CN113723496A - 一种电抗器铁心松动故障诊断方法、装置和设备 - Google Patents
一种电抗器铁心松动故障诊断方法、装置和设备 Download PDFInfo
- Publication number
- CN113723496A CN113723496A CN202110990077.8A CN202110990077A CN113723496A CN 113723496 A CN113723496 A CN 113723496A CN 202110990077 A CN202110990077 A CN 202110990077A CN 113723496 A CN113723496 A CN 113723496A
- Authority
- CN
- China
- Prior art keywords
- reactor
- vibration
- fault diagnosis
- loosening
- diagnosis method
- 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 37
- 238000003745 diagnosis Methods 0.000 title claims description 21
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title abstract description 14
- 238000012549 training Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 abstract 1
- 230000005484 gravity Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000035882 stress 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
- G01H11/08—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means using piezoelectric devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种电抗器铁心松动故障诊断方法、装置和设备，利用振动测量装置对高压并联电抗器进行振动信号的采集，选取电抗器油箱表面作为测量位置，对采集到的信号进行预处理，将预处理后的振动信号进行模型预测，从而检测电抗器铁心是否发生松动故障。采用GBDT分类算法有效的将采集到的振动信号分类到适当的标签下，并且进行分类的速度快、精度高，在进行信号采集时，对振动位置和负载大小的要求不高，使得具有初步判断对高压并联电抗器螺母松动故障发生，并预测松动程度成为可能。
Description
技术领域
本发明属于电路设备故障诊断技术领域，具体涉及电抗器铁心故障诊断方法、装置和设备。
背景技术
在现在电压等级不断提高和市场经济快速发展的环境下，使得电力企业提高了对输变电设备的安全、经济运行的要求，高压并联电抗器在电力系统中是关键的一环，若其可靠性出现波动，则直接影响电力系统的安全与稳定。据统计资料表明，由于高压并联电抗器电压等级高，具有大容量，长期运行的振动容易造成结构件松动等问题，其中约束铁心的紧固夹件是易产生松动的部件。高压并联电抗器由于其多气隙铁心结构等特殊结构等原因，在交变磁场中产生的振动更为强烈，振动期间铁心饼与紧固夹件、绕组与压板等连接结构件会产生轴向、径向相对位移和一定程度的形变，造成螺栓松动、绝缘材料老化等故障。因此，电抗器各组件的振动情况在一定程度上表征其机械状态，积极开展电抗器松动故障诊断，以便及时发现并采取相应措施，不但可以减少运行维护成本，延长设备寿命，而且能够预防严重事故的发生，带来良好的社会和经济效益。通过分析振动信号可以实现对电抗器运行状态进行监测与评估，从而预先发现潜伏性故障，及时进行排查，这对电力系统的安全稳定运行有着重要意义。
目前，国内外学者关于电抗器的研究主要集中于降噪减振装置研制、绝缘油色谱分析与电磁场分析等方面，关于电抗器振动研究较少，振动信号分析法不仅可以同时诊断绕组和铁心状况，而且与整个电力系统无电气连接，可方便、安全可靠地实现带电检测。现阶段进行部分的电抗器振动研究有基于有限元分析软件COMSOL对电抗器铁心进行三维建模，对铁心电磁力及夹件等钢结构受力进行仿真计算；还有建立电抗器基于电磁、流体和温度三维的温升计算模型，研究电抗器整体及内部绕组的温度分布特性；也有分析了电抗器振动机理，介绍了两种振动信号测试方法，并对实测振动信号进行频谱分析和基于实测特高压并联电抗器振动信号分析，明确了振动频谱及油箱表面分布特性。可见振动法在近些年来一直是国内外研究的热点。高压并联电抗器表面采集到的振动信号在经过处理后会反映当前设备健康状态，在故障发生时产生的振动信号较正常情况下会产生差别，如果可以判断设备处于何种状态下，可及时报告研究员进行检修，避免造成更严重的事故和经济损失。
发明内容
本发明提供了一种电抗器铁心松动故障诊断方法、装置和设备，解决高压并联电抗器在长期运行期间不可避免地产生紧固结构松动后，不易检测出异常技术问题。
为达到上述目的，本发明所述一种基于梯度提升决策树算法的电抗器铁心松动故障诊断方法，，包括以下步骤：
S1、采集高压并联电抗器工作状态下的振动源信号，提取振动源信号中关键的数据特征；用GBDT算法构建的初始预测模型；
S2、将提取的数据特征设置分类标签，作为训练集，对初始预测模型进行训练；在训练过程中，使预测模型不停地学习数据包含的特征，每次迭代在上一轮训练模型的残差值基础上训练，经过多次迭代进行的残差计算和权值加权后，使得强学习器学习到不同状态下电抗器振动信号所包含的特征，得到目标预测模型；
S3、采集待诊断的电抗器的振动信号，将采集到的振动信号输入目标预测模型，判断当前电抗器是否处于螺母松动故障下，并预测电抗器处于何种松动程度下。
进一步的，S1中，用GBDT算法构建的初始预测模型包括以下步骤：
S A1、初始化第一个弱学习器的阈值与权值；
S A2、建立M棵分类回归树；
SA3、计算回归树对应损失函数的负梯度，并将回归树按照负梯度从大到小的顺序排序，得到一个强学习器。
进一步的，SA2中，利用CART回归树进行数据拟合，对损失函数的负梯度rm,i拟合一棵回归树，得到其对应的叶子节点区域Rm,j，j＝1,2,...,J，J为回归树的叶子节点的个数；再计算生成的决策树中各个叶子节点的叶子区域j，计算出最佳残差拟合值cm,j，用最佳残差拟合值cm,j得到强学习器；
其中，fm-1(xi)为第m-1次计算得到的模型。
进一步的，S1中，采用压电式加速振动传感器采集电抗器的振动源信号。
进一步的，S1中，将采集到的振动源信号进行快速傅里叶变换与小波去噪后再提取关键的数据特征。
进一步的，S1中，关键的数据特征为振动信号的基频。
进一步的，S2中，所以提取的数据特征采用交叉验证的方法按照1:4的比值分为测试集与训练集。
进一步的，S2中，标签包括正常状态、11N.m、7N.m和3N.m。
一种电抗器铁心松动故障诊断装置，包括依次连接的振动传感器、采集卡和终端，所述振动传感器用于测量电抗器的振动源信号，所述采集卡，采集卡用于采集振动源信号并传递至终端，所述终端用于根据振动源信号判断电抗器是否处于螺母松动故障下，并预测电抗器处于何种松动程度下。
一种计算机设备，包括电连接的存储器和处理器，所述存储器上存储有可在处理器上运行的计算程序，所述处理器执行所述计算程序时，实现上述的电抗器铁心松动故障诊断方法的步骤。
与现有技术相比，本发明至少具有以下有益的技术效果：
采用振动检测装置对高压并联电抗器进行振动信号采集，来判断当前电抗器处于何种工况下。预测模型的训练选用了梯度提升决策树(Gradient Boosting DecisionTree，GBDT)，采用加法模型与前向分步算法实现学习的优化，使用多个弱分类器串行叠加，层层增加权重，并计算当前模型下的残差，GBDT每轮的训练是在上一轮训练模型的负梯度值基础之上训练的，最终各个分类器给过相加权给出预测值，达到分类的效果。多个弱学习器构成一个强学习器，通过分析分类结果来判断电抗器处于何种故障状态下，这对于高压并联电抗器故障诊断中具有重要意义。
采用GBDT算法将多个决策树作为弱学习器进行特征训练，得到的强学习器有效的将采集到的振动信号分类到适当的标签下，由于树与树之间可以并行化计算，并且具有较好的泛化能力与表达能力，所以进行分类的速度快、精度高；在进行信号采集时，对振动位置和负载大小的要求不高，使得具有初步判断对高压并联电抗器螺母松动故障发生，并预测松动程度成为可能。
进一步的，S2中，提取的数据特征采用交叉验证的方法按照1:4的比值分为测试集与训练集，在采集的数据量不太充足的情况下，保证训练的模型具有良好的准确率。
附图说明
图1为电抗器铁心松动故障诊断方法流程图；
图2a为某测点1通道的基频比重；
图2b为某测点2通道的基频比重；
图2c为某测点3通道的基频比重；
图2d为某测点4通道的基频比重；
图3为相同状态下不同测点的基频比重；
图4为电抗器铁心松动故障诊断装置示意图；
图5为本发明提供的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的和技术方案更加清晰和便于理解。以下结合附图和实施例，对本发明进行进一步的详细说明，此处所描述的具体实施例仅用于解释本发明，并非用于限定本发明。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在实际应用中，由于振动造成的松动并不易检测，长时间松动状态下的运行可能造成更严重的故障。所以采用振动检测装置对高压并联电抗器进行振动信号采集，来判断当前电抗器处于何种工况下。GBDT是Boosting学习的一种方法，采用加法模型与前向分步算法实现学习的优化，基本分类思路是使用多个弱分类器串行叠加，层层增加权重，并计算当前模型下的残差(预测值与实际值之间的误差值)，GBDT每轮的训练是在上一轮训练模型的负梯度值基础之上训练的，最终各个分类器给过相加权给出预测值，达到分类的效果。多个弱学习器构成一个强学习器，搭建一个软、硬件结合的在线检测装置对振动信号进行分类，通过分析分类结果来判断电抗器处于何种故障状态下，这
本发明利用振动测量装置对高压并联电抗器进行振动信号的采集，选取电抗器油箱表面作为测量位置，对采集到的信号进行预处理，将预处理后的振动信号进行分析，从而检测电抗器铁心是否发生松动故障。
实施例1
参照图1，一种基于梯度提升决策树算法的电抗器铁心松动故障诊断方法，包括以下步骤：
1、使用振动传感器对高压并联电抗器工作状态下进行源信号采集，将采集到的信号传输到终端后进行快速傅里叶变换(Fast Fourier Transform，FFT)与小波去噪，使振动信号达到平滑滤波与去噪的预处理，其主要是对不需要的成分进行抑制，根据频谱分析提取其中关键的数据特征，选出区别明显的特征进行分析。
2、将处理后的数据作为训练集对GBDT算法构建的预测模型进行训练，GBDT算法构建的模型是由多个弱学习器串行叠加与权重累加构成一个强学习器，步骤如下：
(a)初始化一个弱学习器的阈值与权值；
(b)建立M棵分类回归树m＝1,2,...,M，M与迭代次数相关，而M也决定强学习的精度；
(c)计算每一棵分类回归树对应损失函数的负梯度(即残差)，并找到合适的节点用于对采集的振动信号进行分类，遍历回归树上的特征的每个可取值，按照残差值由大到小的顺序排序，以更新强学习器；
即进行串行叠加，直到得到精度最高的强学习器fM(x)，
其中，m>5。
构建的强学习器具有运算速率快、精度高与鲁棒性好的特点，以便于对数据快速分类。
3、将处理后电抗器的振动信号输入模型进行训练，设置分类的标签，经研究发现紧固件松动状态分为11N.m、7N.m和3N.m三种情况，所以标签设为正常状态、11N.m、7N.m和3N.m四种标签。在训练过程中，设置合适的迭代次数与学习率，使得模型不停地学习数据包含的特征，每次迭代是在上一轮训练模型的残差值基础之上训练，经过多次迭代进行的残差计算和权值加权后，使得强学习器学习到了不同状态下电抗器振动信号所包含的特征，模型达到合适的误差值，预测模型训练完成。
4、将软、硬件两部分结合构成完整的振动检测装置，设置振动传感器在电抗器表面，通过信号传输线连接终端设备，终端设备包含处理程序和训练完成的预测模型，对采集到的振动信号进行分类，判断当前高压并联电抗器是否处于螺母松动故障下，并可预测电抗器处于何种松动程度下，及时排查并处理以防日后造成更加严重的故障和经济损失。
实施例2
参照图4，一种电抗器铁心松动故障诊断装置，包括依次连接的振动传感器、采集卡和终端，所述振动传感器用于测量电抗器的振动源信号，所述采集卡，采集卡用于采集振动源信号并传递至终端，所述终端用于根据振动源信号判断电抗器是否处于螺母松动故障下，并预测电抗器处于何种松动程度下。
实施例3
本发明提供的一种计算机设备，如图5所示，包括电连接的存储器和处理器，其中，存储器上存储有可在处理器上运行的计算程序，所述处理器执行所述计算程序时，实现上述的故障诊断方法的步骤。
所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明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，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
具体实例
采用测振装置对一台BKS-76/10型号的三相油浸式并联电抗器进行源信号的采集，采集时主要采集的是正常情况下、11N.m、7N.m和3N.m螺母松动情况下的振动信号，并对采集到的源信号进行处理，最终进行故障分析与预测，具体实施例步骤如下：
S1：首先放置压电式加速振动传感器在三相油浸式并联电抗器油箱表面，然后通过信号传输线来传输采集到的振动信号，使用采集卡进行信号采集，最终传输到终端系统中。本次实验采用压电式加速振动传感器具有较合适的量程与灵敏度，并且重量较轻，可以减少误差带来的影响，对整个振动系统无附加影响。
测量位置选择了振动信号电抗器表面上9行8列的72个测点。每一个测点按照i行和j列记为wij。选择测点完成后，开始进行源信号的采集工作，采集到了正常情况下、11N.m、7N.m和3N.m螺母松动情况下具有时间序列的连续振动信号，采集到的源信号为S(k)，
S(k)＝f(k)+ε*e(k)k＝0,1,...,n-1
其中,f(k)为振动信号,S(k)为含噪声信号,e(k)为噪声,ε为噪声系数的标准偏差。
对源信号S(k)使用FFT变换与小波包处理，滤出噪声信号，得到振动信号f(k)，达到小波降噪与平滑滤波的目的，最后进行频谱分析，得到信号的多种特征。
在不同状态下，对比后可知同一测点测得的振动信号的基频比重出现了差别，如图2a至图2d所示，而且在相同状态下，不同测点测得的振动信号的基频比重也具有差别，如图3所示，所以选择选用基频比重这一特征对处理完成的数据进行分类与预测。
S2：由于采集的数据量不太充足，但为保证训练的模型具有良好的准确率，所以将处理完成的数据采用交叉验证的方法按照1:4的比值分为测试集与训练集。将训练集T输入GBDT算法构成的分类模型中进行训练，其中
T＝{(x1,y1),(x2,y2),...(xi,yi),...,(xN,yN)}
损失函数:
L(y,f(x))＝ylog(1+exp(-f(x)))+(1-y)[f(x)+log(1+exp(-f(x)))]
其中，χ、y为训练样本，(xi,yi)为逻辑回归单个样本，R为实数集合，Rn为实数集合R的n次笛卡尔集合。
S3：模型主要构建步骤为：
(a)初始化第一个弱学习器，得到初始学习器：
注：估计使损失函数极小化的常数值，初始学习器f0(x)是只有一个根结点的分类回归树树。
其中，f0(x)为初始学习器，L(yi,c)为损失函数，c为使得损失函数最小的常数值；
(b)建立M棵分类回归树m＝1,2,...,M：对于i＝1,2,...,N，计算第m棵对应损失函数的负梯度rm,i，即伪残差
注：伪残差是计算损失函数在当前模型下的值，用以估计残差。
其中，f(x)为当前学习器，L(yi，f(xi))为当前模型下的损失函数，fm-1(x)为第m-1个学习器；
为防止过拟合与欠拟合的发生，利用CART回归树进行数据的拟合，对rm,i拟合一棵回归树，得到其对应的叶子节点区域Rm,j，j＝1,2,...,J，J为回归树的叶子节点的个数；再对生成的决策树，计算各个叶子节点的叶子区域j，计算出最佳残差拟合值cm,j：
注：最佳残差拟合值cm,j用于在损失函数极小化的条件下，估计出相应叶结点区域的值。
其中，fm-1(xi)为第m-1个学习器，C为每个叶子结点的参数即标签值的均值。
(c)最终更新得到一个强学习器：
其中，I(x∈Rm,j)为基函数集；
S4：使用预测模型中构建的强学习器进行数据特征的学习，并设置正常情况、11N.m、7N.m和3N.m螺母松动情况这四种标签，先输入训练集对预测模型进行训练，学习器学习数据包含的基频比重这一特征，再计算残差，将残差作为样本的标签来训练弱学习器f0(x)，寻找回归树的最佳划分节点，遍历每个特征的每个可能的可取值。参数设置需要设置合适的学习率(learning_rate)、迭代次数(n_trees)、树的深度(max_depth)，并设置合适的阈值和权值，使模型不停迭代，生成足够的树，以让强学习器具有更高的精度，而且每次迭代是在上一轮训练模型的负梯度值基础之上训练的，在一次次进行残差计算和权值加权后达到合适的误差值，以便提取不同标签中具有的特征。
S7：对训练完成的模型输入测试集进行测试，将测试集的数据分类到合适的特征标签下，目的是测试预测模型精度，最后进行误差分析，使学习器的预测精度达到了理想值，表明模型训练效果达到要求。
S8：使用GBDT算法构建的预测模型对比不同状态与不同测点的基频比重，将训练好的模型直接投入使用，未来可以对随时采集到的72个测点的振动信号进行标签分类，达到预测的效果。这对于油浸式高压并联电抗器而言，如果能及时发现当前电抗器处于正常工作状态下还是不同螺母松动程度的故障状态下，可及时引起运维人员的重视。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种电抗器铁心松动故障诊断方法，其特征在于，包括以下步骤：
S1、采集高压并联电抗器工作状态下的振动源信号，提取振动源信号中关键的数据特征；用GBDT算法构建的初始预测模型；
S2、将提取的数据特征设置分类标签，作为训练集，对初始预测模型进行训练；在训练过程中，使预测模型不停地学习数据包含的特征，每次迭代在上一轮训练模型的残差值基础上训练，经过多次迭代进行的残差计算和权值加权后，使得强学习器学习到不同状态下电抗器振动信号所包含的特征，得到目标预测模型；
S3、采集待诊断的电抗器的振动信号，将采集到的振动信号输入目标预测模型，判断当前电抗器是否处于螺母松动故障下，并预测电抗器处于何种松动程度下。
2.根据权利要求1所述的一种电抗器铁心松动故障诊断方法，其特征在于，所述S1中，用GBDT算法构建的初始预测模型包括以下步骤：
SA1、初始化第一个弱学习器的阈值与权值；
SA2、建立M棵分类回归树；
SA3、计算回归树对应损失函数的负梯度，并将回归树按照负梯度从大到小的顺序排序，得到一个强学习器。
3.根据权利要求2所述的一种电抗器铁心松动故障诊断方法，其特征在于，所述SA2中，利用CART回归树进行数据拟合，对损失函数的负梯度rm，i拟合一棵回归树，得到其对应的叶子节点区域Rm，j，j＝1，2，...，J，J为回归树的叶子节点的个数；再计算生成的决策树中各个叶子节点的叶子区域j，计算出最佳残差拟合值cm，j，用最佳残差拟合值cm，j得到强学习器；
其中，fm-1(xi)为第m-1次计算得到的模型。
4.根据权利要求1所述的一种电抗器铁心松动故障诊断方法，其特征在于，所述S1中，采用压电式加速振动传感器采集电抗器的振动源信号。
5.根据权利要求1所述的一种电抗器铁心松动故障诊断方法，其特征在于，所述S1中，将采集到的振动源信号进行快速傅里叶变换与小波去噪后再提取关键的数据特征。
6.根据权利要求1所述的一种电抗器铁心松动故障诊断方法，其特征在于，所述S1中，关键的数据特征为振动信号的基频。
7.根据权利要求1所述的一种电抗器铁心松动故障诊断方法，其特征在于，所述S2中，所以提取的数据特征采用交叉验证的方法按照1:4的比值分为测试集与训练集。
8.根据权利要求1所述的一种电抗器铁心松动故障诊断方法，其特征在于，所述S2中，标签包括正常状态、11N.m、7N.m和3N.m。
9.一种电抗器铁心松动故障诊断装置，其特征在于，包括依次连接的振动传感器、采集卡和终端，所述振动传感器用于测量电抗器的振动源信号，所述采集卡，采集卡用于采集振动源信号并传递至终端，所述终端用于根据振动源信号判断电抗器是否处于螺母松动故障下，并预测电抗器处于何种松动程度下。
10.一种计算机设备，其特征在于，包括电连接的存储器和处理器，所述存储器上存储有可在处理器上运行的计算程序，所述处理器执行所述计算程序时，实现权利要求1-8中任意一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110990077.8A CN113723496A (zh) | 2021-08-26 | 2021-08-26 | 一种电抗器铁心松动故障诊断方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110990077.8A CN113723496A (zh) | 2021-08-26 | 2021-08-26 | 一种电抗器铁心松动故障诊断方法、装置和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113723496A true CN113723496A (zh) | 2021-11-30 |
Family
ID=78678259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110990077.8A Pending CN113723496A (zh) | 2021-08-26 | 2021-08-26 | 一种电抗器铁心松动故障诊断方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723496A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114004263A (zh) * | 2021-12-29 | 2022-02-01 | 四川大学 | 一种特征融合转换的大型设备工况诊断预测方法 |
| CN117436006A (zh) * | 2023-12-22 | 2024-01-23 | 圣道天德电气(山东)有限公司 | 一种智慧环网柜故障实时监测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060132958A1 (en) * | 2004-12-17 | 2006-06-22 | Fuji Xerox Co., Ltd. | Fault diagnosis apparatus, recording medium recording fault diagnosis program and fault diagnosis method |
| US20140118003A1 (en) * | 2012-06-13 | 2014-05-01 | Jiangsu Electric Power Company | Fault diagnosis and preliminary location system and method for transformer core looseness |
| CN110929769A (zh) * | 2019-11-14 | 2020-03-27 | 保定赛瑞电力科技有限公司 | 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置 |
-
2021
- 2021-08-26 CN CN202110990077.8A patent/CN113723496A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060132958A1 (en) * | 2004-12-17 | 2006-06-22 | Fuji Xerox Co., Ltd. | Fault diagnosis apparatus, recording medium recording fault diagnosis program and fault diagnosis method |
| US20140118003A1 (en) * | 2012-06-13 | 2014-05-01 | Jiangsu Electric Power Company | Fault diagnosis and preliminary location system and method for transformer core looseness |
| CN110929769A (zh) * | 2019-11-14 | 2020-03-27 | 保定赛瑞电力科技有限公司 | 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 毕云帆;张健;胥晓晖;孙文慧;张智晟;: "基于梯度提升决策树的电力短期负荷预测模型", 青岛大学学报(工程技术版), no. 03, 29 August 2018 (2018-08-29), pages 70 - 75 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114004263A (zh) * | 2021-12-29 | 2022-02-01 | 四川大学 | 一种特征融合转换的大型设备工况诊断预测方法 |
| US11630034B2 (en) | 2021-12-29 | 2023-04-18 | Sichuan University | Method for diagnosing and predicting operation conditions of large-scale equipment based on feature fusion and conversion |
| CN117436006A (zh) * | 2023-12-22 | 2024-01-23 | 圣道天德电气(山东)有限公司 | 一种智慧环网柜故障实时监测方法及系统 |
| CN117436006B (zh) * | 2023-12-22 | 2024-03-15 | 圣道天德电气(山东)有限公司 | 一种智慧环网柜故障实时监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109947086B (zh) | 基于对抗学习的机械故障迁移诊断方法及系统 | |
| CN113723496A (zh) | 一种电抗器铁心松动故障诊断方法、装置和设备 | |
| CN112816895B (zh) | 电化学阻抗谱的分析方法、系统、设备及计算机存储介质 | |
| CN111581867B (zh) | 一种桥梁损伤快速检测方法 | |
| Guo et al. | A hybrid prognosis scheme for rolling bearings based on a novel health indicator and nonlinear Wiener process | |
| CN113805064A (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
| CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
| CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
| CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
| CN116628616A (zh) | 一种大功率充电能源的数据处理方法及系统 | |
| CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
| CN117471227A (zh) | 汽车线束参数性能测试方法及测试系统 | |
| CN111695452A (zh) | 基于rbf神经网络的并联电抗器内部老化程度评估方法 | |
| CN114594378A (zh) | 一种锂电池soh模型训练方法、预测方法、装置及设备 | |
| CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
| CN115683319A (zh) | 一种电力变压器绕组状态评估方法 | |
| CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和系统 | |
| CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
| CN111461923A (zh) | 一种基于深度卷积神经网络的窃电监测系统和方法 | |
| CN115290276A (zh) | 一种基于振动和响应面的桥梁静力行为预测方法 | |
| CN117708542A (zh) | 一种基于深度神经网络的设备故障诊断方法及系统 | |
| CN113449809A (zh) | 一种基于kpca-nsvdd的电缆绝缘在线监测方法 | |
| CN117783872A (zh) | 动力电池的数据异常检测方法、装置、服务器及存储介质 | |
| CN117536872A (zh) | 一种罗茨风机状态监测系统与故障预测方法 | |
| CN117251788A (zh) | 状态评估方法、装置、终端设备及存储介质 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240708 Address after: No. 669, Aerospace Middle Road, National Civil Aerospace Industry Base, Xi'an City, Shaanxi Province 710199 Applicant after: Electric Power Research Institute of State Grid Shaanxi Electric Power Co.,Ltd. Country or region after: China Applicant after: State Grid Shaanxi Electric Power Co.,Ltd. Applicant after: National Network (Xi'an) Environmental Protection Technology Center Co.,Ltd. Address before: No.669, Hangtian Middle Road, Chang'an District, Xi'an City, Shaanxi Province Applicant before: STATE GRID SHAANXI ELECTRIC POWER Research Institute Country or region before: China Applicant before: STATE GRID SHAANXI ELECTRIC POWER Co. |