CN112329825A - 基于信息分维及提升决策树的变压器机械故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于信息分维及提升决策树的变压器机械故障诊断方法，它包括：步骤1、采集变压器三轴振动信号；步骤2、提取变压器三轴振动信号的信息分维特征量；步骤3、利用提升决策树算法对不同状态下提取出的信息分维特征量进行分类识别；本发明采用信息分维及提升决策树的方法对变压器进行故障诊断，相对于传统的频谱分析法，该方法克服了振动信号来源单一，频谱分析不能准确反应振动信号非线性特性的缺点，能较好反映变压器振动信号的非线性特征，提高了变压器机械故障诊断准确率。

Description

基于信息分维及提升决策树的变压器机械故障诊断方法

技术领域

本发明属于变压器故障诊断技术，尤其涉及一种基于信息分维及提升决策树的变压器机械故障诊断方法。

背景技术

变压器是电力系统中的核心设备，其正常运行对电力系统的稳定运行起着至关重要的作用。1997～2007年110kV及以上电压等级变压器故障统计数据显示，铁芯和绕组部位发生机械故障的概率分别为37.5％、21.7％，两者发生故障的概率之和接近60％，可见铁芯和绕组机械故障是变压器主要故障类型，因此铁芯和绕组机械故障诊断对提高变压器安全稳定运行具有重要意义。

传统的变压器机械故障诊断方法基本为离线检测方法，主要有短路阻抗法、低压脉冲法、频率响应法等，它们主要的缺点为故障检测只能在变压器停运状态进行，检测过程较为复杂。基于振动信号的变压器机械故障诊断方法由于具有与变压器无电气连接、接线简单、可在线进行等优点而受到国内外学者广泛关注。国外方面，Boruchik对变压器铁芯和绕组松动故障进行了模拟，提出以频谱宽度、各频率衰减速度为特征量的诊断方法；Yoon则将压器频谱特征中的100Hz分量、谐波含量的平均值作为状态评价特征量进行故障诊断。国内方面，汲胜昌的研究结果表明绕组发生轴向松动时频谱中的100Hz分量减小、200Hz分量增大；王丰华利用超弹性材料模型模拟绕组绝缘垫块的非线性，绕组松动即压紧力下降相当于垫块材料刚度的增加，研究结果表明绕组松动后振动信号中的100Hz分量和高次倍频分量均有增加。

基于振动的变压器故障诊断研究，目前主要是以傅里叶变换的频谱分析为基础，对变压器箱体单轴振动信号进行频谱特征量提取，通过分析特征量变化规律以判断变压器机械状态。由于铁磁材料非线性、绝缘垫块应力应变非线性等原因，振动信号非线性特性较强，基于单轴振动信号的频谱分析无法全面反映非线性信号所包含的信息，使得变压器故障机械故障诊断准确性下降，甚至出现不同研究人员对同一特征量、同一故障情况得到不同研究结论的现象。综上，目前基于振动信号的变压器故障诊断方法具有振动信号来源单一的不足，而基于单轴信号的频谱分析不能准确反应信号非线性特性而导致故障诊断准确性。

发明内容

本发明为解决上述不足，提出一种基于信息分维及提升决策树的变压器机械故障诊断方法，具体技术方案为：

步骤1、采集变压器三轴振动信号；

步骤2、提取变压器三轴振动信号的信息分维特征量；

步骤3、利用提升决策树算法对变压器不同状态下的信息分维特征量进行分类识别。

步骤1所述采集变压器三轴振动信号的具体步骤为：

步骤1.1、选取三轴压电式加速度传感器测量变压器三维振动信号，传感器安装在被测变压器箱体表面，频率响应范围为0.5～3000Hz；

步骤1.2、对变压器三维振动信号进行采集。

步骤2所述提取变压器三轴振动信号的信息分维特征量的步骤为：

步骤2.1、采用上下限频率分别为1000Hz和100Hz的带通滤波器对所采集的振动信号进行去噪处理；

步骤2.2、提取变压器振动信号信息分维特征量。设振动信号序列为{f(i)，i＝1，2，…，2ⁿ}，n∈N^*，N*代表正整数。

步骤2.3、设定尺度ε＝{2^j|j＝1，2，…，n}，按序列长度对f(i)进行插值；

步骤2.4、计算尺度ε下，点集F∈Rⁿ,的总分形盒维数N_ε(F)，Rⁿ代表欧几里德空间；

步骤2.5、统计f(i)落入第k个区间的概率P_i(ε)，计算第k个区间的信息熵I_ε(k)，并将各个子区间I_ε(k)求和，得I_ε(F)；

步骤2.6、设定变化尺度ε＝2ε，循环执行步骤2.4、步骤2.5至i＝n；

步骤2.7、根据最小二乘法与稳健估计方法，求得振动信号不同轴向的信息分维D_im：

进一步的，步骤2.4所述总分形盒维数N_ε(F)的计算方法为：

步骤2.4.1、在横轴上的第k个区间内，取max[f(i)]与min[f(i)]，i∈{(k-1)ε+1，kε+1}，再与计算尺度ε相除并向上取整记为N_ε(k)，即：

步骤2.4.2、对每个子区间的N_ε(k)进行求和，得N_ε(F)，即：

进一步的，步骤2.5所述I_ε(F)的计算方法为：

进一步的，步骤3所述利用提升决策树算法对不同状态下提取出的信息分维特征量进行分类识别的具体方法包括：

步骤3.1、对给定训练数据集T＝{(x₁,y₁),…,(x_p,y_p)}，p代表数据集个数，x_p∈Rⁿ，y_p∈Rⁿ，定义损失函数为L[y_l,f_l(x)]，y_l＝{0,1}表示是否属于第l类别，1表示是，0表示否，l＝1,2,…,L。初始化映射函数：

f_l0(x)＝0，l＝1,2,...,L

步骤3.2、对迭代轮数m＝1,2,…,M，M表示迭代轮数：

步骤3.2.1计算每个样本属于每个类别l的概率P_l(x)为：

步骤3.2.2计算训练样本数据集中样本概率伪残差：

r_lp＝y_lp－P_l(x_p),p＝1,2,...,P

步骤3.2.3对于概率伪残差{(x₁,r_l1),(x₂,r_l2),…,(x_p,r_lp)},通过拟合方法建立一个分类树，得到叶子节点集合R_mlq，q＝1,2,…,Q。其中，Q表示分类树叶子节点总数；

步骤3.2.4对m＝1,2,…,M，l＝1,2,…L，q＝1,2,…,Q，估计叶节点区域的值，使损失函数最小化，计算公式为：

步骤3.3、更新预测结果，I表示用于判断集合中元素的指示函数：

步骤3.4、计算最终分类树F_Ml(x)：

步骤3.5、利用F_Ml(x)计算测试样本被分到第k类的相应概率P_Ml(x)；

步骤3.6、由于使用的是类别的预测概率值和真实概率值来拟合损失，因此还需要将概率转换为类别，转换公式如下：

t^*(x)为最终的输出类别，c(l,l')为当真实值为l'时，预测为第l类时的联合代价，即概率最大的类别即为所预测的类别。

本发明的有益效果：

本发明利用信息分维法对变压器多轴振动信号进行特征提取，多轴振动信号包含更多的变压器振动信息，经信息分维方法提取得到的特征量能更好的反应变压器振动信号非线性特性，结合提升决策树分类算法可更好的对变压器铁芯与绕组的机械状态进行判断，提高故障诊断准确率。

本发明在利用振动信号对变压器进行故障诊断时，采用三轴振动信号作为诊断的基础数据，相对于利用单轴振动信号作为基础数据，可更为全面体现变压器振动，更好地反映变压器铁芯和绕组的机械状态信息，提高故障的诊断准确率。本发明解决了现有技术因变压器振动信号利用单一，频谱特征量不能较为准确反应变压器状态所带来的机械故障诊断准确率不高的问题。

附图说明

图1为提升决策树判定流程示意图；

图2-4为X、Y和Z轴振动信号绕组松动前后时域波形示意图；

图5为变压器不同状态下振动信号信息分维分布图；

图6为频谱特征量与信息分维特征量的变压器机械状态识别准确率示意图。

具体实施方式

下面将结合附图及具体实施例对本发明作进一步详细说明。

实施例1：

本实例为提高振动信号检测准确率，利用变压器X、Y和Z三轴信号，基于信息分维与提升决策树进行机械故障诊断。主要分为三步：

步骤1、采集变压器三轴振动信号。将三轴压电式加速度传感器安装在被测变压器箱体表面，选取并采集三轴压电式加速度传感器测量变压器三维振动信号，频率响应为0.5～3000Hz。

步骤2、提取变压器三轴振动信号的信息分维特征量。采用上下限频率分别为1000Hz和100Hz的带通滤波方法对三轴振动信号进行去噪处理，再利用分形盒维数提取振动信号的信息分为特征量。

步骤3、利用提升决策树算法对不同状态下提取出的信息分维特征量进行分类识别。

本发明具体采集一台型号为S13-M-100/10的变压器在铁心正常、绕组正常、铁心松动、绕组松动下的振动信号，分别利用传统的频谱分析方法对变压器与本发明所提出的信息分维-提升决策树方法进行故障诊断。

图2～4为变压器绕组松动前后振动信号X、Y、Z三个轴方向的时域波形，可以看出在变压器绕组松动前后，X、Y、Z三个方向上的振动信号都了变化，但变化程度不一，X、Z轴故障前后振动信号稍弱，Z轴振动信号变化较为明显，对于故障诊断来说故障前后振动信号差异越大，是越有利于判断故障的，如果此时采用传统的单轴振动传感器采集到的是X或Z轴振动信号，该信号故障前后变化不明显，是不利于故障诊断的。

本发明综合利用三轴振动信号可以避免这种情况的发生，做到更为准确的反应变压器机械状态。通常振动信号的非线性越强，信息分维越大。由于磁致伸缩非线性等原因铁心振动本身非线性就比较强，松动后振动非线性进一步加强，因此信息分维大大增加。从图5和图6可以看出变压器正常、绕组松动、铁心松动三种不同状态下振动信号信息分维取值差别较大。正常时振动信息分维取值在1.2左右之间，绕组松动后，振动非线性加强，代表非线性特性的信息分维也进一步变大，取值增大到1.4左右，铁心松动时信息分维取值在1.74左右，远大于变压器正常和绕组松时的取值。可见，发生绕组或铁心故障后会使变压器振动信号非线性特性加强，信息分维可以很好的反应该变化。

比较图2～4和图5～6，可以看出传统的频谱特征量不能很好的识别绕组松动与铁芯松动，识别准确率较低，还将部分铁芯正常状态识别为绕组松动状态，故障诊断的准确率较低；而采用多轴信息的信息分维及提升决策树变压器机械故障诊断方法能够准确识别变压器四种运行状态，故障诊断准确率较高。

以上所述仅是本发明优选的实施方式，但本发明的保护范围并不局限于此，任何基于本发明所提供的技术方案和发明构思进行的改造和替换都应涵盖在本发明的保护范围内。

Claims (8)

1.一种基于信息分维及提升决策树的变压器机械故障诊断方法，它包括：

步骤1、采集变压器三轴振动信号；

步骤2、提取变压器三轴振动信号的信息分维特征量；

步骤3、利用提升决策树算法对不同状态下提取出的信息分维特征量进行分类识别。

2.根据权利要求1所述的一种基于信息分维及提升决策树的变压器机械故障诊断方法，其特征在于：步骤1所述采集变压器三轴振动信号的方法为：

步骤1.1、利用三轴压电式加速度传感器测量变压器三维振动信号，频率响应为0.5～3000Hz，三轴压电式加速度传感器安装在被测变压器箱体表面；

步骤1.2、对变压器三维振动信号进行采集。

3.根据权利要求1所述的一种基于信息分维及提升决策树的变压器机械故障诊断方法，其特征在于：步骤2所述提取变压器三轴振动信号的信息分维特征量的方法为：

步骤2.1、采用上下限频率分别为1000Hz和100Hz的带通滤波方法对三轴振动信号进行去噪处理；

步骤2.2、提取变压器振动信号，设提取振动信号的序列为{f(i)，i＝1，2，…，2ⁿ}，n∈N^*；N^*代表正整数；

步骤2.3、设定尺度ε＝{2^j|j＝1，2，…，n}，按序列长度对f(i)进行插值；

步骤2.4、计算尺度ε下，点集F∈Rⁿ,的总分形盒维数N_ε(F)，Rⁿ代表欧几里德空间；

步骤2.5、统计f(i)落入第k个区间的概率P_i(ε)，计算第k个区间的信息熵I_ε(k)，并将各个子区间I_ε(k)求和，得I_ε(F)；

步骤2.6、设定变化尺度ε＝2ε，循环执行步骤2.4、步骤2.5至i＝n；

步骤2.7、根据最小二乘法与稳健估计方法，求得振动信号不同轴向的信息分维D_im：

4.根据权利要求3所述一种基于信息分维及提升决策树的变压器机械故障诊断方法，其特征在于：步骤2.4所述总分形盒维数N_ε(F)的计算方法为：

步骤2.4.1、在横轴上的第k个区间内，取max[f(i)]与min[f(i)]，i∈{(k-1)ε+1，kε+1}，再与计算尺度ε相除并向上取整记为N_ε(k)，即：

步骤2.4.2、对每个子区间的N_ε(k)进行求和，得N_ε(F)，即：

5.根据权利要求3所述一种基于信息分维及提升决策树的变压器机械故障诊断方法，其特征在于：步骤2.5所述I_ε(F)的计算方法为：

6.根据权利要求1所述一种基于信息分维及提升决策树的变压器机械故障诊断方法，其特征在于：步骤3所述利用提升决策树算法对不同状态下提取出的信息分维特征量进行分类识别的方法为：通过损失函数的负梯度拟合前一轮基学习器的残差，使每一轮的残差估计逐渐减小，基学习器的输出逐渐逼近真值；在负梯度方向上拟合，保证每轮训练都能让损失函数尽可能快速减小，加速收敛到局部或全局最优解。

7.根据权利要求6所述的一种基于信息分维及提升决策树的变压器机械故障诊断方法，其特征在于：步骤3所述利用提升决策树算法对不同状态下提取出的信息分维特征量进行分类识别的具体方法包括：

步骤3.1、对给定训练数据集T＝{(x₁,y₁),…,(x_p,y_p)}，p代表数据集个数，x_p∈Rⁿ，y_p∈Rⁿ，定义损失函数为L[y_l,f_l(x)]，y_l＝{0,1}表示是否属于第l类别，1表示是，0表示否，l＝1,2,…,L；初始化映射函数：

f_l0(x)＝0，l＝1,2,...,L

步骤3.2、对迭代轮数m＝1,2,…,M，M表示迭代轮数，进行迭代运算；

步骤3.3、更新预测结果，I表示用于判断集合中元素的指示函数：

步骤3.4、计算最终分类树F_Ml(x)：

步骤3.5、利用F_Ml(x)计算测试样本被分到第k类的相应概率P_Ml(x)；

步骤3.6、由于使用的是类别的预测概率值和真实概率值来拟合损失，因此还需要将概率转换为类别，转换公式如下：

t^*(x)为最终的输出类别，c(l,l')为当真实值为l'时，预测为第l类时的联合代价，即概率最大的类别即为所预测的类别。

8.根据权利要求6所述的一种基于信息分维及提升决策树的变压器机械故障诊断方法，其特征在于：步骤3.2所述对迭代轮数m＝1,2,…,M，M表示迭代轮数，进行迭代运算的方法为：

步骤3.2.1计算每个样本属于每个类别l的概率P_l(x)为：

步骤3.2.2计算训练样本数据集中样本概率伪残差：

r_lp＝y_lp－P_l(x_p),p＝1,2,...,P；

步骤3.2.3对于概率伪残差{(x₁,r_l1),(x₂,r_l2),…,(x_p,r_lp)},通过拟合方法建立一个分类树，得到叶子节点集合R_mlq，q＝1,2,…,Q；其中，Q表示分类树叶子节点总数；

步骤3.2.4对m＝1,2,…,M，l＝1,2,…L，q＝1,2,…,Q，估计叶节点区域的值，使损失函数最小化，计算公式为：

Images