CN111382809B - 一种基于电机输出功率的隔离开关机械故障诊断方法 - Google Patents

一种基于电机输出功率的隔离开关机械故障诊断方法 Download PDF

Info

Publication number
CN111382809B
CN111382809B CN202010482384.0A CN202010482384A CN111382809B CN 111382809 B CN111382809 B CN 111382809B CN 202010482384 A CN202010482384 A CN 202010482384A CN 111382809 B CN111382809 B CN 111382809B
Authority
CN
China
Prior art keywords
output power
value
characteristic
isolating switch
kernel function
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
CN202010482384.0A
Other languages
English (en)
Other versions
CN111382809A (zh
Inventor
刘衍
彭诗怡
周涛涛
尹桂来
邹阳
陈�田
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.)
Wuhan Hongmen Electrical Technology Co ltd
State Grid Corp of China SGCC
Wuhan University WHU
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
Wuhan Hongmen Electrical Technology Co ltd
State Grid Corp of China SGCC
Wuhan University WHU
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
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 Wuhan Hongmen Electrical Technology Co ltd, State Grid Corp of China SGCC, Wuhan University WHU, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical Wuhan Hongmen Electrical Technology Co ltd
Priority to CN202010482384.0A priority Critical patent/CN111382809B/zh
Publication of CN111382809A publication Critical patent/CN111382809A/zh
Application granted granted Critical
Publication of CN111382809B publication Critical patent/CN111382809B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明公开了一种基于电机输出功率的隔离开关机械故障诊断方法，通过采集高压隔离开关正常及机械故障状态下动作过程的电机输出功率，获得不同型号高压隔离开关正常及机械故障状态下的优化特征；依据高压隔离开关动静触头是否接触，提取输出功率‑时间曲线整体及分段共计23个原始特征；对原始特征进行特征提取及优化，对支持向量机模型进行训练，建立识别正常状态与各机械故障状态的支持向量机诊断模型。本发明提出了一种基于电机输出功率的隔离开关机械故障诊断方法，利用建立的支持向量机诊断模型快速准确的诊断被测高压隔离开关机械状态，有助于高压隔离开关机械状态的智能化诊断。

Description

一种基于电机输出功率的隔离开关机械故障诊断方法
技术领域
本发明涉及高压隔离开关机械故障诊断，具体是一种基于电机输出功率的隔离开关机械故障诊断方法。
背景技术
高压隔离开关是电力系统中用量较多的高压开关设备，由于其一般工作于户外环境，易受户外恶劣环境侵蚀，加之检修维护不及时，导致高压隔离开关出现各种缺陷故障。
目前的高压隔离开关检修标准中，列举的主要故障类型有包括传动部件损坏、分合闸动作不到位、三相不同期等在内的机械故障、导电回路过热故障、绝缘子损坏故障以及保护控制回路故障等。量化的检测方法包括红外测温技术，导电回路电阻测量，绝缘子超声波探伤等。然而针对占比较大的机械故障暂无量化的检测方法，一般根据检修技术人员手动操作高压隔离开关的手感，结合观测的动作过程来判断高压隔离开关机械状态，诊断结果依赖检测人员的主观经验，且难以在有限的时间内，做出准确量化的判断。
CN108196118A给出了一种高压隔离开关电机输出功率检测装置，用于测量高压隔离开关电机输出功率。CN201810151924X给出了一种基于电机输出功率检测的高压隔离开关机械缺陷诊断方法，通过比较器比较被测高压隔离开关功率-转角状态曲线与功率-转角标准曲线及运行状态良好的功率-转角历史曲线的停止角度、刚合角度、啮合峰值、功率均值数据，来判断被测高压隔离开关的机械状态。其诊断方法是：如果停止角度比正常状态小0.5°以上，则高压隔离开关存在行程不到位的缺陷；在触指触指啮合阶段，如果刚合角度比正常状态小0.5°以上或啮合峰值比正常状态大5W以上，则高压隔离开关存在三相不同期缺陷；在触指未啮合阶段，如果电机输出功率均值比正常状态大2.5W以上，则高压隔离开关存在卡涩缺陷。CN110530625A给出了一种高压隔离开关机械故障诊断装置及方法，通过检测电机输出功率，与数据库进行对比，从而进行判断。
综上，目前基于高压隔离开关电机功率的故障诊断方法，普遍通过检测高压隔离开关电机输出功率，将检测结果与标准曲线进行对比，从而形成诊断结果。但在这个过程中，电机输出功率检测结果的数据提取与处理、检测结果与标准曲线对比方法均未有相关说明。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种基于电机输出功率的隔离开关机械故障诊断方法。
为实现上述目的，本发明采用的技术方案如下：一种基于电机输出功率的隔离开关机械故障诊断方法，该方法包含如下步骤：
数据采集：采集不同型号高压隔离开关正常及机械故障状态下动作过程的电机输出功率，绘制相应的电机输出功率-时间曲线，得到输出功率-时间曲线样本,机械故障状态包括三相不同期、卡涩、不到位；
特征提取与优化：从输出功率-时间曲线样本获取高压隔离开关的原始特征，对原始特征进行优化，得到优化特征；
所述特征提取与优化具体步骤包括：
从输出功率-时间曲线样本获取高压隔离开关的原始特征，获取的原始特征包括整体特征和分段特征；
对各状态提取的原始特征进行归一化处理，将原始特征归算到[-1，1]区间中，归一化处理的计算方法如下：
Figure DEST_PATH_IMAGE001
其中，
Figure 368738DEST_PATH_IMAGE002
表示原始特征数据；
Figure DEST_PATH_IMAGE003
是归一化之后的特征数据；
Figure 984527DEST_PATH_IMAGE004
和
Figure DEST_PATH_IMAGE005
分别表示原始特征数据
Figure 543684DEST_PATH_IMAGE002
中的最大值和最小值；
对归一化后的原始特征进行特征优化;
诊断模型建立：采用各机械状态的优化特征作为训练数据，对支持向量机模型进行训练，建立识别正常状态与各机械故障状态的支持向量机诊断模型；
状态诊断：测得待诊断高压隔离开关动作过程的电机输出功率-时间曲线，提取其原始特征，并进行特征优化，将优化后的特征输入到建立的支持向量机诊断模型，计算判断待诊断高压隔离开关的机械状态类型。
进一步的,将输出功率-时间曲线按高压隔离开关动作过程分为三个阶段，包括电机启动阶段，动静触头未接触阶段以及动静触头接触阶段;
先提取输出功率-时间曲线的整体特征，提取的整体特征包括动作时间、整体功率均值与方差;
从动静触头未接触阶段和动静触头接触阶段分别提取各段的分段特征，提取的分段特征包括均值、均方值、方根幅值、标准差、方差、峰值、峰谷值、偏斜度、波形指标、峰值指标。
进一步的,所述对归一化后的原始特征进行特征优化包括以下步骤：
将归一化后的原始特征经过核函数计算得到核函数矩阵，再计算得到中心化核函数矩阵，并计算中心化核函数矩阵的特征值与特征向量，然后由大到小对特征值进行排序，与特征值对应的特征向量的位置也进行相应的调整，当特征维度拟降维至
Figure 381059DEST_PATH_IMAGE006
维时，计算前
Figure 305153DEST_PATH_IMAGE006
维特征值之和与总特征值之和的比值，得到前
Figure 736134DEST_PATH_IMAGE006
维主成分贡献度，再将中心化核函数矩阵与前
Figure 708769DEST_PATH_IMAGE006
维特征值对应的特征向量相乘，得到各机械状态的输出功率-时间曲线样本在前
Figure 807175DEST_PATH_IMAGE006
维各特征向量上的投影，即提取的特征，其中
Figure 902170DEST_PATH_IMAGE006
取正整数，其中核函数：
Figure DEST_PATH_IMAGE007
其中
Figure 945082DEST_PATH_IMAGE008
、
Figure DEST_PATH_IMAGE009
分别表示不同样本归一化的原始特征组成的行向量；
降至
Figure 846041DEST_PATH_IMAGE006
维，计算核函数参数
Figure 408741DEST_PATH_IMAGE010
取不同值时的主成分贡献度；同时计算特征提取后类间离散度
Figure DEST_PATH_IMAGE011
和类内离散度
Figure 736954DEST_PATH_IMAGE012
及基于距离可分性判据值
Figure DEST_PATH_IMAGE013
，
Figure 736003DEST_PATH_IMAGE013
值越大表示越容易对各种类型进行区分；
Figure 706233DEST_PATH_IMAGE013
的计算方法如下：
Figure 123439DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE017
Figure 622553DEST_PATH_IMAGE018
式中，
Figure DEST_PATH_IMAGE019
表示样本的类别数，
Figure 374478DEST_PATH_IMAGE020
表示第类样本占总样本的比例，
Figure DEST_PATH_IMAGE021
表示由第类中第
Figure 617240DEST_PATH_IMAGE022
个样本中经过特征优化后的
Figure DEST_PATH_IMAGE023
维特征组成的特征向量，
Figure 810324DEST_PATH_IMAGE024
为第
Figure DEST_PATH_IMAGE025
类样本
Figure 480340DEST_PATH_IMAGE026
的均值，
Figure DEST_PATH_IMAGE027
为各类样本均值
Figure 267030DEST_PATH_IMAGE024
的均值,
Figure 251167DEST_PATH_IMAGE028
为对第类数据求数学期望，
Figure DEST_PATH_IMAGE029
表示求矩阵的迹；
综合考虑计算量和基于距离可分性判据值，确定核函数参数、优化后特征维度和主成分贡献度，获得各机械状态输出功率-时间曲线样本的优化特征。
进一步的,所述综合考虑计算量和基于距离可分性判据值，确定核函数参数、优化后特征维度和主成分贡献度，获得各机械状态输出功率-时间曲线样本的优化特征包括以下步骤：
计算降维至不同维度时基于距离可分性判据值与主成分贡献度随
Figure 892233DEST_PATH_IMAGE030
值变化趋势；
取基于距离可分性判据值较大时的主成分贡献度；
比较将原始特征维度降至不同维度时的基于距离可分性判据值，在基于距离可分性判据值无明显差异下，特征维度取小；
将此特征维度下的特征作为输出功率-时间曲线样本的优化特征。
进一步的,所述建立识别正常状态与各机械故障状态的支持向量机诊断模型包括以下步骤：
惩罚参数与核函数参数通过交叉验证的方式寻求最优组合，采用网格搜索算法寻找支持向量机模型中的最优化参数，获得准确率随惩罚参数与核函数参数
Figure 998729DEST_PATH_IMAGE030
的变化趋势；
当有多个惩罚参数使训练的准确率都最高，此时选择数值最小的惩罚参数作为支持向量机模型中的惩罚参数；
根据确定的惩罚参数来确定核函数参数
Figure 803874DEST_PATH_IMAGE030
，选取其中的最小值，建立支持向量机诊断模型。
本发明的有益效果：由上述对本发明的描述可知，与现有技术相比，本发明具有以下有益效果：
1、本发明提出了一种基于电机输出功率的隔离开关机械故障诊断方法，避免了利用人工经验判断，有助于高压隔离开关机械状态的智能化诊断；
2、本发明提供的基于电机输出功率的高压隔离开关机械故障诊断方法，可以提高高压隔离开关故障识别的准确性。
附图说明
图1为本发明优选实施例中基于电机输出功率的隔离开关机械故障诊断方法整体流程示意图；
图2为本发明优选实施例中正常状态下的电机输出功率-时间曲线示意图；
图3为本发明优选实施例中降维到不同维度时基于距离可分性判据值与主成分贡献度随σ值的变化趋势示意图；
图4为本发明优选实施例中训练的支持向量机诊断模型对待诊断数据的诊断结果示意图。
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，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
参照图1-4所示，本发明的优选实施例，一种基于电机输出功率的隔离开关机械故障诊断方法，该方法包含如下步骤：
数据采集：采集不同型号高压隔离开关正常及机械故障状态下动作过程的电机输出功率，绘制相应的电机输出功率-时间曲线，得到输出功率-时间曲线样本,机械故障状态包括三相不同期、卡涩、不到位；
特征提取与优化：从输出功率-时间曲线样本获取高压隔离开关的原始特征，对原始特征进行优化，得到优化特征；
所述特征提取与优化具体步骤包括：
从输出功率-时间曲线样本获取高压隔离开关的原始特征，获取的原始特征包括整体特征和分段特征；
对各状态提取的原始特征进行归一化处理，将原始特征归算到[-1，1]区间中，归一化处理的计算方法如下：
Figure DEST_PATH_IMAGE031
其中，
Figure 263805DEST_PATH_IMAGE032
表示原始特征数据；
Figure DEST_PATH_IMAGE033
是归一化之后的特征数据；
Figure 556115DEST_PATH_IMAGE034
和
Figure DEST_PATH_IMAGE035
分别表示原始特征数据
Figure 302354DEST_PATH_IMAGE032
中的最大值和最小值；
对归一化后的原始特征进行特征优化;
诊断模型建立：采用各机械状态的优化特征作为训练数据，对支持向量机模型进行训练，建立识别正常状态与各机械故障状态的支持向量机诊断模型；
状态诊断：测得待诊断高压隔离开关动作过程的电机输出功率-时间曲线，提取其原始特征，并进行特征优化，将优化后的特征输入到建立的支持向量机诊断模型，计算判断待诊断高压隔离开关的机械状态类型。
在本实施例中,将输出功率-时间曲线按高压隔离开关动作过程分为三个阶段，包括电机启动阶段，动静触头未接触阶段以及动静触头接触阶段;
先提取输出功率-时间曲线的整体特征，提取的整体特征包括动作时间、整体功率均值与方差;
从动静触头未接触阶段和动静触头接触阶段分别提取各段的分段特征，提取的分段特征包括均值、均方值、方根幅值、标准差、方差、峰值、峰谷值、偏斜度、波形指标、峰值指标。
在本实施例中,所述对归一化后的原始特征进行特征优化包括以下步骤：
将归一化后的原始特征经过核函数计算得到核函数矩阵，再计算得到中心化核函数矩阵，并计算中心化核函数矩阵的特征值与特征向量，然后由大到小对特征值进行排序，与特征值对应的特征向量的位置也进行相应的调整，当特征维度拟降维至
Figure 1320DEST_PATH_IMAGE036
维时，计算前
Figure 655155DEST_PATH_IMAGE036
维特征值之和与总特征值之和的比值，得到前
Figure 5234DEST_PATH_IMAGE036
维主成分贡献度，再将中心化核函数矩阵与前
Figure 391216DEST_PATH_IMAGE036
维特征值对应的特征向量相乘，得到各机械状态的输出功率-时间曲线样本在前
Figure 233270DEST_PATH_IMAGE036
维各特征向量上的投影，即提取的特征，其中
Figure 35004DEST_PATH_IMAGE036
取正整数，其中核函数：
Figure DEST_PATH_IMAGE037
其中
Figure 114955DEST_PATH_IMAGE038
、
Figure DEST_PATH_IMAGE039
分别表示不同样本归一化的原始特征组成的行向量；
降至
Figure 858789DEST_PATH_IMAGE036
维，计算核函数参数取不同值时的主成分贡献度；同时计算特征提取后类间离散度
Figure 656981DEST_PATH_IMAGE040
和类内离散度
Figure DEST_PATH_IMAGE041
及基于距离可分性判据值
Figure 262406DEST_PATH_IMAGE042
，
Figure 400126DEST_PATH_IMAGE042
值越大表示越容易对各种类型进行区分；
Figure 455807DEST_PATH_IMAGE042
的计算方法如下：
Figure DEST_PATH_IMAGE043
Figure 600349DEST_PATH_IMAGE044
Figure DEST_PATH_IMAGE045
式中，
Figure 540623DEST_PATH_IMAGE046
表示样本的类别数，
Figure DEST_PATH_IMAGE047
表示第
Figure DEST_PATH_IMAGE049
类样本占总样本的比例，
Figure 329588DEST_PATH_IMAGE050
表示由第
Figure DEST_PATH_IMAGE051
类中第
Figure 415224DEST_PATH_IMAGE052
个样本中经过特征优化后的
Figure DEST_PATH_IMAGE053
维特征组成的特征向量，
Figure 594533DEST_PATH_IMAGE054
为第
Figure 869657DEST_PATH_IMAGE051
类样本
Figure DEST_PATH_IMAGE055
的均值，
Figure 44286DEST_PATH_IMAGE056
为各类样本均值
Figure 300824DEST_PATH_IMAGE024
的均值,
Figure DEST_PATH_IMAGE057
为对第
Figure 560904DEST_PATH_IMAGE051
类数据求数学期望，
Figure 46243DEST_PATH_IMAGE058
表示求矩阵的迹；
综合考虑计算量和基于距离可分性判据值，确定核函数参数、优化后特征维度和主成分贡献度，获得各机械状态输出功率-时间曲线样本的优化特征。
在本实施例中,所述综合考虑计算量和基于距离可分性判据值，确定核函数参数、优化后特征维度和主成分贡献度，获得各机械状态输出功率-时间曲线样本的优化特征包括以下步骤：
计算降维至不同维度时基于距离可分性判据值与主成分贡献度随
Figure DEST_PATH_IMAGE059
值变化趋势；
取基于距离可分性判据值较大时的主成分贡献度；
比较将原始特征维度降至不同维度时的基于距离可分性判据值，在基于距离可分性判据值无明显差异下，特征维度取小；
将此特征维度下的特征作为输出功率-时间曲线样本的优化特征。
在本实施例中,所述建立识别正常状态与各机械故障状态的支持向量机诊断模型包括以下步骤：
惩罚参数与核函数参数通过交叉验证的方式寻求最优组合，采用网格搜索算法寻找支持向量机模型中的最优化参数，获得准确率随惩罚参数与核函数参数
Figure 75379DEST_PATH_IMAGE059
的变化趋势；
当有多个惩罚参数使训练的准确率都最高，此时选择数值最小的惩罚参数作为支持向量机模型中的惩罚参数；
根据确定的惩罚参数来确定核函数参数
Figure 315867DEST_PATH_IMAGE059
，选取其中的最小值，建立支持向量机诊断模型。
本发明提出了一种基于电机输出功率的隔离开关机械故障诊断方法，避免了利用人工经验判断，有助于高压隔离开关机械状态的智能化诊断；本发明提供的基于电机输出功率的高压隔离开关机械故障诊断方法，可以提高高压隔离开关故障识别的准确性。
为便于理解，以下对本发明做进一步的详细描述：
步骤A：数据采集。采集不同型号高压隔离开关正常及机械故障状态下动作过程的电机输出功率，绘制相应的电机输出功率-时间曲线，得到输出功率-时间曲线样本,机械故障状态包括三相不同期、卡涩、不到位；
优选地，所述数据采集步骤包括：
步骤A1：在实验室模拟不同型号高压隔离开关典型机械故障，采集高压隔离开关正常及机械故障状态下动作过程的电机输出功率，绘制相应的电机输出功率-时间曲线，作为实验室条件下输出功率-时间的训练样本数据。
步骤A2：利用输出功率-时间曲线检测装置，现场检测不同变电站不同型号高压隔离开关正常状态及机械故障下的电机输出功率-时间曲线，获得现场条件下的训练样本数据。
步骤A3：将从步骤A1、A2获取的训练样本数据形成输出功率-时间曲线样本。
步骤B：特征提取与优化。从输出功率-时间曲线样本获取高压隔离开关的原始特征，获取的原始特征包括整体特征和分段特征。整体特征和分段特征构成检测数据的原始特征；接着对原始特征进行数据归一化，并进行特征优化，得到优化特征。
优选地，所述特征提取与优化步骤包括：
步骤B1：从输出功率-时间曲线样本获取高压隔离开关的原始特征：获取的原始特征包括整体特征和分段特征。具体地，包括：
步骤B1.1将高压隔离开关输出功率-时间曲线样本分为三个阶段：电机启动阶段、动静触头未接触阶段及动静触头接触阶段。从动静触头未接触阶段和动静触头接触阶段提取相关特征。
步骤B1.2从输出功率-时间曲线样本获取高压隔离开关3个整体特征：动作时间、整体功率均值与方差。
步骤B1.3从输出功率-时间曲线样本分别提取动静触头未接触阶段和动静触头接触阶段10个时域特征：均值、均方值、方根幅值、标准差、方差、峰值、峰谷值、偏斜度、波形指标、峰值指标，共计20个分段特征。各特征计算公式如表1。
Figure 453456DEST_PATH_IMAGE060
步骤B2：对各状态提取的原始特征进行归一化处理，将原始特征归算到[-1，1]区间中。归一化的计算方法如下：
Figure DEST_PATH_IMAGE061
其中，
Figure 601541DEST_PATH_IMAGE062
表示原始特征数据；
Figure DEST_PATH_IMAGE063
是归一化之后的特征数据；
Figure 360550DEST_PATH_IMAGE064
和
Figure DEST_PATH_IMAGE065
分别表示原始特征数据
Figure 834256DEST_PATH_IMAGE062
中的最大值和最小值。
步骤B3：对归一化后的23个原始特征进行特征优化，具体地，包括：
步骤B3.1将归一化后的23个原始特征经过核函数计算得到核函数矩阵，再计算得到中心化核函数矩阵，计算核函数矩阵的特征值与特征向量，然后由大到小对特征值进行排序，与特征值对应的特征向量的位置也进行相应的调整，当拟降维至
Figure 193562DEST_PATH_IMAGE066
维时，计算前
Figure 348600DEST_PATH_IMAGE066
维特征值之和与总特征值之和的比值，得到前
Figure 352328DEST_PATH_IMAGE066
维主成分贡献度，再将核函数矩阵与前
Figure 872302DEST_PATH_IMAGE066
维特征值对应的特征向量相乘，得到各样本在前
Figure 531954DEST_PATH_IMAGE066
维各特征向量上的投影，即提取的特征。其中核函数：
Figure DEST_PATH_IMAGE067
其中
Figure 287420DEST_PATH_IMAGE068
、
Figure DEST_PATH_IMAGE069
分别表示不同样本归一化的原始特征组成的行向量；
中心化核函数矩阵的定义为：
Figure 270289DEST_PATH_IMAGE070
其中
Figure DEST_PATH_IMAGE071
是原始核函数矩阵，
Figure 85798DEST_PATH_IMAGE072
是中心化核函数矩阵，
Figure DEST_PATH_IMAGE073
是系数为
Figure 904849DEST_PATH_IMAGE074
的
Figure DEST_PATH_IMAGE075
阶单位矩阵，其中M取正整数；
步骤B3.2计算降至
Figure 198427DEST_PATH_IMAGE076
维，核函数参数
Figure DEST_PATH_IMAGE077
取不同值时的主成分贡献度；同时计算特征提取后类间离散度
Figure 35802DEST_PATH_IMAGE078
和类内离散度
Figure DEST_PATH_IMAGE079
及基于距离可分性判据值
Figure 694317DEST_PATH_IMAGE080
，值
Figure 328560DEST_PATH_IMAGE080
越大表示越容易对各种类型进行区分；值
Figure 691409DEST_PATH_IMAGE080
的计算方法如下：
Figure DEST_PATH_IMAGE081
Figure 383290DEST_PATH_IMAGE082
Figure DEST_PATH_IMAGE083
式中，
Figure 540602DEST_PATH_IMAGE084
表示样本的类别数，
Figure DEST_PATH_IMAGE085
表示第
Figure 334246DEST_PATH_IMAGE086
类样本占总样本的比例，
Figure DEST_PATH_IMAGE087
表示由第
Figure 969626DEST_PATH_IMAGE086
类中第
Figure 860222DEST_PATH_IMAGE088
个样本中经过特征优化后的
Figure DEST_PATH_IMAGE089
维特征组成的特征向量，
Figure 313069DEST_PATH_IMAGE090
为第
Figure 718642DEST_PATH_IMAGE086
类样本
Figure 626555DEST_PATH_IMAGE087
的均值，
Figure DEST_PATH_IMAGE091
为对第
Figure 43761DEST_PATH_IMAGE086
类数据求数学期望，
Figure 808455DEST_PATH_IMAGE092
表示求矩阵的迹。
B3.3综合考虑计算量和基于距离可分性判据值，确定核函数参数、优化后特征维度和主成分贡献度，获得各机械状态输出功率-时间曲线样本的优化特征。具体地，包括：
B3.3.1计算降维至不同维度时基于距离可分性判据值与主成分贡献度随参数
Figure DEST_PATH_IMAGE093
值的变化趋势。图3是拟降维至不同维度时基于距离可分性判据值与主成分贡献度随参数
Figure 294800DEST_PATH_IMAGE093
值的变化趋势示意图。当提取特征的维度固定时，其基于距离可分性判据值随
Figure 537563DEST_PATH_IMAGE093
先增到后减小，而对应的主成分贡献度随
Figure 74854DEST_PATH_IMAGE093
逐渐增加。
B3.3.2取基于距离可分性判据值较大时的主成分贡献度。当主成分贡献度达到80%时，不同特征维度下的基于距离可分性判据值皆达到较大的值，如图3中的A、B、C三点所示，A点表示当将原始特征维度降维至6维时，在主成分贡献度超过80%后，基于距离可分性判据值所能达到的最大值，为10.2；B点表示当将原始特征维度降维至8维时，在主成分贡献度超过80%后，基于距离可分性判据值所能达到的最大值，为11.1；C点表示当将原始特征维度降维至10维时，在主成分贡献度超过80%后，基于距离可分性判据值所能达到的最大值，为11.7。当主成分超过80%时，基于距离可分性判据值随主成分贡献度的增加而逐渐减小。当主成分贡献度达到80%时，提取的特征一般能较好的表征样本的原始信息。主成分贡献度选择80%。
B3.3.3比较特征降维至不同维度时的基于距离可分性判据值。在基于距离可分性判据值无明显差异下，特征维度取小，达到了降维目的。特征维度为10时其基于距离可分性判据值最大，与特征维度为6时的相比仅大15.1%。特征维度取6。
B3.3.4对输出功率-时间曲线的23个原始特征进行降维优化，获得6个特征维度下的优化特征。
步骤C：诊断模型建立。采用各机械状态的优化特征作为训练数据，对支持向量机模型进行训练，训练过程中采用网格搜索算法确定支持向量机模型中的核函数参数和惩罚参数，从而建立识别正常状态与各机械故障状态的支持向量机诊断模型。
优选地，所述建立识别正常状态与各机械故障状态的支持向量机诊断模型，包括以下步骤：
步骤C1用训练样本进行交叉验证，如将训练样本分成K个子集，每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，这样得到K个模型，用这K个模型的分类准确率均值作为诊断模型的分类准确率；采用网格搜索算法寻找支持向量机模型中的最优化参数，获得准确率随惩罚参数与核函数参数
Figure 948132DEST_PATH_IMAGE093
的变化趋势。
步骤C2当有多个惩罚参数使训练的准确率都最高，此时选择数值最小的惩罚参数作为支持向量机模型中的惩罚参数.
步骤C3根据确定的惩罚参数来确定核函数参数
Figure 328298DEST_PATH_IMAGE093
，选取其中的最小值，建立支持向量机诊断模型。
步骤D：状态诊断。测得待诊断高压隔离开关动作过程的电机输出功率-时间曲线，提取其原始特征，进行特征归一化后再进行特征优化，将优化后的特征输入到建立的支持向量机诊断模型，计算判断待诊断高压隔离开关的机械状态类型。
优选地，所述状态诊断包括：
步骤D1：选择待诊断高压隔离开关电机输出功率-时间曲线作为待诊断对象。
步骤D2：对待诊断对象进行特征提取与优化，获得1组6个优化特征作为测试样本。
步骤D3：将该组测试样本输入到建立的支持向量机诊断模型，获得诊断结果。
训练的支持向量机诊断模型对待诊断数据的诊断结果见图4，图中类别标签1表示正常状态，标签2表示卡涩状态，标签3表示三相不同期状态，标签4表示动作不到位状态。
在不出现冲突的前提下，本领域技术人员可以将上述附加技术特征自由组合以及叠加使用。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (4)

1.一种基于电机输出功率的隔离开关机械故障诊断方法，其特征在于，该方法包含如下步骤：
数据采集：采集不同型号高压隔离开关正常及机械故障状态下动作过程的电机输出功率，绘制相应的电机输出功率-时间曲线，得到输出功率-时间曲线样本,机械故障状态包括三相不同期、卡涩、不到位；
特征提取与优化：从输出功率-时间曲线样本获取高压隔离开关的原始特征，对原始特征进行优化，得到优化特征；
所述特征提取与优化具体步骤包括：
从输出功率-时间曲线样本获取高压隔离开关的原始特征，获取的原始特征包括整体特征和分段特征；具体的，将输出功率-时间曲线按高压隔离开关动作过程分为三个阶段，包括电机启动阶段，动静触头未接触阶段以及动静触头接触阶段；先提取输出功率-时间曲线的整体特征，提取的整体特征包括动作时间、整体功率均值与方差；从动静触头未接触阶段和动静触头接触阶段分别提取各段的分段特征，提取的分段特征包括均值、均方值、方根幅值、标准差、方差、峰值、峰谷值、偏斜度、波形指标、峰值指标；
对各状态提取的原始特征进行归一化处理，将原始特征归算到[-1，1]区间中，归一化处理的计算方法如下：
Figure FDA0002643842930000011
其中，x表示原始特征数据；y是归一化之后的特征数据；xmax和xmin分别表示原始特征数据x中的最大值和最小值；
对归一化后的原始特征进行特征优化；
诊断模型建立：采用各机械状态的优化特征作为训练数据，对支持向量机模型进行训练，建立识别正常状态与各机械故障状态的支持向量机诊断模型；
状态诊断：测得待诊断高压隔离开关动作过程的电机输出功率-时间曲线，提取其原始特征，并进行特征优化，将优化后的特征输入到建立的支持向量机诊断模型，计算判断待诊断高压隔离开关的机械状态类型。
2.根据权利要求1所述的一种基于电机输出功率的隔离开关机械故障诊断方法，其特征在于，所述对归一化后的原始特征进行特征优化包括以下步骤：
将归一化后的原始特征经过核函数计算得到核函数矩阵，再计算得到中心化核函数矩阵，并计算中心化核函数矩阵的特征值与特征向量，然后由大到小对特征值进行排序，与特征值对应的特征向量的位置也进行相应的调整，当特征维度拟降维至n维时，计算前n维特征值之和与总特征值之和的比值，得到前n维主成分贡献度，再将中心化核函数矩阵与前n维特征值对应的特征向量相乘，得到各机械状态的输出功率-时间曲线样本在前n维各特征向量上的投影，即提取的特征，其中n取正整数，其中核函数：
Figure FDA0002643842930000021
其中xi、xj分别表示不同样本归一化的原始特征组成的行向量；
降至n维，计算核函数参数σ取不同值时的主成分贡献度；同时计算特征提取后类间离散度Sw和类内离散度Sb及基于距离可分性判据值J，J值越大表示越容易对各种类型进行区分；J的计算方法如下：
Figure FDA0002643842930000022
Figure FDA0002643842930000023
J＝trace(Sw+Sb)
式中，c表示样本的类别数，Pi表示第i类样本占总样本的比例，Xij表示由第i类中第j个样本中经过特征优化后的n维特征组成的特征向量，mi为第i类样本Xij的均值，
Figure DEST_PATH_IMAGE002
为各类样本均值mi的均值,Ei为对第i类数据求数学期望，trace()表示求矩阵的迹；
综合考虑计算量和基于距离可分性判据值，确定核函数参数、优化后特征维度和主成分贡献度，获得各机械状态输出功率-时间曲线样本的优化特征。
3.根据权利要求2所述的一种基于电机输出功率的隔离开关机械故障诊断方法，其特征在于，所述综合考虑计算量和基于距离可分性判据值，确定核函数参数、优化后特征维度和主成分贡献度，获得各机械状态输出功率-时间曲线样本的优化特征包括以下步骤：
计算降维至不同维度时基于距离可分性判据值与主成分贡献度随σ值变化趋势；
取基于距离可分性判据值较大时的主成分贡献度；
比较将原始特征维度降至不同维度时的基于距离可分性判据值，在基于距离可分性判据值无明显差异下，特征维度取小；
将此特征维度下的特征作为输出功率-时间曲线样本的优化特征。
4.根据权利要求3所述的一种基于电机输出功率的隔离开关机械故障诊断方法，其特征在于，所述建立识别正常状态与各机械故障状态的支持向量机诊断模型包括以下步骤：
惩罚参数与核函数参数通过交叉验证的方式寻求最优组合，采用网格搜索算法寻找支持向量机模型中的最优化参数，获得准确率随惩罚参数与核函数参数σ的变化趋势；
当有多个惩罚参数使训练的准确率都最高，此时选择数值最小的惩罚参数作为支持向量机模型中的惩罚参数；
根据确定的惩罚参数来确定核函数参数σ，选取其中的最小值，建立支持向量机诊断模型。
CN202010482384.0A 2020-06-01 2020-06-01 一种基于电机输出功率的隔离开关机械故障诊断方法 Active CN111382809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010482384.0A CN111382809B (zh) 2020-06-01 2020-06-01 一种基于电机输出功率的隔离开关机械故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010482384.0A CN111382809B (zh) 2020-06-01 2020-06-01 一种基于电机输出功率的隔离开关机械故障诊断方法

Publications (2)

Publication Number Publication Date
CN111382809A CN111382809A (zh) 2020-07-07
CN111382809B true CN111382809B (zh) 2020-11-03

Family

ID=71217741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010482384.0A Active CN111382809B (zh) 2020-06-01 2020-06-01 一种基于电机输出功率的隔离开关机械故障诊断方法

Country Status (1)

Country Link
CN (1) CN111382809B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113671250B (zh) * 2021-07-20 2022-06-10 云南电网有限责任公司红河供电局 一种防短路高压隔离开关驱动电机功率准确辨识检测系统
CN114371339A (zh) * 2021-12-03 2022-04-19 云南电网有限责任公司红河供电局 一种高压隔离开关驱动电机输出功率测量方法
CN116184182B (zh) * 2022-12-15 2024-04-12 国网安徽省电力有限公司电力科学研究院 一种基于曲线相似度的gis隔离开关机械状态识别方法
CN116819158B (zh) * 2023-05-19 2024-02-09 国网安徽省电力有限公司电力科学研究院 一种隔离开关电机电流智能化监测系统及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101169623A (zh) * 2007-11-22 2008-04-30 东北大学 基于核主元分析贡献图的非线性过程故障辨识方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104198929A (zh) * 2014-07-14 2014-12-10 国网上海市电力公司 一种户外高压隔离开关的检测装置及检测方法
CN104407286B (zh) * 2014-11-21 2017-03-15 国家电网公司 一种高压隔离开关机械状态监测及预警方法
CN105182219A (zh) * 2015-09-06 2015-12-23 南京航空航天大学 一种基于汉明纠错码支持向量机的功率变换器故障分类方法
CN105548876B (zh) * 2016-01-28 2018-07-27 国网北京市电力公司 一种隔离开关机械特性检测方法及装置
CN108709745B (zh) * 2018-05-02 2020-08-11 东北林业大学 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法
CN108898182A (zh) * 2018-07-02 2018-11-27 武汉科技大学 一种基于核主元分析与支持向量机的mmc故障诊断方法
CN110954761A (zh) * 2019-11-04 2020-04-03 南昌大学 基于信号稀疏表示的npc三电平逆变器故障诊断方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101169623A (zh) * 2007-11-22 2008-04-30 东北大学 基于核主元分析贡献图的非线性过程故障辨识方法

Also Published As

Publication number Publication date
CN111382809A (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
CN111382809B (zh) 一种基于电机输出功率的隔离开关机械故障诊断方法
Strangas et al. Time–frequency analysis for efficient fault diagnosis and failure prognosis for interior permanent-magnet AC motors
CN109031103B (zh) 一种交流接触器性能退化与状态评估方法
CN106841949B (zh) 三相异步交流电机定子绝缘在线监测方法和装置
CN116756595B (zh) 一种导电滑环故障数据采集监测方法
CN113934982B (zh) 基于振-电信号融合的断路器操作机构机械寿命预测方法
CN115048985B (zh) 一种电气设备故障判别方法
CN108919104B (zh) 一种基于Fisher判别分类法的断路器故障诊断方法
CN112149569B (zh) 变压器基于模糊c均值聚类算法的声纹故障诊断方法
CN114118219A (zh) 基于数据驱动的长期加电设备健康状态实时异常检测方法
CN111582406A (zh) 一种电力设备状态监测数据聚类方法和系统
CN112417763A (zh) 输电线路的缺陷诊断方法、装置、设备及存储介质
CN117150244B (zh) 基于电参数分析的智能配电柜状态监测方法及系统
CN113391244A (zh) 一种基于vmd的变压器合闸振动信号特征频率计算方法
CN117491813A (zh) 新能源汽车动力电池系统绝缘异常检测方法
CN112132226A (zh) 一种±1100kV复合绝缘子缺陷诊断方法
CN116990633A (zh) 一种基于多特征量的故障研判方法
CN111507374A (zh) 一种基于随机矩阵理论的电网海量数据异常检测方法
CN110929673A (zh) 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法
CN113052249B (zh) 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法
CN115728628A (zh) 一种断路器控制回路故障在线监测预警方法及装置
CN115238733A (zh) 一种高压断路器合分闸线圈运行状态评估方法及相关设备
CN115169405A (zh) 基于支持向量机的酒店客房设备故障诊断方法及系统
CN112598152A (zh) 基于改进仿射传播聚类的高压断路器故障诊断方法
CN114091593A (zh) 一种基于多尺度特征融合的网络级电弧故障诊断方法

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