CN111504675B - 一种气体绝缘组合电器机械故障在线诊断方法 - Google Patents

Abstract

本发明公开了一种气体绝缘组合电器机械故障在线诊断方法，以GIS的断路器分合闸操作为激振源，提取正常与故障状态下的振动信号，利用S变换获得振动信号的时频谱，作为预训练的ResNet‑18神经网络模型，提取时频谱特征作为预测变量，使用fitcecoc函数拟合SVM，根据模糊矩阵显示的分类结果筛选出有效测点，将有效测点的时频图送入AlexNet神经网络模型进行迁移学习，获得经过微调后的D‑SVM AlexNet模型，将实时振动信号的时频二维图谱送入D‑SVM AlexNet模型中，根据图像分类结果，对测点GIS机械故障进行诊断。本发明避免了传统识别算法中复杂的特征提取和数据重建过程，适用性强。

Description

一种气体绝缘组合电器机械故障在线诊断方法

技术领域

本发明涉及二次设备在线智能监测技术领域，特别是一种气体绝缘组合电器机械故障在线诊断方法。

背景技术

随着土地资源稀缺、环境保护要求的提高和智能电网建设的需要，气体绝缘组合电器(GIS)因具有系统性强、集成度高、占地面积小、环境友好等特点在高压电网中获得了广泛应用。由于GIS具有全封闭以及装置集成化程度高的特点，使得定期拆卸GIS的维护程序既费时间又花费高昂，因此及时监测GIS设备信息有重要意义。

GIS中44％的主要故障和39％的次要故障是由机械缺陷引发的。GIS机械故障和绝缘故障占总故障的77.4％，其中机械故障的占比最大。振动是电力设备机械状态的固有特性，包含设备机械特征的重要参数。利用振动法探究GIS机械故障特征已经得到了成功应用。

断路器是每个GIS的核心部件，也是GIS中易发生故障的部位。断路器的分合闸操作的激振能量巨大，可以提供足够的能量来激发整个GIS间隔振动，且断路器分合闸激振的重复性和一致性很高。这为GIS机械故障诊断提供了新的思路。

中国专利申请号为201810245653.4，专利名称为：一种气体绝缘组合开关设备的机械故障在线诊断方法，通过S变换分割能量均等的振动信号时频平面，利用SVM分类器进行故障分类识别，分割降低了诊断数据集维数，但是会遗漏重要的故障信息。

发明内容

本发明所要解决的技术问题是克服现有设备监测技术的不足，提供一种气体绝缘组合电器机械故障在线诊断方法，以GIS中的断路器作为激振源，通过提取振动信号特征生成时间-频率图，利用训练后的神经网络对图像进行分类，实现在线故障诊断。

本发明为解决上述技术问题采用以下技术方案：

一种气体绝缘组合电器机械故障在线诊断方法，包括：

训练气体绝缘组合电器每种机械故障下的D-SVM AlexNet识别模型；

实时采集气体绝缘组合电器断路器分合闸操作时气体绝缘组合电器上每个测点的振动信号，通过所述D-SVM AlexNet识别模型对测点进行故障诊断；

所述训练气体绝缘组合电器每种机械故障下的D-SVM AlexNet识别模型，包括：

设置气体绝缘组合电器故障，采集断路器分合闸操作时正常状态和所述设置故障状态下每个测点的振动信号；

截取所采集的振动信号的有效信息；

对所截取的有效信息进行S变换，得到有效信息的时频二维图谱；

通过预训练的ResNet-18神经网络模型从所述有效信息中筛选出有效测点；

将所述有效测点的时频二维图谱作为输入变量送入AlexNet神经网络模型进行迁移学习，得到该故障的D-SVM AlexNet识别模型。

进一步的，所述气体绝缘组合电器故障包括：传动杆卡涩、驱动弹簧疲劳和外部连接螺丝松动三种故障。

进一步的，还包括：在气体绝缘组合电器气室间法兰处布置1个测点、断路器操动箱每个面各布置1个测点，共6个测点，每个测点处固定一个振动加速度传感器，每个测点处固定一个振动加速度传感器，振动加速度传感器连接信号采集仪，通过信号采集仪采集振动信号。

进一步的，采集每个测点的振动信号，包括：

每次断路器动作后采集时长为T，采样频率为f。

进一步的，所述正常状态是指气体绝缘组合电器为非故障状态。

进一步的，所述T起始计时时刻为断路器动作起始时间，T的结束时间为断路器动作结束后0.3秒。

进一步的，所述采样评率f为16kHz。

进一步的，所述截取所采集的振动信号的有效信息，包括：

将采样的离散数据连续化后，确定第一个极值的出现时刻，向前采样250个点，向后采样2250个点，组成新的数据集构成有效信息。

进一步的，所述通过预训练的ResNet-18神经网络模型从所述有效信息中筛选出有效测点，包括：

每次训练一种类型的故障，将正常状态和该故障下所有测点的有效信息的时频二维图谱输入预训练ResNet-18神经网络模型中，卷积运算后生成含有设备状态信息的特征矩阵作为预测变量；

将预测变量通过fitcecoc函数拟合SVM，生成模糊矩阵；

根据模糊矩阵显示的分类结果，将准确率大于75％的测点定义为有效测点。

进一步的，还包括：

对实时采集的每个测点的振动信号，截取有效信息，并进行S变换得到时频二维图谱。

本发明所达到的有益效果为：

(1)本发明利用了S变换具有良好的时频特性，非常适合于非平稳信号的处理与分析；

(2)本发明通过有效测量点的筛选工作，很大程度上将图像集内具有典型特征的测点筛选出来，作为对应故障的特征，当故障发生时，较正常状态下的区分度更加明显；

(3)本发明采用卷积神经网络减少了网络中训练参数的个数与网络模型占用的空间，二维图像可以直接作为卷积神经网络模型的输入，避免了传统识别算法中复杂的特征提取和数据重建过程；

(4)本发明采用SVM适合小样本集训练，通过结合AlexNet神经网络模型使用迁移学习的方式，避免了小样本集训练可能造成模型参数设置不当的问题；

(5)本发明具有可移植性，可用来测量其他以非平稳振动信号为基础的小样本故障诊断。

附图说明

图1是本发明基于S变换和D-SVM AlexNet模型的气体绝缘组合电器机械故障诊断流程图；

图2是本发明实施例中GIS断路器正常状态下分合闸操作时的振动信号时域图；

图3是本发明实施例中GIS断路器正常状态下分合闸操作时的振动信号时频图；

图4是本发明实施例中未经有效测点筛选时，基于模糊矩阵的传动杆卡涩故障测点分类结果；

图5是本发明实施例中经过效测点筛选后，基于模糊矩阵的传动杆卡涩故障测点分类结果；

图6是本发明实施例中AlexNet神经网络迁移学习训练过程；

图7是本发明实施例中图像分类标签显示故障诊断结果，图7(a)为测点1在故障状态，图7(b)为测点2在故障状态，图7(c)为测点3在故障状态，图7(d)为测点5在故障状态，图7(e)为测点6在故障状态。

具体实施方式

下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

断路器的分合闸操作的激振能量巨大，可以提供足够的能量来激发整个GIS间隔振动。利用S变换处理振动信号，避免了传统时频分析方法中窗函数宽度固定的缺点，获得高分辨率、低干扰度的GIS振动信号时频谱。

SVM适合小样本集训练，可用于样本集的预处理。将故障在GIS气室间法兰处、断路器操动箱面共六个测点上采集的S变换图像集带入预训练的ResNet-18神经网络模型，将提取到的特征作为预测变量，使用fitcecoc函数拟合SVM，根据模糊矩阵显示的分类结果筛选出有效测点。有效测量点的筛选工作很大程度上将图像集内具有典型特征的测点筛选出来，作为对应故障的特征，当故障发生时，较正常状态下的区分度更加明显。

对AlexNet神经网络模型使用迁移学习的方式，将有效测点图像集作为输入变量送入AlexNet神经网络模型进行迁移学习，得到经过微调后的神经网络模型，避免了小样本集训练可能造成模型参数设置不当的问题。

当需要做在线诊断故障时，用微调后的网络模型对实时生成的S变换图像进行准确分类，达到故障识别的目的。

作为一种优选的实施例，本发明提供一种气体绝缘组合电器机械故障在线诊断方法，参见图1，包括：

D-SVM AlexNet模型训练部分：

步骤1、采样装置安装：在GIS气室间法兰处布置1个测点、断路器操动箱每个面各布置1个测点，总共6个测点，每个测点处固定一个振动加速度传感器，振动加速度传感器连接信号采集仪。

步骤2、历史数据采集：人为设置GIS传动杆卡涩、驱动弹簧疲劳和外部连接螺丝松动三种故障，当断路器分合闸操作时，通过信号采集仪，采集正常状态下和前面三种故障状态下每个测点的振动信号，每次断路器动作后的采集时长为T，采样频率为f。

进一步的，所述正常状态是指气体绝缘组合电器为非故障状态。

进一步的，所述T起始计时时刻为断路器动作起始时间，T的结束时间为断路器动作结束后0.3秒。

进一步的，所述采样评率f为16kHz。

步骤3、基于S变换的时频分析：截取每个测点的振动信号的有效信息，经过S变换进行时频分析，获得振动信号的时频二维图谱。

进一步的，截取每个测点的振动信号的有效信息是指将采样的离散数据连续化后，确定第一个极值的出现时刻，向前采样250个点，向后采样2250个点，组成新的数据集构成有效信息。

步骤4、有效测点筛选：使用现有的预训练ResNet-18神经网络模型，每次训练一种类型的故障，网络构造输入S变换后的时频二维图像的分层表示，图像集包含该类故障在6个测点下测得的正常状态和故障状态共12个子类。将从S变换图像与卷积核进行卷积运算，生成的含有设备状态信息的特征矩阵作为预测变量，通过fitcecoc函数拟合SVM，生成模糊矩阵。根据模糊矩阵上显示的图像分类准确率大小，将准确率大于75％的测点定义为有效测点，将其筛选出来。

步骤5、模型训练：对AlexNet神经网络模型使用迁移学习的方式，将有效测点分别在正常状态和故障状态下的时频二维图谱作为输入变量送入AlexNet神经网络模型进行迁移学习，得到经过微调后的D-SVM AlexNet模型。

实时机械故障诊断部分：

步骤6、振动信号采集：当GIS断路器分合闸操作时，利用信号采集仪，实时采集每个测点的振动信号，采集时长为T，采样频率为f。

步骤7、基于S变换的时频分析：截取每个测点的振动信号有效信息，经过S变换进行时频分析，获得有效信息的时频二维图谱。

步骤8、故障在线诊断：对于传动杆卡涩故障，用传动杆卡涩数据集经步骤5迁移学习的D-SVM AlexNet模型对实时输入的振动信号时频二维图进行图像分类，分类显示测点是否存在传动杆卡涩故障。对于驱动弹簧疲劳、外部连接螺丝松动等故障，也可由对应的故障类型数据经过迁移学习的D-SVM AlexNet模型分别进行分类判别。

以126kV GIS断路器的传动杆卡涩故障为例进行诊断，在GIS气室间法兰处布置1个测点、断路器操动箱每个面分别布置1个测点，总共6个测点，通过操动断路器提取每个测点的正常状态和传动杆卡涩故障状态下的振动信号，进行分析。

如图2所示，采集GIS断路器分闸操作时的每个测点的振动信号，并截取每个测点振动信号的有效信息。对图2的时域图进行S变换获取时频二维图谱，具体结果见图3。

建立GIS断路器传动杆卡涩正常状态和故障状态下的S变换图像集。使用预训练的ResNet-18神经网络模型，从S变换图像中提取特征作为预测变量，通过fitcecoc函数拟合SVM，得到模糊矩阵。模糊矩阵每一列代表该列所属类经过SVM分类的结果，以图4第4列为例，随机抽取200张故障状态下CH4测点时频图，对角线上元素即为分类正确的图像，共105张，准确率为52.5％，对于准确度高于75％的测点认定为有效测点。在剔除无效测点数据后，再次用上述分类方法进行检验，模糊矩阵结果如图5，分类的综合准确率由85.2％上升为97.0％。说明，此时数据集在正常和故障状态下区别更加明显。

对AlexNet神经网络模型使用迁移学习的方式，将正常状态和故障状态下有效测点图像集作为输入变量送入AlexNet神经网络模型进行迁移学习，训练过程如图6所示，得到经过微调后的D-SVM AlexNet模型。

当需要判断是否出现传动杆卡涩故障时，实时采集每个测点的振动信号，通过S变换生成时频谱，带入到训练好的D-SVM AlexNet模型里进行图像分类，得到每个测点的故障诊断结果如图7所示。其中，图像为代入到模型中训练、有待实现故障诊断的时频图，标签为该图对应的故障分类结果，如图7(a)表示由实时采集的测点1振动信号判定断路器工作在故障状态，图7(b)表示由实时采集的测点2振动信号判定断路器工作在故障状态，图7(c)表示由实时采集的测点3振动信号判定断路器工作在故障状态，图7(d)表示由实时采集的测点5振动信号判定断路器工作在故障状态，图7(e)表示由实时采集的测点6振动信号判定断路器工作在故障状态。五个测点数据判定结果具有高度的一致性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种气体绝缘组合电器机械故障在线诊断方法，其特征在于，包括：

训练气体绝缘组合电器每种机械故障下的D-SVM AlexNet识别模型；

实时采集气体绝缘组合电器断路器分合闸操作时气体绝缘组合电器上每个测点的振动信号，通过所述D-SVM AlexNet识别模型对测点进行故障诊断；

所述训练气体绝缘组合电器每种机械故障下的D-SVM AlexNet识别模型，包括：

设置气体绝缘组合电器故障，采集断路器分合闸操作时正常状态和所述设置故障状态下每个测点的振动信号；

截取所采集的振动信号的有效信息；

对所截取的有效信息进行S变换，得到有效信息的时频二维图谱；

通过预训练的ResNet-18神经网络模型从所述有效信息中筛选出有效测点，包括：

每次训练一种类型的故障，将正常状态和该故障下所有测点的有效信息的时频二维图谱输入预训练ResNet-18神经网络模型中，卷积运算后生成含有设备状态信息的特征矩阵作为预测变量；

将预测变量通过fitcecoc函数拟合SVM，生成模糊矩阵；

根据模糊矩阵显示的分类结果，将准确率大于75％的测点定义为有效测点；

将所述有效测点的时频二维图谱作为输入变量送入AlexNet神经网络模型进行迁移学习，得到该故障的D-SVM AlexNet识别模型。

2.根据权利要求1所述的一种气体绝缘组合电器机械故障在线诊断方法，其特征在于，所述气体绝缘组合电器故障包括：传动杆卡涩、驱动弹簧疲劳和外部连接螺丝松动三种故障。

3.根据权利要求1所述的一种气体绝缘组合电器机械故障在线诊断方法，其特征在于，还包括：在气体绝缘组合电器气室间法兰处布置1个测点、断路器操动箱每个面各布置1个测点，共6个测点，每个测点处固定一个振动加速度传感器，每个测点处固定一个振动加速度传感器，振动加速度传感器连接信号采集仪，通过信号采集仪采集振动信号。

4.根据权利要求1所述的一种气体绝缘组合电器机械故障在线诊断方法，其特征在于，采集每个测点的振动信号，包括：

每次断路器动作后采集时长为T，采样频率为f。

5.根据权利要求4所述的一种气体绝缘组合电器机械故障在线诊断方法，其特征在于，所述正常状态是指气体绝缘组合电器为非故障状态。

6.根据权利要求4所述的一种气体绝缘组合电器机械故障在线诊断方法，其特征在于，所述T起始计时时刻为断路器动作起始时间，T的结束时间为断路器动作结束后0.3秒。

7.根据权利要求6所述的一种气体绝缘组合电器机械故障在线诊断方法，其特征在于，所述采样评率f为16kHz。

8.根据权利要求1所述的一种气体绝缘组合电器机械故障在线诊断方法，其特征在于，所述截取所采集的振动信号的有效信息，包括：

将采样的离散数据连续化后，确定第一个极值的出现时刻，向前采样250个点，向后采样2250个点，组成新的数据集构成有效信息。

9.根据权利要求1所述的一种气体绝缘组合电器机械故障在线诊断方法，其特征在于，还包括：

对实时采集的每个测点的振动信号，截取有效信息，并进行S变换得到时频二维图谱。

Images