CN112289329A - 一种基于gwo-kfcm的高压断路器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于GWO‑KFCM的高压断路器故障诊断方法，包括以下步骤：步骤1，对声音信号进行带通滤波，并通过广义S变换，构建声纹特征；步骤2，对振动信号进行变分模态分解，得到排列熵；步骤3，将声纹特征和排列熵特征联合构建特征向量集；步骤4，通过GWO‑KFCM对特征向量集进行预分类得到最优特征向量子集，并将最优特征向量子集数据输入模型SVM，经分类得到最终的诊断结果，通过利用声振信号联合互补优势，分别提取声纹和排列熵特征，然后采用GWO‑KFCM进行聚类优化得到最佳聚类中心，最后采用SVM进行故障诊断，能够对高压断路器机械故障进行快速有效检测，提高了高压断路器故障诊断的可靠性。

Description

一种基于GWO-KFCM的高压断路器故障诊断方法

技术领域

本发明涉及高压断路器故障诊断技术领域，特别是涉及一种基于GWO-KFCM的高压断路器故障诊断方法。

背景技术

高压断路器是能在正常或故障情况下接通或断开高压电路的开关装置，在配电网系统中起着控制及保护的双重作用，其运行状况的好坏直接决定着整个电力系统能否正常运行，因此，对高压断路器进行故障诊断意义重大。目前高压断路器的检修依靠定期的停运检修制度，这种方法维护成本高，并且在维护过程中操作容易产生故障，盲目性大，针对性不强，费时费力，且可能造成大面积停电。高压断路器故障类型变化多样，故障现象与故障原因存在复杂多样的非线性关系，传统的故障诊断方法效果并不明显，随着人工智能和计算机技术的飞速发展，产生了一批高压断路器的智能诊断方法，如基于误差反向传播(BP)神经网络的高压断路器故障诊断方法、基于径向基(RBF)神经网络的高压断路器故障诊断方法等，但这些方法存在收敛速率慢、容易陷入局部极点、扩展参数选取复杂等问题，基于目前高压断路器机械故障诊断过程中所存在的问题，急需提出一种新的高压断路器故障诊断方法。

发明内容

本发明的目的是提供一种基于GWO-KFCM的高压断路器故障诊断方法，利用声振信号联合互补优势，分别提取声纹和排列熵特征，然后采用GWO-KFCM进行聚类优化得到最佳聚类中心，最后采用SVM进行故障诊断。

为实现上述目的，本发明提供了如下方案：

一种基于GWO-KFCM的高压断路器故障诊断方法，包括以下步骤：

步骤1，对声音信号进行带通滤波，并通过广义S变换，得到反映时频纹理特征的盒维数、方向度、对比度，构建声纹特征；

步骤2，对振动信号进行变分模态分解，得到排列熵；

步骤3，将所述声纹特征和所述排列熵特征联合构建特征向量集；

步骤4，通过GWO-KFCM对所述特征向量集进行预分类得到最优特征向量子集，并将所述最优特征向量子集数据输入模型SVM，经分类得到最终的诊断结果。

可选的，所述步骤1中，对声音信号进行带通滤波，并通过广义S变换，得到反映时频纹理特征的盒维数、方向度、对比度,构建声纹特征，具体包括：

基于声音信号的频带特点，滤除10kHz以下和20kHz以上频带信号，得到滤除后的声音信号；

基于所述滤除后的声音信号，通过广义S变换，得到广义S变换时频图；

基于所述广义S变换时频图，得到反映时频纹理特征的盒维数、方向度、对比度，构建声纹特征。

可选的，所述广义S变换的具体过程为：

式中，f为频率，t为时间，τ为高斯窗口在时间轴t的控制参数；ω(f,τ-t)为高斯窗函数，频率f改变时其高度和宽度会随之改变；α、β均为调节因子，且为正数；当β增大或α减小时,高斯窗宽度在时域被拉伸而在频域被压缩,反之亦然，α、β取值分别为1和2。

可选的，所述步骤2中，所述变分模态分解的具体过程如下：

所述变分模态分解主要分为变分约束问题的建立和求解两部分，对于数据长度为N的振动信号求解如下：

式中，k为模态分解个数，μ_k为分解后第k个模态分量，ω_k为分解后第k个中心频率，δ(t)为Dirichlet函数，*是卷积运算；

引入二次惩罚因子α和拉格朗日算子λ(t)来求解最优解，将约束性变分问题变为非约束性变分问题，构成扩展拉格朗日表达式如下：

采用ADMM法求解上式的鞍点，从而不断更新

ω_k ⁿ⁺¹、λⁿ⁺¹，其中，解得的模态分量μ_k及中心频率ω_k分别为：

为防止VMD出现过分解的情况,根据分解前后能量守恒理论对K参数进行选择；对于原断路器振动信号序列x(i)，其能量计算公式为：

式中，E表示信号能量值，n为采样点，为了表征VMD分解前后能量差异，定义能量差值参数ψ，计算公式为：

式中，Ex对应第x个分量的能量，K为分量个数，E为原信号能量,分解前后能量守恒，ψ理想值为0。

可选的，所述步骤4通过GWO-KFCM对所述特征向量集进行预分类得到最优特征向量子集，并将所述最优特征向量子集数据输入模型SVM，经分类得到最终的诊断结果，具体包括：

步骤4.1，对所述特征向量集通过KFCM进行预分类，并通过GWO进行优化得到所述最优特征向量子集，即最佳聚类中心；

步骤4.2，采用聚类有效性指标

对所述最佳聚类中心进行校核，其中，u_ic为第c个样本对第i个类别的隶属度，C为聚类数，N为样本个数，建立所述最优特征向量子集与故障类别间的隶属度映射；

步骤4.3，对所述隶属度映射通过SVM进行训练，并进行断路器状态的辨识。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于GWO-KFCM的高压断路器故障诊断方法，利用声振信号联合互补优势，分别提取声纹特征和排列熵，然后采用GWO-KFCM进行聚类优化得到最佳聚类中心，最后采用SVM进行故障诊断；SVM作为典型机器学习算法，对于小样本故障诊断尤为适用，但是SVM的分类结果对所选取的训练样本的依赖性较大，且易受样本误差的干扰，而KFCM通过核空间非线性映射，可以突显样本特征差异，借助GWO强大的全局搜索能力对KFCM进行优化，充分发挥GWO算法全局搜索能力强及KFCM区分性好的优势，可以获得风险最小的最优超平面，有效弥补了SVM的不足，能够对高压断路器机械故障进行快速有效检测，提高了高压断路器故障诊断的可靠性。

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，下面将对实施例中所需要使用的附图作简单的介绍，显而易见地，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他的附图。

图1是本发明基于GWO-KFCM的高压断路器故障诊断方法的高压断路器故障诊断流程图；

图2是本发明基于GWO-KFCM的高压断路器故障诊断方法实施例中的GWO-KFCM算法流程图；

图3是本发明基于GWO-KFCM的高压断路器故障诊断方法的K值变化趋势图。

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，都属于本发明保护的范围。

本发明的目的是提供一种基于GWO-KFCM的高压断路器故障诊断方法，利用声振信号联合互补优势，分别提取声纹和排列熵特征，然后采用GWO-KFCM进行聚类优化得到最佳聚类中心，最后采用SVM进行故障诊断。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明实施例提供的基于GWO-KFCM的高压断路器故障诊断方法，具体按照以下步骤：

步骤1：对声音信号进行带通滤波，并通过广义S变换，得到反映时频纹理特征的盒维数、方向度、对比度,构建声纹特征，具体包括：

基于声音信号的频带特点，滤除10kHz以下和20kHz以上频带信号，得到滤除后的声音信号；

基于所述滤除后的声音信号，通过广义S变换，得到广义S变换时频图；

基于所述广义S变换时频图，得到反映时频纹理特征的盒维数、方向度、对比度，构建声纹特征。

所述广义S变换的具体过程为：

式中，f为频率，t为时间，τ为高斯窗口在时间轴t的控制参数，ω(f,τ-t)为高斯窗函数，频率f改变时其高度和宽度会随之改变；α、β均为调节因子，且为正数；当β增大或α减小时,高斯窗宽度在时域被拉伸而在频域被压缩,反之亦然；α、β取值分别为1和2；

步骤2：对振动信号进行变分模态分解，得到排列熵，所述变分模态分解的具体过程如下：

变分模态分解主要分为变分约束问题的建立和求解两部分，对于数据长度为N的振动信号求解如下：

式中，k为模态分解个数，μ_k为分解后第k个模态分量，ω_k为分解后第k个中心频率，δ(t)为Dirichlet函数，*是卷积运算；

引入二次惩罚因子α和拉格朗日算子λ(t)来求解最优解，将约束性变分问题变为非约束性变分问题，构成扩展拉格朗日表达式如下：

采用ADMM法求解上式的鞍点，从而不断更新

λⁿ⁺¹，其中，解得的模态分量μ_k及中心频率ω_k分别为：

为防止VMD出现过分解的情况,根据分解前后能量守恒理论对K参数进行选择；对于原断路器振动信号序列x(i)，其能量计算公式为：

式中，E表示信号能量值；n为采样点；为了表征VMD分解前后能量差异，定义能量差值参数ψ，计算公式为：

式中，Ex对应第x个分量的能量；K为分量个数；E为原信号能量,分解前后能量守恒，ψ理想值为0，经过多次实验以及计算，得到K的变化趋势如图3所示；

步骤3：将所述声纹特征和所述排列熵特征联合构建特征向量集；

步骤4：通过GWO-KFCM对所述特征向量集进行预分类得到所述最优特征向量子集，并将所述最优特征向量子集数据输入模型SVM，经分类得到最终的诊断结果，如图2所示，具体包括：

步骤4.1，对所述特征向量集通过KFCM进行预分类，并通过GWO进行优化得到所述最优特征向量子集，即最佳聚类中心；

步骤4.2，采用聚类有效性指标

对所述最佳聚类中心进行校核，其中，u_ic为第c个样本对第i个类别的隶属度，C为聚类数，N为样本个数，建立所述最优特征向量子集与故障类别间的隶属度映射；

步骤4.3，对所述隶属度映射通过SVM进行训练，并进行断路器状态的辨识；

所述GWO具体为：

GWO可以模拟狼群的捕食行为:跟踪接近、追捕包围、攻击猎物；寻优过程如下:在搜索域内随机产生一群灰狼,将狼群中的灰狼按照等级从高到低分为a、b、c和ω；a一般为狼群当前最优个体，b在狼群中起辅助作用,为次优个体，c为次次优个体，ω为搜索个体；由a、b、c负责对猎物位置进行评估定位,并共同负责指定ω的移动方向,实现对猎物的全方位包围攻击,最终捕获猎物；

其中a是狼群中的领导者,负责包括狩猎在内的一切事务，b是狼群的次级领导,帮助a制定决策，第三级是c,听命于a和b,负责保证狼群的安全；ω是狼群的最低级,保证整个群体的结构；

追踪包围的过程,由计算猎物距离B和更新灰狼位置X两个环节组成,其数学模型为如下：

式中，t代表当前的迭代次数，X_p(t)为猎物位置向量，X(t)为灰狼位置向量,A和C均为系数向量，a为收敛因子，满足a∈[0,2]；随迭代过程从2到0线性递减,r₁和r₂是[0,1]中的随机向量；

攻击猎物，假定a、b、c狼对猎物位置有更好的判断,因此保存前3个的最优解,更新ω狼的目标位置，即当猎物的位置确定后,由a带领b、c发起攻击,ω根据a、b、c的位置信息靠近猎物，其数学模型为：

X(t+1)＝(X₁+X₂+X₃)/3

其中Xa，Xb，Xc分别表示灰狼a，b和c当前位置，C₁，C₂和C₃是随机搜索向量系数，X表示当前灰狼的位置，B_a，B_b和B_c分别表示当前候选灰狼与最优的三只狼之间的距离，根据X(t+1)＝(X₁+X₂+X₃)/3可以确定其他狼的前进步长和前进方向；

由式X(t+1)＝X_p(t)-A·B可知A的取值在区间[-2,2]，当A的随机值在[-1,1]区间时,意味着灰狼位置一定在当前位置和猎物位置之间；当|A|＜1时,强制灰狼发动攻击；当|A|＞1时强制狼群继续搜寻,即狼群从一个猎物散开寻找另一个更好的猎物。

本发明提供的基于GWO-KFCM的高压断路器故障诊断方法，利用声振信号联合互补优势，分别提取声纹和振动熵特征，然后采用GWO-KFCM进行聚类优化得到最佳聚类中心，最后采用SVM进行故障诊断；SVM作为典型机器学习算法，对于小样本故障诊断尤为适用，但是SVM的分类结果对所选取的训练样本的依赖性较大，且易受样本误差的干扰，而KFCM通过核空间非线性映射，可以突显样本特征差异，借助GWO强大的全局搜索能力对KFCM进行优化，充分发挥GWO算法全局搜索能力强及KFCM区分性好的优势，可以获得风险最小的最优超平面，有效弥补了SVM的不足，能够对高压断路器机械故障进行快速有效检测，提高了高压断路器故障诊断的可靠性。

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 (5)

1.一种基于GWO-KFCM的高压断路器故障诊断方法，其特征在于，包括以下步骤：

步骤1，对声音信号进行带通滤波，并通过广义S变换，得到反映时频纹理特征的盒维数、方向度、对比度，构建声纹特征；

步骤2，对振动信号进行变分模态分解，得到排列熵；

步骤3，将所述声纹特征和所述排列熵联合构建特征向量集；

步骤4，通过GWO-KFCM对所述特征向量集进行预分类得到最优特征向量子集，并将所述最优特征向量子集数据输入模型SVM，经分类得到最终的诊断结果。

2.根据权利要求1所述的基于GWO-KFCM的高压断路器故障诊断方法，其特征在于，所述步骤1中，对声音信号进行带通滤波，并通过广义S变换，得到反映时频纹理特征的盒维数、方向度、对比度,构建声纹特征，具体包括：

基于声音信号的频带特点，滤除10kHz以下和20kHz以上频带信号，得到滤除后的声音信号；

基于所述滤除后的声音信号，通过广义S变换，得到广义S变换时频图；

基于所述广义S变换时频图，得到反映时频纹理特征的盒维数、方向度、对比度，构建声纹特征。

3.根据权利要求2所述的基于GWO-KFCM的高压断路器故障诊断方法，其特征在于，所述广义S变换的具体过程为：

式中，f为频率，t为时间，τ为高斯窗口在时间轴t的控制参数；ω(f,τ-t)为高斯窗函数，频率f改变时其高度和宽度会随之改变；α、β均为调节因子，且为正数，当β增大或α减小时,高斯窗宽度在时域被拉伸而在频域被压缩,反之亦然；α、β取值分别为1和2。

4.根据权利要求1所述的基于GWO-KFCM的高压断路器故障诊断方法，其特征在于，所述步骤2中，变分模态分解的具体过程如下：

变分模态分解主要分为变分约束问题的建立和求解两部分，对于数据长度为N的振动信号求解如下：

式中，k为模态分解个数，μ_k为分解后第k个模态分量，ω_k为分解后第k个中心频率，δ(t)为Dirichlet函数，*是卷积运算；

引入二次惩罚因子α和拉格朗日算子λ(t)来求解最优解，将约束性变分问题变为非约束性变分问题，构成扩展拉格朗日表达式如下：

采用ADMM法求解上式的鞍点，从而不断更新

ω_k ⁿ⁺¹、λⁿ⁺¹，其中，解得的模态分量μ_k及中心频率ω_k分别为：

为防止VMD出现过分解的情况,根据分解前后能量守恒理论对K参数进行选择；对于原断路器振动信号序列x(i)，其能量计算公式为：

式中，E表示信号能量值，n为采样点，为了表征VMD分解前后能量差异，定义能量差值参数ψ，计算公式为：

式中，Ex对应第x个分量的能量，K为分量个数，E为原信号能量,分解前后能量守恒，ψ理想值为0。

5.根据权利要求1所述的基于GWO-KFCM的高压断路器故障诊断方法，其特征在于，所述步骤4，通过GWO-KFCM对所述特征向量集进行预分类得到最优特征向量子集，并将所述最优特征向量子集数据输入模型SVM，经分类得到最终的诊断结果，具体包括：

步骤4.1，对所述特征向量集通过KFCM进行预分类，并通过GWO进行优化得到所述最优特征向量子集，即最佳聚类中心；

步骤4.2，采用聚类有效性指标

对所述最佳聚类中心进行校核，其中,u_ic为第c个样本对第i个类别的隶属度，C为聚类数，N为样本个数，建立所述最优特征向量子集与故障类别间的隶属度映射；

步骤4.3，对所述隶属度映射通过SVM进行训练，并进行断路器状态的辨识。

Images