CN112014047A - 一种有载分接开关机械故障诊断方法 - Google Patents

Abstract

本发明提供一种有载分接开关机械故障诊断方法,包括以下步骤：通过加速度传感器采集不少于两个位置的有载分接开关装置运行状态下的振动信号，并进行预处理；对预处理后的不少于两个通道振动信号分别进行GA‑VMD分解，并提取能量熵和模糊熵构造特征向量，作为耦合隐马尔可夫模型的观测值矩阵输入；对步骤2所求得的特征向量输入耦合隐马尔可夫模型进行训练，建立耦合隐马尔可夫模型运行状态模型；将测试集输入步骤3所得的运行状态模型中，根据最大似然概率判断有载分接开关所处状态及故障类型。本发明提出的有载分接开关机械故障诊断方法，诊断结果确实精度高,结构简单,可操作性强。

Description

一种有载分接开关机械故障诊断方法

技术领域

本发明属于电力设备技术领域，特别是指一种有载分接开关机械故障诊断方法。

背景技术

电力对国民经济和社会发展的重要性已不言而喻，由于电力设备故障而引发的电网事故往往会造成巨大的经济损失和负面影响。有载分接开关(On-load Tap Changer,OLTC)作为有载调压变压器的关键组成部分，在电力系统中发挥着稳定电网电压、调节无功潮流、增加电网灵活度等重要作用。然而，有载分接开关故障的发生较为频繁。根据中国电力科学院统计，1990年至1994月5月，全国因有载分接开关故障引发的变压器事故占变压器总事故数量的18.5％。据国外资料统计故障占有载调压变压器故障的41％，且仍呈上升趋势。国内平均统计数据表明，OLTC故障占变压器故障的20％以上，且故障率呈上升趋势。一般来说,机械故障是电力变压器有载分接开关的主要故障类型。因此，鉴于有载分接开关具有高故障率、动作频繁和影响范围较广的特点，有必要开展分接开关机械故障诊断方法的相关研究。

作为变压器中唯一可进行机械动作的部件,分接开关操作过程中包含一系列动作事件,这些事件中包含丰富的振动信号,其中触头动作过程中的碰撞、摩擦等都伴有机械振动信号的产生。利用加速度传感器监测设备操作过程中的振动信号,对振动信号进行分析,提取故障特征,是目前比较有效的监测和诊断方法。已有的振动信号分析方法有时域特征分析、功率谱、倒频谱、经验模态分解(EMD)和小波包等。这些方法大多是基于线性理论,然而,研究表明,切换过程中的振动信号表现出明显的非线性行为。因此,将振动信号假设为平稳或分段平稳信号进行时频分析的方法,其分析效果不是很明显。而EMD是近年来提出的一种信号时频分析方法,它能有效从含噪非线性和非平稳过程中产生的数据中提取时频特征，但其存在模态混叠和端点效应的缺陷。EEMD算法解决了EMD算法中存在的模态混叠效应，但计算量过大，影响了工程中应用效率。变分模态分解(VMD)解决了以上问题，是一种自适应多分辨率技术，其工程适应性较好，但其重要参数往往依靠经验设置，而且互相之间有一定影响，对分解的准确度造成影响。

另外，目前对OLTC的故障判断仅依赖于单一振动信号，单通道信号往往不能包含所有故障特征并且对信号特征提取技术有较高要求，处理难度较大且分类准确性有待提高。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种有载分接开关机械故障诊断方法，采用GA-VMD方法提取机械故障特征,再结合CHMM进行多通道振动信号的故障诊断,诊断结果确实精度高,结构简单,可操作性强。

本发明采用如下技术方案：

一种有载分接开关机械故障诊断方法，其特征在于：包括以下步骤：

步骤1：通过加速度传感器采集不少于两个位置的有载分接开关装置运行状态下的振动信号，并进行预处理；

步骤2：对预处理后的不少于两个通道振动信号分别进行GA-VMD分解，并提取能量熵和模糊熵构造特征向量，作为耦合隐马尔可夫模型的观测值矩阵输入；

步骤3：对步骤2所求得的特征向量输入耦合隐马尔可夫模型进行训练，建立耦合隐马尔可夫模型运行状态模型；

步骤4：将测试集输入步骤3所得的运行状态模型中，根据最大似然概率判断有载分接开关所处状态及故障类型。

具体地，所述预处理包括：指对采集到的不少于两个通道振动信号分别进行对齐，截取同样长度，并进行小波变换阈值降噪处理，再将每个通道振动信号平均分段。

具体地，所述故障类型包括载分接开关主弹簧断裂、触头磨损、弹簧断裂和触头磨损、弧形板拆除、选择开关触头松动以及卡涩。

具体地，所述步骤2中，对振动信号分别进行GA-VMD分解，具体包括：

1)对VMD的分解模态数K和模态初始中心约束强度α进行浮点数编码后组成不同个体(K_i,α_i)，形成初始种群{(K₁,α₁),(K₂,α₂),…,(K_N,α_N)}，其中N为种群中个体数；

2)在种群中选择个体参数(K_i,α_i)，对原始信号x(t)的K_i个本征模态函数

相应的中心频率

拉格朗日算子

和迭代次数n进行初始化；

3)对每一模态的

和

参数进行更新，其表达式为:

其中，ω为原始信号的频率；

4)根据以下表达式更新拉格朗日乘子：

其中，τ为拉格朗日乘子更新的时间步长；

5)对于给定的判别精度e>0，判断

若满足条件则停止迭代转到步骤6)，否则返回步骤3)；

6)对分解后的K_i个IMF分量分别按照幅值划分为m个等长连续小区间Y＝{y₁,y₂,…,y_m-1,y_m}，其中y_m∈[x_min,x_max],并计算IMF信息熵：

其中，p_j是幅值在y_m区间的概率，count(y_m)是幅值在y_m区间内的离散点个数。

7)计算按照个体参数(K_i,α_i)分解后的IMF分量品质因数Q：

Q＝C/Δ

其中，差异系数

为K_i个IMF信息熵的平均值，原始信号与重构信号之间误差

8)计算品质因数的倒数1/Q作为个体(K_i,α_i)的适用度函数，并重复步骤2)-7)计算出种群中K_i个个体的适应度；

9)采用轮盘赌的方式对种群中个体按照适应度值进行筛选，筛选出N个个体进行交叉、变异操作，形成下一代种群，重复步骤2)-9)，判断迭代次数大于设定值，则转入步骤10)，否则返回2)；

10)选择种群中适应度最小的个体参数作为VMD分解的最优参数，并进行分解。

具体地，在步骤2中，提取能量熵和模糊熵构造特征向量，具体内容为：

1)计算原始信号x(t)分解后K_i个本征模态函数

的能量：

式中x_ik为各离散点的幅值,并计算K_i个本征模态函数

的VMD能量熵分解系数：

其中

且

则H_j为第j个VMD能量熵分解系数；

2)对分解后的K_i个本征模态函数

进行相空间重构：

其中，j＝1,2,…,N-m+1，

再计算其模糊熵：

FuzzyEn(m,r,N)＝InΦ^m(r)-InΦ^m+1(r)

其中，

为窗口向量s^m[j]和s^m[l]的模糊隶属函数；

3)将K_i个本征模态函数

的能量熵和模糊熵依次排列成行向量，作为特征向量。

具体地，所述步骤3中还包括，把样本分为训练集和测试集，训练集用于有载分接开关运行状态模型的训练，测试集作为测试数据。

具体地，在步骤3中，在耦合隐马尔可夫模型中，每个通道的特征集作为外在表现出的观测值形成观测链，而与其对应的状态链反映了内部情况，考虑到计算效率与状态链上状态数的关系，每条状态链选择3个状态，并且通过两个高斯混合模型对输入的特征集进行拟合，形成观测概率矩阵进行模型训练。

由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

(1)采用GA-VMD方法提取机械故障特征,再结合CHMM进行多通道振动信号的故障诊断,诊断结果确实精度高,结构简单,可操作性强。不需要大量数据进行CHMM的训练,适用于小样本问题，对其参数的设定可以有效降低算法的复杂度和计算时间，尤其适合于算法实时性要求较高的在线监测与实时诊断领域，并且诊断精度更高；

(2)采用常用的参数优化方法遗传算法(GA)对VMD关键参数进行优化，并选取更能衡量分解效果的品质因数作为适应度函数，使其更能分解出振动信号中的特征信息。

(3)本发明采用的耦合隐马尔可夫模型(CHMM)其每一条链是一个由马尔科夫链扩展来的双重随机过程，其中从一个状态转变到另一个状态是随机的，但是真实状态不能被观察到只能通过观测值向量进行判断,这与电力设备在线监测与故障诊断情况十分吻合，即设备的真实运行状态不能被直接观测，只能通过测量提取外在特征进行判断。并且其避免了隐马尔可夫模型(HMM)通道间数据不同步会当做噪声而被忽略的问题，多通道的随机过程可以独立控制产生，提高了多通道振动信号特征的融合能力，具有较高的分类准确率。

(4)本发明综合考虑VMD的模态分量个数K与模态初始中心约束强度α对信号分解的影响，采用遗传算法(GA)对其进行优化，并将品质因数的倒数作为适应度函数，更能准确衡量分解效果，避免了以往通过人工经验设置参数的不足，有效提取OLTC振动信号的特征信息；

(5)本发明采用模糊熵和能量熵作为振动信号的特征值，体现信号所含频率的复杂程度以及信息不起确定性，提高了特征提取精度，有利于分类效率的提升。

(6)本发明对OLTC采用多类故障诊断，检测效果明显优于基于单通道的故障诊断方法。

附图说明

图1是本发明基于GA-VMD和多通道振动信号特征融合的有载分接开关机械故障诊断方法的流程框图；

图2是小波包降噪效果对比图；

图3是分段、提取特征并构造观测值序列示意图；

图4是GA-VMD算法流程图；

图5是状态数对CHMM计算复杂度的影响；

图6是GA-VMD寻优趋势图；

图7是优化参数后VMD分解图；

图8是单通道OLTC故障诊断结果；

图9是多通道OLTC故障诊断结果；

以下结合附图和具体实施例对本发明作进一步详述。

具体实施方式

以下通过具体实施方式对本发明作进一步的描述。

如附图1所示,本发明公开了一种基于GA-VMD和多通道振动信号特征融合的有载分接开关机械故障诊断方法,所述识别方法包括以下步骤：

步骤1：通过加速度传感器采集不少于两个位置的OLTC装置正常状态的振动信号、故障状态的振动信号，并进行预处理；

2个加速度传感器采用永磁体吸附在OLTC头盖上爆破盖旁以及头部法兰靠近爆破盖侧部。这种安装方式简单易行，且所拾取的信号衰减较少，信号较完整；

对振动信号做预处理，具体为对振动信号对齐，截取同样长度并进行了小波包降噪处理。在本发明的实施例中采用“db4”基本进行5层分解降噪。主要作用：降低不规则高频噪声。降噪结果如图2所示。之后将每个样本平均分为10段。

故障状态包括有载分接开关(OLTC)主弹簧断裂、触头磨损、弹簧断裂和触头磨损、弧形板拆除、选择开关触头松动以及卡涩。

步骤2：对预处理后的2个通道振动信号分别进行GA-VMD分解，并提取能量熵和模糊熵构造特征向量，作为耦合隐马尔可夫模型(CHMM)的观测值矩阵输入；

在步骤2中，对步骤1所对采集到的OLTC装置振动信号进行GA-VMD分解，具体内容为：

1)对VMD的分解模态数K和模态初始中心约束强度α设置适合的取值范围，将K,α进行浮点数编码后组成不同个体(K_i,α_i)，且形成初始种群{(K₁,α₁),(K₂,α₂),…,(K_N,α_N)}，N为种群中个体数；

2)在种群中选择一个体参数(K_i,α_i)，对原始信号x(t)的K_i个本征模态函数

其相应的中心频率

拉格朗日算子

和迭代次数n进行初始化；

3)对每一模态的

和

参数进行更新，其表达式为:

其中，ω为原始信号的频率；

4)根据以下表达式更新拉格朗日乘子：

其中，τ为拉格朗日乘子更新的时间步长；

5)对于给定的判别精度e>0，判断

若满足条件则停止迭代转到步骤6)，否则返回步骤3)；

6)对分解后的K_i个IMF分量分别按照幅值划分为m个等长连续小区间Y＝{y₁,y₂,…,y_m-1,y_m}，其中y_n∈[x_min,x_max],并计算IMF信息熵

其中，p_j是幅值在y_m区间的概率，count(y_m)是幅值在y_m区间内的离散点个数。

7)计算按照个体参数(K_i,α_i)分解后的IMF分量品质因数Q，

Q＝C/Δ

其中，差异系数

为K_i个IMF信息熵的平均值，原始信号与重构信号之间误差

8)计算品质因数的倒数1/Q作为个体(K_i,α_i)的适用度函数，并重复步骤2)-7)计算出种群中K_i个个体的适应度；

9)采用轮盘赌的方式对种群中个体按照适应度值进行筛选，筛选出N个个体进行交叉、变异操作，形成下一代种群，重复步骤2)-9)，判断迭代次数大于10，则转入步骤10)，否则返回2)；

10)选择种群中适应度最小的个体参数作为VMD分解的最优参数，并进行分解。

GA-VMD算法流程如图4所示，其中K为整数，其范围设置为[2,8]，α的范围为[2000,30000]，种群规模设置为50，交叉率为0.8，变异率为0.1；

在步骤2中，提取能量熵和模糊熵构造特征向量，具体内容为：

1)计算原始信号x(t)分解后K_i个本征模态函数

的能量：

式中x_ik为各离散点的幅值,并计算K_i个本征模态函数

的VMD能量熵分解系数：

其中

且

则H_j为第j个VMD能量熵分解系数；

2)对分解后的K_i个本征模态函数

进行相空间重构：

其中，j＝1,2,…,N-m+1，

再计算其模糊熵：

FuzzyEn(m,r,N)＝InΦ^m(r)-InΦ^m+1(r)

其中，

窗口向量s^m[j]和s^m[l]的模糊隶属函数；

3)将K_i个本征模态函数IMF_i的能量熵和模糊熵依次排列成行向量，作为特征向量；

步骤3：对步骤2所求得的特征向量输入CHMM进行训练，分别建立CHMM正常状态模型和故障状态模型；

在步骤3中，正常状态以及各类故障各有20个样本，其中各随机选取10用于各种OLTC状态模型的训练，剩下各10个样本作为测试数据。

如图5，在耦合隐马尔可夫模型中，每个通道的特征集作为外在表现出的观测值形成观测链，而与其对应的状态链反映了内部情况，考虑到计算效率与状态链上状态数的关系，每条状态链选择3个状态，并且通过两个高斯分量高斯混合模型对输入的特征集进行拟合，形成观测概率矩阵进行模型训练。

下面通过具体的实例进行说明：

对CMⅢ-600Y/126C-10193W型分接开关模拟实验。振动传感器采用CTCAC102-1A型压电式加速度传感器，因为其抗电磁干扰能力强，且其安装谐振频率比较高，有足够的频宽，在实际的使用中有更宽的选择范围。2个加速度传感器采用永磁体吸附在OLTC头盖上爆破盖旁以及头部法兰侧部，这种安装方式简单易行，且所拾取的信号衰减较少，信号较完整。通过加速度传感器对正常状态下的振动信号、故障状态(主弹簧断裂、触头磨损、弹簧断裂和触头磨损、弧形板拆除、选择开关触头松动以及卡涩。)的振动信号进行采集,将采集到的各类振动信号一半用于CHMM模型训练，一半用于测试。

对各类振动信号对齐后进行小波包降噪处理,如图2，然后采用GA-VMD对振动信号进行参数寻优，对于参数K和α设置合理的寻优范围分别为[2,8]和[2000,30000]。其寻优过程如图6所示，为避免遗传算法陷入局部最优解，采取5次计算取平均值的方式消除此影响，如表1所示：

由图7可以看出，优化后分量模态混叠现象被消除，提取分量能量熵和模糊熵作为特征值构成观测值矩阵。

将求得的特征向量输入CHMM进行训练，分别从各状态20个样本中随机抽取10个，按照正常、主弹簧断裂、触头磨损、弹簧断裂和触头磨损、弧形板拆除、选择开关触头松动以及卡涩的顺序构造训练集和测试集，分别建立单通道和双通道的CHMM正常状态模型和故障状态模型，之后将测试数据随机抽取输入各模型，根据最大似然概率值最大判断故障类型，单通道OLTC故障诊断结果如图8所示，多通道OLTC故障诊断结果如图9所示,耦合隐马尔可夫模型诊断结果优于隐马尔可夫模型。

将基于GA-VMD和多通道振动信号特征融合的有载分接开关机械故障诊断方法与其他方法的效果进行对比，得到表2所示：

采用1号传感器采集的信号并做同样的处理，输入到隐马尔可夫模型(CHMM)、BP网络进行训练。由表中可以看出基于多通道振动信号的有载分接开关机械故障诊断方法可以有效地识别出故障类型,从而说明了本发明的可行性,由表也知,本发明诊断效果优于神经网络。

申请人结合说明书附图对本发明的实施例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范畴

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (7)

1.一种有载分接开关机械故障诊断方法，其特征在于：包括以下步骤：

步骤1：通过加速度传感器采集不少于两个位置的有载分接开关装置运行状态下的振动信号，并进行预处理；

步骤2：对预处理后的不少于两个通道振动信号分别进行GA-VMD分解，并提取能量熵和模糊熵构造特征向量，作为耦合隐马尔可夫模型的观测值矩阵输入；

步骤3：对步骤2所求得的特征向量输入耦合隐马尔可夫模型进行训练，建立耦合隐马尔可夫模型运行状态模型；

步骤4：将测试集输入步骤3所得的运行状态模型中，根据最大似然概率判断有载分接开关所处状态及故障类型。

2.根据权利要求1所述的一种有载分接开关机械故障诊断方法，其特征在于，所述预处理包括：指对采集到的不少于两个通道振动信号分别进行对齐，截取同样长度，并进行小波变换阈值降噪处理，再将每个通道振动信号平均分段。

3.根据权利要求1所述的一种有载分接开关机械故障诊断方法，其特征在于，所述故障类型包括载分接开关主弹簧断裂、触头磨损、弹簧断裂和触头磨损、弧形板拆除、选择开关触头松动以及卡涩。

4.根据权利要求1所述的一种有载分接开关机械故障诊断方法，其特征在于，所述步骤2中，对振动信号分别进行GA-VMD分解，具体包括：

1)对VMD的分解模态数K和模态初始中心约束强度α进行浮点数编码后组成不同个体(K_i,α_i)，形成初始种群{(K₁,α₁),(K₂,α₂),…,(K_N,α_N)}，其中N为种群中个体数；

2)在种群中选择个体参数(K_i,α_i)，对原始信号x(t)的K_i个本征模态函数

相应的中心频率

拉格朗日算子

和迭代次数n进行初始化；

3)对每一模态的

和

参数进行更新，其表达式为:

其中，ω为原始信号的频率；

4)根据以下表达式更新拉格朗日乘子：

其中，τ为拉格朗日乘子更新的时间步长；

5)对于给定的判别精度e>0，判断

若满足条件则停止迭代转到步骤6)，否则返回步骤3)；

6)对分解后的K_i个IMF分量分别按照幅值划分为m个等长连续小区间Y＝{y₁,y₂,…,y_m-1,y_m}，其中y_m∈[x_min,x_max],并计算IMF信息熵：

其中，p_j是幅值在y_m区间的概率，count(y_m)是幅值在y_m区间内的离散点个数。

7)计算按照个体参数(K_i,α_i)分解后的IMF分量品质因数Q：

Q＝C/Δ

其中，差异系数

为K_i个IMF信息熵的平均值，原始信号与重构信号之间误差

8)计算品质因数的倒数1/Q作为个体(K_i,α_i)的适用度函数，并重复步骤2)-7)计算出种群中K_i个个体的适应度；

9)采用轮盘赌的方式对种群中个体按照适应度值进行筛选，筛选出N个个体进行交叉、变异操作，形成下一代种群，重复步骤2)-9)，判断迭代次数大于设定值，则转入步骤10)，否则返回2)；

10)选择种群中适应度最小的个体参数作为VMD分解的最优参数，并进行分解。

5.根据权利要求1所述的一种有载分接开关机械故障诊断方法，其特征在于：在步骤2中，提取能量熵和模糊熵构造特征向量，具体内容为：

1)计算原始信号x(t)分解后K_i个本征模态函数

的能量：

式中x_ik为各离散点的幅值,并计算K_i个本征模态函数

的VMD能量熵分解系数：

其中

且

则H_j为第j个VMD能量熵分解系数；

2)对分解后的K_i个本征模态函数

进行相空间重构：

其中，j＝1,2,…,N-m+1，

再计算其模糊熵：

FuzzyEn(m,r,N)＝InΦ^m(r)-InΦ^m+1(r)

其中，

为窗口向量s^m[j]和s^m[l]的模糊隶属函数；

3)将K_i个本征模态函数

的能量熵和模糊熵依次排列成行向量，作为特征向量。

6.根据权利要求1所述的一种有载分接开关机械故障诊断方法，其特征在于：所述步骤3中还包括，把样本分为训练集和测试集，训练集用于有载分接开关运行状态模型的训练，测试集作为测试数据。

7.根据权利要求1所述的一种有载分接开关机械故障诊断方法，其特征在于：所述步骤3中，在耦合隐马尔可夫模型中，每个通道的特征集作为外在表现出的观测值形成观测链，并且通过两个高斯分量高斯混合模型对输入的特征集进行拟合，形成观测概率矩阵进行模型训练。

Images