CN113689308A - 基于动态模糊网络和多源信息融合的供电系统级故障诊断 - Google Patents
基于动态模糊网络和多源信息融合的供电系统级故障诊断 Download PDFInfo
- Publication number
- CN113689308A CN113689308A CN202110894401.6A CN202110894401A CN113689308A CN 113689308 A CN113689308 A CN 113689308A CN 202110894401 A CN202110894401 A CN 202110894401A CN 113689308 A CN113689308 A CN 113689308A
- Authority
- CN
- China
- Prior art keywords
- power supply
- supply system
- graph
- signal
- information
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 42
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 241001235534 Graphis <ascomycete fungus> Species 0.000 claims description 8
- 230000009131 signaling function Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000004383 yellowing Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 238000004804 winding Methods 0.000 description 16
- 230000016507 interphase Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于动态模糊网络和多源信息融合的供电系统级故障诊断方法,所述方法包括,收集飞机供电系统监测参数;高频信号多维特征提取;构建供电系统级部件关联网络;Frechet算法进行多维信息融合;知识信息融合,图模型结构约简;历史参数构建动态模糊网络库;实时监测参数数据进行图匹配与搜索与故障诊断。本发明将供电系统监测参数中的频域、时域以及趋势信息等多维度信息以及知识信息的多源信息进行融合,对供电系统各部件关联关系进行深度挖掘,依靠动态模糊网络对供电系统多源信息进行存储与融合,并基于图理论方法实现供电系统复杂故障诊断,本方法具有可解释性强,诊断效率高、可扩展性强的优点。
Description
技术领域
本发明涉及飞机供电系统故障诊断技术领域,特别涉及一种基于动态模糊网络和多源信息融合的供电系统级故障诊断方法。
背景技术
飞机供电系统是飞机电能的生产、变换和输配等装置组成的一个完整系统,其作用是向飞机上的所有用电设备提供满足规定技术性能的电能,保证用电设备的正常工作。随着多电飞机的普及,飞机供电系统的重要性也逐渐凸显,故障检测与诊断技术也逐步运用于飞机供电系统中,但是由于多电飞机供电系统故障数据稀缺,故障经验知识不确定等问题同时由于供电系统结构复杂,结构耦合性强,多参数、多部件等特征,其他领域的故障检测、故障传播方法难以直接应用于飞机供电系统中,而目前针对飞机供电系统的故障诊断技术的研究较少。故此,针对供电系统的典型特征以及现有故障诊断方法的局限性,提出一种基于动态模糊网络和多源信息融合的供电系统级故障诊断方法,融合供电系统中的知识信息、频域时域信息等多源信息,并针对供电系统中部件众多复杂度高的特点,构建动态模糊网络,实现供电系统级的故障诊断。
发明内容
本发明的目的在于提供一种基于动态模糊网络和多源信息融合的供电系统级故障诊断方法,实现飞机供电系统级故障诊断。
本发明所采用的技术方案是,基于动态模糊网络和多源信息融合的供电系统级故障诊断方法,具体包括:
利用传感器收集到飞机供电系统各设备各项运行监测参数;
整理后的各传感器参数数据进行高频信号处理,分解出原始信号中存在的时域信息、频域信息、趋势信息等多维信息;
构建供电系统级部件关联网络,以各部件为节点,以各部件之间关联关系为边,各边初始状态设为1;
依据多维信息,利用Frechet算法进行多维信息融合,计算各部件之间关联关系,并进行模糊图网络的动态更新,构建动态模糊网络;
结合供电系统结构信息,通过图理论融合知识信息,进行图结构约简;
基于故障数据进行不同故障模式下供电系统级动态模糊网络构建;
通过实时监测参数数据可以构建供电系统级实时动态模糊网络,通过图模型匹配算法,找到实测供电系统动态模糊网络最匹配的故障模式,实现对供电系统级的故障诊断。
优选的,所述高频信号处理方法是希尔伯特黄变换算法以及有效值计算方法。
优选的,所述希尔伯特黄变换算法是处理非平稳非线性信号的一种高频信号分析方法,主要有两部分组成,第一部分为经验模态分解,第二部分为希尔伯特变换。
(1)首先要将信号x(t)的所有极大值点链接成上包络xup(t);,并将所有极小值点xlow(t)链接成下包络并且应该将所选信号所得到的信号函数包括在其中
(2)通过上下包络,以每一个时间单位为基础,计算每一个对应的上下包络的均值,然后将所选的信号减去该均值函数即可得到差值函数d(t),公式具体如下
重复进行上述操作,一直到差值函数d(t)满足两个条件:数据的极值点数目与过零点数相差为零或最多相差一个;在任意数据点位置,由局部极大值组成的上包络以及由局部极小值点组成的下包络的均值为0。
(3)记d(t)为,c1(t)认为是通过所选信号函数得到的第一个IMF,然后计算所对应的残差量,记为r1(t),计算残差量的公式具体如下:
r1(t)=x(t)-c1(t)
(4)将r1(t)作为下一个所选的起始信号,记为x(t),重新根据上述算法进行计算,通过上述步骤,可以计算出对于该信号所自适应得到的IMF分量,当满足残差量小于阈值时,算法停止运行。经过经验模态分解,可以将x(t)转化为以下分量:
其中,N表示IMF的数量,rN(t)是最后的残差量,cj(t)即是求得的IMF,IMF之间相互正交并且都具有均值为零的性质。
(5)得到信号IMF分量后,根据所提供的信号分量cj(t)进行希尔伯特变换,表达式如下:
其中,yj(t)是时序信号cj(t)的希尔伯特黄变换结果,P是柯西主值。
(6)将cj(t)作为实部,将yj(t)作为虚部,所得到的表达式即为相对应的表达式,z(t)如下所示:
zj(t)=ct(t)+iyj(t)=a(t)eiθ(t)
其中,a(t)和θt分别是解析信号的瞬时幅值和瞬时相位,他们是直角坐标系下的cj(t),yj(t)在极坐标系的表达方式,这两者的表达方式如下:
(7)将瞬时相位进行处理,可以得到其导数的值,即对应的瞬时频率:
(8)为了节省计算空间,本方法中选取计算出的a1(t)ω1(t)作为希尔伯特黄计算得到的瞬时幅值与瞬时频率特征
优选的,所述有效值计算方法为:
由于供电系统中同时存在直流电源信号与交流电源信号,不同时间的瞬时电压不同,存在Um(峰值),为了便于对交变电流进行测量,计算等,就必须从交流电产生的效果上来规定交变电压,交变电流大小的量,即有效值,设一段电信号X为x1,x2,…,xN,则这一段电信号的有效值xrms为:
优选的,所述图构建方法为无向有权图,无向有权图指的是图模型中的边是无向的和有权的。所谓无向的是指任意点对(i,j)与(j,i)对应同一条边,顶点i和顶点j也称为无向边(i,j)的两个端点。无向有权图G的邻接矩阵
A=(aij)n×n
其中i,j∈(0,N),表示供电系统各部件,aij表示部件i与部件j之间的关联关系,据此可以构建出供电系统关联图模型,初始状态设aij=1。
优选的,所述Frechet算法是一种计算曲线之间距离,从而评价曲线之间相似性的距离测度,对于给定部件P、Q,设其参数为 P={u1,u2,...,up}与Q={v1,v2,...,vq},得出P和Q之间的单调配对L,其为一系列对应点其中a1=1,b1=1,am=p,bm=q。对于i=1,2,...,m,当且仅当满足下面三个条件中的一个:
则计算得
由此可以计算各部件之间的关联关系,即aPQ=dF(P,Q),据此可以构建供电系统动态模糊网络A=(aij)n×n,其中i,j∈(0,N),表示供电系统各部件,aij表示部件i与部件j之间的关联关系,计算方法为Frechet算法。
优选的,所述图约简方法为:依据供电系统结构知识,构建供电系统级部件关联矩阵B=(bij)n×n,其中i,j∈(0,N),表示供电系统各部件,bij=1表示部件i与部件j之间存在关联关系,bij=0表示部件之间不存在关联关系。将构建好的动态模糊网络A=(aij)n×n与关联矩阵B=(bij)n×n进行比较,若bij=0,则认为aij=0,若bij≠0,则认为aij=aij,通过知识融合的图约简算法能够基于供电系统知识将动态模糊网络中不具有诊断意义的边剔除,简化网络结构,从而实现对图模型的约简。
基于F-范数可以进行两个矩阵相似度的度量,设两个图的邻接矩阵为A=[aij]m×n,B=[bij]m×n,其图相似度计算公式为:
C=A-B
通过基于动态模糊网络和多源信息融合的供电系统级故障诊断方法,可以结合供电系统中数据信息以及知识信息等多源信息,构建供电系统各部件的动态模糊网络,挖掘供电系统各部件之间的深层关联关系,并依据动态模糊网络实现飞机供电系统级的准确故障诊断,为维修决策等提供支持。
本发明的有益效果在于:
本发明基于供电系统数据及结构分析,进行多源信息融合,可以将供电系统监测参数中的频域、时域以及趋势信息等多维度信息以及数据信息和知识信息的多源信息进行融合,以各部件关联关系为边,建立起针对供电系统故障诊断的动态模糊网络,从关联关系维度对供电系统各部件关联关系进行深度挖掘与分析,从而依靠动态模糊网络对供电系统多源信息进行存储与融合,实现对供电系统不同工作状态的描述。基于动态模糊网络与多源信息融合的供电系统级故障诊断算法提出了一种融合数据信息以及知识信息的供电系统级故障诊断方法,能够实现快速高效的供电系统级故障诊断,提高诊断模型的精度以及效率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明实施例中基于动态模糊网络和多源信息融合的供电系统级故障诊断的流程图;
图2是本发明实施例中1号发电机设备各参数原始数据;
图3是经希尔伯特黄变换后的励磁机输出电压信号的瞬时频率特征;
图4是经希尔伯特黄变换后的励磁机输出电压信号的瞬时幅值特征;
图5是励磁机输出电压信号的特征提取计算结果,第一行为瞬时频率、第二行为瞬时幅值、第三行为有效值;
图6是以灰度热力图的方式表示基于Frechet算法得到的供电系统动态模糊网络模型的邻接矩阵,灰度代表不同部件之间的关联关系,图中展示了正常、主发电机电枢绕组相间短路、励磁机励磁绕组单相开路三种故障模式下的供电系统动态模糊网络;
图7是图模型约简后的正常、主发电机电枢绕组相间短路、励磁机励磁绕组单相开路三种故障模式下的供电系统动态模糊网络的邻接矩阵热力图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不限定于本发明
图1为本发明实施例中基于动态模糊网络和多源信息融合的供电系统级故障诊断的流程图,如图1所示,该方法包括如下步骤:
步骤S101:利用传感器收集到飞机供电系统各设备各项运行监测参数;
步骤S102:整理后的各传感器参数数据进行高频信号处理,分解出原始信号中存在的时域信息、频域信息、趋势信息等多维信息;
高频信号处理方法为希尔伯特黄变换算法以及有效值计算方法;所述希尔伯特黄变换算法是处理非平稳非线性信号的一种高频信号分析方法,主要有两部分组成,第一部分为经验模态分解,第二部分为希尔伯特变换。
(1)首先要将信号x(t)的所有极大值点链接成上包络xup(t);,并将所有极小值点xlow(t)链接成下包络并且应该将所选信号所得到的信号函数包括在其中
(2)其次通过上下包络,可以得到一个范围,进而以每一个时间单位为基础,得到每一个对应的上下包络的均值,然后将所选的信号减去该均值函数即可得到差值函数d(t),公式具体如下
重复进行上述操作,一直到差值函数d(t)满足两个条件:数据的极值点数目与过零点数相差为零或最多相差一个;在任意数据点位置,由局部极大值组成的上包络以及由局部极小值点组成的下包络的均值为0。
(3)此时记d(t)为,c1(t)认为是通过所选信号函数得到的第一个 IMF,然后计算所对应的残差量,记为r1(t),计算残差量的公式具体如下:
r1(t)=x(t)-c1(t)
(4)然后将r1(t)作为下一个所选的起始信号,记为x(t),重新根据上述算法进行计算,通过上述步骤,可以计算出对于该信号所自适应得到的IMF分量,当满足残差量小于阈值时,算法停止运行。经过经验模态分解,可以将x(t)转化为以下分量:
其中,N表示IMF的数量,rN(t)是最后的残差量,cj(t)即是求得的IMF,IMF之间相互正交并且都具有均值为零的性质。
(5)得到信号IMF分量后,根据所提供的信号分量cj(t)进行希尔伯特变换,表达式如下:
其中,yj(t)是时序信号cj(t)的希尔伯特黄变换结果,P是柯西主值。
(6)将cj(t)作为实部,将yj(t)作为虚部,所得到的表达式即为相对应的表达式,z(t)如下所示:
zj(t)=ct(t)+iyj(t)=a(t)eiθ(t)
其中,a(t)和θt分别是解析信号的瞬时幅值和瞬时相位,他们是直角坐标系下的cj(t),yj(t)在极坐标系的表达方式,这两者的表达方式如下:
(7)将瞬时相位进行处理,可以得到其导数的值,即对应的瞬时频率:
(8)为了节省计算空间,本方法中选取计算出的a1(t)ω1(t)作为希尔伯特黄计算得到的瞬时幅值与瞬时频率特征
所述有效值计算方法如下:
由于供电系统中同时存在直流电源信号与交流电源信号,不同时间的瞬时电压不同,存在Um(峰值),为了便于对交变电流进行测量,计算等,就必须从交流电产生的效果上来规定交变电压,交变电流大小的量,即有效值,设一段电信号X为x1,x2,…,xN,则这一段电信号的有效值xrms为:
步骤S103:构建供电系统级部件关联网络,以各部件为节点,以各部件之间关联关系为边,各边初始状态设为1;
网络构建方式为无向有权图,无向有权图指的是图模型中的边是无向的和有权的。所谓无向的是指任意点对(i,j)与(j,i)对应同一条边,顶点i和顶点j也称为无向边(i,j)的两个端点。无向有权图G的邻接矩阵
A=(aij)n×n
其中i,j∈(0,N),表示供电系统各部件,aij表示部件i与部件j之间的关联关系,据此可以构建出供电系统关联图模型,初始状态设aij=1
步骤S104:依据多维信息,利用Frechet算法进行多维信息融合,计算各部件之间关联关系,并进行模糊图网络的动态更新,构建动态模糊网络;
Frechet算法是一种计算曲线之间距离,从而评价曲线之间相似性的距离测度,对于给曲线P={u1,u2,...,up}与Q={v1,v2,...,vq},得出P 和Q之间的单调配对L,其为一系列对应点
则计算得
由此可以计算各部件之间的关联关系,即aPQ=dF(P,Q)
步骤S105:结合供电系统结构信息,通过图理论融合知识信息,进行图模型结构约简;
所述图约简方法为:依据供电系统结构知识,构建供电系统级部件关联矩阵B=(bij)n×n,其中i,j∈(0,N),表示供电系统各部件,bij=1表示部件i与部件j之间存在关联关系,bij=0表示部件之间不存在关联关系。将构建好的动态模糊网络A=(aij)n×n与关联矩阵B=(bij)n×n进行比较,若bij=0,则认为aij=0,若bij≠0,则认为aij=aij,通过知识融合的图约简算法能够基于供电系统知识将动态模糊网络中不具有诊断意义的边剔除,简化网络结构,从而实现对图模型的约简。
步骤S106:基于故障数据进行不同故障模式下供电系统级动态模糊网络构建;
步骤S107:通过实时监测参数数据可以构建供电系统级实时动态模糊网络,通过图模型匹配算法,在动态模糊网络库中进行图匹配搜索,匹配度最高的故障模式即认为是当前状态对应的故障模式,实现对供电系统级的故障诊断。
基于F-范数可以进行两个矩阵相似度的度量,设两个图的邻接矩阵为A=[aij]m×n,B=[bij]m×n,其图相似度计算公式为:
C=A-B
通过基于动态模糊网络和多源信息融合的供电系统级故障诊断方法,可以结合供电系统中数据信息以及知识信息等多源信息,构建供电系统各部件的动态模糊网络,挖掘供电系统各部件之间的深层关联关系,并依据不同状态下的动态模糊网络构建动态模糊网络库,基于图匹配算法进行图搜索匹配,实现飞机供电系统级的准确故障诊断,为维修决策等提供支持。
下面利用具体的案例对本专利进行阐述:
本发明的另一个实施例为采用某型飞机供电系统仿真模型数据。该数据由Simulink仿真获得。模型中飞机供电系统利用四台三相交流发电机供电,四路电机分别连接一路交流负载(以三相电阻替代),四路交流不并联。每一路分别连接270V变压器与28V变压器各一台,同时,1、2路通道直流电源汇流,3、4路通道直流电源汇流,直流电源分别接入两个液压泵负载(高压负载、并联工作),两个电阻(低压负载,并联工作)。仿真模型采样频率为20000,采样时间为 3s。
本研究利用该数据集中不同故障模式下的仿真数据,包括正常、主发电机电枢绕组相间短路、主发电机电枢绕组单相开路、励磁机励磁绕组单相开路、励磁机电枢绕组单相开路、励磁机电枢绕组相间短路、旋转整流器单个二极管开路、28V变压整流器阻抗退化、270V变压整流器滤波器电感开路等9种状态。在该数据集中,为了模拟真实使用环境,加入信噪比为5的噪声,生成50组样本。本发明使用前 30个样本进行模型的训练,认为是历史监测数据,用后20个样本进行模型的验证以及模型精度的评估,认为是监测数据。
步骤一:利用传感器收集到飞机供电系统各设备各项运行监测参数;
该仿真数据可认为是飞机供电系统传感器收集到的各项运行监测参数,该数据集中,发动机的监测参数有144种,其中1通道发电机各项参数原始数据图如图2所示。
步骤二:整理后的各传感器参数数据进行高频信号处理,分解出原始信号中存在的时域信息、频域信息、趋势信息等多维信息;
高频信号处理方法为希尔伯特黄变换算法以及有效值计算方法;
所述希尔伯特黄变换算法是处理非平稳非线性信号的一种高频信号分析方法,主要有两部分组成,第一部分为经验模态分解,第二部分为希尔伯特变换。
(1)首先要将信号x(t)的所有极大值点链接成上包络xup(t);,并将所有极小值点xlow(t)链接成下包络并且应该将所选信号所得到的信号函数包括在其中
(2)其次通过上下包络,可以得到一个范围,进而以每一个时间单位为基础,得到每一个对应的上下包络的均值,然后将所选的信号减去该均值函数即可得到差值函数d(t),公式具体如下
重复进行上述操作,一直到差值函数d(t)满足两个条件:数据的极值点数目与过零点数相差为零或最多相差一个;在任意数据点位置,由局部极大值组成的上包络以及由局部极小值点组成的下包络的均值为0。
(3)此时记d(t)为,c1(t)认为是通过所选信号函数得到的第一个 IMF,然后计算所对应的残差量,记为r1(t),计算残差量的公式具体如下:
r1(t)=x(t)-c1(t)
(4)然后将r1(t)作为下一个所选的起始信号,记为x(t),重新根据上述算法进行计算,通过上述步骤,可以计算出对于该信号所自适应得到的IMF分量,当满足残差量小于阈值时,算法停止运行。经过经验模态分解,可以将x(t)转化为以下分量:
其中,N表示IMF的数量,rN(t)是最后的残差量,cj(t)即是求得的IMF,IMF之间相互正交并且都具有均值为零的性质。
(5)得到信号IMF分量后,根据所提供的信号分量cj(t)进行希尔伯特变换,表达式如下:
其中,yj(t)是时序信号cj(t)的希尔伯特黄变换结果,P是柯西主值。
(6)将cj(t)作为实部,将yj(t)作为虚部,所得到的表达式即为相对应的表达式,z(t)如下所示:
zj(t)=ct(t)+iyj(t)=a(t)eiθ(t)
其中,a(t)和θt分别是解析信号的瞬时幅值和瞬时相位,他们是直角坐标系下的cj(t),yj(t)在极坐标系的表达方式,这两者的表达方式如下:
(7)将瞬时相位进行处理,可以得到其导数的值,即对应的瞬时频率:
(8)为了节省计算空间,本方法中选取计算出的a1(t)ω1(t)作为希尔伯特黄计算得到的瞬时幅值与瞬时频率特征。
图3、图4为经希尔伯特黄变换后的励磁机输出电压信号的瞬时频率与瞬时幅值结果,选取第一维分量作为瞬时幅值与瞬时频率特征。
所述有效值计算方法如下:
由于供电系统中同时存在直流电源信号与交流电源信号,不同时间的瞬时电压不同,存在Um(峰值),为了便于对交变电流进行测量,计算等,就必须从交流电产生的效果上来规定交变电压,交变电流大小的量,即有效值,设一段电信号X为x1,x2,…,xN,则这一段电信号的有效值xrms为:
图5为励磁机输出电压信号的特征提取计算结果,第一行为瞬时频率、第二行为瞬时幅值、第三行为有效值。
步骤三:构建供电系统级部件关联网络,以各部件为节点,以各部件之间关联关系为边,各边初始状态设为1;
网络构建方式为无向有权图,无向有权图指的是图模型中的边是无向的和有权的。所谓无向的是指任意点对(i,j)与(j,i)对应同一条边,顶点i和顶点j也称为无向边(i,j)的两个端点。无向有权图G的邻接矩阵
A=(aij)n×n
其中i,j∈(0,N),表示供电系统各部件,aij表示部件i与部件j之间的关联关系,据此可以构建出供电系统关联图模型,初始状态设aij=0
步骤四:依据多维信息,利用Frechet算法进行多维信息融合,计算各部件之间关联关系,并进行模糊图网络的动态更新,构建动态模糊网络;
Frechet算法为一种计算曲线之间距离,从而评价曲线之间相似性的距离测度,对于给定部件P、Q,设其参数为P={u1,u2,...,up}与 Q={v1,v2,...,vq},得出P和Q之间的单调配对L,其为一系列对应点
则计算得
由此可以计算各部件之间的关联关系,即aPQ=dF(P,Q),据此可以构建供电系统动态模糊网络A=(aij)n×n,其中i,j∈(0,N),表示供电系统各部件,aij表示部件i与部件j之间的关联关系,计算方法为Frechet算法。
图6中以灰度热力图的方式表示基于Frechet算法得到的供电系统动态模糊网络模型的邻接矩阵,灰度代表不同部件之间的关联关系,图中展示了正常、主发电机电枢绕组相间短路、励磁机励磁绕组单相开路三种故障模式下的供电系统动态模糊网络。
步骤五:结合供电系统结构信息,通过图理论融合知识信息,进行图模型结构约简;
所述图约简方法为:依据供电系统结构知识,构建供电系统级部件关联矩阵B=(bij)n×n,其中i,j∈(0,N),表示供电系统各部件,bij=1表示部件i与部件j之间存在关联关系,bij=0表示部件之间不存在关联关系。将构建好的动态模糊网络A=(aij)n×n与关联矩阵B=(bij)n×n进行比较,若bij=0,则认为aij=0,若bij≠0,则认为aij=aij,通过知识融合的图约简算法能够基于供电系统知识将动态模糊网络中不具有诊断意义的边剔除,简化网络结构,从而实现对图模型的约简。
步骤六:基于故障数据进行不同故障模式下供电系统级动态模糊网络构建;
基于正常、主发电机电枢绕组相间短路、主发电机电枢绕组单相开路、励磁机励磁绕组单相开路、励磁机电枢绕组单相开路、励磁机电枢绕组相间短路、旋转整流器单个二极管开路、28V变压整流器阻抗退化、270V变压整流器滤波器电感开路等9种状态下的监测参数数据构建供电系统动态模糊网络,从而构建出动态模糊网络库,图7 表示约简后的正常、主发电机电枢绕组相间短路、励磁机励磁绕组单相开路三种故障模式下的供电系统动态模糊网络,可以看到矩阵中的大部分边的关系被约简,大大节约了计算资源。
步骤七:通过实时监测参数数据可以构建供电系统级实时动态模糊网络,通过图模型匹配算法,在动态模糊网络库中进行图匹配搜索,匹配度最高的故障模式即认为是当前状态对应的故障模式,实现对供电系统级的故障诊断。
基于F-范数可以进行两个矩阵相似度的度量,设两个图的邻接矩阵为A=[aij]m×n,B=[bij]m×n,其图相似度计算公式为:
C=A-B
在本案例中使用前30个样本进行网络模型的构建,认为是历史监测数据,用后20个样本进行模型的验证以及模型精度的评估,认为是监测数据,经验证,算法诊断准确率为98.3%,具有很高的诊断精度,与此同时,当出现动态模糊网络中没有的故障模式时,可以将新故障模式下建立起的动态模糊网路存储至模型库中,实现模型的扩展。
综上所述,本发明提出了一种基于动态模糊网络和多源信息融合的供电系统级故障诊断方法,基于供电系统数据及结构分析,进行多源信息融合,可以将供电系统监测参数中的频域、时域以及趋势信息等多维度信息以及数据信息和知识信息的多源信息进行融合,以各部件关联关系为边,建立起针对供电系统故障诊断的动态模糊网络,从关联关系维度对供电系统各部件关联关系进行深度挖掘与分析,依靠动态模糊网络对供电系统多源信息进行存储与融合,实现对供电系统不同工作状态的描述。基于实时监测数据,通过特征提取,网络模型构建,可以构建出供电系统工作状态下的动态模糊网络库,基于图匹配算法可以在动态模糊网络库中进行图匹配搜索,匹配度最高的故障模式即认为是当前状态对应的故障模式,实现对供电系统级的故障诊断。基于动态模糊网络与多源信息融合的供电系统级故障诊断算法提出了一种融合数据信息以及知识信息的供电系统级故障诊断方法,能够实现快速高效的供电系统级故障诊断,提高诊断模型的精度以及效率。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (8)
1.基于动态模糊网络和多源信息融合的供电系统级故障诊断,其特征在于:
传感器收集到飞机供电系统各设备各项运行监测参数;传感器参数数据进行高频信号处理,分解出原始信号中存在的时域信息、频域信息、趋势信息等多维信息;构建供电系统级部件关联网络,以各部件为节点,以各部件之间关联关系为边,各边初始状态设为1;依据多维信息,利用Frechet算法进行多维信息融合,计算各部件之间关联关系,并进行模糊图网络的动态更新,构建动态模糊网络;结合供电系统结构信息,通过图理论融合知识信息,进行结构约简;基于故障数据进行不同故障模式下供电系统级动态模糊网络构建;通过实时监测参数数据可以构建供电系统级实时动态模糊网络,通过图模型匹配算法,找到实测供电系统动态模糊网络最匹配的故障模式,实现对供电系统级的故障诊断。
2.根据权利要求1所述的方法,高频信号处理方法是希尔伯特黄变换算法以及有效值计算方法。
所述希尔伯特黄变换算法是处理非平稳非线性信号的一种高频信号分析方法,主要有两部分组成,第一部分为经验模态分解,第二部分为希尔伯特变换。
3.根据权利要求2所述的方法,所述希尔伯特黄变换算法是处理非平稳非线性信号的一种高频信号分析方法,主要有两部分组成,第一部分为经验模态分解,第二部分为希尔伯特变换。
(1)首先要将信号x(t)的所有极大值点链接成上包络xup(t);,并将所有极小值点xlow(t)链接成下包络并且应该将所选信号所得到的信号函数包括在其中
(2)通过上下包络,以每一个时间单位为基础,计算每一个对应的上下包络的均值,然后将所选的信号减去该均值函数即可得到差值函数d(t),公式具体如下
重复进行上述操作,一直到差值函数d(t)满足两个条件:数据的极值点数目与过零点数相差为零或最多相差一个;在任意数据点位置,由局部极大值组成的上包络以及由局部极小值点组成的下包络的均值为0。
(3)记d(t)为,c1(t)认为是通过所选信号函数得到的第一个IMF,然后计算所对应的残差量,记为r1(t),计算残差量的公式具体如下:
r1(t)=x(t)-c1(t)
(4)将r1(t)作为下一个所选的起始信号,记为x(t),重新根据上述算法进行计算,通过上述步骤,可以计算出对于该信号所自适应得到的IMF分量,当满足残差量小于阈值时,算法停止运行。经过经验模态分解,可以将x(t)转化为以下分量:
其中,N表示IMF的数量,rN(t)是最后的残差量,cj(t)即是求得的IMF,IMF之间相互正交并且都具有均值为零的性质。
(5)得到信号IMF分量后,根据所提供的信号分量cj(t)进行希尔伯特变换,表达式如下:
其中,yj(t)是时序信号cj(t)的希尔伯特黄变换结果,P是柯西主值。
(6)将cj(t)作为实部,将yj(t)作为虚部,所得到的表达式即为相对应的表达式,z(t)如下所示:
zj(t)=ct(t)+iyj(t)=a(t)eiθ(t)
其中,a(t)和θt分别是解析信号的瞬时幅值和瞬时相位,他们是直角坐标系下的cj(t),yj(t)在极坐标系的表达方式,这两者的表达方式如下:
(7)将瞬时相位进行处理,可以得到其导数的值,即对应的瞬时频率:
(8)为了节省计算空间,本方法中选取计算出的a1(t)ω1(t)作为希尔伯特黄计算得到的瞬时幅值与瞬时频率特征。
6.根据权利要求1所述的方法,利用Frechet算法进行多维信息融合,Frechet算法是一种计算曲线之间距离,从而评价曲线之间相似性的距离测度,对于给定部件P、Q,设其参数为P={u1,u2,...,up}与Q={v1,v2,...,vq},得出P和Q之间的单调配对L,其为一系列对应点其中a1=1,b1=1,am=p,bm=q。对于i=1,2,...,m,当且仅当满足下面三个条件中的一个:
则计算得
8.根据权利要求1所述的方法,通过图模型匹配算法,找到实测供电系统动态模糊网络最匹配的故障模式,图匹配算法是基于Frobenius范数(F-范数)的图匹配算法。设是一个关联图的邻接矩阵则称是这个矩阵的F-范数。
C=A-B
通过基于动态模糊网络和多源信息融合的供电系统级故障诊断方法,可以结合供电系统中数据信息以及知识信息等多源信息,构建供电系统各部件的动态模糊网络,挖掘供电系统各部件之间的深层关联关系,并依据动态模糊网络实现飞机供电系统级的准确故障诊断,为维修决策等提供支持。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110894401.6A CN113689308A (zh) | 2021-08-05 | 2021-08-05 | 基于动态模糊网络和多源信息融合的供电系统级故障诊断 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110894401.6A CN113689308A (zh) | 2021-08-05 | 2021-08-05 | 基于动态模糊网络和多源信息融合的供电系统级故障诊断 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113689308A true CN113689308A (zh) | 2021-11-23 |
Family
ID=78578860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110894401.6A Pending CN113689308A (zh) | 2021-08-05 | 2021-08-05 | 基于动态模糊网络和多源信息融合的供电系统级故障诊断 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689308A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115754008A (zh) * | 2022-09-28 | 2023-03-07 | 哈尔滨工业大学(威海) | 结构损伤联合监测方法、系统、计算机设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110106734A1 (en) * | 2009-04-24 | 2011-05-05 | Terrance Boult | System and appartus for failure prediction and fusion in classification and recognition |
CN105275833A (zh) * | 2015-10-30 | 2016-01-27 | 北京航空航天大学 | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 |
CN108152663A (zh) * | 2017-11-24 | 2018-06-12 | 国网河南省电力公司镇平县供电公司 | 一种配电网故障定位方法及装置 |
CN108957230A (zh) * | 2018-06-28 | 2018-12-07 | 武汉科技大学 | 一种基于分层计时序自适应模糊h网的配电网故障诊断方法及系统 |
US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
CN112711832A (zh) * | 2020-12-08 | 2021-04-27 | 重庆理工大学 | 同步发电机定子绕组温度预警与故障识别的方法与系统 |
CN112710969A (zh) * | 2020-12-18 | 2021-04-27 | 武汉大学 | 一种单相半桥五电平逆变器开关管开路故障诊断方法 |
CN113050594A (zh) * | 2021-03-11 | 2021-06-29 | 北京航空航天大学 | 一种矢量喷管控制系统的多信息融合故障诊断方法及系统 |
-
2021
- 2021-08-05 CN CN202110894401.6A patent/CN113689308A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110106734A1 (en) * | 2009-04-24 | 2011-05-05 | Terrance Boult | System and appartus for failure prediction and fusion in classification and recognition |
CN105275833A (zh) * | 2015-10-30 | 2016-01-27 | 北京航空航天大学 | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 |
CN108152663A (zh) * | 2017-11-24 | 2018-06-12 | 国网河南省电力公司镇平县供电公司 | 一种配电网故障定位方法及装置 |
CN108957230A (zh) * | 2018-06-28 | 2018-12-07 | 武汉科技大学 | 一种基于分层计时序自适应模糊h网的配电网故障诊断方法及系统 |
US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
CN112711832A (zh) * | 2020-12-08 | 2021-04-27 | 重庆理工大学 | 同步发电机定子绕组温度预警与故障识别的方法与系统 |
CN112710969A (zh) * | 2020-12-18 | 2021-04-27 | 武汉大学 | 一种单相半桥五电平逆变器开关管开路故障诊断方法 |
CN113050594A (zh) * | 2021-03-11 | 2021-06-29 | 北京航空航天大学 | 一种矢量喷管控制系统的多信息融合故障诊断方法及系统 |
Non-Patent Citations (1)
Title |
---|
杨露等: "基于HHT/PNN的故障信息融合诊断方法", 北京工业大学学报, vol. 36, no. 2, pages 152 - 157 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115754008A (zh) * | 2022-09-28 | 2023-03-07 | 哈尔滨工业大学(威海) | 结构损伤联合监测方法、系统、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103728535A (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
CN108414872A (zh) | 一种用于电厂统调动力源系统的接地故障检测方法 | |
CN111308260B (zh) | 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 | |
CN112763853B (zh) | 一种并网模式下交流微电网短路故障的检测与定位系统及其工作方法 | |
CN110137980A (zh) | 一种基于Hilbert-Hung和MEMD的电力系统低频振荡模式辨识方法 | |
CN113937764A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法 | |
CN113030564A (zh) | 一种基于双芯智能电表系统下的负荷识别方法 | |
CN113689308A (zh) | 基于动态模糊网络和多源信息融合的供电系统级故障诊断 | |
Wu et al. | Equivalent modeling method for regional decentralized photovoltaic clusters based on cluster analysis | |
CN108879723B (zh) | 确定海上风电场内部谐振的类型及主要参与区域的方法 | |
Li et al. | A data-driven approach to grid impedance identification for impedance-based stability analysis under different frequency ranges | |
Saini et al. | Signal Processing Tool & Artificial Intelligence for Detection & Classification of Voltage Sag | |
CN112751353B (zh) | 一种lcc-hvdc系统状态空间模型构建方法及装置 | |
kumar Panigrahi et al. | Islanding detection in a hybrid power system using continuous wavelet transform | |
Zang et al. | Variable parameter Kalman filter based dynamic harmonic state estimation for power systems with wind energy integration | |
Li et al. | Two-point estimate method for probabilistic optimal power flow computation including wind farms with correlated parameters | |
Magalhães et al. | Parametric regression in synchronous and induction generators | |
Ibrahim et al. | Genetic Algorithm based performance analysis of self excited Induction Generator | |
Li et al. | A Novel Method of Analysis Based on Steady-State Model of Self-Excited Induction Generators | |
Tang et al. | Influence Analysis of Voltage Stochastic Error on Similarity Calculation | |
Katic et al. | Utilization of the Constant-Q Gabor transform for analysis of voltage disturbance in smart grids | |
Stanisavljević et al. | Application of S-Transform for voltage dips detection and analysis in modern distribution grids | |
Dai et al. | Advanced Identification Methods for Power System Oscillations based on Measurements | |
Duan et al. | Fault Identification in Distribution Network by Fusing Deep Residual Shrinkage Networks | |
Li et al. | Single Pole Ground Fault Location Method for LCC-MMC Hybrid DC Transmission Lines Based on Extremely Randomized Trees |
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 |