别确定所述各个频带的分解系数;对所述各个频带的分解系数进行重构,得到所述各个频带分别对应的重构信号;根据各个频带分别对应的重构信号,得到各个频带的能量值分别占第N层小波的总能量值的能量占比。
可选地,根据各个频带分别对应的能量占比,确定目标支柱绝缘子是否故障,包括:将能量占比大于预设阈值的频带确定为主要频带;根据主要频带与预定的固有频带的关系,确定目标支柱绝缘子是否故障。
可选地,根据小波时频图,确定目标支柱绝缘子的故障类型,包括:根据小波时频图中的频率信息、时间信息及能量分布信息中的至少一项,确定目标支柱绝缘子的故障频带;根据小波时频图中的故障频带的频率,确定目标支柱绝缘子的故障类型。
可选地,对振动信号进行N层小波包分解,得到N层小波树,包括:对振动信号进行去噪处理,得到去噪后的信号;对去噪后的信号进行N层小波包分解,得到N层小波树;对振动信息进行时频分析,得到小波时频图,包括:对去噪后的信号进行时频分析,得到小波时频图。
可选地,对振动信号进行去噪处理,得到去噪后的信号,包括:通过小波包变化算法对振动信号进行去噪处理,得到去噪后的信号。
可选地,根据各个频带分别对应的重构信号,得到各个频带的能量值分别占第N层小波的总能量值的能量占比,包括:根据各个频带分别对应的重构信号,得到各个频带的能量值;根据各个频带的能量值,得到各个频带的能量值分别占第N层小波的总能量值的能量占比。
可选地,获取目标支柱绝缘子的振动信号,包括:接收支柱绝缘子振动声学检测设备采集的目标支柱绝缘子的振动信号。
可选地,分别确定各个频带的分解系数,包括:通过Wavedec函数确定各个频带的分解系数。
本申请提供了一种支柱绝缘子故障识别装置,该装置包括:获取模块,用于获取目标支柱绝缘子的振动信号;小波包分解模块,用于对振动信号进行N层小波包分解,得到N层小波树,其中,N为不小于2的自然数;特征提取模块,用于对N层小波树中第N层小波的小波包能量进行特征提取,得到第N层小波中各个频带的能量值分别占第N层小波的总能量值的能量占比;故障确定模块,用于根据各个频带分别对应的能量占比,确定目标支柱绝缘子是否故障;时频分析模块,用于当确定出目标支柱绝缘子故障时,对振动信息进行时频分析,得到小波时频图;故障类型确定模块,用于根据小波时频图,确定目标支柱绝缘子的故障类型。
本申请提供的支柱绝缘子故障识别方法及装置,联合利用小波包能量与时频分析,通过对支柱绝缘子的振动信号的奇异点和奇异点处所包含的频带的分析,即从时域方面和频域方面共同对信号的异常情况进行频谱分析,实现快速准确的对支柱绝缘子是否故障及故障类型进行识别。
附图说明
为了更清楚地说明本申请的技术方案,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,对于本领域普通技术人员而言,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为本申请实施例提供的一种支柱绝缘子故障识别方法的流程示意图;
图2为本申请实施例提供的小波包分解结果的示意图;
图3a为本申请实施例提供的支柱绝缘子的能量占比谱图的示例图一;
图3b为本申请实施例提供的支柱绝缘子的能量占比谱图的示例图二;
图3c为本申请实施例提供的支柱绝缘子的能量占比谱图的示例图三;
图4a为本申请实施例提供的支柱绝缘子的小波时频图的示例图一;
图4b为本申请实施例提供的支柱绝缘子的小波时频图的示例图二;
图5为本申请实施例提供的信号去噪的流程示意图;
图6为本申请实施例提供的一种支柱绝缘子故障识别装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
为使本申请的目的、技术方案和优点更加清楚,下面通过具体的实施例对本申请的技术方案进行详细说明。
本申请实施例提供了一种支柱绝缘子故障识别方法,如图1所示,该方法包括:
步骤S101:获取目标支柱绝缘子的振动信号;
步骤S102:对振动信号进行N层小波包分解,得到N层小波树,其中,N为不小于3的自然数;
步骤S103:对N层小波树中第N层小波的小波包能量进行特征提取,得到第N层小波中各个频带的能量值分别占第N层小波的总能量值的能量占比;
步骤S104:根据各个频带分别对应的能量占比,确定目标支柱绝缘子是否故障;
步骤S105:当确定出目标支柱绝缘子故障时,对振动信息进行时频分析,得到小波时频图;
步骤S106:根据小波时频图,确定目标支柱绝缘子的故障类型。
本申请实施例提供的支柱绝缘子故障识别方法,联合利用小波包能量与时频分析,通过对支柱绝缘子的振动信号的奇异点和奇异点处所包含的频带的分析,即从时域方面和频域方面共同对信号的异常情况进行频谱分析,实现快速准确的对支柱绝缘子是否故障及故障类型进行识别。
本申请的发明人经研究发现,若支柱绝缘子构件损伤,会导致其结构刚度的改变,当用一个含有丰富频率成分的脉冲信号作为输入对支柱绝缘子进行激励时,结构会产生某种振动响应,而结构损伤的程度不同,响应的变化量也不相同。因此,考虑到支柱绝缘子的振动相应可能包含丰富的损伤信息,本申请实施例中,以目标支柱绝缘子的振动信号为数据来源进行处理,以对目标支柱绝缘子的故障情况进行分析。即在步骤S101中,需要获取目标支柱绝缘子的振动信号。
实际应用中,目标支柱绝缘子的振动信号可以通过支柱绝缘子振动声学检测设备进行采集。那么步骤S101具体可以是接收支柱绝缘子振动声学检测设备采集的目标支柱绝缘子的振动信号,以便执行步骤S102。
对于本申请实施例,步骤S102中会对振动信号进行小波变换处理,即进行N层小波包分解,具体地,对高频部分的信号即信号的细节不再继续分解,对低频信号做继续的分解,得到N层小波树,便于后续提取多尺度空间能量特征。
其中,N表示分解层数(也可称为分解尺度),故N为不小于2的自然数,可以理解,N越大处理效果更明显,N越小处理效率更高。本领域技术人员可以根据实际情况选择合适的分解层数。本申请实施例中,为了在保证处理效率的同时达到理想的处理效果,提供了一种可行的实现方式,取N=3时,即对振动信号进行3层小波包分解,得到3层小波树,如图2所示,振动信号在第1层被分解为2个频率成分(即2个节点),分别为S1 S2 S3 S4和d1 d2d3d4;在第2层被分解为4个频率成分(即4个节点),分别为SS1 SS2,dS1 dS2,Sd1 Sd2和dd1dd2;在第3层被分解为8个频率成分(即8个节点),分别为SSS,dSS,SdS,ddS,SSd,dSd,Sdd和ddd。
实际应用中,本领域技术人员可以根据实际情况选取适合的小波基函数进行N层小波包分解,本申请实施例中,可以采用db10(Daubechies10)小波基对振动信号进行N层小波包分解,得到N层小波树,以便执行步骤S103。
对于本申请实施例,步骤S103中,对N层小波树中第N层小波的小波包能量进行特征提取,由上述介绍可知,振动信号在第1层被分解为2个频率成分,在第2层被分解为4个频率成分,在第3层被分解为8个频率成分,则在第N层被分解为2N个频率成分。本申请实施例中,基于小波包分解,把不同分解尺度上的信号能量求解出来,将这些能量值排列成特征向量供识别使用,其中,能量求解的方法如下所示:
其中,E(j,i)表示在分解层次j上第i个节点的能量值;PS(n,j,k)表示小波变换的系数。
实际应用中,对小波能量进行特征提取,就是对各节点能量归一化,即取各节点能量所占的百分比,本申请实施例中,是对第N层小波能量进行特征提取,得到第N层小波中各个频带的能量值分别占第N层小波的总能量值的能量占比。
具体而言,步骤S103可通过如下步骤实现:
步骤S1031:分别确定各个频带的分解系数;
具体地,通过小波包分解后,分解得到的每个节点都有对应的分解系数(也可称为小波包系数或小波包分解系数),这个系数决定了频率的大小,每个节点都对应有相应范围的频带。以N=3为例,因为第3层小波得到8个节点,若采集仪的采样频率是48000Hz,根据采样定理,有效的采样频率为最高频率1/2,所以是24000Hz,将其分成8段,那么8个节点对应的8个频带分别为[0-3000]、[3000-6000]、…、[21000-24000]。
本申请实施例中,分别提取第N层小波的各个频带的分解系数,以N=3为例,即分别提取第3层的8个频带的分解系数。
实际应用中,可以通过Wavedec函数确定各个频带的分解系数。
步骤S1032:对各个频带的分解系数进行重构,得到各个频带分别对应的重构信号;
即提取得到各频带范围的重构信号。
步骤S1033:根据各个频带分别对应的重构信号,得到各个频带的能量值分别占第N层小波的总能量值的能量占比。
具体地,可以先根据各个频带分别对应的重构信号,得到各个频带的能量值;
以N=3为例,根据第3层8个频带的重构信号,分别计算8个频带的能量值的方式如下:
其中,Si(i=0,1,…,7)为各个频带的重构信号,xij(i=0,1,…,7,j=0,1,…,n)表示重构信号Si离散点的幅值。
进一步地,再根据各个频带的能量值,得到各个频带的能量值分别占第N层小波的总能量值的能量占比。
其中,第N层小波的总能量值为各个频带的能量值的和。
继续以N=3为例,分别计算每个频带的能量占比的方式如下:
其中,Ei(i=0,1,…,7)为各个频带的能量值。
在得到各个频带分别对应的能量占比后,便可执行步骤S104。
实际应用中,各个频带分别对应的能量占可以以能量占比谱图的方式进行呈现,以N=3为例,如图3a所示,用能量占比谱图展示了第3层8个频带的能量占比情况,其中,x轴代表8个节点所位于的8个频带,y轴代表的是各个频带的能量占比。在各频率成分信号的能量中,能量占比谱图能够直观地表征支柱绝缘子故障情况对不同频带能量分布变化的影响。
那么在得到能量占比谱图后,便可执行步骤S104。
对于本申请实施例,步骤S104中,可以根据各个频带分别对应的能量占比,确定目标支柱绝缘子是否故障;
具体而言,可以将能量占比大于预设阈值的频带确定为主要频带;根据主要频带与预定的固有频带的关系,确定目标支柱绝缘子是否故障。
具体地,当主要频带和固有频带完全相同时,可以确定目标支柱绝缘子没有故障。
当主要频带和固有频带不完全相同时,例如主要频带有多个,而固有频带只有一个时,或主要频带和固有频带的频带范围不同时,可以确定目标支柱绝缘子故障。
作为示例的,由经验可知,3000-6000Hz是支柱绝缘子的固有频带,因此可预先将3000-6000Hz设为预定的固有频带。实际应用中,本领域技术人员可以根据实际情况对固有频带进行设置。
由经验数据统计得到,节点能量占比高于25%位于的频带可以视为主要频带。
如图3a所示,1号节点能量占比是17%左右,2号节点能量占比是80%。2号节点是主要频带(即主要频率分布带),而2号节点的频带范围位于[3000-6000]。该示例中,主要频带和固有频带是相同的,可以推出图3a的支柱绝缘子没有故障。
如图3b所示,1号节点能量占比在53%左右,2号节点能量占比却是37%左右,4号节点能量占比有10%左右,很明显除了支柱绝缘子本身的固有频率外,还有其他特征明显的主要频率带出现,可以推出图3b的支柱绝缘子故障。
如图3c所示,图3c的特征与图3b相似,不同的是图3c的4号节点处有更多能量占比,同理可以推出图3c的支柱绝缘子故障。
实际应用中,能量占比谱图能够一定程度上反映支柱绝缘子的故障类型,但判断界限相对模糊,例如图3b中,1号节点出频带范围是[0-3000],1000-3000Hz频率带的出现是支柱绝缘子下端故障的表现,可以推断是绝缘子下端故障,而图3c中,4号节点处频带范围是[9000-12000],但绝缘子上端故障特征频带位于8000-9000Hz之间,且4号节点能量占比不足25%。本申请实施例中,为了得到更加准确可靠的故障类型识别结果,可以仅通过小波包能量占比情况判断支柱绝缘子是否有故障,通过小波时频分析来确定支柱绝缘子的故障类型。
具体而言,步骤S105中,当确定出目标支柱绝缘子故障时,对振动信息进行时频分析,得到小波时频图;
其中,小波时频图可以为二维时频图或三维时频图。
在步骤S106中,根据小波时频图,确定目标支柱绝缘子的故障类型。
具体而言,可以根据小波时频图中的频率信息、时间信息及能量分布信息中的至少一项,确定目标支柱绝缘子的故障频带;根据小波时频图中的故障频带的频率,确定目标支柱绝缘子的故障类型。
由发明人的经验可知,绝缘子正常时,其固有频率在3000Hz左右,在1000-3000Hz之间通常是绝缘子下端故障,在8000-9000Hz为绝缘子上端故障,观察图像中频率信息、时间信息及能量分布信息中的至少一项,判断出支柱绝缘子的故障类型(故障位置)。
实际应用中,支柱绝缘子的故障通常发生在连接处的上下法兰盘处,因此,本申请实施例中,支柱绝缘子的故障类型包括但不限于:支柱绝缘子上端故障、支柱绝缘子下端故障、支柱绝缘子上端和支柱绝缘子下端均故障等。
本申请实施例中,以三维时频图,如图4a、图4b所示,可以很直观地看到小波信号像山脉一样,x轴代表时间信息,y轴代表频率信息,山峰即z轴代表能量分布信息。
该示例中,图4a中有两条山脉,一条山脉频率位于3300Hz左右,另一条频率位于1500Hz左右,可以很容易区分一条频带是支柱绝缘子本身固有的频率,结合上文可知,另一条1500Hz左右的是绝缘子下端故障。图4b中有三条山脉,频率位于8100Hz、3300Hz和1500Hz,通过三条频带可以看出这个支柱绝缘子不仅有高频信号代表的上端故障,同样也有低频信号代表的下端故障,故这个支柱绝缘子上下端都有故障存在。
可以理解,本申请实施例提供的的小波包能量占比谱图是定量分析,小波时频分析图是定性分析。
本申请实施例中,在对目标支柱绝缘子的振动信号进行小波包能量与时频分析之前,可以对振动信号进行去噪处理,已得到更加准确地分析结果。
具体而言,步骤S102可以包括步骤:对振动信号进行去噪处理,得到去噪后的信号。
一种可行的实现方式中,通过小波包变化算法对振动信号进行去噪处理,得到去噪后的信号。
如图5所示,选取适合的小波基函数,如db10等,通过对振动信号进行小波包变换算法,先对振动信号进行分解,即将目标支柱绝缘子的振动信号进行特征提取,得到的特征信号中,含有重要信息的小波系数,经小波分解后小波系数放大,噪声的系数缩小,并且噪声的小波系数要小于信号的小波系数,通过选取一个合适的阈值,大于阈值的小波系数被认为是有用信号产生的,应予以保留,小于阈值的小波系数则认为是噪声产生的,置为零,即低通滤波过程。再基于低通滤波结果对特征信号进行重构,最终得到重建信号(即去燥后的信号),达到去噪的目的。
那么本申请实施例中,步骤S102可以是对对去噪后的信号进行N层小波包分解,得到N层小波树。
而步骤S105中,是对去噪后的信号进行时频分析,得到小波时频图。
其中步骤S105中所使用的去噪后的信号可以是步骤S102中处理得到的去噪后的信号,也可以是重新对支柱子的振动信号进行重新处理后得到的去噪后的信号,本申请实施例在此不做限定。
本申请实施例用小波时频分析的方法对支柱绝缘子的故障信号进行深入分析,小波分析方法具有较好的干扰去除能力和更精细的时间/频率分辨能力,利用小波分析对支柱绝缘子振动信号进行处理,有助于对支柱绝缘子振动检测结果更好的分析和评判,相较于傅里叶变换(包括加窗傅立叶变换),能够更好地完成信号的奇异性检测,适用于支柱绝缘子复杂非平稳时故障信号的分析处理。
本申请实施例还提供了一种支柱绝缘子故障识别装置,如图6所示,该支柱绝缘子故障识别装置60可以包括:获取模块601、小波包分解模块602、特征提取模块603、故障确定模块604、时频分析模块605和故障类型确定模块606,其中,获取模块601用于获取目标支柱绝缘子的振动信号;小波包分解模块602用于对振动信号进行N层小波包分解,得到N层小波树,其中,N为不小于2的自然数;特征提取模块603用于对N层小波树中第N层小波的小波包能量进行特征提取,得到第N层小波中各个频带的能量值分别占第N层小波的总能量值的能量占比;故障确定模块604用于根据各个频带分别对应的能量占比,确定目标支柱绝缘子是否故障;时频分析模块605用于当确定出目标支柱绝缘子故障时,对振动信息进行时频分析,得到小波时频图;故障类型确定模块606用于根据小波时频图,确定目标支柱绝缘子的故障类型。
本申请实施例提供的支柱绝缘子故障识别装置,联合利用小波包能量与时频分析,通过对支柱绝缘子的振动信号的奇异点和奇异点处所包含的频带的分析,即从时域方面和频域方面共同对信号的异常情况进行频谱分析,实现快速准确的对支柱绝缘子是否故障及故障类型进行识别。
所属领域的技术人员可以清楚地了解到,本申请实施例提供的支柱绝缘子故障识别装置,其实现原理及产生的技术效果和前述方法实施例相同,为描述的方便和简洁,装置实施例部分未提及之处,可参考前述方法实施例中相应内容,在此不再赘述。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (7)
1.一种支柱绝缘子故障识别方法,其特征在于,包括:
获取目标支柱绝缘子的振动信号;
对所述振动信号进行N层小波包分解,得到N层小波树,其中,N为不小于3的自然数;
对所述N层小波树中第N层小波的小波包能量进行特征提取,得到所述第N层小波中各个频带的能量值分别占所述第N层小波的总能量值的能量占比;
根据所述各个频带分别对应的能量占比,确定所述目标支柱绝缘子是否故障;
当确定出所述目标支柱绝缘子故障时,对所述振动信息进行时频分析,得到小波时频图;
根据所述小波时频图,确定所述目标支柱绝缘子的故障类型;
所述根据所述小波时频图,确定所述目标支柱绝缘子的故障类型,包括:
根据所述小波时频图中的频率信息、时间信息及能量分布信息,确定所述目标支柱绝缘子的故障频带;
根据所述小波时频图中的所述故障频带的频率,确定所述目标支柱绝缘子的故障类型,所述故障类型包括上端和下端均故障、上端故障以及下端故障;
所述根据所述各个频带分别对应的能量占比,确定所述目标支柱绝缘子是否故障,包括:
将能量占比大于预设阈值的频带确定为主要频带;
根据所述主要频带与预定的固有频带的关系,确定所述目标支柱绝缘子是否故障。
2.根据权利要求1所述的支柱绝缘子故障识别方法,其特征在于,所述对所述N层小波树中第N层小波的小波包能量进行特征提取,得到所述第N层小波中各个频带的能量值分别占所述第N层小波的总能量值的能量占比,包括:
分别确定所述各个频带的分解系数;
对所述各个频带的分解系数进行重构,得到所述各个频带分别对应的重构信号;
根据所述各个频带分别对应的重构信号,得到所述各个频带的能量值分别占所述第N层小波的总能量值的能量占比。
3.根据权利要求1所述的支柱绝缘子故障识别方法,其特征在于,所述对所述振动信号进行N层小波包分解,得到N层小波树,包括:
对所述振动信号进行去噪处理,得到去噪后的信号;
对所述去噪后的信号进行N层小波包分解,得到N层小波树;
所述对所述振动信息进行时频分析,得到小波时频图,包括:
对所述去噪后的信号进行时频分析,得到小波时频图。
4.根据权利要求3所述的支柱绝缘子故障识别方法,其特征在于,所述对所述振动信号进行去噪处理,得到去噪后的信号,包括:
通过小波包变化算法对所述振动信号进行去噪处理,得到去噪后的信号。
5.根据权利要求2所述的支柱绝缘子故障识别方法,其特征在于,所述根据所述各个频带分别对应的重构信号,得到所述各个频带的能量值分别占所述第N层小波的总能量值的能量占比,包括:
根据所述各个频带分别对应的重构信号,得到所述各个频带的能量值;
根据所述各个频带的能量值,得到所述各个频带的能量值分别占所述第N层小波的总能量值的能量占比。
6.根据权利要求1所述的支柱绝缘子故障识别方法,其特征在于,所述获取目标支柱绝缘子的振动信号,包括:
接收支柱绝缘子振动声学检测设备采集的所述目标支柱绝缘子的振动信号。
7.根据权利要求2所述的支柱绝缘子故障识别方法,其特征在于,所述分别确定所述各个频带的分解系数,包括:
通过Wavedec函数确定所述各个频带的分解系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911065093.5A CN110609088B (zh) | 2019-11-04 | 2019-11-04 | 一种支柱绝缘子故障识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911065093.5A CN110609088B (zh) | 2019-11-04 | 2019-11-04 | 一种支柱绝缘子故障识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110609088A CN110609088A (zh) | 2019-12-24 |
CN110609088B true CN110609088B (zh) | 2022-08-26 |
Family
ID=68895766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911065093.5A Active CN110609088B (zh) | 2019-11-04 | 2019-11-04 | 一种支柱绝缘子故障识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110609088B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160315B (zh) * | 2020-01-03 | 2023-05-05 | 云南电网有限责任公司电力科学研究院 | 一种支柱绝缘子固有频带的获取方法及装置 |
CN111520535B (zh) * | 2020-04-29 | 2022-02-01 | 浙江工业大学 | 一种气动调节阀定位器松动故障的在线诊断方法 |
CN113538406B (zh) * | 2021-07-31 | 2024-04-05 | 西南石油大学 | 一种基于分数阶小波变换的钢板内表面缺陷识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907607A (zh) * | 2010-07-15 | 2010-12-08 | 天津市科远系统工程有限公司 | 瓷支柱绝缘子的缺陷检测方法 |
CN102928517A (zh) * | 2012-11-15 | 2013-02-13 | 河北省电力公司电力科学研究院 | 一种基于小波分解阈值去噪的瓷绝缘子振动声学检测数据降噪的方法 |
JP2013217867A (ja) * | 2012-04-12 | 2013-10-24 | Ibaraki Univ | 配管内における閉塞異物位置の診断方法 |
CN103472141A (zh) * | 2013-09-09 | 2013-12-25 | 北京工业大学 | 一种用于识别振动声调制机理的信号解调方法 |
CN104597132A (zh) * | 2014-11-07 | 2015-05-06 | 国家电网公司 | 一种基于共振声学的瓷支柱绝缘子带电检测方法 |
CN105424802A (zh) * | 2015-11-10 | 2016-03-23 | 华南理工大学 | 一种复合绝缘子缺陷的超声导波检测系统及其检测方法 |
CN108152379A (zh) * | 2017-12-13 | 2018-06-12 | 冶金自动化研究设计院 | 基于小波分析的液压缸故障状态分类识别方法 |
-
2019
- 2019-11-04 CN CN201911065093.5A patent/CN110609088B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907607A (zh) * | 2010-07-15 | 2010-12-08 | 天津市科远系统工程有限公司 | 瓷支柱绝缘子的缺陷检测方法 |
JP2013217867A (ja) * | 2012-04-12 | 2013-10-24 | Ibaraki Univ | 配管内における閉塞異物位置の診断方法 |
CN102928517A (zh) * | 2012-11-15 | 2013-02-13 | 河北省电力公司电力科学研究院 | 一种基于小波分解阈值去噪的瓷绝缘子振动声学检测数据降噪的方法 |
CN103472141A (zh) * | 2013-09-09 | 2013-12-25 | 北京工业大学 | 一种用于识别振动声调制机理的信号解调方法 |
CN104597132A (zh) * | 2014-11-07 | 2015-05-06 | 国家电网公司 | 一种基于共振声学的瓷支柱绝缘子带电检测方法 |
CN105424802A (zh) * | 2015-11-10 | 2016-03-23 | 华南理工大学 | 一种复合绝缘子缺陷的超声导波检测系统及其检测方法 |
CN108152379A (zh) * | 2017-12-13 | 2018-06-12 | 冶金自动化研究设计院 | 基于小波分析的液压缸故障状态分类识别方法 |
Non-Patent Citations (2)
Title |
---|
基于振动反馈法的绝缘子缺陷诊断软件实现;许兆健;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160815(第8期);第3-4,15,36-50页 * |
基于振动法检测的瓷绝缘子损伤探讨;李晓红等;《高压电器》;20090216;第45卷(第1期);第101-103页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110609088A (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110609088B (zh) | 一种支柱绝缘子故障识别方法及装置 | |
CN108845250B (zh) | 基于振动信号特征提取的有载分接开关故障识别方法 | |
Song et al. | Second generation wavelet transform for data denoising in PD measurement | |
CN108229382A (zh) | 振动信号特征提取方法、装置、存储介质和计算机设备 | |
CN102824172B (zh) | 一种脑电特征提取方法 | |
CN111381134A (zh) | 一种瓷质绝缘子串红外零值诊断方法及系统 | |
CN114492538B (zh) | 一种城市中压配电电缆局部放电信号去噪方法 | |
CN114885234B (zh) | 基于物联网的景区服务设备异常检测方法 | |
Jaber et al. | A simulation of non-stationary signal analysis using wavelet transform based on LabVIEW and Matlab | |
CN112945546A (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
CN111046836A (zh) | 局放信号的滤波去噪及分析方法、系统、设备及存储介质 | |
CN111965508B (zh) | 一种基于小波变换的局部放电信号检测方法 | |
CN110147637B (zh) | 基于小波及谐波成分贪婪稀疏识别的碰摩故障诊断方法 | |
CN117590172A (zh) | 应用于变压器的局部放电声电联合定位方法、装置和设备 | |
Huang et al. | Short-time kurtogram for bearing fault feature extraction under time-varying speed conditions | |
JPH08278343A (ja) | 信号処理装置および信号処理方法 | |
CN112287835B (zh) | 一种基于ewt-se及小波阈值的叶片声信号降噪方法 | |
CN113219333B (zh) | 一种电机故障诊断时的频谱参数处理方法 | |
CN113095170B (zh) | 一种基于可调q小波电机故障诊断方法 | |
CN107797025B (zh) | 电力系统的故障定位方法和装置 | |
CN114358040A (zh) | 一种基于自适应估算阈值法的扰动信号去噪方法 | |
CN112485616A (zh) | 电缆绝缘老化检测方法、装置、存储介质及处理器 | |
Lewin et al. | A feature based method for partial discharge source classification | |
CN110542546A (zh) | 基于谐波分形分解快速算法的机械故障特征识别方法 | |
CN112001326B (zh) | 基于振动指纹的高压开关装备故障诊断与预测方法和系统 |
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 |