CN113642439A - 一种有载分接开关的机械状态异常检测方法、装置及设备 - Google Patents
一种有载分接开关的机械状态异常检测方法、装置及设备 Download PDFInfo
- Publication number
- CN113642439A CN113642439A CN202110896824.1A CN202110896824A CN113642439A CN 113642439 A CN113642439 A CN 113642439A CN 202110896824 A CN202110896824 A CN 202110896824A CN 113642439 A CN113642439 A CN 113642439A
- Authority
- CN
- China
- Prior art keywords
- time
- frequency matrix
- vibration signal
- load tap
- vibration
- 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.)
- Granted
Links
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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种有载分接开关的机械状态异常检测方法、装置及设备,该方法包括利用加速度传感器采集有载分接开关在切换时的振动信号;对振动信号进行分帧,并在分帧后的多帧振动波形中提取能量最大的振动波形,得到主振动波形;对主振动波形进行S变换,得到主振动波形的时频矩阵,并对时频矩阵进行灰度化;提取灰度化后的时频矩阵的统计特征值,以统计特征值作为振动信号的特征向量建立振动信号特征样本库,并对预置的SVDD异常检测模型进行训练,得到训练好的SVDD异常检测模型;将待检测的振动信号的特征向量输入训练好的SVDD异常检测模型,得到待检测的振动信号对应的异常检测结果。本发明能够清晰有效地检测出有载分接开关的机械状态异常信息。
Description
技术领域
本发明涉及电力设备维护保障技术领域,尤其涉及一种有载分接开关的机械状态异常检测方法、装置及设备。
背景技术
有载分接开关被广泛应用于各类电力变压器中,起着有载调压的关键作用,一旦发生故障,往往会导致严重的后果。有载分接开关是变压器中唯一能够动作的机构,具有复杂的机械结构和电气特性,其故障可分为机械故障和电气故障。根据统计,有载分接开关的机械故障占比80%以上,且电气故障通常也是由机械故障演化而来。因此,针对有载分接开关的机械状态进行评估和监测具有重要的意义。
目前而言,由于有载分接开关的切换动作具有固定的时序,振动信号在一定程度上能够反映有载分接开关的机械状态,因此,对振动信号进行监测是有载分接开关最常用的监测手段。现有的监测方法通常利用时域分析和频域分析对振动信号进行特征提取,然而振动信号作为一种典型的非平稳信号,传统的时域分析和频域分析方法难以全面的提取振动信号的特征,导致无法正确反映有载分接开关的机械状态。此外,现有的故障分类方法需要大量不同类别的样本数据,然而对于有载分接开关而言,在运行状态下能够得到的运行数据大多为正常样本,导致现有的故障分类方法难以适用有载分接开关的机械状态检测。
公开于该背景技术部分的信息仅仅旨在加深对本发明总体背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。
发明内容
本发明的目的是:提供一种有载分接开关的机械状态异常检测方法、装置及设备,能够较为全面地提取有载分接开关的振动信号在不同度量上的特征,从而清晰有效地反映有载分接开关的机械状态异常信息,同时,在对SVDD模型进行训练时所需的样本数据可以仅包含正常样本,从而在获取的正常样本和异常样本不均衡的情况下仍然能够有效的检测出有载分接开关的机械状态异常信息。
为了达到上述目的,本发明一方面提供一种有载分接开关的机械状态异常检测方法,包括:
利用加速度传感器采集有载分接开关在切换时的振动信号;
对所述振动信号进行分帧,并在分帧后的多帧振动波形中提取能量最大的振动波形,得到主振动波形;
对所述主振动波形进行S变换,得到所述主振动波形的时频矩阵,并对所述时频矩阵进行灰度化;
提取灰度化后的所述时频矩阵的统计特征值,并以所述统计特征值作为所述振动信号的特征向量建立振动信号特征样本库;
以所述振动信号特征样本库内的特征向量为训练样本,以所述有载分接开关的异常检测结果为样本标签,对预置的SVDD异常检测模型进行训练,得到训练好的SVDD异常检测模型;
将待检测的振动信号的特征向量输入所述训练好的SVDD异常检测模型,得到所述待检测的振动信号对应的异常检测结果。
优选地,所述加速度传感器安装于所述有载分接开关的顶盖、传动轴和变压器的侧壁上。
优选地,所述对所述振动信号进行分帧,并在分帧后的多帧振动波形中提取能量最大的振动波形,得到主振动波形,包括:
设置主振动波形的时长和帧移;
根据所述时长,利用预置第一公式计算得到帧长;
根据所述帧长和所述帧移,对所述振动信号进行分帧,得到分帧后的多帧振动波形;
利用预置第二公式计算每帧振动波形的短时能量值;
提取短时能量值最大的振动波形,得到主振动波形;
其中,所述预置第一公式具体为:
nwindow=floor(Tmain*fs);
式中,nwindow代表帧长,floor代表向下取整函数,Tmain代表时长,fs代表振动信号的采样频率;
所述预置第二公式具体为:
式中,energyi代表第i帧振动波形的短时能量值,signali[k]表第i帧振动波形中的第k个采样数据;其中,I代表总的帧数,Nsignal代表振动信号的采样点个数,nstep代表帧移;k=1,2,3…N,N=nwindow-1。
优选地,所述对所述主振动波形进行S变换,得到所述主振动波形的时频矩阵,包括:
利用预置第三公式对所述主振动波形进行S变换,得到所述主振动波形的时频矩阵,其中,所述预置第三公式具体为:
式中,S[m,n]代表主振动波形的时频矩阵,m代表主振动波形的频率数,n代表主振动波形的采样点个数。
优选地,所述对所述时频矩阵进行灰度化,包括:
利用预置第四公式对所述时频矩阵进行灰度化,其中,所述预置第四公式具体为:
S_gray[m,n]=floor(255×S_amplitude[m,n]/max(S_amplitude));
式中,S_amplitude[m,n]代表时频矩阵的幅值,Re代表时频矩阵中各个元素的实部,Im代表时频矩阵中各个元素的虚部,S_gray[m,n]代表时频矩阵的幅值对应的灰度级。
优选地,所述提取灰度化后的所述时频矩阵的统计特征值,包括:
提取灰度化后的所述时频矩阵的平均值、方差、偏度、峰度、能量和熵;
其中,所述时频矩阵的平均值的表达式为:
所述时频矩阵的方差的表达式为:
所述时频矩阵的偏度的表达式为:
所述时频矩阵的峰度的表达式为:
所述时频矩阵的能量的表达式为:
所述时频矩阵的熵的表达式为:
式中,代表时频矩阵的平均值,代表时频矩阵的方差,Ds代表时频矩阵的偏度,Dk代表时频矩阵的峰度,DE代表时频矩阵的能量,DH代表时频矩阵的熵,N(D)代表时频矩阵的幅值对应的灰度级中值为D的元素的个数,L=256。
优选地,在所述提取灰度化后的所述时频矩阵的统计特征值,并以所述统计特征值作为所述振动信号的特征向量建立振动信号特征样本库之后,所述方法还包括:
利用预置第五公式对所述振动信号特征样本库内的特征向量进行标准化处理,其中,所述预置第五公式具体为:
式中,Z代表标准化处理后的振动信号特征样本库内的特征向量,X代表振动信号特征样本库内的特征向量,u代表振动信号特征样本库内的特征向量的均值,σ代表振动信号特征样本库内的特征向量的方差。
优选地,所述预置的SVDD异常检测模型中惩罚因子为C=3,核函数的宽度为s=9,核函数采用高斯核函数,具体表达式为:
式中,S代表高斯核函数的带宽,x代表低维空间向量,x′代表高维空间向量。
本发明另一方面提供一种有载分接开关的机械状态异常检测装置,包括:
采集模块,用于利用加速度传感器采集有载分接开关在切换时的振动信号;
提取模块,用于对所述振动信号进行分帧,并在分帧后的多帧振动波形中提取能量最大的振动波形,得到主振动波形;
变换模块,用于对所述主振动波形进行S变换,得到所述主振动波形的时频矩阵,并对所述时频矩阵进行灰度化;
建立模块,用于提取灰度化后的所述时频矩阵的统计特征值,并以所述统计特征值作为所述振动信号的特征向量建立振动信号特征样本库;
训练模块,用于以所述振动信号特征样本库内的特征向量为训练样本,以所述有载分接开关的异常检测结果为样本标签,对预置的SVDD异常检测模型进行训练,得到训练好的SVDD异常检测模型;
输出模块,用于将待检测的振动信号的特征向量输入所述训练好的SVDD异常检测模型,得到所述待检测的振动信号对应的异常检测结果。
本发明又一方面提供一种有载分接开关的机械状态异常检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述任意一种所述的有载分接开关的机械状态异常检测方法的步骤。
本发明至少具有以下有益效果:
本发明通过S变换对有载分接开关在切换时的振动信号进行分析,既可以避免小波变换小波基函数难以选择的困难,又可以避免短时傅里叶变换窗口大小不能随频率变化的缺陷,而且选用时频图像的统计特征值作为振动信号的特征向量,能够较为全面地提取有载分接开关的振动信号在不同度量上的特征,从而清晰有效地反映有载分接开关的机械状态异常信息;同时,采用SVDD异常检测模型对待检测的振动信号进行异常检测,由于SVDD异常检测模型在进行训练时所需的样本数据可以仅包含正常样本,从而在获取的正常样本和异常样本不均衡的情况下仍然能够有效的检测出有载分接开关的机械状态异常信息,及时对存在机械状态异常的有载分接开关进行预警。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,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为本发明实施例中有载分接开关的机械状态异常检测方法的流程示意图;
图2为本发明实施例中采集到的有载分接开关在切换时的正常振动信号的示意图;
图3为本发明实施例中提取到的正常振动信号的主振动波形的示意图;
图4为本发明实施例中灰度化后的正常振动信号的主振动波形的时频矩阵图像的示意图;
图5为本发明实施例中训练好的SVDD异常检测模型的检测结果示意图;
图6为本发明实施例中有载分接开关的机械状态异常检测装置的结构示意图;
图7为本发明实施例中有载分接开关的机械状态异常检测设备的结构示意图。
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。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1,本发明实施例提供一种有载分接开关的机械状态异常检测方法,包括:
S110、利用加速度传感器采集有载分接开关在切换时的振动信号。
本发明实施例中,有载分接开关在切换时会产生振动信号,可以通过安装加速度传感器采集上述振动信号。
具体实施时,加速度传感器安装于有载分接开关的顶盖、传动轴和变压器的侧壁上。具体的,由于有载分接开关的顶盖测点为垂直方向,且刚性最好,振动信号直接经过连接件传递给加速度传感器,阻尼较小,因此将加速度传感器安装于有载分接开关的顶盖上,能较好的采集振动信号。同时,由于振动信号会以振动波的形式传递到传动轴或变压器的外壁上,因此在传动轴和变压器的侧壁上同样安装加速度传感器,实现对有载分接开关的全方位监测,便于更加精准的采集振动信号。
S120、对振动信号进行分帧,并在分帧后的多帧振动波形中提取能量最大的振动波形,得到主振动波形。
本发明实施例中,由于振动波形主要产生于有载分接开关的切换过程中,因此采集到的振动信号中包含的基础噪声较多。通过对振动信号进行分帧,得到分帧后的多帧振动波形,并计算每帧振动波形的能量,然后提取能量最大的振动波形,作为振动信号的主振动波形,可以将有载分接开关在切换过程中产生的主振动波形从全局振动波形中提取出来。
S130、对主振动波形进行S变换,得到主振动波形的时频矩阵,并对时频矩阵进行灰度化。
本发明实施例中,通过对主振动波形进行S变换,得到主振动波形的时频矩阵图像,由于S变换采用高斯窗函数,且窗宽与频率的倒数成正比,免去了窗函数的选择和改善了窗宽固定的缺陷,并且时频表示中各频率分量的相位谱与原始信号保持直接的联系,使其在时频分析时可以提取更多的特征量,因此既可以避免小波变换小波基函数难以选择的困难,又可以避免短时傅里叶变换窗口大小不能随频率变化的缺陷,同时,通过S变换提取的特征量对噪声也不敏感。得到主振动波形的时频矩阵图像后,进一步对时频矩阵图像进行灰度化处理,利用图像的灰度特性,方便后续计算。
S140、提取灰度化后的时频矩阵的统计特征值,并以统计特征值作为振动信号的特征向量建立振动信号特征样本库。
本发明实施例中,得到灰度化后的时频矩阵图像后,可以选用时频矩阵图像中的多个统计特征值作为振动信号的特征向量,以较为全面地提取有载分接开关的振动信号在不同度量上的特征,从而在后续异常检测中清晰有效地反映有载分接开关的机械状态异常信息。得到时频矩阵图像中的多个统计特征值后,可以组成多维特征向量,并据此建立振动信号特征样本库。
S150、以振动信号特征样本库内的特征向量为训练样本,以有载分接开关的异常检测结果为样本标签,对预置的SVDD异常检测模型进行训练,得到训练好的SVDD异常检测模型。
本发明实施例中,SVDD(英文全称:Support Vector Data Description,中文全称:支持向量数据描述)是一种单值分类算法,能够实现目标样本和非目标样本的区分。由于在对SVDD异常检测模型进行训练时,所需的样本数据可以仅包含正常样本,因此即使没有采集到有载分接开关在机械状态异常时的异常样本,通过采集到的正常样本对SVDD异常检测模型进行训练,训练好的SVDD异常检测模型仍然能够有效的检测出有载分接开关的机械状态异常信息。其中,有载分接开关的机械状态异常检测结果包括正常状态和异常状态两种,异常状态进一步可以包括卡滞、触头磨损、触头烧蚀和切换不到位等。
具体实施时,可以将振动信号特征样本库内的特征向量划分为训练集和测试集,利用训练集中的特征向量作为训练样本对预置的SVDD异常检测模型进行训练,然后用测试集中的特征向量作为测试样本对训练后的SVDD异常检测模型进行测试,如果异常检测准确率达到预定准确率,则直接输出训练好的SVDD异常检测模型;如果没达到,则持续利用训练集中的特征向量作为训练样本对预置的SVDD异常检测模型进行训练,直至训练后的SVDD异常检测模型的异常检测准确率达到预定准确率,输出训练好的SVDD异常检测模型。其中,训练集中的特征向量可以全部为正常样本,测试集中的特征向量包括正常样本和异常样本。
S160、将待检测的振动信号的特征向量输入训练好的SVDD异常检测模型,得到待检测的振动信号对应的异常检测结果。
本发明实施例中,需要对有载分接开关进行机械状态异常检测时,将待检测的振动信号的特征向量输入至训练好的SVDD异常检测模型中,即可得到相应的异常检测结果。具体的,当有载分接开关出现机械状态异常时,可以进一步对存在机械状态异常的有载分接开关进行预警。
以上可知,本发明实施例提供的有载分接开关的机械状态异常检测方法,通过S变换对有载分接开关在切换时的振动信号进行分析,既可以避免小波变换小波基函数难以选择的困难,又可以避免短时傅里叶变换窗口大小不能随频率变化的缺陷,而且选用时频图像的统计特征值作为振动信号的特征向量,能够较为全面地提取有载分接开关的振动信号在不同度量上的特征,从而清晰有效地反映有载分接开关的机械状态异常信息;同时,采用SVDD异常检测模型对待检测的振动信号进行异常检测,由于SVDD异常检测模型在进行训练时所需的样本数据可以仅包含正常样本,从而在获取的正常样本和异常样本不均衡的情况下仍然能够有效的检测出有载分接开关的机械状态异常信息,及时对存在机械状态异常的有载分接开关进行预警。
作为本发明优选的实施例,步骤S120的过程,包括:
S121、设置主振动波形的时长Tmain和帧移nstep。
S122、根据时长Tmain,利用预置第一公式计算得到帧长nwindow。
具体的,预置第一公式具体为:
nwindow=floor(Tmain*fs);
式中,nwindow代表帧长,floor代表向下取整函数,Tmain代表时长,fs代表振动信号的采样频率。
S123、根据帧长nwindow和帧移nstep,对振动信号进行分帧,得到分帧后的多帧振动波形signali。
S124、利用预置第二公式计算每帧振动波形的短时能量值。
具体的,预置第二公式具体为:
式中,energyi代表第i帧振动波形的短时能量值,signali[k]表第i帧振动波形中的第k个采样数据;其中,I代表总的帧数,Nsignal代表振动信号的采样点个数,nstep代表帧移;k=1,2,3…N,N=nwindow-1。
S125、提取短时能量值最大的振动波形,得到主振动波形。
作为本发明优选的实施例,步骤S130的过程,包括:
S131、利用预置第三公式对主振动波形进行S变换,得到主振动波形的时频矩阵。
具体的,预置第三公式具体为:
式中,S[m,n]代表主振动波形的时频矩阵,m代表主振动波形的频率数,n代表主振动波形的采样点个数。
S132、利用预置第四公式对时频矩阵进行灰度化。
具体的,预置第四公式具体为:
S_gray[m,n]=floor(255×S_amplitude[m,n]/max(S_amplitude));
式中,S_amplitude[m,n]代表时频矩阵的幅值,Re代表时频矩阵中各个元素的实部,Im代表时频矩阵中各个元素的虚部,S_gray[m,n]代表时频矩阵的幅值对应的灰度级。
作为本发明优选的实施例,在执行步骤S140时,提取灰度化后的时频矩阵的统计特征值的具体过程,包括:
提取灰度化后的时频矩阵的平均值、方差、偏度、峰度、能量和熵;
其中,时频矩阵的平均值的表达式为:
时频矩阵的方差的表达式为:
时频矩阵的偏度的表达式为:
时频矩阵的峰度的表达式为:
时频矩阵的能量的表达式为:
时频矩阵的熵的表达式为:
式中,_D__代表时频矩阵的平均值,代表时频矩阵的方差,Ds代表时频矩阵的偏度,Dk代表时频矩阵的峰度,DE代表时频矩阵的能量,DH代表时频矩阵的熵,N(D)代表时频矩阵的幅值对应的灰度级中值为D的元素的个数,L=256。
本发明实施例中,选用时频矩阵图像的6个统计特征值:平均值、方差、偏度、峰度、能量和熵,组成6维特征向量,可以较为全面低反映有载分接开关时频矩阵图像在不同度量上的特征,同时具有计算方法简单、计算复杂度小的优点。
作为本发明优选的实施例,在执行完步骤S140之后,在执行步骤S150之前,该方法还包括:
利用预置第五公式对振动信号特征样本库内的特征向量进行标准化处理。
具体的,预置第五公式具体为:
式中,Z代表标准化处理后的振动信号特征样本库内的特征向量,X代表振动信号特征样本库内的特征向量,u代表振动信号特征样本库内的特征向量的均值,σ代表振动信号特征样本库内的特征向量的方差。
本发明实施例中,将振动信号特征样本库内的特征向量划分为训练集和测试集后,可以分别计算出训练集和测试集中的特征向量的均值和方差,并据此分别对训练集和测试集中的特征向量进行标准化处理。
作为本发明优选的实施例,预置的SVDD异常检测模型中惩罚因子为C=3,核函数的宽度为s=9,核函数采用高斯核函数,具体表达式为:
式中,S代表高斯核函数的带宽,x代表低维空间向量,x′代表高维空间向量。
下面通过具体的实施案例来说明本发明实施例提供的有载分接开关的机械状态异常检测方法的实际应用结果。
将加速度传感器安装于有载分接开关的顶盖上,采集有载分接开关在切换时的振动信号,采样频率fs=100kHz,采集到56组正常状态下的振动信号和6组异常状态下的振动信号。其中,正常状态下的一组振动信号如图2所示。
设置主振动波形时长Tmain=0.3s,帧移nstep=10,计算得到帧长:
nwindow=floor(Tmain*fs)=30000;
根据时长Tmain和帧移nstep对采集到的振动信号进行分帧,得到多帧振动波形signali,其中,通过计算可以得到帧数I=117001。
计算每帧振动波形的短时能量值,提取短时能量值最大的那帧振动波形作为主振动波形。其中,从图2的振动信号中提取出的主振动波形如图3所示。
对提取出的主振动波形进行S变换,得到时频矩阵。其中,频率数为m=1500,主振动波形的采样点个数为n=30000。
对时频矩阵进行灰度化,得到灰度化后的时频矩阵图像。其中,对图3的主振动波形进行S变换,并灰度化后的时频矩阵图像如图4所示。
表1
特征 | 平均值 | 方差 | 偏度 | 峰度 | 能量 | 熵 |
正常 | 7.8954 | 165.5054 | 5.0743 | 47.0605 | 0.1186 | 4.0836 |
异常 | 6.6064 | 126.7307 | 5.4940 | 55.6667 | 0.1549 | 3.7511 |
以56组正常振动信号对应的特征向量和6组异常振动信号对应的特征向量作为样本数据,建立振动信号特征样本库。并将振动信号特征样本库中的50组正常振动信号对应的特征向量作为训练集,6组正常振动信号对应的特征向量和6组异常振动信号对应的特征向量作为测试集。并分别对训练集和测试集中的特征向量进行标准化处理,标准化处理后的正常样本和异常样本的特征向量如表2所示。
表2
特征 | 平均值 | 方差 | 偏度 | 峰度 | 能量 | 熵 |
正常 | -0.8289 | -1.0889 | 0.7715 | 1.0477 | -0.4032 | -0.2556 |
异常 | -2.7950 | -2.0791 | 1.8268 | 2.2177 | 2.5279 | -3.0485 |
设置SVDD异常检测模型中惩罚因子为C=3,核函数的宽度为s=9,核函数选用高斯核函数。利用训练集中的特征向量作为训练样本对SVDD异常检测模型进行训练,然后用测试集中的特征向量作为测试样本对训练后的SVDD异常检测模型进行测试。
检测结果如图5所示,其中,测试集中的1~6号样本为正常样本,7~12号样本为异常样本。可以看出,正常样本到超球中心的距离均低于阈值,异常样本到超球中心的距离均高于阈值,检测准确率达100%。
本发明实施例另一方面提供一种有载分接开关的机械状态异常检测装置,下文描述的该装置可以与上文描述的方法相互对应参照。
请参阅图6,该装置包括:
采集模块610,用于利用加速度传感器采集有载分接开关在切换时的振动信号;
提取模块620,用于对振动信号进行分帧,并在分帧后的多帧振动波形中提取能量最大的振动波形,得到主振动波形;
变换模块630,用于对主振动波形进行S变换,得到主振动波形的时频矩阵,并对时频矩阵进行灰度化;
建立模块640,用于提取灰度化后的时频矩阵的统计特征值,并以统计特征值作为振动信号的特征向量建立振动信号特征样本库;
训练模块650,用于以振动信号特征样本库内的特征向量为训练样本,以有载分接开关的异常检测结果为样本标签,对预置的SVDD异常检测模型进行训练,得到训练好的SVDD异常检测模型;
输出模块660,用于将待检测的振动信号的特征向量输入训练好的SVDD异常检测模型,得到待检测的振动信号对应的异常检测结果。
以上可知,本发明实施例提供的有载分接开关的机械状态异常检测装置,通过S变换对有载分接开关在切换时的振动信号进行分析,既可以避免小波变换小波基函数难以选择的困难,又可以避免短时傅里叶变换窗口大小不能随频率变化的缺陷,而且选用时频图像的统计特征值作为振动信号的特征向量,能够较为全面地提取有载分接开关的振动信号在不同度量上的特征,从而清晰有效地反映有载分接开关的机械状态异常信息;同时,采用SVDD异常检测模型对待检测的振动信号进行异常检测,由于SVDD异常检测模型在进行训练时所需的样本数据可以仅包含正常样本,从而在获取的正常样本和异常样本不均衡的情况下仍然能够有效的检测出有载分接开关的机械状态异常信息,及时对存在机械状态异常的有载分接开关进行预警。
本发明实施例提供的一种有载分接开关的机械状态异常检测装置中相关部分的说明请参见本发明实施例提供的一种有载分接开关的机械状态异常检测方法中对应部分的详细说明,且均具有本发明实施例提供的一种有载分接开关的机械状态异常检测方法具有的对应效果,在此不再赘述。
上文中提到的有载分接开关的机械状态异常检测装置是从功能模块的角度描述,进一步的,本发明实施例又一方面提供一种有载分接开关的机械状态异常检测设备,是从硬件角度描述。
请参阅图7,该设备包括:
存储器710,用于存储计算机程序;
处理器720,用于执行计算机程序时实现如上述任意实施例提供的有载分接开关的机械状态异常检测方法的步骤。
其中,处理器720可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器720可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器720也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(CentralProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器720可以集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器720还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器710可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器710还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器710至少用于存储以下计算机程序,其中,该计算机程序被处理器加载并执行之后,能够实现前述任一实施例公开的有载分接开关的机械状态异常检测方法的相关步骤。另外,存储器710所存储的资源还可以包括操作系统和数据等,存储方式可以是短暂存储或者永久存储。其中,操作系统可以包括Windows、Unix、Linux等,数据可以包括但不限于测试结果对应的数据等。
可以理解的是,如果上述任意实施例提供的有载分接开关的机械状态异常检测方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
有鉴于此,本发明实施例又一方面提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述任意实施例提供的有载分接开关的机械状态异常检测方法的步骤。
本发明实施例提供的计算机可读存储介质的各功能模块的功能可根据上述任意方法实施例中的方法具体实现,其具体实现过程可以参照上述任意方法实施例的相关描述,此处不再赘述。
本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种有载分接开关的机械状态异常检测方法,其特征在于,包括:
利用加速度传感器采集有载分接开关在切换时的振动信号;
对所述振动信号进行分帧,并在分帧后的多帧振动波形中提取能量最大的振动波形,得到主振动波形;
对所述主振动波形进行S变换,得到所述主振动波形的时频矩阵,并对所述时频矩阵进行灰度化;
提取灰度化后的所述时频矩阵的统计特征值,并以所述统计特征值作为所述振动信号的特征向量建立振动信号特征样本库;
以所述振动信号特征样本库内的特征向量为训练样本,以所述有载分接开关的异常检测结果为样本标签,对预置的SVDD异常检测模型进行训练,得到训练好的SVDD异常检测模型;
将待检测的振动信号的特征向量输入所述训练好的SVDD异常检测模型,得到所述待检测的振动信号对应的异常检测结果。
2.根据权利要求1所述的有载分接开关的机械状态异常检测方法,其特征在于,所述加速度传感器安装于所述有载分接开关的顶盖、传动轴和变压器的侧壁上。
3.根据权利要求1所述的有载分接开关的机械状态异常检测方法,其特征在于,所述对所述振动信号进行分帧,并在分帧后的多帧振动波形中提取能量最大的振动波形,得到主振动波形,包括:
设置主振动波形的时长和帧移;
根据所述时长,利用预置第一公式计算得到帧长;
根据所述帧长和所述帧移,对所述振动信号进行分帧,得到分帧后的多帧振动波形;
利用预置第二公式计算每帧振动波形的短时能量值;
提取短时能量值最大的振动波形,得到主振动波形;
其中,所述预置第一公式具体为:
nwindow=floor(Tmain*fs);
式中,nwindow代表帧长,floor代表向下取整函数,Tmain代表时长,fs代表振动信号的采样频率;
所述预置第二公式具体为:
6.根据权利要求5所述的有载分接开关的机械状态异常检测方法,其特征在于,所述提取灰度化后的所述时频矩阵的统计特征值,包括:
提取灰度化后的所述时频矩阵的平均值、方差、偏度、峰度、能量和熵;
其中,所述时频矩阵的平均值的表达式为:
所述时频矩阵的方差的表达式为:
所述时频矩阵的偏度的表达式为:
所述时频矩阵的峰度的表达式为:
所述时频矩阵的能量的表达式为:
所述时频矩阵的熵的表达式为:
9.一种有载分接开关的机械状态异常检测装置,其特征在于,包括:
采集模块,用于利用加速度传感器采集有载分接开关在切换时的振动信号;
提取模块,用于对所述振动信号进行分帧,并在分帧后的多帧振动波形中提取能量最大的振动波形,得到主振动波形;
变换模块,用于对所述主振动波形进行S变换,得到所述主振动波形的时频矩阵,并对所述时频矩阵进行灰度化;
建立模块,用于提取灰度化后的所述时频矩阵的统计特征值,并以所述统计特征值作为所述振动信号的特征向量建立振动信号特征样本库;
训练模块,用于以所述振动信号特征样本库内的特征向量为训练样本,以所述有载分接开关的异常检测结果为样本标签,对预置的SVDD异常检测模型进行训练,得到训练好的SVDD异常检测模型;
输出模块,用于将待检测的振动信号的特征向量输入所述训练好的SVDD异常检测模型,得到所述待检测的振动信号对应的异常检测结果。
10.一种有载分接开关的机械状态异常检测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至8任意一项所述的有载分接开关的机械状态异常检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110896824.1A CN113642439B (zh) | 2021-08-05 | 2021-08-05 | 一种有载分接开关的机械状态异常检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110896824.1A CN113642439B (zh) | 2021-08-05 | 2021-08-05 | 一种有载分接开关的机械状态异常检测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642439A true CN113642439A (zh) | 2021-11-12 |
CN113642439B CN113642439B (zh) | 2023-04-18 |
Family
ID=78419678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110896824.1A Active CN113642439B (zh) | 2021-08-05 | 2021-08-05 | 一种有载分接开关的机械状态异常检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642439B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114838923A (zh) * | 2022-04-08 | 2022-08-02 | 华中科技大学 | 有载分接开关的故障诊断模型建立方法及故障诊断方法 |
CN115436044A (zh) * | 2022-09-02 | 2022-12-06 | 湖南五凌电力科技有限公司 | 一种有载分接开关机械故障诊断方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991773A (zh) * | 2017-05-16 | 2017-07-28 | 华中科技大学 | 一种基于s变换特征提取的安防系统振动信号识别方法 |
CN107907320A (zh) * | 2017-12-01 | 2018-04-13 | 国网重庆市电力公司电力科学研究院 | 变压器有载分接开关的机械状态特征的诊断方法及装置 |
CN111160167A (zh) * | 2019-12-18 | 2020-05-15 | 北京信息科技大学 | 基于s变换深度卷积神经网络的主轴故障分类识别方法 |
CN112633098A (zh) * | 2020-12-14 | 2021-04-09 | 华中科技大学 | 一种旋转机械故障诊断方法、系统及存储介质 |
-
2021
- 2021-08-05 CN CN202110896824.1A patent/CN113642439B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991773A (zh) * | 2017-05-16 | 2017-07-28 | 华中科技大学 | 一种基于s变换特征提取的安防系统振动信号识别方法 |
CN107907320A (zh) * | 2017-12-01 | 2018-04-13 | 国网重庆市电力公司电力科学研究院 | 变压器有载分接开关的机械状态特征的诊断方法及装置 |
CN111160167A (zh) * | 2019-12-18 | 2020-05-15 | 北京信息科技大学 | 基于s变换深度卷积神经网络的主轴故障分类识别方法 |
CN112633098A (zh) * | 2020-12-14 | 2021-04-09 | 华中科技大学 | 一种旋转机械故障诊断方法、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
陆云才等: "换流变有载分接开关振动信号检测技术研究", 《高压电器》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114838923A (zh) * | 2022-04-08 | 2022-08-02 | 华中科技大学 | 有载分接开关的故障诊断模型建立方法及故障诊断方法 |
CN115436044A (zh) * | 2022-09-02 | 2022-12-06 | 湖南五凌电力科技有限公司 | 一种有载分接开关机械故障诊断方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113642439B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Weak fault feature extraction of rolling bearings using local mean decomposition-based multilayer hybrid denoising | |
Pan et al. | LiftingNet: A novel deep learning network with layerwise feature learning from noisy mechanical data for fault classification | |
CN113642439B (zh) | 一种有载分接开关的机械状态异常检测方法、装置及设备 | |
CN110346142B (zh) | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 | |
CN111103139A (zh) | 基于grcmse与流形学习的滚动轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111504675B (zh) | 一种气体绝缘组合电器机械故障在线诊断方法 | |
Du et al. | Compressed-sensing-based periodic impulsive feature detection for wind turbine systems | |
CN110060368A (zh) | 基于潜在特征编码的机械异常检测方法 | |
CN111665050B (zh) | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 | |
CN112329914A (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
CN113391207A (zh) | 一种电机故障的检测方法、介质及系统 | |
CN113884844A (zh) | 一种变压器局部放电类型识别方法及系统 | |
CN114237046A (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
Mengyuan et al. | Research of circuit breaker intelligent fault diagnosis method based on double clustering | |
CN113919389A (zh) | 一种基于声纹成像的gis故障诊断方法及系统 | |
Sun et al. | A sparse approach to fault severity classification for gearbox monitoring | |
CN117056678A (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
CN116399592A (zh) | 一种基于通道注意力双路径特征提取的轴承故障诊断方法 | |
CN111666912A (zh) | 计及电气特征量与图形特征的局部放电融合特征提取方法 | |
CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
CN115272229A (zh) | 一种类别不平衡条件下的异常视觉图像检测方法及装置 | |
Qifeng et al. | Application of wavelet de-noising method in vibration signal analysis of elevator car | |
He et al. | BP-AdaBoost algorithm based on variational mode decomposition optimized by envelope entropy for diagnosing the working conditions of a slideway seedling-picking mechanism |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |