CN110686767A - 一种基于时频法与数据序列法的gis振动异响联合特征提取方法 - Google Patents

Abstract

本发明公开了一种基于时频法与数据序列法的GIS振动异响联合特征提取方法，包括以下步骤：首先采集GIS正常运行及故障时的振动信号数据，并对振动信号进行预处理；其次通过时频法提取具有明确物理意义的特征量；再次通过数据序列法提取无明确物理意义的特征量；最后将上述提取的特征量组合，得到新的特征向量，进行权重评估，实现联合特征量的降维，完成特征量的提取。本发明的GIS振动异响联合特征提取方法，采用多种特征提取方法获得振动信号的复合特征，增强了特征的特异性，提高了诊断精度；适用于GIS多种振动故障存在时的特征提取，也适用于单一故障时的特征提取，具有较强的抗噪能力。

Description

一种基于时频法与数据序列法的GIS振动异响联合特征提取 方法

技术领域

本发明涉及电力系统中高压电器设备的检测技术领域，具体说是一种基于时频法与数据序列法的GIS振动异响联合特征提取方法。

背景技术

气体绝缘组合开关设备(Gas Insulated Switchgear，GIS)是电力系统重要的保护与控制设备，在特高压变电站中得到了广泛的应用，其在保障变电站及电网安全运行方面起着十分关键的作用。

GIS是一个结构复杂的大型机械设备，也是一个常用的电器设备，在现场组装和使用过程中不可避免会出现导体接触不良、紧固螺栓松动等机械故障，机械故障会导致GIS在交流电流的作用下产生机械振动,长期的机械振动可能会导致进一步的螺丝松动、产生电气悬浮体及机械磨损等,并有可能导致进一步的电气故障。如何准确的诊断GIS中的机械故障，对于GIS的运行的可靠性和整个电网的安全性具有非常重要的意义。

GIS机械状态的变化可以通过振动信号表征出来，但是将隐藏在信号中的特征提取出来需要借助有效的信号处理手段，一方面，各种智能算法的广泛应用为有效特征值的提取提供了理论支持；另一方面，实际电力系统中，GIS发生机械故障时往往是多种故障类型并存，采用现有单一的故障振动特征提取方法，会侧重某一提取特征，提取特征的特异性较低，容易造成故障的漏判，因此不能有效解决多种故障同时存在时的特征提取问题。

发明内容

为解决单一信号处理手段提取特征片面的问题，提高机械故障特征量提取的有效性，提升GIS振动异响时的诊断精度，本发明提供了一种基于时频法与数据序列法的GIS振动异响联合特征提取方法。

本发明为实现上述目的，通过以下技术方案实现：

一种基于时频法与数据序列法的GIS振动异响联合特征提取方法，包括以下步骤：

一、采集GIS正常运行及故障时的振动信号数据，并对振动信号进行预处理；

二、通过奇异值分解和总体最小二乘——旋转不变技术的信号参数估计相结合的时频法提取具有明确物理意义的特征量；

三、通过变分模态分解和多重分形相结合的数据序列法提取无明确物理意义的特征量；

四、对步骤二提取的具有明确物理意义的特征量和步骤三提取的无明确物理意义的特征量进行组合，得到新的特征向量，进行权重评估，实现联合特征量的降维，完成特征量的提取。

优选的，所述预处理是基于数学形态学滤波的振动信号降噪。

优选的，权重评估使用的方法为基于随机森林的基尼指数最大下降方法。

优选的，步骤二是利用奇异值分解的突变点识别方法，以突变点为依据将振动区间划分为多个平稳区间，再利用总体最小二乘——旋转矢量不变技术进行参数辨识，从而精确地提取各子波发生的重要参数，其中重要参数为解释性强的时刻、频率和幅值。

优选的，步骤二的具体步骤为：

由去噪后的振动信号x(n)构造Hankel矩阵

N为最大采样点数，L为束参数；

对X进行奇异值分解X＝UΛV^T并展开得到：

其中，u_i∈R^(N-L)×1，v_i∈R^(L+1)×1，i＝1,2,…,m，m＝min((L+1)，(N-L))；

令

则

将X_i第一行和最后一列首尾衔接可得P_i＝[x_i,1,x_i,2,L x_i,N]；

从P₁到P_m依次为振动信号的主要成分、突变信息和噪声；

以奇异值范数为依据划分主要成分与突变信息，即

当i从1到L+1变化时，选定阈值μ为0.995，满足K_i>μ时，则前i个分量主要信息，剩余分量为突变信息和噪声，利用如下差分算子，完成对突变点的识别：

S(i)＝(x(i)-x(i-1))²

x(i)为第i个采样点数值，S(i)为第i个差分算子；

则V按照奇异值范数划分为信号子空间V₁和噪声子空间V₂，令V₁删除第1行为V₃，V₁删除最后1行为V₄，得到

(V₃+e₁)＝(V₄+e₂)Φ

构建矩阵[V₃,V₄]，并进行SVD：

[V₃,V₄]＝RΛZ^T

将Z分为4个p×p矩阵，即

则使总体误差最小的最优

解出特征值λ_k(k＝1，2，…，p)并构建如下矩阵

最终提取出各分量的幅值、频率、衰减系数、初相位等振动信号特征量：

S＝(λ^Tλ)^-1λ^TX

a_k＝2|S|

φ_k＝angle(S)

f_k、a_k、ξ_k、φ_k分别为第k个分量的频率、幅值、衰减系数和初相位。

优选的，步骤三的具体步骤为：

对预处理后的振动信号进行VMD分解，获得k个模态分量，具体方法为：

初始化各模态分量和中心频率

将各参量变换到频域内，在非负频率区间内更新u_k、ω_k及λ：

对于给定判定精度ε>0，满足则停止迭代：

u_k为各模态分量，ω_k为各模态分量的中心频率，α为数据保真度平衡算子；

对每一模态分量进行广义分形维数的计算，得到k组广义分形维数向量，即为数据序列法所求得的特征向量；

使用N个尺度为ε的超立方体对分形集X进行覆盖，每个超立方体的归一化概率测度为p_i(ε)(i＝1，2，…，N)，如果ε足够小，那么可以认为p_i(ε)在超立方体上的分布是均匀的，则定义奇异性标度指数α为

p_i(ε):ε^α

表征分形体上不同尺寸ε下，分布概率随ε变化的各个子集的性质，α∈[α_min,α_max]是有限的，定义Δα＝α_min-α_max为多重分形谱宽；

当给定阶数q时，可以计算General信息熵

进而可以得到广义分形维数

q取值不同，可以得到不同标度的广义维数[D(0)，D(1)，…，D(q)]。

优选的，步骤四的具体步骤为：

对于给定的样本集合D，其基尼指数为

C_k是D中第k类的样本子集；

根据特征A是否取值为a，可将集合D划分为D₁和D₂，则在特征A的条件下，样本集合D的基尼指数为

基尼指数Gini(D，A)的值越大，样本的不确定性越大；

优质的特征应该能够使样本的不确定性尽可能的小，因此在随机森林内部，采用基尼指数最大下降值评估特征权重：

ΔG＝Gini(D)-Gini(D,A)

权重评估完成后最终得出该振动信号的有效特征量。

本发明相比现有技术具有以下优点：

本发明的GIS振动异响联合特征提取方法，首先，通过奇异值分解和总体最小二乘——旋转不变技术的信号参数估计相结合的时频法提取具有明显物理意义的特征量；然后，通过变分模态分解和多重分形相结合的数据序列法提取无明显物理意义的特征量；最后，将两类特征量进行组合以得到新的特征向量，并使用基于随机森林的基尼指数最大下降方法对特征量进行权重评估，实现联合特征量的降维，完成特征量的提取；

本发明的GIS振动异响联合特征提取方法，避免了单一方法对特征有所侧重，易造成故障漏判的情况，采用多种特征提取方法获得振动信号的复合特征，增强了特征的特异性，提高了诊断精度。

本发明的GIS振动异响联合特征提取方法，适用于GIS多种振动故障存在时的特征提取，也适用于单一故障时的特征提取，对于GIS振动信号的多种特征量进行权重评估，可对其包含的各单一故障的重要性做出适当的判定，具有较强的抗噪能力。

附图说明

图1为GIS振动异响联合特征提取方法的流程示意图；

图2为通过时频法提取具有明确物理意义的特征量的过程示意图；

图3为通过数据序列法提取无明确物理意义的特征量的过程示意图。

具体实施方式

以下结合具体实施例来对本发明作进一步的描述。

实施例1

一种基于时频法与数据序列法的GIS振动异响联合特征提取方法，包括以下步骤：

一、采集GIS正常运行及故障时的振动信号数据，并对振动信号进行预处理；

所述预处理为基于数学形态学(Mathematical Morphology，MM)滤波的振动信号降噪；

输入振动信号序列f(n)，所选的结构元素g(m)是定义域为G＝(0，1，...，M)的一维离散数据集，则f(n)对于g(n)的膨胀和腐蚀作用可以表达为：

(fΘg)(n)＝min[f(n+m)-g(m)]

其中，

和Θ分别为表示膨胀和腐蚀的运算符号；

f(n)对于g(m)的开放和闭合运算定义为：

(f·g)(n)＝(f⊕gΘg)(n)

最终采用如下融合了开闭运算的形态差值算子对振动信号进行处理，得到去噪后的振动信号：

DIF(f(n))＝(f·g)(n)-(fog)(n)＝((f·g)(n)-f(n))+(f(n)-(fog)(n))

二、通过奇异值分解和总体最小二乘——旋转不变技术的信号参数估计相结合的时频法提取具有明确物理意义的特征量，如幅值、衰减系数和频率，如图2所示：

利用基于奇异值分解(Singular Value Decomposition，SVD)的突变点识别方法，以突变点为依据将振动区间划分为多个平稳区间，再利用总体最小二乘–旋转矢量不变技术(TLS-ESPRIT)进行参数辨识，从而可以精确地提取各子波发生的时刻、频率、幅值等可解释性较强的重要参数；

由去噪后的振动信号x(n)构造Hankel矩阵

N为最大采样点数，L为束参数；

对X进行奇异值分解X＝UΛV^T并展开得到：

其中，u_i∈R^(N-L)×1，v_i∈R^(L+1)×1，i＝1,2,…,m，m＝min((L+1)，(N-L))；

令

则

将X_i第一行和最后一列首尾衔接可得P_i＝[x_i,1,x_i,2,L x_i,N]；

从P1到Pm依次为振动信号的主要成分、突变信息和噪声

以奇异值范数为依据划分主要成分与突变信息，即

当i从1到L+1变化时，选定阈值μ为0.995，满足K_i>μ时，则前i个分量主要信息，剩余分量为突变信息和噪声，利用如下差分算子，完成对突变点的识别：

S(i)＝(x(i)-x(i-1))²

x(i)为第i个采样点数值，S(i)为第i个差分算子；

则V按照奇异值范数划分为信号子空间V₁和噪声子空间V₂，令V₁删除第1行为V₃，V₁删除最后1行为V₄，得到

(V₃+e₁)＝(V₄+e₂)Φ

构建矩阵[V₃,V₄]，并进行SVD：

[V₃,V₄]＝RΛZ^T

将Z分为4个p×p矩阵，即

则使总体误差最小的最优

解出特征值λ_k(k＝1，2，…，p)并构建如下矩阵

最终提取出各分量的幅值、频率、衰减系数、初相位等振动信号特征量：

S＝(λ^Tλ)^-1λ^TX

a_k＝2|S|

φ_k＝angle(S)

f_k、a_k、ξ_k、φ_k分别为第k个分量的频率、幅值、衰减系数和初相位；

三、通过变分模态分解和多重分形相结合的数据序列法提取无明确物理意义的特征量，如图3所示；

首先，对预处理后的振动信号进行VMD分解，获得k个模态分量，具体方法为：

初始化各模态分量和中心频率

λ¹，n＝0，将各参量变换到频域内，在非负频率区间内更新u_k、ω_k及λ：

对于给定判定精度ε>0，满足则停止迭代：

u_k为各模态分量，ω_k为各模态分量的中心频率，α为数据保真度平衡算子；

对每一模态分量进行广义分形维数的计算，即可得到k组广义分形维数向量，即为数据序列法所求得的特征向量；

使用N个尺度为ε的超立方体对分形集X进行覆盖，每个超立方体的归一化概率测度为p_i(ε)(i＝1，2，…，N)，如果ε足够小，那么可以认为p_i(ε)在超立方体上的分布是均匀的，则定义奇异性标度指数α为

p_i(ε):ε^α

表征分形体上不同尺寸ε下，分布概率随ε变化的各个子集的性质，α∈[α_min,α_max]是有限的，定义Δα＝α_min-α_max为多重分形谱宽；

当给定阶数q时，可以计算General信息熵

进而可以得到广义分形维数

q取值不同，可以得到不同标度的广义维数[D(0)，D(1)，…，D(q)]；

四、将两类特征量进行组合以得到新的特征向量，并使用基于随机森林的基尼指数最大下降方法对特征量进行权重评估，实现联合特征量的降维，完成特征量的提取：

对于给定的样本集合D，其基尼指数为

C_k是D中第k类的样本子集；

根据特征A是否取值为a，可将集合D划分为D₁和D₂，则在特征A的条件下，样本集合D的基尼指数为

基尼指数Gini(D，A)的值越大，样本的不确定性越大；

优质的特征应该能够使样本的不确定性尽可能的小，因此在随机森林内部，采用基尼指数最大下降值评估特征权重：

ΔG＝Gini(D)-Gini(D,A)

权重评估完成后最终得出该振动信号的有效特征量。

Claims (7)

1.一种基于时频法与数据序列法的GIS振动异响联合特征提取方法，其特征在于：包括以下步骤：

一、采集GIS正常运行及故障时的振动信号数据，并对振动信号进行预处理；

二、通过奇异值分解和总体最小二乘——旋转不变技术的信号参数估计相结合的时频法提取具有明确物理意义的特征量；

三、通过变分模态分解和多重分形相结合的数据序列法提取无明确物理意义的特征量；

四、对步骤二提取的具有明确物理意义的特征量和步骤三提取的无明确物理意义的特征量进行组合，得到新的特征向量，进行权重评估，实现联合特征量的降维，完成特征量的提取。

2.根据权利要求1所述一种基于时频法与数据序列法的GIS振动异响联合特征提取方法，其特征在于：所述预处理是基于数学形态学滤波的振动信号降噪。

3.根据权利要求1所述一种基于时频法与数据序列法的GIS振动异响联合特征提取方法，其特征在于：权重评估使用的方法为基于随机森林的基尼指数最大下降方法。

4.根据权利要求1所述一种基于时频法与数据序列法的GIS振动异响联合特征提取方法，其特征在于：步骤二是利用奇异值分解的突变点识别方法，以突变点为依据将振动区间划分为多个平稳区间，再利用总体最小二乘——旋转矢量不变技术进行参数辨识，从而精确地提取各子波发生的重要参数，其中重要参数为解释性强的时刻、频率和幅值。

5.根据权利要求4所述一种基于时频法与数据序列法的GIS振动异响联合特征提取方法，其特征在于：步骤二的具体步骤为：

由去噪后的振动信号x(n)构造Hankel矩阵

N为最大采样点数，L为束参数；

对X进行奇异值分解X＝UΛV^T并展开得到：

其中，u_i∈R^(N-L)×1，v_i∈R^(L+1)×1，i＝1,2,…,m，m＝min((L+1)，(N-L))；

令

则

将X_i第一行和最后一列首尾衔接可得P_i＝[x_i,1,x_i,2,L x_i,N]；

从P₁到P_m依次为振动信号的主要成分、突变信息和噪声；

以奇异值范数为依据划分主要成分与突变信息，即

当i从1到L+1变化时，选定阈值μ为0.995，满足K_i>μ时，则前i个分量主要信息，剩余分量为突变信息和噪声，利用如下差分算子，完成对突变点的识别：

S(i)＝(x(i)-x(i-1))²

x(i)为第i个采样点数值，S(i)为第i个差分算子；

则V按照奇异值范数划分为信号子空间V₁和噪声子空间V₂，令V₁删除第1行为V₃，V₁删除最后1行为V₄，得到

(V₃+e₁)＝(V₄+e₂)Φ

构建矩阵[V₃,V₄]，并进行SVD：

[V₃,V₄]＝RΛZ^T

将Z分为4个p×p矩阵，即

则使总体误差最小的最优

解出特征值λ_k(k＝1，2，…，p)并构建如下矩阵

最终提取出各分量的幅值、频率、衰减系数、初相位等振动信号特征量：

S＝(λ^Tλ)^-1λ^TX

a_k＝2|S|

φ_k＝angle(S)

f_k、a_k、ξ_k、φ_k分别为第k个分量的频率、幅值、衰减系数和初相位。

6.根据权利要求1所述一种基于时频法与数据序列法的GIS振动异响联合特征提取方法，其特征在于：步骤三的具体步骤为：

对预处理后的振动信号进行VMD分解，获得k个模态分量，具体方法为：

初始化各模态分量和中心频率λ¹，n＝0，将各参量变换到频域内，在非负频率区间内更新u_k、ω_k及λ：

对于给定判定精度ε>0，满足则停止迭代：

u_k为各模态分量，ω_k为各模态分量的中心频率，α为数据保真度平衡算子；

对每一模态分量进行广义分形维数的计算，得到k组广义分形维数向量，即为数据序列法所求得的特征向量；

使用N个尺度为ε的超立方体对分形集X进行覆盖，每个超立方体的归一化概率测度为p_i(ε)(i＝1，2，…，N)，如果ε足够小，那么可以认为p_i(ε)在超立方体上的分布是均匀的，则定义奇异性标度指数α为p_i(ε):ε^α

表征分形体上不同尺寸ε下，分布概率随ε变化的各个子集的性质，α∈[α_min,α_max]是有限的，定义△α＝α_min-α_max为多重分形谱宽；

当给定阶数q时，可以计算General信息熵

进而可以得到广义分形维数

q取值不同，可以得到不同标度的广义维数[D(0)，D(1)，…，D(q)]。

7.根据权利要求1所述一种基于时频法与数据序列法的GIS振动异响联合特征提取方法，其特征在于：步骤四的具体步骤为：

对于给定的样本集合D，其基尼指数为

C_k是D中第k类的样本子集；

根据特征A是否取值为a，可将集合D划分为D₁和D₂，则在特征A的条件下，样本集合D的基尼指数为

基尼指数Gini(D，A)的值越大，样本的不确定性越大；

优质的特征应该能够使样本的不确定性尽可能的小，因此在随机森林内部，采用基尼指数最大下降值评估特征权重：

△G＝Gini(D)-Gini(D,A)

权重评估完成后最终得出该振动信号的有效特征量。

Images