CN112069930A - 提升gis设备故障诊断准确率的振动信号处理方法及装置 - Google Patents

Abstract

本发明公开了一种提升GIS设备故障诊断准确率的振动信号处理方法及装置，方法包括采集不同健康等级下的GIS设备振动信号；将GIS设备振动信号以一个周期为时间长度划分成多个样本，构建振动信号数据集；对振动信号数据集中所有样本做归一化处理，然后做一维转二维的图像化操作，获得图像化的振动信号，得到振动图像数据集；将振动图像数据集按照预设比例划分为训练集和测试集，构建基于卷积神经网络的GIS设备故障诊断模型；将实时采集到的GIS设备振动信号归一化处理后做图像化操作，得到图像化的振动信号输入GIS设备故障诊断模型，得到当前GIS设备的健康等级，实现GIS设备故障诊断。本发明对GIS设备具体运行状态进行判断且故障诊断准确性较高。

Description

提升GIS设备故障诊断准确率的振动信号处理方法及装置

技术领域

本发明属于GIS设备的状态监测和故障诊断技术领域，更具体地，涉及一种提升GIS设备故障诊断准确率的振动信号处理方法及装置。

背景技术

过往研究表明，电力系统中大多数严重事故是由一些设备故障引发的，近些年来，气体绝缘全封闭开关(gas insulated switchgear,GIS)设备装备量逐渐快速增长，其可靠性关系到电网的安全运行。研究如何对GIS设备故障建模从而及时准确地诊断故障，对电力系统而言意义重大。

GIS设备是当今电力系统中不可或缺的设备，被广泛应用于高压、超高压领域。该设备是将断路器、隔离开关、接地开关、互感器、避雷器、母线、连接件和出线终端等部件封闭在金属接地的外壳中，并在其内部充入一定压力的六氟化硫(SF₆)绝缘气体。GIS设备的故障可分为放电性故障和机械类故障两大类。目前针对GIS设备放电性故障的研究方法主要有脉冲电流法、超高频法和气体分解法，而针对机械类故障的相关研究还处于起步阶段，主要方法为振动分析法。脉冲电流法是通过测量电路中电压变化量来确定设备的放电量，从而判断GIS设备的运行状态，但由于GIS设备中存在的电磁脉冲干扰，该方法诊断精度不高；超高频法是对处于GHz频段的信号进行检测从而判断GIS设备的运行状态，但该方法难以对局部放电状态进行准确判断；气体分解法是根据SF₆气体的分解产物来判断GIS设备运行状态，但该方法仅限检修停电时使用，无法对设备运行状态进行实时监测。与此同时，国网公司发布了若干个高压设备智能化的指导性文件，其中状态监测和故障诊断被视为智能电器的关键功能与难点所在。因此有必要针对GIS设备开展机械状态检测技术和诊断方法研究，及时发现设备内部潜伏性机械缺陷，保障设备安全稳定运行。

通过常规的电气特征参量已经难以准确诊断GIS设备的潜伏性隐患。而GIS设备的振动信号是易测量的状态信息，可反映其健康状态的丰富动态信息。然而仅获取到来自GIS设备的振动信号不足以解决故障诊断问题，还需对振动信号做很多后续处理然后建立模型从而达到故障识别的目的。基于振动信号已经出现了很多传统机器学习方法建立的模型，然而这些方法大多存在一定的局限性，性能上没能取得巨大突破。卷积神经网络采用了深层体系算法结构，可以学习与不同抽象级别相对应的多级数据表示。卷积神经网络在计算机视觉等二维数据场景中已经取得了巨大的进展，但在一维振动信号上还没有成熟模型。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种提升GIS设备故障诊断准确率的振动信号处理方法及装置，旨在解决人工提取信号特征的困难以及识别质量不高的问题。

为实现上述目的，按照本发明的一方面，提供了一种提升GIS设备故障诊断准确率的振动信号处理方法，其特征在于，包括以下步骤：

步骤1，根据GIS设备的运行状况，划分成不同的健康等级，采集不同健康等级下的GIS设备振动信号；

步骤2，将GIS设备振动信号以一个GIS设备内部的电磁力周期为时间长度划分成多个样本，构建振动信号数据集；

步骤3，对振动信号数据集中所有样本做归一化处理，然后对归一化处理后的样本做一维转二维的图像化操作，获得图像化的振动信号，得到振动图像数据集；

步骤4，将振动图像数据集按照预设比例划分为训练集和测试集，构建基于卷积神经网络的GIS设备故障诊断模型；

步骤5，将实时采集到的GIS设备振动信号归一化处理后做图像化操作，得到图像化的振动信号输入GIS设备故障诊断模型，得到当前GIS设备的健康等级，实现GIS设备故障诊断。

进一步地，步骤3中归一化处理可以用公式表示为：

其中，X＝x₁，...，x_K是振动信号数据集中的原始样本，x_i表示采样点的值，max(x_i)表示采样点中的最大值，min(x_i)表示采样点中的最小值，K为样本的采样点个数。

进一步地，步骤3中的图像化操作具体包括：

步骤3.1，归一化处理后的振动信号数据集样本表示为

将振动信号数据集从直角坐标系映射到极坐标系：

其中，K为样本的采样点个数，i表示第i个采样点，

是极角，r_i是极径；

步骤3.2，定义一种内积运算，用符号

来表示，其数学描述如下式所示；

步骤3.3，将极坐标系下的振动信号数据集进行

运算，得到类Gram矩阵G：

步骤3.4，将矩阵G中的元素转换成像素值，并按照矩阵中的位置排列，得到振动图像数据集。

进一步地，步骤4中的训练基于卷积神经网络的GIS设备故障诊断模型包括：

步骤4.1，搭建卷积神经网络，将振动图像训练集作为输入，输出为GIS设备的健康等级；

步骤4.2，训练基于卷积神经网络的GIS设备故障诊断模型，选用交叉熵作为训练的损失函数；

步骤4.3，测试基于卷积神经网络的GIS设备故障诊断模型，将振动图像测试集输入到已经训练好的卷积神经网络模型，得到预测的健康等级，然后将预测的健康等级与真实的健康等级对比，计算预测准确率，该准确率用于评估模型的精度。

该方法的研究对象为GIS设备运行时断路器外部壳体采集到的振动信号，可实现实时高效地诊断GIS设备机械类故障，且较传统利用振动信号进行故障诊断的方法准确率得到了有效的提升。基于以上问题，我们研究了一种基于图像化振动信号GIS设备故障诊断方法，可以将一维振动信号在不丢失原有特征的基础上转换成二维图像，这样做不仅可以扩充信号特征还能充分利用图像识别领域诸多优秀模型(例如卷积神经网络模型)。基于图像化振动信号的GIS设备故障诊断方法有效地解决了人工提取信号特征的困难以及识别质量不高的问题。

按照本发明的另一方面，提供了一种提升GIS设备故障诊断准确率的振动信号处理装置，其特征在于，包括：

振动信号采集模块，用于根据GIS设备的运行状况，划分成不同的健康等级，采集不同健康等级下的GIS设备振动信号；

振动信号构建模块，用于将GIS设备振动信号以一个GIS设备内部的电磁力周期为时间长度划分成多个样本，构建振动信号数据集；

振动图像获取模块，用于对振动信号数据集中所有样本做归一化处理，然后对归一化处理后的样本做一维转二维的图像化操作，获得图像化的振动信号，得到振动图像数据集；

诊断模型构建模块，用于将振动图像数据集按照预设比例划分为训练集和测试集，构建基于卷积神经网络的GIS设备故障诊断模型；

故障诊断模块，用于将实时采集到的GIS设备振动信号归一化处理后做图像化操作，得到图像化的振动信号输入GIS设备故障诊断模型，得到当前GIS设备的健康等级，实现GIS设备故障诊断。

进一步地，归一化处理可以用公式表示为：

其中，X＝x₁，...，x_K是振动信号数据集中的原始样本，x_i表示采样点的值，max(x_i)表示采样点中的最大值，min(x_i)表示采样点中的最小值，K为样本的采样点个数。

进一步地，图像化操作具体包括：

归一化处理后的振动信号数据集样本表示为

将振动信号数据集从直角坐标系映射到极坐标系：

其中，K为样本的采样点个数，i表示第i个采样点，

是极角，r_i是极径；

定义一种内积运算，用符号

来表示，其数学描述如下式所示；

将极坐标系下的振动信号数据集进行

运算，得到类Gram矩阵G：

将矩阵G中的元素转换成像素值，并按照矩阵中的位置排列，得到振动图像数据集。

通过本发明所构思的以上技术方案，与现有技术相比，基于图像化振动信号和卷积神经网络的GIS设备故障诊断方法克服了传统故障诊断方法在实时性和准确性上的局限性。本发明首先将采集到的GIS设备运行时断路器外部壳体的振动信号进行归一化处理，然后采用图像化操作对振动信号进行处理，得到图像化振动信号，该方法可以较好的保留了振动信号中绝对的时间关系，还提取时间信息的相关性。然后利用卷积神经网络对GIS设备不同运行状态下的图像化振动信号进行识别，可对GIS设备具体运行状态进行判断且故障诊断准确性较高，在不同工况条件及含噪环境下也能表现良好。

附图说明

图1是本发明提供的提升GIS设备故障诊断准确率的振动信号处理方法的流程示意图；

图2是本发明提供的振动信号图像化操作的具体实现流程图；

图3是本发明提供的卷积神经网络的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间不构成冲突就可以相互组合。

一种基于图像化振动信号和卷积神经网络的GIS设备故障诊断方法，如图1所示，包括如下步骤：

步骤1，根据GIS设备的运行状况，将其健康状态划分成差、注意、良好、优四个健康等级，采集不同健康等级下的GIS设备振动信号；

步骤2，对采集到的GIS设备振动信号以一个GIS设备内部的电磁力周期为时间长度划分成多个样本，其中样本长度为400个采样点，划分出等量不同健康等级的样本，构建振动信号数据集；

步骤3，对振动信号数据集中所有样本做归一化处理，然后对归一化处理后的样本做一维转二维的图像化操作，获得图像化的振动信号，得到振动图像数据集；

步骤4，将振动图像数据集按照7：3的比例划分成训练集和测试集，构建基于卷积神经网络的GIS设备故障诊断模型，其中训练集用于训练基于卷积神经网络的GIS设备故障诊断模型，测试集用于测试GIS设备故障诊断模型的分类准确率；

步骤5，将实时采集到的GIS设备振动信号归一化处理后做图像化操作，得到图像化的振动信号输入GIS设备故障诊断模型，得到当前GIS设备的健康等级，实现GIS设备故障诊断。

进一步地，所述步骤1中的预处理为归一化处理，

计算公式为：

其中，X＝x₁，...，x_K是振动信号数据集中的原始样本，x_i表示采样点的值，max(x_i)表示采样点中的最大值，min(x_i)表示采样点中的最小值，K为样本的采样点个数。

进一步地，步骤3中的图像化操作如图2所示，具体包括以下子步骤：

步骤3.1，假定归一化处理后的振动信号数据集样本表示为

其中K为样本的采样点个数，将下标作为横坐标，

的值即振幅作为纵坐标。然后将振动信号数据集从直角坐标系映射到极坐标系：

其中，K为样本的采样点个数，i表示第i个采样点，

是极角，r_i是极径。

步骤3.2，定义了一种新型内积运算，用符号

来表示，这种新型内积可以充分利用来自两个采样点的信息，其数学描述如下式所示；

步骤3.3，将极坐标编码后的新序列进行新型内积运算，得到类Gram矩阵；

步骤3.4，将矩阵G中的元素都乘上256转换成像素值，并按照矩阵中的位置排列，得到振动图像数据集。

进一步地，所述步骤4中的训练基于卷积神经网络的GIS设备故障诊断模型包括：

步骤4.1，搭建卷积神经网络，将振动图像训练集作为输入，输出为GIS设备的健康等级。所述卷积神经网络的基本层次结构为用于数据输入的输入层、用于特征提取的卷积层、ReLu函数激励层、用于特征选择的池化层和对特征进行分类的全连接层，其结构如图3所示。卷积层设定为3层，池化层设定为4层，全连接的神经元个数设定为GIS设备健康等级数。对卷积神经网络中的超参数进行设定，将卷积层中卷积核大小设为3*3，池化层中卷积核大小设为2*2，第一个卷积层的卷积核个数设为8，第二个卷积层的卷积核个数设为16，第三个卷积层的卷积核个数设为32。

步骤4.2，训练基于卷积神经网络的GIS设备故障诊断模型。选用交叉熵作为训练的损失函数，网络学习率设定为0.001，网络参数更新使用Adam优化器，批大小设置为64，总共训练200轮。

步骤4.3，测试基于卷积神经网络的GIS设备故障诊断模型。将振动图像测试集输入到已经训练好的卷积神经网络模型，得到预测的健康等级。然后将预测的健康等级与真实的健康等级对比，计算预测准确率，该准确率用于评估模型的精度。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种提升GIS设备故障诊断准确率的振动信号处理方法，其特征在于，包括以下步骤：

步骤1，根据GIS设备的运行状况，划分成不同的健康等级，采集不同健康等级下的GIS设备振动信号；

步骤2，将所述GIS设备振动信号以一个GIS设备内部的电磁力周期为时间长度划分成多个样本，构建振动信号数据集；

步骤3，对所述振动信号数据集中所有样本做归一化处理，然后对归一化处理后的样本做一维转二维的图像化操作，获得图像化的振动信号，得到振动图像数据集；

步骤4，将所述振动图像数据集按照预设比例划分为训练集和测试集，构建基于卷积神经网络的GIS设备故障诊断模型；

步骤5，将实时采集到的GIS设备振动信号归一化处理后做图像化操作，得到图像化的振动信号输入GIS设备故障诊断模型，得到当前GIS设备的健康等级，实现GIS设备故障诊断。

2.根据权利要求1所述的振动信号处理方法，其特征在于，步骤3中归一化处理可以用公式表示为：

其中，X＝x₁，...，x_K是振动信号数据集中的原始样本，x_i表示采样点的值，max(x_i)表示采样点中的最大值，min(x_i)表示采样点中的最小值，K为样本的采样点个数。

3.根据权利要求1所述的振动信号处理方法，其特征在于，步骤3中的图像化操作具体包括：

步骤3.1，归一化处理后的振动信号数据集样本表示为

将振动信号数据集从直角坐标系映射到极坐标系：

其中，K为样本的采样点个数，i表示第i个采样点，

是极角，r_i是极径；

步骤3.2，定义一种内积运算，用符号

来表示，其数学描述如下式所示；

步骤3.3，将极坐标系下的振动信号数据集进行

运算，得到类Gram矩阵G：

步骤3.4，将矩阵G中的元素转换成像素值，并按照矩阵中的位置排列，得到振动图像数据集。

4.根据权利要求1所述的振动信号处理方法，其特征在于，所述步骤4中的训练基于卷积神经网络的GIS设备故障诊断模型包括：

步骤4.1，搭建卷积神经网络，将振动图像训练集作为输入，输出为GIS设备的健康等级；

步骤4.2，训练基于卷积神经网络的GIS设备故障诊断模型，选用交叉熵作为训练的损失函数；

步骤4.3，测试基于卷积神经网络的GIS设备故障诊断模型，将振动图像测试集输入到已经训练好的卷积神经网络模型，得到预测的健康等级，然后将预测的健康等级与真实的健康等级对比，计算预测准确率，该准确率用于评估模型的精度。

5.一种提升GIS设备故障诊断准确率的振动信号处理装置，其特征在于，包括：

振动信号采集模块，用于根据GIS设备的运行状况，划分成不同的健康等级，采集不同健康等级下的GIS设备振动信号；

振动信号构建模块，用于将所述GIS设备振动信号以一个GIS设备内部的电磁力周期为时间长度划分成多个样本，构建振动信号数据集；

振动图像获取模块，用于对所述振动信号数据集中所有样本做归一化处理，然后对归一化处理后的样本做一维转二维的图像化操作，获得图像化的振动信号，得到振动图像数据集；

诊断模型构建模块，用于将所述振动图像数据集按照预设比例划分为训练集和测试集，构建基于卷积神经网络的GIS设备故障诊断模型；

故障诊断模块，用于将实时采集到的GIS设备振动信号归一化处理后做图像化操作，得到图像化的振动信号输入GIS设备故障诊断模型，得到当前GIS设备的健康等级，实现GIS设备故障诊断。

6.根据权利要求5所述的振动信号处理装置，其特征在于，所述归一化处理可以用公式表示为：

其中，X＝x₁，...，x_K是振动信号数据集中的原始样本，x_i表示采样点的值，max(x_i)表示采样点中的最大值，min(x_i)表示采样点中的最小值，K为样本的采样点个数。

7.根据权利要求5所述的振动信号处理装置，其特征在于，所述图像化操作具体包括：

归一化处理后的振动信号数据集样本表示为

将振动信号数据集从直角坐标系映射到极坐标系：

其中，K为样本的采样点个数，i表示第i个采样点，

是极角，r_i是极径；

定义一种内积运算，用符号

来表示，其数学描述如下式所示；

将极坐标系下的振动信号数据集进行⊕运算，得到类Gram矩阵G：

将矩阵G中的元素转换成像素值，并按照矩阵中的位置排列，得到振动图像数据集。

Images