CN112800976A - 基于高压断路器振动信号的故障诊断方法 - Google Patents
基于高压断路器振动信号的故障诊断方法 Download PDFInfo
- Publication number
- CN112800976A CN112800976A CN202110130307.3A CN202110130307A CN112800976A CN 112800976 A CN112800976 A CN 112800976A CN 202110130307 A CN202110130307 A CN 202110130307A CN 112800976 A CN112800976 A CN 112800976A
- Authority
- CN
- China
- Prior art keywords
- neural network
- circuit breaker
- value
- voltage circuit
- particle
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 67
- 239000002245 particle Substances 0.000 claims abstract description 45
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 23
- 230000001133 acceleration Effects 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 20
- 150000001875 compounds Chemical class 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000005469 granulation Methods 0.000 claims description 2
- 230000003179 granulation Effects 0.000 claims description 2
- 230000000644 propagated effect Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Arc-Extinguishing Devices That Are Switches (AREA)
Abstract
本发明公开了一种基于高压断路器振动信号的故障诊断方法。该方法为：利用加速度传感器采集高压断路器在合闸操作过程中产生的加速度波形信号；采用VMD‑SVD技术提取高压断路器在不同状态下的振动信号特征量，在进行VMD分解时，本征模态分量IMF的个数K的选取采用归一化距离法，通过比较原始正常状态下的振动信号与经过VMD分解再重构得到的振动信号的相似性确定K值；利用粒子群算法对BP神经网络进行优化，即将神经网络原来每层神经元之间的阈值与权值用粒子群的位置分量来替代，得到PSO‑BP神经网络；采用PSO‑BP神经网络对断路器状态进行识别分类。本发明在诊断速度与准确率方面均有显著的提升，实际应用价值高。
Description
技术领域
本发明涉及电力系统的故障诊断技术领域，特别是一种基于高压断路器振动信号的故障诊断方法。
背景技术
真空断路器作为电力系统的开关以及保护设备，大量用于配电系统中，具有体积小、噪声低、可靠性高等优点。在电力系统发生局部故障时，一旦由于断路器故障而导致故障不能及时切除等问题，将极有可能造成地区大面积停电。因此真空断路器能够可靠的动作，对电力系统的安全、稳定运行尤为重要。据资料显示，因断路器控制回路和操动机构等方面的问题而引起的机械故障，占全部故障的70％～80％。
目前国内外相继展开了针对断路器的故障诊断研究工作，在研究时涉及到的技术较广，包括了信号处理与模式识别等领域中的最新技术，但对振动信号的处理方法选取较为局限，主要为基于经验模态分解(EMD)的HHT与小波包变换，而EMD本身具有一定的局限性，例如停止准则的选取以及模态混叠等问题，而断路器的振动信号是一种非平稳、非周期信号。在高压断路器状态识别时，大多数采取了机器学习等方法，但是这些方法受样本数量得影响较大。高压断路器属于高压设备在工作时停断次数较少，所以高压断路器故障诊断属于小样本问题研究。传统BP神经网络直接用于全局，由于神经网络的阈值与权值不是最优，会影响最终分类结果的准确性和时效性。
发明内容
本发明的目的在于提供一种速度快、准确率高的基于高压断路器振动信号的故障诊断方法。
实现本发明目的的技术解决方案为：一种基于高压断路器振动信号的故障诊断方法，包含以下步骤：
步骤1，利用加速度传感器采集高压断路器在合闸操作过程中产生的加速度波形信号；
步骤2，采用VMD-SVD技术提取高压断路器在不同状态下的振动信号特征量；
步骤3，利用粒子群算法对BP神经网络进行优化，得到PSO-BP神经网络；
步骤4，采用PSO-BP神经网络对断路器状态进行识别分类。
本发明与现有技术相比，其显著优点为：(1)采用了变分模态分解VMD技术对断路器在不同状态下的振动信号进行分解，得到本征模态分量IMF；对本征模态分量进行SVD奇异值分解，得到奇异值特征向量；再采用经过PSO粒子群算法优化过的BP神经网络对特征向量进行识别分类；(2)与利用小波包-能量熵进行特征提取再直接利用BP神经网络来诊断断路器故障的技术相比，对断路器各类故障状态进行诊断时，在正确性与算法的速动性方面均有显著的提升，具有较高的实际应用价值。
附图说明
图1是本发明中VJ12型真空断路器的基本结构原理图。
图2是本发明基于高压断路器振动信号的故障诊断方法的流程图。
图3是本发明中振动信号的采集流程图。
图4是本发明中断路器在正常状态下振动信号的IMF图。
图5是6种状态下的振动信号特征量分布图。
图6是小波包4层分解后得到的示意图。
图7是BP神经网络对于小波包-能量熵特征量的学习误差曲线图。
图8是BP神经网络对于小波包-能量熵特征量的识别结果图。
图9是BP神经网络对于VMD-SVD特征量的学习误差曲线图。
图10是BP神经网络对于VMD-SVD特征量的识别结果图。
图11是PSO-BP神经网络对于小波包-能量熵特征量的学习误差曲线图。
图12是PSO-BP神经网络对于小波包-能量熵特征量的识别结果图
图13是PSO-BP神经网络对于VMD-SVD特征量的学习误差曲线图。
图14是PSO-BP神经网络对于VMD-SVD特征量的识别结果图。
具体实施方式
本发明基于高压断路器振动信号的故障诊断方法，包含以下步骤：
步骤1，利用加速度传感器采集高压断路器在合闸操作过程中产生的加速度波形信号；
步骤2，采用VMD-SVD技术提取高压断路器在不同状态下的振动信号特征量；
步骤3，利用粒子群算法对BP神经网络进行优化，得到PSO-BP神经网络；
步骤4，采用PSO-BP神经网络对断路器状态进行识别分类。
进一步地，步骤1中加速度传感器采样频率为40kHz，设置原始信号的采样点共计为8000点，再通过一个长度为100～150点且能够移动的矩形窗寻找有效数据的起始点，设置好矩形窗的阈值，在高压断路器合闸启动时，矩形窗内部的数据方差会突变，以此作为判断条件，来截取有效的振动信号数据序列，截取有效信号的长度为4096点，此段信号包含了合闸启动后100ms内的加速度波形信号。
进一步地，步骤2所述VMD-SVD技术，在进行VMD分解时，本征模态分量IMF的个数K的选取采用归一化距离法，即通过比较原始正常状态下的振动信号与经过VMD分解再重构得到的振动信号的相似性来确定K值，具体流程为：
(1.1)将正常状态下的一组振动信号b在预先设置的不同K值情况下进行分解；
(1.2)将分解得到的K个模态分量进行信号重构，得到新的一组振动信号p；
(1.3)根据式(1)计算归一化距离d(b,p)；
式中，归一化距离为d(b,p)，原始信号b＝(b1,...,bn)，经VMD分解再重构的信号p＝(p1,...,pn)；
(1.4)通过比较归一化距离的大小确定K值：归一化距离d(b,p)越大，则信号b与p之间的差距就越大；反之归一化距离d(b,p)越小，信号b与p就越相似差距就越小。
进一步地，步骤2所述采用VMD-SVD技术提取高压断路器在不同状态下的振动信号特征量，其中VMD算法中引入了交替方向乘子法ADMM对原始问题进行优化求解，具体步骤如下：
(2.1)初始化并设置参数：
αn,n＝0；
为第n次迭代的中心频率，
为第n次迭代对应所有模态分量的集合，其中k＝1,...,K，αn为第n次迭代的拉格朗日因子，上标n代表迭代次数；
(2.2)按照式(2)更新模态分量mk,k＝1,...,K；
式中，
表示增广拉格朗日函数取得最小值时变量mk的取值；
表示第n+1次迭代，i＜k的模态分量集合；
表示第n次迭代后，i≥k的模态分量集合；
(2.3)按照式(3)的方法，继续依次更新第k个模态分量的中心频率ωk；
式中，
表示增广拉格朗日函数取得最小值时变量ωk的取值；
表示第n+1次迭代，i＜k的中心频率集合；
表示第n次迭代后，i≥k的中心频率集合；
(2.4)再按照式(4)更新拉格朗日因子α；
式中，τ是一个常量，τ＞0；
(2.5)n＝n+1；
(2.6)重复运算(2.2)～(2.5)，当迭代满足误差在给定的误差e以内如式(5)所示，迭代结束：
式中，
表示向量元素的L2范数的平方；
(2.7)对求得的模态分量mk进行SVD奇异值分解。
进一步地，步骤3所述的利用粒子群算法对BP神经网络进行优化，是将神经网络的阈值与权值粒子化，即将神经网络原来每层神经元之间的阈值与权值用粒子群的位置分量来替代；
粒子群算法的具体流程：
(3.1)初始化：对一群随机的粒子进行初始化，包括粒子群的规模、速度区间与最大初始化速度以及初始位置；
(3.2)个体极值与全局最优解的寻找：计算各个粒子的目标函数，并寻找到各粒子的当前个体极值，个体极值指的是各粒子找到的历史最优位置信息，再从个体极值中寻找整个粒子群的当前全局最优解，将全局最优解与历史最优解进行对比，重复以上步骤，最后选出最佳解作为当前历史最优解；
(3.3)更新各个粒子速度与位置，计算公式如式(6)所示；
Vid＝ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid) (6)
Xid＝Xid+Vid (7)
式中，Vid表示第i个变量第d维的速度；ω表示惯性因子；加速常数C1、C2取值C1＝C2∈[0,4]；Pid与Pgd分别表示第i个变量个体极值的第d维与全局最优解的第d维；Xid代表粒子的位置；
(3.4)迭代的终止条件为达到最大代数Gmax；
如果原始的神经网络的结构为输入层有mi个神经元、隐含层有mh个神经元、输出层有mo个神经元，那么在第i个粒子的位置Xi所表示的BP神经网络如式(8)所示：
式中，D＝mh+mo+mi×mh+mh×mo；
指隐含层的节点h和输出层节点o之间的权值；
指隐含层节点h与数据输入节点i之间的权值；
指输出层节点与各隐含层节点之间的阈值；
指输入层的节点和隐含层层节点之间的阈值；
神经网络的阈值与权值在经过PSO粒子化以后，得到的粒子适应度如式(9)所示：
式中，f(Xi)表示粒子在Xi位置的粒子适应度，ms指进行训练的样本的数量；oik指的是在第i个粒子的位置所确定的阈值与权值下，第k个样本经过网络训练的实际输出；Tik指在第i个粒子的位置所确定的阈值与权值下，第k个样本经过网络训练的期望输出；
在经过粒子化以后，每一个网络的阈值与权值的粒子都与一个神经网络唯一地对应，如果粒子的位置更新，那么对应的神经网络的阈值与权值也随着更新。
进一步地，步骤4所述采用PSO-BP神经网络对断路器状态进行识别分类，其中神经网络包含1个隐含层，隐含层的神经元节点数定为13个，输入层含有5个节点，输出层含有6个节点，调用带动量的梯度下降算法进行学习；
进行检测时，输入断路器一状态下的特征向量，利用已学习过的BP神经网络进行运算，输出一个6元的向量，与目标向量进行比对，从而判断断路器的状态，具体实现过程如下：
(4.1)输入N个学习样本(Xk,
)k＝1,2,...,N；Xk,
分别表示输入与输出向量；
(4.2)构建BP神经网络结构；
(4.3)设置误差限定值ε，最大迭代次数Tmax，学习率η以及冲量系数β，最开始的迭代次数t＝1，训练数据序列k＝1；
(4.4)取第k个学习样本(Xk,
),Xk＝(x1k,x2k,...,xnk)，
(4.5)由Xk进行信号正向传播计算；
(4.6)输入的信号通过权值矩阵处理向前传递，算出BP神经网络输出层各节点的误差：
式中，
为第j个输出节点的计算输出；
为第j个输出节点的期望输出；Ejk为节点j的误差率；
(4.7)如果对N个训练数据的任一数据序列k值使得Ejk≤ε,j＝1,2，...，m，或者t＞Tmax，那么训练结束；如果不满足要求，则将误差按网络进行反向传播，对权值矩阵做修改，令k＝k+1,t＝t+1,跳转到(4.4)。
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
实施例
本发明以图1所示的真空断路器结构简化模型为例来进行说明，对断路器的五种常见的故障状态具体分析：合闸无法保持、分闸弹簧断裂、软连接松动、绝缘拉杆松动、单相触头磨损。
如图2所示，本实例操作步骤如下：
步骤1，先使用加速度传感器采集断路器振动信号，流程图如图3所示。经查阅相关文献，本发明最终选择IEPE加速度传感器的CA-YD-181定制型，灵敏度为1mv/g，频响范围为5～10kHz，测量范围为5000g。在实验时把加速度传感器安装在断路器的操作箱顶部中央，并采用CM3502恒流源模块提供4mA的电流，给IEPE供电。后面接DSP控制的AD芯片，本发明选择的DSP开发板为研旭TMS320F28335。其自带AD芯片只能接0-3V的电压信号，而IEPE传感器电压信号输出范围在±5V，因此需要接外部AD芯片，此处选择AD7606，其能承受±10V，±5V电压信号的输入。
步骤2，利用VMD对提取到的振动信号进行分解，K值取为5，分解后得到的IMF模态分量示意图如图4所示，然后利用SVD对IMF分量进行奇异值分解求取特征向量。下面对提取的断路器6种状态下的振动信号各随机选一个，进行VMD分解再求取奇异值特征向量，相应的特征向量如表1，利用特征向量分布的差异与断路器的状态来建立联系，从而进行断路器的故障诊断，特征向量分布如图5所示。
表1在6种状态下的特征向量
步骤3，利用Matlab小波工具箱选用db4小波对提取到的振动信号进行4层分解，分解后得到的示意图如图6所示，然后利用能量熵获取特征向量。通过积分的方式计算得到各个频带的能量
其中k＝0，1，…，2L-1(L为分解层数)，i＝1，2，...，N；经过归一化处理后
然后计算能量熵：
最后将得到一组含有16个能量熵的向量T，即
T＝[H0，H1，H2，H3，H4，H5，H6，H7，H8，H9，H10，H11，H12，H13，H14，H15]。
对提取的断路器6种状态下的振动信号各随机选一个，进行小波包拆分并计算能量熵，相应的特征向量如表2，利用熵值的差异与断路器的状态来建立联系，从而进行断路器的故障诊断。
表2不同状态下的特征向量表
步骤4，利用BP神经网络对小波包-能量熵和VMD-SVD特征量进行一次分类。这里选取分别经过小波包-能量熵和VMD-SVD处理后的断路器各种状态下的180组特征相量，其中120组用于训练，其余60组用于测试。对应输出的目标向量是一个六元的向量，以100000～000001分别代表高压断路器的各个状态，一一对应的关系如下表3所示。
表3目标向量与高压断路器的状态的对应关系
对于小波包-能量熵特征量，选取高压断路器在每种状态下的30组特征向量的前20组，共计120组用于BP神经网络的学习训练样本集。BP神经网络的学习情况如图7，在经过270次的迭代，约用时24s以后，达到了设置的目标误差停止训练。再选取每种状态下30组特征向量的后10组，共计60组特征量输入训练过的BP神经网络，进行模式识别，得到识别结果如图8所示。
对于VMD-SVD特征量，选取高压断路器在每种状态下的30组特征向量的前20组，共计120组用于BP神经网络的学习训练样本集。BP神经网络的学习情况如图9，在经过161次的迭代，约用时18s以后，达到了设置的目标误差停止训练。再选取每种状态下30组特征向量的后10组，共计60组特征量输入训练过的BP神经网络，进行模式识别，得到识别结果如图10所示。
步骤5，利用粒子群优化过的BP神经网络对小波包-能量熵和VMD-SVD特征量进行分类。这里选取分别经过小波包-能量熵和VMD-SVD处理后的断路器各种状态下的180组特征相量，其中120组用于训练，其余60组用于测试。对应输出的目标向量是一个六元的向量，以100000～000001分别代表高压断路器的各个状态，一一对应的关系如下表2所示。
对于小波包-能量熵特征量，选取高压断路器在每种状态下的30组特征向量的前20组，共计120组用于BP神经网络的学习训练样本集。BP神经网络的学习情况如图11，在经过191次的迭代，约用时18s以后，达到了设置的目标误差停止训练。再选取每种状态下30组特征向量的后10组，共计60组特征量输入训练过的BP神经网络，进行模式识别，得到识别结果如图12所示。
对于VMD-SVD特征量，选取高压断路器在每种状态下的30组特征向量的前20组，共计120组用于BP神经网络的学习训练样本集。BP神经网络的学习情况如图13，在经过109次的迭代，约用时10s以后，达到了设置的目标误差停止训练。再选取每种状态下30组特征向量的后10组，共计60组特征量输入训练过的BP神经网络，进行模式识别，得到识别结果如图14所示。
步骤6，通过对比图7、图9、图11与图13可以发现，与小波包-能量熵特征提取与直接使用传统BP神经网络相比，本发明对真空断路器进行故障诊断在速度方面有显著的提升；通过对比图8、图10、图12与图14可以发现，与小波包-能量熵特征提取与直接使用传统BP神经网络相比，本发明对真空断路器进行故障诊断在正确度方面有显著的提高。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作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申请范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于高压断路器振动信号的故障诊断方法，其特征在于，包含以下步骤：
步骤1，利用加速度传感器采集高压断路器在合闸操作过程中产生的加速度波形信号；
步骤2，采用VMD-SVD技术提取高压断路器在不同状态下的振动信号特征量；
步骤3，利用粒子群算法对BP神经网络进行优化，得到PSO-BP神经网络；
步骤4，采用PSO-BP神经网络对断路器状态进行识别分类。
2.根据权利要求1所述的基于高压断路器振动信号的故障诊断方法，其特征在于，步骤1中加速度传感器采样频率为40kHz，设置原始信号的采样点共计为8000点，再通过一个长度为100～150点且能够移动的矩形窗寻找有效数据的起始点，设置好矩形窗的阈值，在高压断路器合闸启动时，矩形窗内部的数据方差会突变，以此作为判断条件，来截取有效的振动信号数据序列，截取有效信号的长度为4096点，此段信号包含了合闸启动后100ms内的加速度波形信号。
3.根据权利要求1或2所述的基于高压断路器振动信号的故障诊断方法，其特征在于，步骤2所述VMD-SVD技术，在进行VMD分解时，本征模态分量IMF的个数K的选取采用归一化距离法，即通过比较原始正常状态下的振动信号与经过VMD分解再重构得到的振动信号的相似性来确定K值，具体流程为：
(1.1)将正常状态下的一组振动信号b在预先设置的不同K值情况下进行分解；
(1.2)将分解得到的K个模态分量进行信号重构，得到新的一组振动信号p；
(1.3)根据式(1)计算归一化距离d(b,p)；
式中，归一化距离为d(b,p)，原始信号b＝(b1,...,bn)，经VMD分解再重构的信号p＝(p1,...,pn)；
(1.4)通过比较归一化距离的大小确定K值：归一化距离d(b,p)越大，则信号b与p之间的差距就越大；反之归一化距离d(b,p)越小，信号b与p就越相似差距就越小。
4.根据权利要求3所述的基于高压断路器振动信号的故障诊断方法，其特征在于，步骤2所述采用VMD-SVD技术提取高压断路器在不同状态下的振动信号特征量，其中VMD算法中引入了交替方向乘子法ADMM对原始问题进行优化求解，具体步骤如下：
(2.1)初始化并设置参数：
αn,n＝0；
为第n次迭代的中心频率，
为第n次迭代对应所有模态分量的集合，其中k＝1,...,K，αn为第n次迭代的拉格朗日因子，上标n代表迭代次数；
(2.2)按照式(2)更新模态分量mk,k＝1,...,K；
式中，
表示增广拉格朗日函数取得最小值时变量mk的取值；
表示第n+1次迭代，i＜k的模态分量集合；
表示第n次迭代后，i≥k的模态分量集合；
(2.3)按照式(3)的方法，继续依次更新第k个模态分量的中心频率ωk；
式中，
表示增广拉格朗日函数取得最小值时变量ωk的取值；
表示第n+1次迭代，i＜k的中心频率集合；
表示第n次迭代后，i≥k的中心频率集合；
(2.4)再按照式(4)更新拉格朗日因子α；
式中，τ是一个常量，τ＞0；
(2.5)n＝n+1；
(2.6)重复运算(2.2)～(2.5)，当迭代满足误差在给定的误差e以内如式(5)所示，迭代结束：
式中，
表示向量元素的L2范数的平方；
(2.7)对求得的模态分量mk进行SVD奇异值分解。
5.根据权利要求4所述的基于高压断路器振动信号的故障诊断方法，其特征在于，步骤3所述的利用粒子群算法对BP神经网络进行优化，是将神经网络的阈值与权值粒子化，即将神经网络原来每层神经元之间的阈值与权值用粒子群的位置分量来替代；
粒子群算法的具体流程：
(3.1)初始化：对一群随机的粒子进行初始化，包括粒子群的规模、速度区间与最大初始化速度以及初始位置；
(3.2)个体极值与全局最优解的寻找：计算各个粒子的目标函数，并寻找到各粒子的当前个体极值，个体极值指的是各粒子找到的历史最优位置信息，再从个体极值中寻找整个粒子群的当前全局最优解，将全局最优解与历史最优解进行对比，重复以上步骤，最后选出最佳解作为当前历史最优解；
(3.3)更新各个粒子速度与位置，计算公式如式(6)所示；
Vid＝ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid) (6)
Xid＝Xid+Vid (7)
式中，Vid表示第i个变量第d维的速度；ω表示惯性因子；加速常数C1、C2取值C1＝C2∈[0,4]；Pid与Pgd分别表示第i个变量个体极值的第d维与全局最优解的第d维；Xid代表粒子的位置；
(3.4)迭代的终止条件为达到最大代数Gmax；
如果原始的神经网络的结构为输入层有mi个神经元、隐含层有mh个神经元、输出层有mo个神经元，那么在第i个粒子的位置Xi所表示的BP神经网络如式(8)所示：
式中，D＝mh+mo+mi×mh+mh×mo；
指隐含层的节点h和输出层节点o之间的权值；
指隐含层节点h与数据输入节点i之间的权值；
指输出层节点与各隐含层节点之间的阈值；
指输入层的节点和隐含层层节点之间的阈值；
神经网络的阈值与权值在经过PSO粒子化以后，得到的粒子适应度如式(9)所示：
式中，f(Xi)表示粒子在Xi位置的粒子适应度，ms指进行训练的样本的数量；oik指的是在第i个粒子的位置所确定的阈值与权值下，第k个样本经过网络训练的实际输出；Tik指在第i个粒子的位置所确定的阈值与权值下，第k个样本经过网络训练的期望输出；
在经过粒子化以后，每一个网络的阈值与权值的粒子都与一个神经网络唯一地对应，如果粒子的位置更新，那么对应的神经网络的阈值与权值也随着更新。
6.根据权利要求5所述的基于高压断路器振动信号的故障诊断方法，其特征在于，步骤4所述采用PSO-BP神经网络对断路器状态进行识别分类，其中神经网络包含1个隐含层，隐含层的神经元节点数定为13个，输入层含有5个节点，输出层含有6个节点，调用带动量的梯度下降算法进行学习；
进行检测时，输入断路器一状态下的特征向量，利用已学习过的BP神经网络进行运算，输出一个6元的向量，与目标向量进行比对，从而判断断路器的状态，具体实现过程如下：
(4.1)输入N个学习样本
k＝1,2,...,N；
分别表示输入与输出向量；
(4.2)构建BP神经网络结构；
(4.3)设置误差限定值ε，最大迭代次数Tmax，学习率η以及冲量系数β，最开始的迭代次数t＝1，训练数据序列k＝1；
(4.4)取第k个学习样本
Xk＝(x1k,x2k,...,xnk)，
(4.5)由Xk进行信号正向传播计算；
(4.6)输入的信号通过权值矩阵处理向前传递，算出BP神经网络输出层各节点的误差：
式中，
为第j个输出节点的计算输出；
为第j个输出节点的期望输出；Ejk为节点j的误差率；
(4.7)如果对N个训练数据的任一数据序列k值使得Ejk≤ε,j＝1,2，...，m，或者t＞Tmax，那么训练结束；如果不满足要求，则将误差按网络进行反向传播，对权值矩阵做修改，令k＝k+1,t＝t+1,跳转到(4.4)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110130307.3A CN112800976A (zh) | 2021-01-29 | 2021-01-29 | 基于高压断路器振动信号的故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110130307.3A CN112800976A (zh) | 2021-01-29 | 2021-01-29 | 基于高压断路器振动信号的故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112800976A true CN112800976A (zh) | 2021-05-14 |
Family
ID=75813078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110130307.3A Pending CN112800976A (zh) | 2021-01-29 | 2021-01-29 | 基于高压断路器振动信号的故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112800976A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113553930A (zh) * | 2021-07-14 | 2021-10-26 | 董跃周 | 变压器有载分接开关机械故障诊断方法 |
| CN113552224A (zh) * | 2021-07-28 | 2021-10-26 | 中国石油大学(华东) | 一种用于液膜密封端面的密封状态检测方法 |
| CN113627374A (zh) * | 2021-08-17 | 2021-11-09 | 中广核工程有限公司 | 周界入侵的判断方法、监控服务器及存储介质 |
| CN114818820A (zh) * | 2022-05-10 | 2022-07-29 | 南京理工大学 | 基于多通道组合的神经网络手势动作分类算法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108171263A (zh) * | 2017-12-26 | 2018-06-15 | 合肥工业大学 | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 |
| CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
-
2021
- 2021-01-29 CN CN202110130307.3A patent/CN112800976A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108171263A (zh) * | 2017-12-26 | 2018-06-15 | 合肥工业大学 | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 |
| CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 洪剑峰: "基于变分模态分解算法的髙速列车万向轴动不平衡检测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113553930A (zh) * | 2021-07-14 | 2021-10-26 | 董跃周 | 变压器有载分接开关机械故障诊断方法 |
| CN113552224A (zh) * | 2021-07-28 | 2021-10-26 | 中国石油大学(华东) | 一种用于液膜密封端面的密封状态检测方法 |
| CN113552224B (zh) * | 2021-07-28 | 2024-02-13 | 中国石油大学(华东) | 一种用于液膜密封端面的密封状态检测方法 |
| CN113627374A (zh) * | 2021-08-17 | 2021-11-09 | 中广核工程有限公司 | 周界入侵的判断方法、监控服务器及存储介质 |
| CN114818820A (zh) * | 2022-05-10 | 2022-07-29 | 南京理工大学 | 基于多通道组合的神经网络手势动作分类算法 |
| CN114818820B (zh) * | 2022-05-10 | 2024-05-31 | 南京理工大学 | 基于多通道组合的神经网络手势动作分类算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112800976A (zh) | 基于高压断路器振动信号的故障诊断方法 | |
| CN113343633B (zh) | 动力锂电池热失控故障分类及风险预测方法、系统 | |
| CN107505133B (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
| CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
| CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
| CN111190088B (zh) | 一种igbt性能退化特征参数的提取方法 | |
| CN111060304A (zh) | 基于神经网络的断路器故障诊断方法 | |
| CN113569742B (zh) | 一种基于卷积神经网络的宽频带电磁干扰源识别方法 | |
| CN103149514B (zh) | 一种gis内多绝缘缺陷模式识别方法 | |
| CN111398798B (zh) | 基于振动信号区间特征提取的断路器储能状态辨识方法 | |
| CN111553495A (zh) | 一种基于概率神经网络的小型断路器故障分析方法 | |
| CN111060838A (zh) | 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法 | |
| Omar et al. | Fault classification on transmission line using LSTM network | |
| Rehman et al. | Low complexity non-intrusive load disaggregation of air conditioning unit and electric vehicle charging | |
| CN115688880A (zh) | 模块化多电平换流器开关器件开路故障诊断方法及装置 | |
| CN109901064B (zh) | 基于ica-lvq的高压断路器故障诊断方法 | |
| CN113252322A (zh) | 一种含噪背景下的断路器机械故障诊断方法及装置 | |
| CN116050888A (zh) | 应用于智能高压开关柜传感器健康状态评估的方法 | |
| Huang et al. | BIT-based intermittent fault diagnosis of analog circuits by improved deep forest classifier | |
| CN114781458A (zh) | 基于自适应小波和注意力机制的时频记忆神经网络的配电网初期故障识别方法 | |
| CN116660639B (zh) | 一种基于ccgoa-svdd的变压器故障诊断方法及系统 | |
| CN113705637A (zh) | 一种断路器机械故障检测方法、系统、设备及可读存储介质 | |
| CN109782156B (zh) | 基于人工免疫诊断网络的模拟电路故障诊断方法 | |
| CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
| CN112598152A (zh) | 基于改进仿射传播聚类的高压断路器故障诊断方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210514 |
|
| RJ01 | Rejection of invention patent application after publication |