CN112001326B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112001326B CN112001326B CN202010864812.6A CN202010864812A CN112001326B CN 112001326 B CN112001326 B CN 112001326B CN 202010864812 A CN202010864812 A CN 202010864812A CN 112001326 B CN112001326 B CN 112001326B
- Authority
- CN
- China
- Prior art keywords
- vibration
- signal
- voltage switch
- switch equipment
- fingerprint
- 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
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000003745 diagnosis Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 73
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 230000009471 action Effects 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 121
- 238000009826 distribution Methods 0.000 claims description 61
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000000354 decomposition reaction Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 23
- 230000009467 reduction Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000004393 prognosis Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 20
- 239000000203 mixture Substances 0.000 description 20
- 238000010586 diagram Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请公开了一种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,具体为当待检测的高压开关装备稳定运行时,实时采集其的振动信号;对振动信号进行切片处理得到振动切片;对振动切片进行处理,得到振动信号的振动指纹;将装备初始运行时的振动指纹作为初始参照标准,其后依次将每次动作时的振动指纹与前一次进行相似度比对,若相似度变化高于设定的阈值,则判断该开关装备出现故障趋势或已经发生故障。由于本方案以高压开关装备初始的振动指纹为初始参照标准,对实时采集的振动指纹进行趋势分析实现故障诊断与预测,因此并不需要采集大量的标准数据。从而解决了目前的故障诊断方法无法对高压开关装备进行有效的故障诊断与预测的问题。
Description
技术领域
本申请涉及电力装备技术领域,更具体地说,涉及一种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。
背景技术
目前,电力装备制造行业正在大力发展电力物联网,作为电力物联网部署中重要的一部分,高压开关装备的故障诊断成为电力行业的研究热点。但是,高压开关装备机构复杂、运行环境多样,对其进行快速准确地故障诊断难度较大。
在多种诊断方式中,振动信号由于非侵入式测量、信息含量丰富的优势成为高压开关装备故障诊断的重要方法。在传统的基于振动信号的故障诊断方法中,基于案例的故障方法通过比较待诊断设备与已有案例的特征进行故障识别,这种方法需要大量的学习样本数据来进行模型训练,且目前很多研究所用的数据来源于实验,而高压开关装备的振动信号与运行环境、运行状态密切相关,实验中采集的数据不能很准确地反映高压开关装备的实际运行状态;且目前的方法都是对某一类开关装备进行研究,具体来说是选定一类开关装备中的部分样本进行故障诊断研究,在此基础上将其泛化应用于其他同类装备。而在开关装备中,即使是同一类装备,在不同的工程项目中,也存在个体的差异性,所表现的振动特征也并不相同。基于以上现状,目前的故障诊断方法无法对高压开关装备进行有效的故障诊断与预测。
发明内容
有鉴于此,本申请提供一种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,用于解决目前的故障诊断方法无法对高压开关装备进行有效的故障诊断与预测的问题。
为了实现上述目的,现提出的方案如下:
一种基于振动指纹的高压开关装备故障诊断与预测方法,包括步骤:
当待检测的高压开关装备开始稳定运行时,实时在线采集所述高压开关装备的振动信号;
对所述振动信号进行处理,得到所述振动信号的振动指纹,所述振动指纹包括所述振动信号的特征向量的混合高斯分布参数;
对所述振动指纹进行实时监测,对比高压开关装备每次动作时的振动指纹变化,当所述振动指纹相似度变化超过预设阈值时,判定所述高压开关装备出现故障趋势或者已经发生故障,发出相应的示警信号。
可选的,所述对所述振动信号进行处理,得到所述振动信号的振动指纹,包括步骤:
对所述振动信号进行切片处理,得到高压开关装备动作时的振动切片;
对所述振动切片进行降噪处理;
对所述振动切片进行特征提取,得到每个所述振动切片的一组典型特征向量;
对所述一组典型特征向量采用混合高斯模型进行分布拟合,得到每个所述典型特征向量的分布参数,并将所述分布参数作为所述振动指纹。
可选的,所述一组典型特征向量包括第一典型特征向量、第二典型特征向量、第三典型特征向量、第四典型特征向量和第五特征向量中的部分或全部,所述对所述信号切片进行特征提取,包括步骤:
采用时域法对所述信号切片进行特征提取,得到所述第一典型特征向量;
采用频域法对所述信号切片进行特征提取,得到所述第二典型特征向量;
采用时频分析法对所述信号切片进行特征提取,得到所述第三典型特征向量;
采用数据时序法对所述信号切片进行特征提取,得到所述第四典型特征向量;
采用基于经验模态分解和能量熵方法对所述信号切片进行特征提取,得到所述第五典型特征向量。
可选的,对所述振动指纹进行监测,对比高压开关装备每次动作时的振动指纹变化,当所述振动指纹相似度变化超过预设阈值时,判定所述高压开关装备出现故障趋势或者已经发生故障,包括步骤:
针对所述振动指纹,通过对相邻动作的振动指纹进行相似度比对得到所述振动指纹之间的差异度D;
当所述差异度D大于预设的警告阈值时Dw,表示所述高压开关装备的性能开始劣化,此时发出警告信息。
当所述差异度D大于预设的报警阈值时Df,表示该装备即将发生故障,此时发出故障报警信息。
一种基于振动指纹的高压开关装备故障诊断与预测系统,包括:
信号采集模块,被配置为当待检测的高压开关装备稳定运行时,实时采集所述高压开关装备的振动信号;
信号处理模块,被配置为对所述振动信号进行处理,得到所述振动信号的振动指纹,所述振动指纹包括所述振动信号的特征向量的混合高斯分布参数;
故障判断模块,被配置为对所述振动指纹进行监测,当所述振动指纹相似度变化超过预设阈值时,判定所述高压开关装备出现故障趋势或者已经发生故障,发出相应的示警信号。
可选的,所述信号处理模块包括:
第一处理单元,被配置为对所述振动信号进行切片处理,得到一系列的信号切片;
第二处理单元,被配置对所述信号切片进行降噪处理;
第三处理单元,被配置为对所述信号切片进行特征提取,得到每个所述信号切片的一组典型特征向量;
第四处理单元,被配置为对所述一组典型特征向量采用混合高斯模型进行分布拟合,得到每个所述典型特征向量的分布参数,并将所述分布参数作为所述振动指纹。
可选的,所述一组典型特征向量包括第一典型特征向量、第二典型特征向量、第三典型特征向量和第四典型特征向量、第五典型特征向量,所述第三处理单元包括:
第一处理子单元,用于采用时域法对所述信号切片进行特征提取,得到所述第一典型特征向量;
第二处理子单元,用于采用频域法对所述信号切片进行特征提取,得到所述第二典型特征向量;
第三处理子单元,用于采用时频分析法对所述信号切片进行特征提取,得到所述第三典型特征向量;
第四处理子单元,用于采用数据时序法对所述信号切片进行特征提取,得到所述第四典型特征向量;
第五处理子单元,用于采用基于经验模态分解和能量熵方法对所述信号切片进行特征提取,得到所述第五典型特征向量。
可选的,所述故障判断模块包括:
差异度计算单元,用于针对所述振动指纹,通过对相邻动作的振动指纹进行相似度比对得到所述振动指纹之间的差异度D;
第一报警单元,用于当所述差异度D大于预设的警告阈值时Dw,表示所述高压开关装备的性能开始劣化,此时发出警告信息。
第二报警单元,用于当所述差异度D大于预设的报警阈值时Df,表示该装备即将发生故障,此时发出故障报警信息。
从上述的技术方案可以看出,本申请公开了一种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,具体为当待检测的高压开关装备稳定运行时,实时采集高压开关装备的振动信号;对振动信号进行处理,得到振动信号的振动指纹,振动指纹包括振动信号的特征向量的混合高斯分布参数;对振动指纹进行监测,当振动指纹相似度变化超过预设阈值时,判定高压开关装备即将出现故障或者已经发生故障。由于本方案以高压开关装备初始运行状态下的振动指纹为初始参照标准,对实时采集的振动指纹进行趋势分析实现故障诊断和预测,因此并不需要采集大量的标准数据。从而解决了目前的故障诊断方法无法对高压开关装备进行有效的故障诊断与预测的问题。
且本方案可以泛化到不同型号设备。本发明中采用的故障诊断和预测方法,以每台装备特有的振动特征分布为振动指纹,同时以装备自身的历史振动指纹为参照,可以自适应地对装备个体进行故障诊断和预测。
附图说明
为了更清楚地说明本申请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,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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他的附图。
图1为本申请实施例的一种基于振动指纹的高压开关装备故障诊断与预测方法的流程图;
图2a为本申请实施例的一种振动信号处理过程的流程图;
图2b为一种振动信号的示意图;
图2c为一种信号切片的示意图;
图2d为降噪处理后的信号切片的示意图;
图2e为混合高斯模型的示意图;
图2f为EM算法流程图;
图3为本申请实施例的一种基于振动指纹的高压开关装备故障诊断与预测系统的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例一
图1为本申请实施例的一种基于振动指纹的高压开关装备故障诊断与预测方法的流程图。
如图1所示,本实施例提供的故障诊断与预测方法应用于高压开关装备所处的机房或者变电站、电厂等应用高压开关装备的场所,该故障诊断与预测方法用于对上述场所的高压开关装备进行故障检测,具体包括如下步骤:
S1、实时采集高压开关装备的振动信号。
当高压开关装备开始稳定运行时,利用振动传感器实时采集相应高压开关装备的振动信号,振动传感器应该安装于高压开关装备的相应位置处,本申请中的测定位置为灭弧室外壁、传动轴、传动机构拐臂,在每个测点可以安装一个或的多个振动传感器进行测量。
S2、对振动信号进行处理,得到振动信号的振动指纹。
这里的振动指纹是指包括振动信号的特征向量的混合高斯分布参数的一组数据,具体来说通过下面的步骤对振动指纹的获得,如图2a所示。
S21、对振动信号进行切片处理,得到一系列的信号切片。
在得到高压开关装备的振动信号后,对原始的振动信号进行切片处理,从而得到高压开关装备动作时的信号切片。
具体切片时采取阈值法。设定振动信号幅值阈值Vt和时间阈值Tt,时间阈值Tt的设定方法如下式:
Tt=TBT+δT1 (1)
式中,TBT为高压开关装备的额定开断时间,δT1为可调的时间裕量。
将振动信号振幅高于Vt的时刻记为Th,δT2为可调的时间裕量,则振动切片的起始时刻为Ts=Th-δT2,振动切片的终点时刻Te=Ts+Tt。
由此截取到的Ts与Te间的信号作为信号切片。其中,原始的振动信号如图2b所示,得到的信号切片如图2c所示。
S22、对信号切片进行降噪处理。
在高压开关装备的实际运行中,采集到的机械振动信号会有大量的噪声,这些噪声幅值虽然较小,但是频率较高,所以对高压开关装备本身的振动信号有一定的影响。因此在振动信号进行典型特征向量提取之前,需要对信号切片其进行降噪处理,降低噪声对信号的干扰,提高信噪比。
本申请中使用小波分析法对采集到的信号切片进行降噪处理,具体处理时,采用基于小波的阈值去噪法。该方法的主要理论依据是:目标信号的小波系数幅值较大,但是数目很少;而噪声的分布刚好相反,噪声的小波系数均匀分布在整个小波域,但是幅值相对来说较小。
基于这种依据,对信号进行小波分解后,选取合适的阈值,将系数小于阈值的部分作为噪声去掉,达到去噪的目的。选定阈值后,对信号切片的去噪分为三个步骤:小波分解、阈值量化、小波重构。
小波分解即选择一个小波并确定分解的层次,然后进行分解计算;阈值量化则根据选择的阈值选取以及阈值作用方式将选定的阈值作用于小波分解中产生的分解系数;小波重构则是根据上述处理结果将保留的小波分量进行重构,得到去噪后的信号。
图2d是对采集的振动信号进行小波去噪的结果。可见使用这种方法可以很好地去除信号中的噪声。
S23、从信号切片中提取一组典型特征向量。
在得到一系列的信号切片后,针对每一个信号切片进行特征提取处理,即提取每个信号切片的一组典型特征向量,这里的一组典型特征向量是指包括多个典型特征向量的一组数据。
特征提取是振动信号处理重要的步骤,选择合适的特征量是后续故障诊断与预测的基础。对振动信号特征提取的方法有时域法、频域法、时频分析法、数据序列法,这几种特征提取方法各有利弊,因此可以采用多种方法分别提取一种典型特征向量,从而构成一组典型特征量,这样能够更加全面准确地反映振动信号。
因此,可以使该该组特征向量包括第一典型特征向量,第二典型特征向量、第三典型特征向量、第四典型特征向量和第五特征向量。本申请中基于下面的步骤得到上述典型特征向量。
依次采用时域法对信号切片进行特征提取,得到第一典型特征向量;采用频域法对信号切片进行特征提取,得到第二典型特征向量;采用时频分析法对信号切片进行特征提取,得到第三典型特征向量;采用数据时序法对信号切片进行特征提取,得到第四典型特征向量;采用能量熵方法对信号切片进行特征提取,得到第五典型特征向量。
在本申请的一个具体实施方式中,考虑到高压开关装备振动信号非平稳非周期的特征,可选的特征提取方法可以仅选用短时能量方法、包络谱方法和能量熵方法。
短时能量方法是对振动信号的时域分析,具体的是对时域信号序列的平方变换进行窗函数滤波,从而得到能量函数序列。这种方法可以从时域表达信号特征,即基于时域分析法得到第一典型特征向量。
包络谱方法是对振动信号提取信号包络,并在此基础上对信号包络进行频谱分析,得到振动信号的包络谱。这种方法可以从频域表达信号特征,即基于频域分析法得到第二典型特征向量。
能量熵方法是经验模态分解结合能量熵的方法,使用经验模态分解将振动信号分解为不同的固有模态函数,再计算这些模态函数的能量熵,将各个固有模态函数的能量熵作为最终的典型特征向量,即上述的第五典型特征向量。
经验模态分解的基本假设是:信号由不同的固有模态函数组成,每一个固有模态不论是线性还是非线性的,都具有相同数量的极值点和零交叉点,在相邻的两个零交叉点之间只有一个极值点,任何两个固有模态之间都是相互独立的,这样任何一个信号都可以被分解为有限个固有模态之和。
在对振动信号进行经验模态分解的基础上,进一步计算各个模态的能量熵,将每个模态的能量熵作为特征向量输出。
具体的计算时,是将各阶模态沿时间轴等分为N段,并对每一段时间内的信号计算其能量熵,计算式定义如下:
其中Ai(t)为第i段分段信号的幅值;
将信号的各个分段能量进行归一化处理,得到:
进一步计算能量熵,公式如下:
以上对各个模态计算得到的能量熵即为本专利中所选取的振动特征。
S24、对典型特征向量进行混合高斯分布计算,得到振动信号的振动指纹。
在得到一组典型特征向量后,利用混合高斯模型去拟合以上特征分布,并将各个特征量的混合高斯分布参数作为高压开关装备的振动指纹存储起来,作为高压开关装备机械状态的表征。使用这种处理方法有以下优势:
1、降低特征维度,减少存储压力,便于计算;
2、混合高斯分布能够从分布上来体现振动的特征,可以从分布的角度反映设备退化趋势。
混合高斯模型就是用高斯概率密度函数(正态分布曲线)精确地量化事物,如图2e所示,它是一个将事物分解为若干个基于高斯概率密度函数形成的模型。混合高斯模型是指具有如下形式的概率分布模型:
其中,αk是系数,φ(y|θk)是高斯分布密度,θk=(μk,σk 2),
称为第k个分模型。
由以上可知,实际的计算中需要确定混合高斯模型的参数:μk,σk 2,αk。
在具体的计算过程,使用EM算法进行计算,算法流程如图2f所示:
EM算法分为E步和M步。针对样本数据,设定混合高斯分布初始值,然后经过E步与M步对模型参数进行迭代计算,直到收敛。
E步根据初始设定的模型参数计算样本数据的先验概率;
M步根据E步计算的先验概率求极大化的模型参数;
对E步与M步进行迭代计算,直到模型参数满足收敛条件,即可输出混合高斯模型参数,将此参数作为分布特征存储起来,作为高压开关装备的振动指纹。
以上述短时能量特征为例,设短时能量所提取的特征量为[E1,E2......En]。
对此特征量按照上述步骤进行混合高斯分布计算,可以得到短时能量的混合高斯分布参数{(μ1,σ1,α1),(μ2,σ2,α2)......(μm,σm,αm)},这组参数就是本申请中高压开关装备的振动指纹。
S3、通过对振动指纹的监测判断高压开关装备是否出现故障趋势或故障。
通过对振动信号的处理,在得到高压开关装备的振动指纹的情况下,通过对高压开关装备在每次动作时的振动指纹变化的监控,当每次动作的振动指纹的相似度变化超过预设阈值时,即可确定该高压开关装备是否出现故障趋势或者已经发生故障。
本发明中所提取的振动指纹本质上是振动信号特征量的分布特性,将此分布特性作为高压开关装备状态的表征,并以此为基础对高压开关装备做退化趋势分析,进而实现故障诊断与预测。
具体的,将装备初始运行时的振动指纹作为初始参照标准,初始振动指纹表示为{(μ1 (0),σ1 (0),α1 (0)),(μ2 (0),σ2 (0),α2 (0))......(μm (0),σm (0),αm (0))}。
其后每一次操作对应的振动指纹与前一次进行相似度比对,若相似度变化高于设定的阈值,则判断该高压开关装备出现故障趋势或者已经发生故障,发出示警信号。
具体的比对方法如下:
设第i次的振动指纹为{(μ1 (i),σ1 (i),α1 (i)),(μ2 (i),σ2 (i),α2 (i))......(μl (i),σl (i),αl (i))},第i+1的振动指纹为{(μ1 (i+1),σ1 (i+1),α1 (i+1)),(μ2 (i+1),σ2 (i+1),α2 (i+1))......(μp (i+1),σp (i+1),αp (i+1))}。对两次振动指纹进行相似度比对,即计算振动指纹之间的差异度D,第i+1次差异度Di+1。
Di+1=∫Gi+1(x)-Gi(x)dx (7)
其中
得到差异度后可以根据设置的差异度进行故障诊断与预测。差异度{D}可以根据实际需要设置不同的等级。例如本案例中设置的差异度为{Dw,Df},Dw为警告阈值,Df为报警阈值。
当D>Dw,表示该装备的性能开始劣化,发出警告信息。
当D>Df,表示该装备即将发生故障,发出故障报警信息。
上述方法是针对单变量典型特征向量的计算方法,此时得到的振动指纹为一维混合高斯分布;若选择多个典型特征向量为变量,则得到的振动指纹为多维混合高斯分布,比对的对象也变为更高维度的数组,计算方法仍然和上述方法相同。
从上述技术方案可以看出,本实施例提供了一种基于振动指纹的高压开关装备故障诊断与预测方法,具体为当待检测的高压开关装备稳定运行时,实时采集高压开关装备的振动信号;对振动信号进行处理,得到振动信号的振动指纹,振动指纹包括振动信号的特征向量的混合高斯分布参数;对振动指纹进行监测,当振动指纹相似度变化超过预设阈值时,判定高压开关装备出现故障趋势或已经发生故障。由于本方案以高压开关装备初始运行状态下的振动指纹为标准,对实时采集的振动指纹进行趋势分析实现故障诊断与预测,因此并不需要采集大量的标准数据。从而解决了目前的故障诊断方法无法对高压开关装备进行有效的故障诊断与预测的问题。
且本方案可以泛化到不同型号设备。本发明中采用的故障诊断与预测方法,以每台装备特有的振动特征分布为振动指纹,同时以装备自身的历史振动指纹为参照,可以自适应地对装备个体进行故障诊断与预测。
实施例二
图3为本申请实施例的一种基于振动指纹的高压开关装备故障诊断与预测系统的框图。
如图3所示,本实施例提供的故障诊断与预测系统应用于高压开关装备所处的机房或者变电站、电厂等应用高压开关装备的场所,该故障诊断与预测系统用于对上述场所的高压开关装备进行故障检测,具体包括信号采集模块10、信号处理模块20和故障判断模块30。
信号采集模块用于采集高压开关装备的振动信号。
当高压开关装备开始稳定运行时,利用振动传感器采集相应高压开关装备的振动信号,振动传感器应该安装于高压开关装备的相应位置处,本申请中的测定位置为灭弧室外壁、传动轴、传动机构拐臂,在每个测点可以安装一个或的多个振动传感器进行测量。
信号处理模块用于对振动信号进行处理,得到振动信号的振动指纹。
这里的振动指纹是指包括振动信号的特征向量的分布参数的一组数据,具体来说该模块包括第一处理单元、第二处理单元、第三处理单元和第四处理单元。
第一处理单元用于对振动信号进行切片处理,得到一系列的信号切片。
在得到高压开关装备的振动信号后,对原始的振动信号进行切片处理,从而得到一系列的信号切片,
具体切片时采取阈值法。设定振动信号幅值阈值Vt和时间阈值Tt,时间阈值Tt的设定方法如下式:
Tt=TBT+δT1 (1)
式中,TBT为高压开关装备的额定开断时间,δT1为可调的时间裕量。
将振动信号振幅高于Vt的时刻记为Th,δT2为可调的时间裕量,则振动切片的起始时刻为Ts=Th-δT2,振动切片的终点时刻Te=Ts+Tt。
由此截取到的Ts与Te间的信号作为信号切片。其中,原始的振动信号如图2b所示,得到的信号切片如图2c所示。
第二处理单元用于在第二处理单元进行典型特征向量提取之前,对信号切片进行降噪处理。
在高压开关装备的实际运行中,采集到的机械振动信号会有大量的噪声,这些噪声幅值虽然较小,但是频率较高,所以对高压开关装备本身的振动信号有一定的影响。因此在振动信号进行典型特征向量提取之前,需要对信号切片其进行降噪处理,降低噪声对信号的干扰,提高信噪比。
本申请中使用小波分析法对采集到的信号切片进行降噪处理,具体处理时,采用基于小波的阈值去噪法。该方法的主要理论依据是:目标信号的小波系数幅值较大,但是数目很少;而噪声的分布刚好相反,噪声的小波系数均匀分布在整个小波域,但是幅值相对来说较小。
基于这种依据,对信号进行小波分解后,选取合适的阈值,将系数小于阈值的部分作为噪声去掉,达到去噪的目的。选定阈值后,对信号切片的去噪分为三个步骤:小波分解、阈值量化、小波重构。
小波分解即选择一个小波并确定分解的层次,然后进行分解计算;阈值量化则根据选择的阈值选取以及阈值作用方式将选定的阈值作用于小波分解中产生的分解系数;小波重构则是根据上述处理结果将保留的小波分量进行重构,得到去噪后的信号。
图2d是对采集的振动信号进行小波去噪的结果。可见使用这种方法可以很好地去除信号中的噪声。
第三处理单元用于从信号切片中提取一组典型特征向量。
在得到一系列的信号切片后,针对每一个信号切片进行特征提取处理,即提取每个信号切片的一组典型特征向量,这里的一组典型特征向量是指包括多个典型特征向量的一组数据。
特征提取是振动信号处理重要的步骤,选择合适的特征量是后续故障诊断与预测的基础。对振动信号特征提取的方法有时域法、频域法、时频分析法、数据序列法,这几种特征提取方法各有利弊,因此可以采用多种方法分别提取一种典型特征向量,从而构成一组典型特征量,这样能够更加全面准确地反映振动信号。
因此,可以使该该组特征向量包括第一典型特征向量,第二典型特征向量、第三典型特征向量、第四典型特征向量和第五特征向量。第三处理单元包括第一处理子单元、第二处理子单元、第三处理子单元、第四处理子单元和第五处理子单元。
第一处理子单元用于采用时域法对信号切片进行特征提取,得到第一典型特征向量;第二处理子单元用于采用频域法对信号切片进行特征提取,得到第二典型特征向量;第三处理子单元采用时频分析法对信号切片进行特征提取,得到第三典型特征向量;第四处理子单元用于采用数据时序法对信号切片进行特征提取,得到第四典型特征向量;第五处理子单元用于采用基于经验模态分解和能量熵方法对信号切片进行特征提取,得到第五典型特征向量。
在本申请的一个具体实施方式中,考虑到高压开关装备振动信号非平稳非周期的特征,可选的特征提取方法可以仅选用短时能量方法、包络谱方法和能量熵方法。
短时能量方法是对振动信号的时域分析,具体的是对时域信号序列的平方变换进行窗函数滤波,从而得到能量函数序列。这种方法可以从时域表达信号特征,即基于时域分析法得到第一典型特征向量。
包络谱方法是对振动信号提取信号包络,并在此基础上对信号包络进行频谱分析,得到振动信号的包络谱。这种方法可以从频域表达信号特征,即基于频域分析法得到第二典型特征向量。
能量熵方法是经验模态分解结合能量熵的方法,使用经验模态分解将振动信号分解为不同的固有模态函数,再计算这些模态函数的能量熵,将各个固有模态函数的能量熵作为最终的典型特征向量,即上述的第五典型特征向量。
经验模态分解的基本假设是:信号由不同的固有模态函数组成,每一个固有模态不论是线性还是非线性的,都具有相同数量的极值点和零交叉点,在相邻的两个零交叉点之间只有一个极值点,任何两个固有模态之间都是相互独立的,这样任何一个信号都可以被分解为有限个固有模态之和。
在对振动信号进行经验模态分解的基础上,进一步计算各个模态的能量熵,将每个模态的能量熵作为特征向量输出。
具体的计算时,是将各阶模态沿时间轴等分为N段,并对每一段时间内的信号计算其能量熵,计算式定义如下:
其中Ai(t)为第i段分段信号的幅值;
将信号的各个分段能量进行归一化处理,得到:
进一步计算能量熵,公式如下:
以上对各个模态计算得到的能量熵即为本专利中所选取的振动特征。
第四处理单元用于对典型特征向量进行计算,得到振动信号的振动指纹。
在得到一组典型特征向量后,利用混合高斯模型去拟合以上特征分布的方法,并将各个特征量的混合高斯分布参数作为高压开关装备的振动指纹存储起来,作为高压开关装备机械状态的表征。使用这种处理方法有以下优势:
1、降低特征维度,减少存储压力,便于计算;
2、混合高斯分布能够从分布上来体现振动的特征,可以从分布的角度反映设备退化趋势。
混合高斯模型就是用高斯概率密度函数(正态分布曲线)精确地量化事物,如图2e所示,它是一个将事物分解为若干个基于高斯概率密度函数形成的模型。混合高斯模型是指具有如下形式的概率分布模型:
其中,αk是系数,αk≥0,φ(y|θk)是高斯分布密度,θk=(μk,σk 2),/>
称为第k个分模型。
由以上可知,实际的计算中需要确定混合高斯模型的参数:μk,σk 2,αk。
在具体的计算过程,使用EM算法进行计算,算法流程如图2f所示:
EM算法分为E步和M步。针对样本数据,设定混合高斯分布初始值,然后经过E步与M步对模型参数进行迭代计算,直到收敛。
E步根据初始设定的模型参数计算样本数据的先验概率;
M步根据E步计算的先验概率求极大化的模型参数;
对E步与M步进行迭代计算,直到模型参数满足收敛条件,即可输出混合高斯模型参数,将此参数作为分布特征存储起来,作为高压开关装备的振动指纹。
以上述短时能量特征为例,设短时能量所提取的特征量为[E1,E2......En]。
对此特征量按照上述步骤进行混合高斯分布计算,可以得到短时能量的混合高斯分布参数{(μ1,σ1,α1),(μ2,σ2,α2)......(μm,σm,αm)},这组参数就是本申请中高压开关装备的振动指纹。
高压开关装备高压开关装备故障判断模块用于通过对振动指纹的监测判断高压开关装备是否出现故障趋势或者已经发生故障。
通过对振动信号的处理,在得到高压开关装备的振动指纹的情况下,通过对高压开关装备在每次动作时的振动指纹变化的监控,当每次动作的振动指纹的相似度的变化超过预设阈值时,即可确定该高压开关装备是否出现故障趋势或者已经发生故障。
本发明中所提取的振动指纹本质上是振动信号特征量的分布特性,将此分布特性作为高压开关装备状态的表征,并以此为基础对高压开关装备做退化趋势分析,进而实现故障诊断与预测。
具体的,将装备初始运行时的振动指纹作为初始参照标准,初始振动指纹表示为{(μ1 (0),σ1 (0),α1 (0)),(μ2 (0),σ2 (0),α2 (0))......(μm (0),σm (0),αm (0))}。
其后每一次操作对应的振动指纹与前一次进行相似度比对,若相似度变化高于设定的阈值,则判断该高压开关装备即将发生故障,发出示警信号。
该模块具体包括差异计算单元、第一报警单元和第二报警单元。
设第i次的振动指纹为{(μ1 (i),σ1 (i),α1 (i)),(μ2 (i),σ2 (i),α2 (i))......(μl (i),σl (i),αl (i))},第i+1的振动指纹为{(μ1 (i+1),σ1 (i+1),α1 (i+1)),(μ2 (i+1),σ2 (i+1),α2 (i+1))......(μp (i+1),σp (i+1),αp (i+1))}。
差异计算单元用于将两次振动指纹进行相似度比对,即计算振动指纹之间的差异度D,第i+1次差异度Di+1。
Di+1=∫Gi+1(x)-Gi(x)dx (7)
其中
得到差异度后可以根据设置的差异度进行故障诊断与预测。差异度{D}可以根据实际需要设置不同的等级。例如本案例中设置的差异度为{Dw,Df},Dw为警告阈值,Df为报警阈值。
第一报警单元用于当D>Dw时,表示该装备的性能开始劣化,发出警告信息。
第二报警单元用当D>Df时,表示该装备即将发生故障,发出故障报警信息。
上述方法是针对单变量典型特征向量的计算方法,此时得到的振动指纹为一维混合高斯分布;若选择多个典型特征向量为变量,则得到的振动指纹为多维混合高斯分布,比对的对象也变为更高维度的数组,计算方法仍然和上述方法相同。
从上述技术方案可以看出,本实施例提供了一种基于振动指纹的高压开关装备故障诊断与预测系统,具体用于当待检测的高压开关装备稳定运行时,实时采集高压开关装备的振动信号;对振动信号进行处理,得到振动信号的振动指纹,振动指纹包括振动信号的特征向量的分布参数;对振动指纹进行监测,当振动指纹相似度变化超过预设阈值时,判定高压开关装备出现故障趋势或已经发生故障。由于本方案以高压开关装备初始运行状态下的振动指纹为初始参照标准,对实时采集的振动指纹进行趋势分析实现故障诊断与预测,因此并不需要采集大量的标准数据。从而解决了目前的故障诊断方法无法对高压开关装备进行有效的故障诊断与预测的问题。
且本方案可以泛化到不同型号设备。本发明中采用的故障诊断与预测方法,以每台装备特有的振动特征分布为振动指纹,同时以装备自身的历史振动指纹为参照,可以自适应地对装备个体进行故障诊断与预测。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍,本文中应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 (4)
1.一种基于振动指纹的高压开关装备故障诊断与预测方法,其特征在于,包括步骤:
当待检测的高压开关装备开始稳定运行时,实时在线采集所述高压开关装备的振动信号;
对所述振动信号进行处理,得到所述振动信号的振动指纹,所述振动指纹包括所述振动信号的特征向量的混合高斯分布参数;
对所述振动指纹进行实时监测,对比高压开关装备每次动作时的振动指纹变化,当所述振动指纹相似度变化超过预设阈值时,判定所述高压开关装备出现故障趋势或者已经发生故障,发出相应的示警信号;
其中,所述对所述振动信号进行处理,得到所述振动信号的振动指纹,包括步骤:
对所述振动信号进行切片处理,得到高压开关装备动作时的振动切片;
对所述振动切片进行降噪处理;
对所述振动切片进行特征提取,得到每个所述振动切片的一组典型特征向量;
对所述一组典型特征向量采用混合高斯模型进行分布拟合,得到每个所述典型特征向量的分布参数,并将所述分布参数作为所述振动指纹;
其中,所述一组典型特征向量包括第一典型特征向量、第二典型特征向量、第三典型特征向量、第四典型特征向量和第五典型特征向量中的部分或全部,所述对所述信号切片进行特征提取,包括步骤:
采用时域法对所述信号切片进行特征提取,得到所述第一典型特征向量;
采用频域法对所述信号切片进行特征提取,得到所述第二典型特征向量;
采用时频分析法对所述信号切片进行特征提取,得到所述第三典型特征向量;
采用数据时序法对所述信号切片进行特征提取,得到所述第四典型特征向量;
采用基于经验模态分解和能量熵方法对所述信号切片进行特征提取,得到所述第五典型特征向量。
2.如权利要求1所述的故障诊断与预测方法,其特征在于,对所述振动指纹进行监测,对比高压开关装备每次动作时的振动指纹变化,当所述振动指纹相似度变化超过预设阈值时,判定所述高压开关装备出现故障趋势或者已经发生故障,包括步骤:
针对所述振动指纹,通过对相邻动作的振动指纹进行相似度比对得到所述振动指纹之间的差异度D;
当所述差异度D大于预设的警告阈值时Dw,表示所述高压开关装备的性能开始劣化,此时发出警告信息;
当所述差异度D大于预设的报警阈值时Df,表示该装备即将发生故障,此时发出故障报警信息。
3.一种基于振动指纹的高压开关装备故障诊断与预测系统,其特征在于,包括:
信号采集模块,被配置为当待检测的高压开关装备稳定运行时,实时采集所述高压开关装备的振动信号;
信号处理模块,被配置为对所述振动信号进行处理,得到所述振动信号的振动指纹,所述振动指纹包括所述振动信号的特征向量的混合高斯分布参数;
故障判断模块,被配置为对所述振动指纹进行监测,当所述振动指纹相似度变化超过预设阈值时,判定所述高压开关装备出现故障趋势或者已经发生故障,发出相应的示警信号;
其中,所述信号处理模块包括:
第一处理单元,被配置为对所述振动信号进行切片处理,得到一系列的信号切片;
第二处理单元,被配置对所述信号切片进行降噪处理;
第三处理单元,被配置为对所述信号切片进行特征提取,得到每个所述信号切片的一组典型特征向量;
第四处理单元,被配置为对所述一组典型特征向量采用混合高斯模型进行分布拟合,得到每个所述典型特征向量的分布参数,并将所述分布参数作为所述振动指纹;
其中,所述一组典型特征向量包括第一典型特征向量、第二典型特征向量、第三典型特征向量和第四典型特征向量、第五典型特征向量,所述第三处理单元包括:
第一处理子单元,用于采用时域法对所述信号切片进行特征提取,得到所述第一典型特征向量;
第二处理子单元,用于采用频域法对所述信号切片进行特征提取,得到所述第二典型特征向量;
第三处理子单元,用于采用时频分析法对所述信号切片进行特征提取,得到所述第三典型特征向量;
第四处理子单元,用于采用数据时序法对所述信号切片进行特征提取,得到所述第四典型特征向量;
第五处理子单元,用于采用基于经验模态分解和能量熵方法对所述信号切片进行特征提取,得到所述第五典型特征向量。
4.如权利要求3所述的故障诊断与预测系统,其特征在于,所述故障判断模块包括:
差异度计算单元,用于针对所述振动指纹,通过对相邻动作的振动指纹进行相似度比对得到所述振动指纹之间的差异度D;
第一报警单元,用于当所述差异度D大于预设的警告阈值时Dw,表示所述高压开关装备的性能开始劣化,此时发出警告信息;
第二报警单元,用于当所述差异度D大于预设的报警阈值时Df,表示该装备即将发生故障,此时发出故障报警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864812.6A CN112001326B (zh) | 2020-08-25 | 2020-08-25 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864812.6A CN112001326B (zh) | 2020-08-25 | 2020-08-25 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001326A CN112001326A (zh) | 2020-11-27 |
CN112001326B true CN112001326B (zh) | 2024-04-23 |
Family
ID=73471524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010864812.6A Active CN112001326B (zh) | 2020-08-25 | 2020-08-25 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001326B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105203346A (zh) * | 2015-10-23 | 2015-12-30 | 珠海格力电器股份有限公司 | 基于emd降噪的吸油烟机故障诊断的方法及系统 |
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
-
2020
- 2020-08-25 CN CN202010864812.6A patent/CN112001326B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105203346A (zh) * | 2015-10-23 | 2015-12-30 | 珠海格力电器股份有限公司 | 基于emd降噪的吸油烟机故障诊断的方法及系统 |
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
基于振动分析结合人工免疫算法的高压断路器故障诊断预测系统研究;张敏;丁跃浇;;机电一体化(第06期);全文 * |
小波包能量熵与EMD结合分析法在风机滚动轴承故障诊断中的应用;吕明珠;苏晓明;陈长征;刘世勋;;机械与电子(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112001326A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abid et al. | Distinct bearing faults detection in induction motor by a hybrid optimized SWPT and aiNet-DAG SVM | |
KR101936283B1 (ko) | 기계적 결함에 대한 진단 및 예측 방법 | |
CN109916628B (zh) | 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 | |
Zhang et al. | Fault diagnosis and prognosis using wavelet packet decomposition, Fourier transform and artificial neural network | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
Meng et al. | Health indicator of bearing constructed by rms-CUMSUM and GRRMD-CUMSUM with multifeatures of envelope spectrum | |
Li et al. | Health indicator construction based on MD-CUMSUM with multi-domain features selection for rolling element bearing fault diagnosis | |
CN113379252A (zh) | 基于多尺度排列熵值的贝叶斯网络高压开关柜健康系统评估方法 | |
Jaber et al. | A simulation of non-stationary signal analysis using wavelet transform based on LabVIEW and Matlab | |
Ferreira et al. | An application of machine learning approach to fault detection of a synchronous machine | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
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 | |
CN116106672B (zh) | 一种基于数据驱动与工程知识的车网谐振检测方法及装置 | |
CN117390528A (zh) | 一种高压开关工作参数异常监测方法及系统 | |
Boukra | Identifying new prognostic features for remaining useful life prediction using particle filtering and neuro-fuzzy system predictor | |
Liu et al. | Bearing performance degradation assessment using linear discriminant analysis and coupled HMM | |
CN117074852A (zh) | 一种配电网电能监测预警管理方法及系统 | |
JP2002323371A (ja) | 音響診断装置及び音響診断方法 | |
CN115828144A (zh) | 一种信号稀疏表示与融合检测方法、存储介质及电子装置 | |
Gu et al. | Mechanical fault diagnosis of transformer on-load tap-changer based on improved variational mode decomposition and support vector machine | |
CN115355166A (zh) | 一种基于短时傅里叶变换的空压机故障诊断方法和系统 | |
Mezni et al. | Bearings ball fault detection using kullback leibler divergence in the EMD framework | |
KR20230075150A (ko) | 시스템 건전성을 관리하기 위한 방법 및 장치 | |
Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
Baggeröhr et al. | Novel bearing fault detection using generative adversarial networks |
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 |