CN111397868A - 一种基于聚合经验模态分解算法的断路器故障分析方法 - Google Patents

一种基于聚合经验模态分解算法的断路器故障分析方法 Download PDF

Info

Publication number
CN111397868A
CN111397868A CN202010125885.3A CN202010125885A CN111397868A CN 111397868 A CN111397868 A CN 111397868A CN 202010125885 A CN202010125885 A CN 202010125885A CN 111397868 A CN111397868 A CN 111397868A
Authority
CN
China
Prior art keywords
function
signal
vibration signal
algorithm
fault
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.)
Granted
Application number
CN202010125885.3A
Other languages
English (en)
Other versions
CN111397868B (zh
Inventor
夏小飞
黄辉敏
陈庆发
雷一鸣
吕泽承
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.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid 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 Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202010125885.3A priority Critical patent/CN111397868B/zh
Publication of CN111397868A publication Critical patent/CN111397868A/zh
Application granted granted Critical
Publication of CN111397868B publication Critical patent/CN111397868B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于聚合经验模态分解算法的断路器故障分析方法，所述方法包括：基于聚合经验模态分解算法，将采集到的断路器振动信号进行自适应白噪声的完整聚合经验模态分解，得到若干本征模态函数分量；基于熵权算法，通过对所述若干本征模态函数分量中的高频分量进行重构，得到去噪后的振动信号；基于局部均值分解算法，将所述去噪后的振动信号进行局部均值分解，得到k阶乘积信号函数与单调函数之和；基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，通过计算得到多尺度排列熵；基于模糊核C‑均值聚类算法，对所述多尺度排列熵进行故障诊断，得到断路器的故障结果。在本发明实施中，所述方法重构误差小、完备性高、自适应性强。

Description

一种基于聚合经验模态分解算法的断路器故障分析方法
技术领域
本发明涉及电气设备测试技术领域，尤其涉及一种基于聚合经验模态分解算法的断路器故障分析方法。
背景技术
不同类型的机械故障会在断路器上激发相应的固有频率，同一种故障引发的信号能量一般会分布在某种或几种频率成分上，且处于不同频带的故障信号能量也不相同，因而如何对振动信号蕴含的丰富信息进行有效提取、分析成为诊断断路器故障的关键。
对断路器故障诊断大致分为信号预处理、故障分量提取以及算法识别三个步骤。目前对断路器信号预处理和故障分量提取大多采用小波去噪联合经验模态分解(EMD)或总体平均经验模态分解(EEMD)方法在分类算法上主流采用SVM分类算法。小波去噪方法通过卷积运算得到细节信号和逼近信号并对其重构，但存在重构精度偏低、不适于对模糊信号进行处理等缺陷，EMD方法虽然适用于对非平稳信号进行处理，但存在极值点选取复杂、模态混叠等问题，EEMD方法在分解时加入正态分布白噪声以解决模态混叠问题，但亦随之增加了计算规模，各个模态分量也存在噪声残留，在分类算法方面，SVM算法在解决维度灾难和泛化问题上有着较强的能力，但传统的SVM算法并不适用于多分类问题，同时对参数选取较为依赖。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于聚合经验模态分解算法的断路器故障分析方法，基于聚合经验模态分解算法去噪，结合局部均值分解算法求取多尺度排列熵提取特征并基于模糊核C-均值聚类算法进行故障诊断的断路器机械故障诊断方法。
为了解决上述技术问题，本发明实施例提供了一种基于聚合经验模态分解算法的断路器故障分析方法，所述方法包括：
基于聚合经验模态分解算法，将采集到的断路器振动信号进行自适应白噪声的完整聚合经验模态分解，得到若干本征模态函数分量；
基于熵权算法，通过对所述若干本征模态函数分量中的高频分量进行重构，得到去噪后的振动信号；
基于局部均值分解算法，将所述去噪后的振动信号进行局部均值分解，得到k阶乘积信号函数与单调函数之和；
基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，通过计算得到多尺度排列熵；
基于模糊核C-均值聚类算法，对所述多尺度排列熵进行故障诊断，得到断路器的故障结果。
可选的，所述采集到的断路器振动信号包括断路器正常分闸、卡涩故障、拒动状态和底座松动的状态下的振动信号。
可选的，所述基于聚合经验模态分解算法，将采集到的断路器振动信号进行自适应白噪声的完整聚合经验模态分解，得到若干本征模态函数分量包括：
将标准正态分布的白噪声添加至采集到的断路器振动信号中，得到需要分解的振动信号；
基于EMD算法，对所述需要分解的振动信号进行EMD分解，得到模态分量均值和余量信号；
重复所述EMD分解直到迭代条件不满足约束为止，得到若干本征模态函数分量和剩余分量。
可选的，所述若干本征模态函数分量和剩余分量的具体公式如下：
Figure BDA0002394371020000021
其中，x(n)表示若干本征模态函数分量和剩余分量，k表示第k个本征模态函数分量，n表示第n个采集到的断路器振动信号，IMFk(n)表示本征模态函数分量，R(n)表示剩余分量。
可选的，所述基于熵权算法，通过对所述若干本征模态函数分量中的高频分量进行重构，得到去噪后的振动信号包括：
基于熵权算法，判断所述若干本征模态函数分量，得到所述若干本征模态函数分量中的高频分量；
对所述高频分量进行重构，得到去噪后的振动信号。
可选的，所述基于局部均值分解算法，将所述去噪后的振动信号进行局部均值分解，得到k阶乘积信号函数与单调函数之和包括：
通过计算得到所述去噪后的振动信号的所有局部极值点，并表示所述去噪后的振动信号的所有平均值和包络估计值；
基于滑动平滑法，将所述去噪后的振动信号的所有平均值和包络估计值中相邻的进行平滑处理，得到所述去噪后的振动信号的局部均值函数和包络估计函数；
将所述去噪后的振动信号的局部均值函数从原振动信号中分离，并除以所述去噪后的振动信号的包络估计函数，得到调频信号；
通过计算所述去噪后的振动信号的包络函数，判断所述调频信号是否为纯调频信号；
若是，则得到乘积信号函数；若否，则设置迭代终止条件并进行迭代，直到得到纯调频信号；
将所述乘积信号函数从原振动信号中分离得到新的信号，并重复k次得到k阶乘积信号函数和单调函数；
将所述k阶乘积信号函数与所述单调函数相加，得到k阶乘积信号函数与单调函数之和。
可选的，所述k阶乘积信号函数与单调函数之和的具体公式如下：
Figure BDA0002394371020000031
其中，x(t)表示原振动信号，i表示第i个值，PFi(t)表示乘积信号函数，yk(t)表示单调函数。
可选的，所述基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，通过计算得到多尺度排列熵包括：
基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，对序列长度为N的时间序列进行粗粒化处理，得到粗粒化序列；
将所述粗粒化序列进行重构，得到重构后的粗粒化序列；
将所述时间序列进行升序排列，得到符号序列；
基于所述时间序列、所述粗粒化序列和所述符号序列，通过计算得到多尺度排列熵。
可选的，所述基于模糊核C-均值聚类算法，对所述多尺度排列熵进行故障诊断，得到断路器的故障结果包括：
选取每种故障前三阶乘积信号函数分量生成的多尺度排列熵；
基于模糊核C-均值聚类算法，将所述多尺度排列熵映射后进行聚类，得到聚类目标函数；
基于所述聚类目标函数，进行故障诊断，得到断路器的故障结果。
可选的，所述聚类目标函数的具体公式如下：
Figure BDA0002394371020000041
其中，uik的约束条件为：
Figure BDA0002394371020000042
其中，Jm(U,v)为聚类目标函数，vi为聚类中心，c为类别数，uik为第k个样本对第i个类别的隶属度，m为权重系数。
在本发明实施中，一种基于聚合经验模态分解算法的断路器故障分析方法根据先验知识对传统的断路器故障检测的方法进行改进，自适应白噪声的完整聚合经验模态分解算法和局部均值分解算法是基于总体平均经验模态分解算法的改进方法，与小波去噪联合经验模态分解算法及总体平均经验模态分解算法相比，具有重构误差小、完备性高、自适应性强等优点，而且克服了总体平均经验模态分解算法分解效率低和模态混叠的问题，对于端点效应也有相应改善；相对传统SVM算法，模糊核C-均值聚类算法通过核空间非线性映射，可以突出样本的特征差异；针对在断路器振动信号进行预处理、特征提取和故障识别上存在的不足之处，所述方法提出基于聚合经验模态分解算法去噪、结合局部均值分解算法求取多尺度排列熵提取特征并利用基于模糊核C-均值聚类算法进行故障诊断的断路器机械故障诊断。
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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，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的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施中的基于聚合经验模态分解算法的断路器故障分析方法的流程示意图；
图2是本发明实施中的原始振动信号波形图；
图3是本发明实施中的经聚合经验模态分解算法分解后若干本征模态函数分量分量波形图a；
图4是本发明实施中的经聚合经验模态分解算法分解后若干本征模态函数分量分量波形图b；
图5是本发明实施中的去噪振动信号波形图；
图6是本发明实施中的经局部均值分解算法分解后乘积信号函数分量波形图；
图7是本发明实施中的各类信号多尺度排列熵值；
图8是本发明实施中的模糊核C-均值聚类算法分类结果图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例
请参阅图1，图1是本发明实施中的基于聚合经验模态分解算法的断路器故障分析方法的流程示意图。
如图1所示，一种基于聚合经验模态分解算法的断路器故障分析方法，所述方法包括：
S11：基于聚合经验模态分解算法，将采集到的断路器振动信号进行自适应白噪声的完整聚合经验模态分解，得到若干本征模态函数分量；
需要说明的是，所述采集到的断路器振动信号包括断路器正常分闸、卡涩故障、拒动状态和底座松动的状态下的振动信号。
在本发明具体实施过程中，所述基于聚合经验模态分解算法，将采集到的断路器振动信号进行自适应白噪声的完整聚合经验模态分解，得到若干本征模态函数分量包括：将标准正态分布的白噪声添加至采集到的断路器振动信号中，得到需要分解的振动信号；基于EMD算法，对所述需要分解的振动信号进行EMD分解，得到模态分量均值和余量信号；重复所述EMD分解直到迭代条件不满足约束为止，得到若干本征模态函数分量和剩余分量。
具体的，所述的自适应白噪声的完整聚合经验模态分解算法，在每一次分解中都添加自适应的白噪声平滑脉冲干扰，可有效地解决模态混叠现象，实现振动信号时间序列的平稳化；聚合经验模态分解算法流程如下：
将标准正态分布的白噪声ωi(n)添加至待分解信号x(n)上：
xi(n)＝x(n)+γωi(n),(i＝1...I)
第一次采用EMD方法获得模态分量均值IMF1(n)和余量信号r1(n)：
Figure BDA0002394371020000061
r1(n)＝x(n)-IMF1(n)
定义Ek为对信号进行EMD分解的第k个IMF分量，对序列r1(n)+γ1E1(ωi(n))分解，可得到第二次IMF分量和剩余分量：
Figure BDA0002394371020000062
r2(n)＝r(n)-IMF2(n)
以此类推第k个剩余分量和第k+1个IMF分量为：
rk(n)＝rk-1(n)-IMFk(n)
Figure BDA0002394371020000071
重复直到迭代条件不满足约束为止；目标函数最终可由IMF分量和剩余分量之和表示：
Figure BDA0002394371020000072
其中，x(n)表示若干本征模态函数分量和剩余分量，k表示第k个本征模态函数分量，n表示第n个采集到的断路器振动信号，IMFk(n)表示本征模态函数分量，R(n)表示剩余分量。
S12：基于熵权算法，通过对所述若干本征模态函数分量中的高频分量进行重构，得到去噪后的振动信号；
在本发明具体实施过程中，所述基于熵权算法，通过对所述若干本征模态函数分量中的高频分量进行重构，得到去噪后的振动信号包括：基于熵权算法，判断所述若干本征模态函数分量，得到所述若干本征模态函数分量中的高频分量；对所述高频分量进行重构，得到去噪后的振动信号。
需要说明的是，所述的熵权法是一种根据各指标原始数据所提供信息量的大小来确定各指标权重的客观赋权法；该指标表明数据在综合评价中的差异程度，熵值随着信息量的增大而减小，即在数据中的重要程度增加；在Matlab软件中对聚合经验模态分解算法的各阶模态信号进行权衡，返回各模态信号的权重系数得分。
S13：基于局部均值分解算法，将所述去噪后的振动信号进行局部均值分解，得到k阶乘积信号函数与单调函数之和；
在本发明具体实施过程中，所述基于局部均值分解算法，将所述去噪后的振动信号进行局部均值分解，得到k阶乘积信号函数与单调函数之和包括：通过计算得到所述去噪后的振动信号的所有局部极值点，并表示所述去噪后的振动信号的所有平均值和包络估计值；基于滑动平滑法，将所述去噪后的振动信号的所有平均值和包络估计值中相邻的进行平滑处理，得到所述去噪后的振动信号的局部均值函数和包络估计函数；将所述去噪后的振动信号的局部均值函数从原振动信号中分离，并除以所述去噪后的振动信号的包络估计函数，得到调频信号；通过计算所述去噪后的振动信号的包络函数，判断所述调频信号是否为纯调频信号；若是，则得到乘积信号函数；若否，则设置迭代终止条件并进行迭代，直到得到纯调频信号；将所述乘积信号函数从原振动信号中分离得到新的信号，并重复k次得到k阶乘积信号函数和单调函数；将所述k阶乘积信号函数与所述单调函数相加，得到k阶乘积信号函数与单调函数之和。
具体的，所述的局部均值分解算法采用平滑处理形成局部均值函数和局域包络函数，从复杂的多分量信号中分离出纯调频信号和包络信号，相乘得到一系列瞬时频率有物理意义的乘积信号函数(Production Function，PF)和一个单调函数yk(t)之和；局部均值分解算法流程如下：
计算信号x(t)所有局部极值点ni并表示其平均值和包络估计值：
mi＝0.5(ni+ni+1)；
ai＝0.5|ni-ni+1|；
通过滑动平滑法平滑处理由相邻平均值和包络估计值，得到局部均值函数m11(t)和包络估计函数a11(t)；
将局部均值函数m11(t)从原信号中分离得到h11(t)，并将其除以包络估计函数a11(t)得到调频信号s11(t)；
计算包络估计函数a12(t)并判断其是否等于1，若不满足，则s11(t)不是纯调频信号。设置迭代终止条件
Figure BDA0002394371020000081
迭代n次直到得到纯调频信号s1n(t)；
在各次迭代的包络估计函数的积为包络信号a1(t)，与纯调频函数s1n(t)的乘积为乘积函数PF1(t)；
Figure BDA0002394371020000082
PF1(t)＝a1(t)s1n(t)；
将PF1(t)从原信号中分离，即得到信号y1(t)，依照此法重复k次直到yk(t)为单调函数；
原信号x(t)等价为所有PF分量和yk(t)之和：
Figure BDA0002394371020000091
S14：基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，通过计算得到多尺度排列熵；
在本发明具体实施过程中，所述基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，通过计算得到多尺度排列熵包括：基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，对序列长度为N的时间序列进行粗粒化处理，得到粗粒化序列；将所述粗粒化序列进行重构，得到重构后的粗粒化序列；将所述时间序列进行升序排列，得到符号序列；基于所述时间序列、所述粗粒化序列和所述符号序列，通过计算得到多尺度排列熵。
具体的，所述多尺度排列熵算法是在排列熵基础上的改进，基本思想是将时间序列进行多尺度粗粒化，然后计算其排列熵；计算具体步骤如下：
对序列长度为N的时间序列进行粗粒化处理，得到粗粒化序列yj(s)；
对yj(s)进行重构，得到：
Yl(s)＝{yl(s),yl+τ(s),yl+(m-1)τ(s)}；
其中m为嵌入维数，τ为延迟时间，l为第l个重构分量；
将时间序列进行升序排列得到符号序列S(r)＝(l1,l2…,lm)；
计算时间序列在多尺度下的排列熵，Pr是符号序列出现的概率；
Figure BDA0002394371020000092
S15：基于模糊核C-均值聚类算法，对所述多尺度排列熵进行故障诊断，得到断路器的故障结果。
在本发明具体实施过程中，所述基于模糊核C-均值聚类算法，对所述多尺度排列熵进行故障诊断，得到断路器的故障结果包括：选取每种故障前三阶乘积信号函数分量生成的多尺度排列熵；基于模糊核C-均值聚类算法，将所述多尺度排列熵映射后进行聚类，得到聚类目标函数；基于所述聚类目标函数，进行故障诊断，得到断路器的故障结果。
具体的，基于模糊核C-均值聚类算法通过非线性映射φ：χ→F将输入空间χ变换至高维空间F，即将样本xk映射为φ(xk)进行聚类；聚类目标函数为：
Figure BDA0002394371020000101
其中vi为聚类中心，c为类别数，uik为第k个样本对第i个类别的隶属度，m为权重系数；uik的约束条件为：
Figure BDA0002394371020000102
核函数K(x,y)＝φ(x)Tφ(y)的核空间欧氏距离为：
||φ(xk)-φ(vi)||2＝K(xk,xk)+K(vi,vi)-2K(xk,vi)；
用拉格朗日乘子法寻优得到隶属度矩阵和目标函数：
Figure BDA0002394371020000103
Figure BDA0002394371020000104
具体实施中，所述方法用于断路器机械故障诊断，以ZN-65型真空断路器模拟三种机械故障：增加转轴阻尼模拟卡涩故障，在基座放置垫块模拟基座不稳，调节铁芯行程使掣子不能被出发模拟拒分故障为例。振动信号采用ICP型压电式加速度传感器，内置电荷放大器，固有频率70Hz，测量范围500N。传感器由螺栓固定在断路器支架上，以分闸线圈电流信号作为触发进行20次分闸实验。
采集到的4类原始振动信号波形如附图2所示，附图2示出发明实施中的原始振动信号波形图。
振动信号经聚合经验模态分解算法分解后得到13个本征模态函数分量选取前12阶，以正常信号为例，如附图3、附图4所示，附图3示出本发明实施中的经聚合经验模态分解算法分解后若干本征模态函数分量波形图a，附图4示出本发明实施中的经聚合经验模态分解算法分解后若干本征模态函数分量波形图b。
利用熵权法将聚合经验模态分解的各阶本征模态函数分量进行权衡，计算得出各阶本征模态函数分量占原信号的权重，对前5阶占比最大的高频信号进行重构，可得到去噪后的振动信号。以正常合闸信号为例，选取五次实验分别对其进行熵权计算，各本征模态函数分量权重百分比如表1所示，表1示出各本征模态函数分量权重百分比表。
表1各本征模态函数分量权重百分比表
Figure BDA0002394371020000111
对四种振动信号进行去噪重构后，得到的信号波形如附图5所示，附图5示出本发明实施中的去噪振动信号波形图。
去噪的振动信号经过经局部均值分解算法分解后，得到5个乘积信号函数分量。以正常分闸情况下的振动信号为例，经经局部均值分解算法分解各乘积信号函数分量如附图6所示，附图6示出本发明实施中的经局部均值分解算法分解后乘积信号函数分量波形图。
振动信号能量主要集中于前三阶乘积信号函数分量中，且过多的乘积信号函数分量会增加运算量，降低计算效率，故在此仅提取前三阶乘积信号函数分量求取多尺度排列熵作为故障识别的特征分量。
根据经验值设置排列熵的参数，设定维数m＝6，尺度因子s＝11，各类信号的多尺度排列熵如附图7所示，附图7示出本发明实施中的各类信号多尺度排列熵值。
由附图7可知，随着尺度因子的增大，多尺度排列熵值呈先上升后下降趋势，说明尺度因子的选取对熵值具有重要影响，尺度因子不断增加影响着数据粗粒化序列的复杂程度，随着尺度因子的继续增大，多尺度排列熵逐渐降低趋于平稳，说明粗粒化序列复杂度趋于较平稳状态。尺度因子s＝7时，各类信号的多尺度排列熵差距较为明显，具有良好的分类效果，选取此时的多尺度排列熵值作为特征分量进行判断。选取每种故障前三阶乘积信号函数分量生成的多尺度排列熵值MPE1、MPE2、MPE3作为三个特征量进行KFCM诊断，诊断结果如附图8所示，附图8示出，本发明实施中的模糊核C-均值聚类算法分类结果图。对断路器的正常状态及故障状态均能全部识别。
在本发明实施中，一种基于聚合经验模态分解算法的断路器故障分析方法根据先验知识对传统的断路器故障检测的方法进行改进，自适应白噪声的完整聚合经验模态分解算法和局部均值分解算法是基于总体平均经验模态分解算法的改进方法，与小波去噪联合经验模态分解算法及总体平均经验模态分解算法相比，具有重构误差小、完备性高、自适应性强等优点，而且克服了总体平均经验模态分解算法分解效率低和模态混叠的问题，对于端点效应也有相应改善；相对传统SVM算法，模糊核C-均值聚类算法通过核空间非线性映射，可以突出样本的特征差异；针对在断路器振动信号进行预处理、特征提取和故障识别上存在的不足之处，所述方法提出基于聚合经验模态分解算法去噪、结合局部均值分解算法求取多尺度排列熵提取特征并利用基于模糊核C-均值聚类算法进行故障诊断的断路器机械故障诊断。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于聚合经验模态分解算法的断路器故障分析方法进行了详细介绍，本文中应采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 (10)

1.一种基于聚合经验模态分解算法的断路器故障分析方法，其特征在于，所述方法包括：
基于聚合经验模态分解算法，将采集到的断路器振动信号进行自适应白噪声的完整聚合经验模态分解，得到若干本征模态函数分量；
基于熵权算法，通过对所述若干本征模态函数分量中的高频分量进行重构，得到去噪后的振动信号；
基于局部均值分解算法，将所述去噪后的振动信号进行局部均值分解，得到k阶乘积信号函数与单调函数之和；
基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，通过计算得到多尺度排列熵；
基于模糊核C-均值聚类算法，对所述多尺度排列熵进行故障诊断，得到断路器的故障结果。
2.根据权利要求1所述的一种基于聚合经验模态分解算法的断路器故障分析方法，其特征在于，所述采集到的断路器振动信号包括断路器正常分闸、卡涩故障、拒动状态和底座松动的状态下的振动信号。
3.根据权利要求1所述的一种基于聚合经验模态分解算法的断路器故障分析方法，其特征在于，所述基于聚合经验模态分解算法，将采集到的断路器振动信号进行自适应白噪声的完整聚合经验模态分解，得到若干本征模态函数分量包括：
将标准正态分布的白噪声添加至采集到的断路器振动信号中，得到需要分解的振动信号；
基于EMD算法，对所述需要分解的振动信号进行EMD分解，得到模态分量均值和余量信号；
重复所述EMD分解直到迭代条件不满足约束为止，得到若干本征模态函数分量和剩余分量。
4.根据权利要求3所述的一种基于聚合经验模态分解算法的断路器故障分析方法，其特征在于，所述若干本征模态函数分量和剩余分量的具体公式如下：
Figure FDA0002394371010000021
其中，x(n)表示若干本征模态函数分量和剩余分量，k表示第k个本征模态函数分量，n表示第n个采集到的断路器振动信号，IMFk(n)表示本征模态函数分量，R(n)表示剩余分量。
5.根据权利要求1所述的一种基于聚合经验模态分解算法的断路器故障分析方法，其特征在于，所述基于熵权算法，通过对所述若干本征模态函数分量中的高频分量进行重构，得到去噪后的振动信号包括：
基于熵权算法，判断所述若干本征模态函数分量，得到所述若干本征模态函数分量中的高频分量；
对所述高频分量进行重构，得到去噪后的振动信号。
6.根据权利要求1所述的一种基于聚合经验模态分解算法的断路器故障分析方法，其特征在于，所述基于局部均值分解算法，将所述去噪后的振动信号进行局部均值分解，得到k阶乘积信号函数与单调函数之和包括：
通过计算得到所述去噪后的振动信号的所有局部极值点，并表示所述去噪后的振动信号的所有平均值和包络估计值；
基于滑动平滑法，将所述去噪后的振动信号的所有平均值和包络估计值中相邻的进行平滑处理，得到所述去噪后的振动信号的局部均值函数和包络估计函数；
将所述去噪后的振动信号的局部均值函数从原振动信号中分离，并除以所述去噪后的振动信号的包络估计函数，得到调频信号；
通过计算所述去噪后的振动信号的包络函数，判断所述调频信号是否为纯调频信号；
若是，则得到乘积信号函数；若否，则设置迭代终止条件并进行迭代，直到得到纯调频信号；
将所述乘积信号函数从原振动信号中分离得到新的信号，并重复k次得到k阶乘积信号函数和单调函数；
将所述k阶乘积信号函数与所述单调函数相加，得到k阶乘积信号函数与单调函数之和。
7.根据权利要求6所述的一种基于聚合经验模态分解算法的断路器故障分析方法，其特征在于，所述k阶乘积信号函数与单调函数之和的具体公式如下：
Figure FDA0002394371010000031
其中，x(t)表示原振动信号，i表示第i个值，PFi(t)表示乘积信号函数，yk(t)表示单调函数。
8.根据权利要求1所述的一种基于聚合经验模态分解算法的断路器故障分析方法，其特征在于，所述基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，通过计算得到多尺度排列熵包括：
基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，对序列长度为N的时间序列进行粗粒化处理，得到粗粒化序列；
将所述粗粒化序列进行重构，得到重构后的粗粒化序列；
将所述时间序列进行升序排列，得到符号序列；
基于所述时间序列、所述粗粒化序列和所述符号序列，通过计算得到多尺度排列熵。
9.根据权利要求1所述的一种基于聚合经验模态分解算法的断路器故障分析方法，其特征在于，所述基于模糊核C-均值聚类算法，对所述多尺度排列熵进行故障诊断，得到断路器的故障结果包括：
选取每种故障前三阶乘积信号函数分量生成的多尺度排列熵；
基于模糊核C-均值聚类算法，将所述多尺度排列熵映射后进行聚类，得到聚类目标函数；
基于所述聚类目标函数，进行故障诊断，得到断路器的故障结果。
10.根据权利要求9所述的一种基于聚合经验模态分解算法的断路器故障分析方法，其特征在于，所述聚类目标函数的具体公式如下：
Figure FDA0002394371010000041
其中，uik的约束条件为：
Figure FDA0002394371010000042
其中，Jm(U,v)为聚类目标函数，vi为聚类中心，c为类别数，uik为第k个样本对第i个类别的隶属度，m为权重系数。
CN202010125885.3A 2020-02-27 2020-02-27 一种基于聚合经验模态分解算法的断路器故障分析方法 Active CN111397868B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010125885.3A CN111397868B (zh) 2020-02-27 2020-02-27 一种基于聚合经验模态分解算法的断路器故障分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010125885.3A CN111397868B (zh) 2020-02-27 2020-02-27 一种基于聚合经验模态分解算法的断路器故障分析方法

Publications (2)

Publication Number Publication Date
CN111397868A true CN111397868A (zh) 2020-07-10
CN111397868B CN111397868B (zh) 2022-02-08

Family

ID=71434053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010125885.3A Active CN111397868B (zh) 2020-02-27 2020-02-27 一种基于聚合经验模态分解算法的断路器故障分析方法

Country Status (1)

Country Link
CN (1) CN111397868B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036087A (zh) * 2020-09-02 2020-12-04 哈尔滨工程大学 一种多策略融合的核动力关键设备故障诊断方法及系统
CN113297932A (zh) * 2021-05-11 2021-08-24 中铁第四勘察设计院集团有限公司 一种卫星数据去噪方法、装置、设备和存储介质
CN113588308A (zh) * 2021-07-22 2021-11-02 上海电力大学 基于LSTM与Stacking融合算法的磨煤机爆燃故障预警与诊断方法
CN114035047A (zh) * 2021-11-22 2022-02-11 安徽理工大学 一种基于音频识别的矿井通风机电机故障预警装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105758644A (zh) * 2016-05-16 2016-07-13 上海电力学院 基于变分模态分解和排列熵的滚动轴承故障诊断方法
CN105891707A (zh) * 2016-05-05 2016-08-24 河北工业大学 一种基于振动信号的万能式断路器分合闸故障诊断方法
US20190095781A1 (en) * 2017-09-23 2019-03-28 Nanoprecise Sci Corp. System and method for automated fault diagnosis and prognosis for rotating equipment
CN109632291A (zh) * 2018-12-04 2019-04-16 河北科技大学 一种基于多元模态分解-传递熵的齿轮箱故障诊断方法
CN109916628A (zh) * 2019-04-04 2019-06-21 哈尔滨理工大学 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法
CN110659621A (zh) * 2019-09-27 2020-01-07 山东科技大学 一种基于变分模态分解和排列熵的联合降噪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105891707A (zh) * 2016-05-05 2016-08-24 河北工业大学 一种基于振动信号的万能式断路器分合闸故障诊断方法
CN105758644A (zh) * 2016-05-16 2016-07-13 上海电力学院 基于变分模态分解和排列熵的滚动轴承故障诊断方法
US20190095781A1 (en) * 2017-09-23 2019-03-28 Nanoprecise Sci Corp. System and method for automated fault diagnosis and prognosis for rotating equipment
CN109632291A (zh) * 2018-12-04 2019-04-16 河北科技大学 一种基于多元模态分解-传递熵的齿轮箱故障诊断方法
CN109916628A (zh) * 2019-04-04 2019-06-21 哈尔滨理工大学 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法
CN110659621A (zh) * 2019-09-27 2020-01-07 山东科技大学 一种基于变分模态分解和排列熵的联合降噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李宏宇: "行星齿轮早期故障诊断及退化状态识别方法研究", 《CNKI中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
王军辉 等: "基于EEMD和模糊C均值聚类的风电机组齿轮箱故障诊断", 《太阳能学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036087A (zh) * 2020-09-02 2020-12-04 哈尔滨工程大学 一种多策略融合的核动力关键设备故障诊断方法及系统
CN113297932A (zh) * 2021-05-11 2021-08-24 中铁第四勘察设计院集团有限公司 一种卫星数据去噪方法、装置、设备和存储介质
CN113588308A (zh) * 2021-07-22 2021-11-02 上海电力大学 基于LSTM与Stacking融合算法的磨煤机爆燃故障预警与诊断方法
CN114035047A (zh) * 2021-11-22 2022-02-11 安徽理工大学 一种基于音频识别的矿井通风机电机故障预警装置

Also Published As

Publication number Publication date
CN111397868B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN111397868B (zh) 一种基于聚合经验模态分解算法的断路器故障分析方法
CN103425998B (zh) 遮挡情况下的sar目标识别方法
US8407020B1 (en) Fast method to search for linear frequency-modulated signals
CN108919216B (zh) 一种微动特征获取方法及装置
CN111238843B (zh) 一种基于快速谱峭度分析的风机健康评价方法
CN113325277A (zh) 一种局部放电处理方法
CN111783696A (zh) 一种基于pv关系的低压分支拓扑实时分析的边缘计算方法
CN109340586A (zh) 一种供水管道泄露的检测方法及系统
CN114781430A (zh) 一种局部放电信号去噪方法
CN103119848B (zh) 数据处理方法及装置
US10585130B2 (en) Noise spectrum analysis for electronic device
CN113887398A (zh) 一种基于变分模态分解和奇异谱分析的gpr信号去噪方法
Cardinali et al. Practical powerful wavelet packet tests for second-order stationarity
CN116699526A (zh) 一种基于稀疏与低秩模型的车载毫米波雷达干扰抑制方法
Zhang et al. Bearing fault diagnosis with kernel sparse representation classification based on adaptive local iterative filtering-enhanced multiscale entropy features
Yan et al. A chaotic feature extraction based on SMMF and CMMFD for early fault diagnosis of rolling bearing
CN108334822B (zh) 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法
CN116776181A (zh) 基于改进模糊聚类的终端侧负荷辨识方法、介质及系统
CN116046968A (zh) 一种液相色谱工作站数据处理方法、系统及可存储介质
CN111323233A (zh) 一种用于低速旋转机械故障诊断的局部均值分解方法
CN115563480A (zh) 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法
CN112698160A (zh) 开关柜局部放电故障识别方法、装置、计算机设备及存储介质
CN111008356A (zh) 一种基于WTSVD算法扣除背景的γ能谱集分析方法
CN115144742A (zh) 断路器储能系统机械状态的判别方法和装置
CN112505779B (zh) 基于特征分解的采集脚印去除方法

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