CN114046873A - 一种基于lof-fcm模糊聚类算法的电抗器振动监测系统 - Google Patents
一种基于lof-fcm模糊聚类算法的电抗器振动监测系统 Download PDFInfo
- Publication number
- CN114046873A CN114046873A CN202111362866.3A CN202111362866A CN114046873A CN 114046873 A CN114046873 A CN 114046873A CN 202111362866 A CN202111362866 A CN 202111362866A CN 114046873 A CN114046873 A CN 114046873A
- Authority
- CN
- China
- Prior art keywords
- data
- lof
- vibration
- value
- fcm
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 230000001133 acceleration Effects 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000006073 displacement reaction Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 230000003321 amplification Effects 0.000 claims description 33
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种基于LOF‑FCM模糊聚类算法的电抗器振动监测系统,属于电子器件领域。一种基于LOF‑FCM模糊聚类算法的电抗器振动监测系统,包括依次信号连接的传感器终端部分、信号处理电路部分、数据采集部分和PC端;本发明能够做到对电抗器的振动位移、速度以及加速度的实时在线监测,及时反馈其振动数据信息,提供电抗器振动评估的多维数据;将LOF离群因子检测算法与FCM模糊聚类算法进行有机融合,在进行聚类之前能够剔除一部分离群数据,大大提升了FCM聚类算法的准确度;能够通过改进LOF‑FCM模糊聚类算法对传感器的摆放位置误差进行消除,做到实时在线的精准检测,提升振动监测系统的准确度。
Description
技术领域
本发明属于电子器件领域,涉及一种基于LOF-FCM模糊聚类算法的电抗器振动监测系统。
背景技术
电抗器在变电站现场运行过程中会产生电磁振动。电磁吸力是导致电抗器电磁振动的关键性因素之一,电磁吸力即为麦克斯韦力,是由于主磁通在通过高磁导率的铁心与低磁导率的气隙时,会产生某种使得磁场能量变小的力迫使电抗器铁心发生周期性变形。磁致伸缩效应是引起电抗器电磁振动的另一个主要因素,因为铁心在外加磁场的作用下自身的磁化状态发生了改变,导致自身尺寸体积发生了变化,进而产生无规律的电磁振动。长期将造成户内地板破裂以及连接件松动等问题,危及房屋结构或对建筑物产生损伤,导致户内变电站土地资源浪费等问题。尤其是在电抗器放置所在的楼板层,其振动的危害性尤为明显,因此很有必要对此振动现象进行精准振动监测,对电抗器的振动状态做到实时精准评估。但是在现场放置振动传感器的过程中,会存在摆放位置存在误差造成监测到的振动数据不准确的现象,同时变电站现场也会存在电磁干扰等环境影响,对监测系统的准确度产生较大影响。
针对上述问题,为了对电抗器所在楼板的振动现象实时在线精准监测,针对现场传感器摆放位置误差以及电磁环境因素造成的计算问题,提出了一套基于改进LOF-FCM模糊聚类算法的电抗器振动监测系统,对电抗器振动现场的振动数据监测误差进行消除,做到实时在线精准监测。设计电抗器振动监测系统硬件和软件,监测系统硬件部分包含三通道传感器终端,对三个位置的不同振动参量数据进行测量,同时后接滤波处理电路与信号放大电路,滤除振动干扰信号的同时,也对振动产生的电信号进行放大处理;再通过数据采集装置采集振动传感器监测到的振动数据信号,通过无线WiFi通讯的方式将此振动数据发送至上位机进行显示;软件部分包含上位机显示界面以及改进LOF-FCM模糊聚类算法,将三传感器终端分别在某一固定位置处摆放200次并进行测量,三传感器分别测量摆放位置处的振动位移、速度以及加速度信号,针对振动传感器的摆放位置的小范围不确定性,对采集到的振动数据簇先进行LOF离群因子检测,剔除部分离群数据点,而后通过FCM模糊聚类处理得到聚类中心值,将此值作为传感器摆放位置处监测到的振动数据,以此消除传感器摆放位置与电磁环境变化带来的的不确定性误差,提升振动监测系统的精准性。
目前已有的电抗器振动监测系统大多数都是仅仅针对于某一传感器某一次的摆放位置监测到的振动数据,存在较大的随机性,同时也未曾考虑传感器摆放位置误差以及变电站现场电磁环境的干扰因素,监测到的振动数据不确定性误差较大,同时也没有综合多次传感器摆放的数据对整体电抗器的振动状态进行评估,做到从计算层面对电抗器的不确定性误差进行消除。
同时,国内外关于LOF离群因子检测算法与FCM模糊聚类算法均有研究,但是并未有过将两个算法进行糅合形成一套全新的聚类算法的过程,而且,国内外已有的振动监测系统并没有将模糊聚类算法运用于振动数据处理中,缺乏相关研究。
发明内容
有鉴于此,本发明的目的在于提供一种基于LOF-FCM模糊聚类算法的电抗器振动监测系统。
为达到上述目的,本发明提供如下技术方案:
一种基于LOF-FCM模糊聚类算法的电抗器振动监测系统,包括依次信号连接的传感器终端部分、信号处理电路部分、数据采集部分和PC端;
所述传感器终端部分包括位移传感器和速度传感器和加速度传感器;
所述信号处理电路部分包括HPF高通滤波电路一、HPF高通滤波电路二、HPF高通滤波电路三、信号放大电路一、信号放大电路二和信号放大电路三;
所述数据采集部分包括数据采集卡;
所述位移传感器依次与HPF高通滤波电路一和信号放大电路一信号连接;
所述速度传感器依次与HPF高通滤波电路二和信号放大电路二信号连接;
所述加速度传感器依次与HPF高通滤波电路三和信号放大电路三信号连接。
可选的,所述PC端包括上位机和改进LOF-FCM模糊聚类部分两个部分;
其中,上位机是基于LabVIEW平台、利用单循环结构与多循环结构相结合的方式开发的;
单循环结构实现初始参数设置、文件夹建立及离线分析功能;
多循环结构运行监测主程序,实现信号的采集、处理及显示;
单循环结构与多循环结构相结合的方式,显示位移测量值、速度测量值、加速度测量值、最大值、最小值、模糊聚类图像和聚类中心值;
改进LOF-FCM模糊聚类部分流程为:
FCM算法把n个向量xi分为c个模糊组,i=1,2,…,n,并求每组的聚类中心,使得非相似性指标的价值函数达到最小;FCM用模糊划分,使得每个给定数据点用值在[0,1]间的隶属度来确定其属于各个组的程度;与引入模糊划分相适应,隶属矩阵U允许有取值在[0,1]间的元素;加上归一化规定,一个数据集的隶属度的和总等于1:
FCM的价值函数的一般化形式为:
uij介于[0,1]间;ci为模糊组i的聚类中心,dij=||ci-xj||为第i个聚类中心与第j个数据点间的欧几里德距离,且m∈[1,∞)是一个加权指数;λj与j∈[1,n]是式6的n个约束式的拉格朗日乘子;对所有输入参量求导,使式(2)达到最小的必要条件为:
和
确认聚类中心ci和隶属矩阵U流程为:
1)用值在0到1间的随机数初始化隶属矩阵U,使其满足式(1)中的约束条件;
2)用式(3)计算c个聚类中心ci,i=1,…,c;
3)根据式(2)计算价值函数;如果它小于某个确定的阀值,或它相对上次价值函数值的改变量小于某个阀值,则算法停止;
4)用式(4)计算新的U矩阵;返回步骤2);
在LOF算法中,通过给每个数据点都分配一个依赖于邻域密度的局部离群因子LOF,进而判断该数据点是否为离群点;若LOF远大于1,则该数据点为离群点;若LOF接近于1,则该数据点为正常数据点;目标函数LOF的计算如式(5)~(7)所示;
reach-distk(p,o)=max{k-dist(o),d(p,o)} (7)
其中,lrdk为局部可达密度;Nk为第k距离邻域;reach-distk为第k可达距离;k-dist(o)为o点的第k距离,即距o第k远的距离且不包括o点;
k为50;
LOF算法的异常界定阈值设定为2.0。
可选的,所述振动监测系统中,布置位移、速度以及加速度三传感器终端,分别测试传感器同一摆放位置200次振动参量数据作为振动数据集,包括位移数据集、速度数据集以及加速度数据集,测得的振动数据在一定范围内浮动变化,同时分别取出各个数据集中的最大值与最小值;
以其中一个振动参量数据为纵坐标,另外两个振动参量数据分别作为横坐标,得到位移-速度以及位移-加速度的两个二维坐标系中的数据簇,为避免两个数据簇的数据点重合,将其中一个数据簇数据对Y轴进行镜像处理,将两个数据簇数据进行数据点分离;再分别对三个振动参量数据进行数据归一化处理,分别以各自的振动平均值作为归一化标准值,再将所得数据绘制于同一张二维图中,得到改进LOF-FCM模糊聚类算法数据集;
对二维平面上的数据点簇进行LOF离群因子检测,首先计算每个数据点的局部可达密度,然后通过局部可达密度进一步计算得到每个数据点的离群因子数值,该离群因子数值标识每个数据点的离群程度,离群因子数值越大,表示离群程度越高,离群因子数值越小,表示离群程度越低;通过设置离群因子数值的阈值,对高于此阈值的数据点进行剔除,进而达到对原始振动参量数据的预处理效果;
对剩余的数据进行FCM模糊聚类处理,使得划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小,进而达到数据点的分类处理;对每一个分出来的类别进行聚类中心求解,将所得的聚类中心数值作为本发明监测系统最终测量值,将此测量值与前文的振动参量最小值与最大值分别进行误差求解,将两误差数据取平均值,即为振动监测系统测量精确度的提升值。
可选的,所述位移传感器与速度传感器分别采用MLS-9与MLV-9一体化低频振动传感器;所述加速度传感器为8711LF-01-080加速度传感器。
可选的,所述HPF高通滤波电路一、HPF高通滤波电路二和HPF高通滤波电路三均为阶有源低通滤波电路;
所述信号放大电路一、信号放大电路二和信号放大电路三型号为THS4031,带宽为100MHz电压转换速率为100V/us;
所述信号放大电路一、信号放大电路二和信号放大电路三将电压信号进行缩放与电平抬升,将信号维持在一个直流分量,保证采样信号在A/D采样的工作范围;当采样结束后,将直流分量减掉,并进行同比例缩放将信号还原;
其中,采用运放芯片THS430X,通过加法电路实现电压信号的缩放与电平抬升。
可选的,所述数据采集卡采集三根信号线的检波信号,并将采集到的模拟信号转化为数字信号传输到上位机;
所述数据采集卡为NI USB-5133高速数字化仪。
本发明的有益效果在于:
(1)设计了一套振动监测系统,能够做到对电抗器的振动位移、速度以及加速度的实时在线监测,及时反馈其振动数据信息,提供电抗器振动评估的多维数据;
(2)将LOF离群因子检测算法与FCM模糊聚类算法进行有机融合,在进行聚类之前能够剔除一部分离群数据,大大提升了FCM聚类算法的准确度;
(3)能够通过改进LOF-FCM模糊聚类算法对传感器的摆放位置误差进行消除,做到实时在线的精准检测,提升振动监测系统的准确度;
(4)此振动监测系统不仅能够应用于电抗器的振动监测中,还能够推广至其他存在振动现象的电气工业设备中,通用性较强;
(5)相较于当下存在的电抗器振动监测系统,此系统综合兼顾了位移、速度以及加速度三个振动参量,同时通过多次采集多次振动数据进行评估,避免了单次测量的随机性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为电抗器外表面传感器摆放位置示意图;
图2为电抗器振动检测系统图;
图3为二阶低通有源滤波电路;
图4为信号放大电路;
图5为改进LOF-FCM模糊聚类算法流程图;
图6为基于模糊聚类算法的监测系统工作流程图。
附图标记:1-位移传感器,2-速度传感器,3-加速度传感器,4-HPF高通滤波电路一,5-HPF高通滤波电路二,6-HPF高通滤波电路三,7-信号放大电路一,8-信号放大电路二,9-信号放大电路三,10-数据采集卡,11-PC端。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”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,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
如图1所示,黑色大圆圈中的彩色小点为传感器实际摆放位置,存在较大的随机性,黑色大点为传感器理想摆放位置,而黑色圆圈为传感器摆放位置误差范围,在变电站现场振动监测过程中,布置振动传感器时,实际布置的位置会与原始理想摆放位置存在误差,一般实际传感器布置位置会围绕理想布置位置呈围绕式分布,同时在不同的监测位置上,电抗器本身的以及周围的电磁环境会发生变化,由此得到的振动数据与理想位置处的振动数据会存在一定的监测误差,同时通过单次监测的振动数据去评估整个电抗器的振动状态,会存在较大程度的随机性,故本发明通过设计一套基于改进LOF-FCM模糊聚类算法的振动监测系统,对此现场传感器摆放位置误差与电磁环境干扰进行消除,得到准确度更高的振动监测系统。
设计电抗器振动监测硬件和软件系统,硬件部分包括三通道振动传感器终端,滤波处理电路,信号放大电路,振动数据采集装置以及PC端;而软件部分包括PC上位机显示界面以及改进的LOF-FCM模糊聚类算法模块。通过此振动监测系统,可以很好地消除因传感器摆放位置不确定性以及现场的环境干扰因素带来的振动数据监测误差,同时通过聚类中心数值对振动数据进行算法层面的修正,进而提升振动监测系统的测量精确度与抗干扰能力。电抗器振动监测系统如图2所示。1为位移传感器,2为速度传感器,3为加速度传感器,4为HPF高通滤波电路一,5为HPF高通滤波电路二,6为HPF高通滤波电路三,7为信号放大电路一,8为信号放大电路二,9为信号放大电路三,10为数据采集卡,11为PC端。
在此电抗器振动监测系统中,包含4个部分,分别是传感器终端部分、信号处理电路部分、数据采集部分以及PC端部分,各部分的详细介绍如下:
(1)传感器终端部分
包括3个传感器终端,分别为位移传感器、速度传感器以及加速度传感器,其中位移传感器与速度传感器分别采用的MLS-9与MLV-9一体化低频振动传感器,这是一种惯性传感器,利用磁电感应原理将振动信号变换为电型号,电压值与振动速度成正比,既可用于振动速度的测量,也可用于振动幅值的测量。该传感器内置有积分器,可进行振动速度信号和位移信号的转换。
而振动加速度传感器则是8711LF-01-080加速度传感器,其内部带有屏蔽层,能极大程度减少电抗器在运行过程中带来的影响,这是一种电荷输出型压电加速度传感器,其利用压电效应,在加速度变化时,施加在压电元件上的力也随之变化,进而将其加速度的变化实时反馈出来。
(2)信号处理电路部分
信号处理电路包含滤波电路与信号放大电路两部分。其中,滤波电路采用二阶有源低通滤波电路,其电路如图3所示。
运算放大器采用TI公司生产的THS4031,该放大器为低噪声高速放大器,具有带宽100MHz(G=2),100V/us的电压转换速率,常应用于有源滤波电路。其中,电容C1接到放大器的输出端,等效于在二阶有源滤波电路中引入反馈,使得输出的高频信号幅值迅速下降,而低于截止频率的电压信号不会下降,以达到滤除高频信号的效果。
关于信号放大电路,电路设计时需考虑将电压信号进行一定的缩放与抬升,将信号维持在一个直流分量的上下,保证采样信号在A/D采样的工作范围。当采样结束后,通过软件程序将直流分量减掉,并进行同比例缩放将信号还原。采用运放芯片THS430X,通过加法电路即可实现电压信号的比例放大与电平抬升,图4为信号放大电路原理图。
(3)数据采集部分
数据采集单元的主要功能是采集三根信号线的检波信号,并将采集到的模拟信号转化为数字信号传输到上位机。本系统选择的数据采集卡为NI USB-5133高速数字化仪。NIUSB-5133是NI公司开发的用于数据采集的高端产品,具有很强信号采样功能,在NILabVIEW平台下利用采集卡提供的编程端口,可以实现各种高级示波器的复杂操作。
(4)PC端部分
包含上位机显示界面部分以及改进LOF-FCM模糊聚类部分两个模块。其中,上位机显示界面部分是基于LabVIEW平台、利用单循环结构与多循环结构相结合的方式开发的。单循环结构主要实现初始参数设置、文件夹建立及离线分析等功能,多循环结构负责运行监测系统主程序,实现信号的采集、处理及显示。两种循环结构相结合,使监测系统的程序构架更为清晰、每项具体功能的程序实现更为高效合理,确保监测系统的稳定可靠运行。显示界面包括位移测量值、速度测量值、加速度测量值、最大值、最小值、模糊聚类图像以及聚类中心值等。
LOF-FCM模糊聚类算法部分整合了LOF离群因子检测算法与FCM模糊聚类算法,糅合两种数据预处理算法形成一套全新的改进模糊聚类算法,在对振动数据进行模糊聚类之前,剔除掉一部分离群振动数据,使得聚类中心的计算更加精确,减小监测系统的测量误差,具体算法工作原理与实现流程为:
FCM算法是一种基于划分的聚类算法,即让被划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小。
FCM把n个向量xi(i=1,2,…,n)分为c个模糊组,并求每组的聚类中心,使得非相似性指标的价值函数达到最小。FCM与HCM的主要区别在于FCM用模糊划分,使得每个给定数据点用值在[0,1]间的隶属度来确定其属于各个组的程度。与引入模糊划分相适应,隶属矩阵U允许有取值在[0,1]间的元素。不过,加上归一化规定,一个数据集的隶属度的和总等于1,如式1:
FCM的价值函数(或目标函数)的一般化形式如式2所示:
此式中uij介于[0,1]间;ci为模糊组i的聚类中心,dij=||ci-xj||为第i个聚类中心与第j个数据点间的欧几里德距离,且m∈[1,∞)是一个加权指数。λj与j∈[1,n]是式6的n个约束式的拉格朗日乘子。对所有输入参量求导,使式2达到最小的必要条件为:
和
由上述两个必要条件,FCM算法是一个简单的迭代过程,用下列步骤确定聚类中心ci和隶属矩阵U:
1)用值在0到1间的随机数初始化隶属矩阵U,使其满足式1中的约束条件
2)用式3计算c个聚类中心ci,i=1,…,c。
3)根据式2计算价值函数。如果它小于某个确定的阀值,或它相对上次价值函数值的改变量小于某个阀值,则算法停止。
4)用式4计算新的U矩阵。返回步骤2)。
而在LOF算法中,通过给每个数据点都分配一个依赖于邻域密度的局部离群因子LOF,进而判断该数据点是否为离群点。若LOF远大于1,则该数据点为离群点;若LOF接近于1,则该数据点为正常数据点。目标函数LOF的计算如式(5)~(7)所示。
reach-distk(p,o)=max{k-dist(o),d(p,o)} (7)
其中,lrdk为局部可达密度;Nk为第k距离邻域;reach-distk为第k可达距离;k-dist(o)为o点的第k距离,即距o第k远的距离且不包括o点。
通过MATLAB计算出各原始数据的LOF离群因子数值,此过程存在k值的选取与异常阈值(epsilon)的选定两个难点。不同的k值和epsilon值的选择,其算法的异常预测结果是不一样的,两者的大小将直接影响LOF算法在面对不同原始数据集时的精度表现,其选取方法如下:
(1)k值太小,LOF算法会漏检一些异常的数据,也会错检一些正常数据,即准确率和召回率都比较小,随着k值的不断增大,其异常预测的结果趋于更加合理,准确率和召回率均会逐渐增大,但是k太大,会使得LOF算法的运行效率越来越慢,原因是需要计算的各个点的邻域越来越大,算法的计算量也随之增大。另外,为了保证算法的预测精度,k值大小不能小于原始数据集中异常数据的总数,故此本发明选取k值为50。
(2)epsilon值太小,会使得LOF算法的准确率很低,但召回率很高,随着epsilon值的增大,算法的准确率在不断的增大,召回率会不断下降。因此,为了兼顾LOF算法的准确率和召回率,epsilon值一般设置为2.0左右,故本发明将LOF算法的异常界定阈值设定为2.0。基于此改进LOF-FCM模糊聚类算法流程图如图5所示,整体监测系统的工作流程图如图6所示。
首先,分别布置位移、速度以及加速度三传感器终端,分别测试传感器同一摆放位置200次振动参量数据作为振动数据集,包括位移数据集、速度数据集以及加速度数据集,因为各次现场传感器摆放位置存在误差,故测得的振动数据在某一范围内浮动变化,同时分别取出各个数据集中的最大值与最小值;接着,以其中一个振动参量数据为纵坐标(例如位移),另外两个振动参量数据分别作为横坐标(例如速度、加速度),由此可得到位移-速度以及位移-加速度的两个二维坐标系中的数据簇,同时为了避免两个数据簇的数据点重合,将其中一个数据簇数据对Y轴进行镜像处理,通过此方法可将两个数据簇数据进行数据点分离;然后,再分别对三参量(位移、速度以及加速度)数据进行数据归一化处理,分别以各自的振动平均值作为归一化标准值,再将所得数据绘制于同一张二维图中,得到改进LOF-FCM模糊聚类算法数据集。
在此基础之上,首先对二维平面上的数据点簇进行LOF离群因子检测,首先计算每个数据点的局部可达密度,然后通过局部可达密度进一步计算得到每个数据点的离群因子数值,该离群因子标识了每个数据点的离群程度,因子值越大,表示离群程度越高,因子值越小,表示离群程度越低。通过合理设置离群因子阈值,对高于此阈值的数据点进行剔除,进而达到对原始振动参量数据的预处理效果。基于此LOF预处理,对剩余的数据进行FCM模糊聚类处理,使得划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小,进而达到数据点的分类处理。最后,对每一个分出来的类别进行聚类中心求解,将所得的聚类中心数值作为本发明监测系统最终测量值,将此测量值与前文的振动参量最小值与最大值分别进行误差求解,将两误差数据取平均值,即为本发明监测系统测量精确度的提升值。通过此振动监测系统,可以有效解决现场测量过程中存在的传感器摆放位置以及现场电磁干扰带来的不确定性误差,大大提升变电站现场振动监测系统的测量准确性。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于LOF-FCM模糊聚类算法的电抗器振动监测系统,其特征在于:包括依次信号连接的传感器终端部分、信号处理电路部分、数据采集部分和PC端;
所述传感器终端部分包括位移传感器和速度传感器和加速度传感器;
所述信号处理电路部分包括HPF高通滤波电路一、HPF高通滤波电路二、HPF高通滤波电路三、信号放大电路一、信号放大电路二和信号放大电路三;
所述数据采集部分包括数据采集卡;
所述位移传感器依次与HPF高通滤波电路一和信号放大电路一信号连接;
所述速度传感器依次与HPF高通滤波电路二和信号放大电路二信号连接;
所述加速度传感器依次与HPF高通滤波电路三和信号放大电路三信号连接;
所述PC端包括上位机和改进LOF-FCM模糊聚类部分两个部分;
其中,上位机是基于LabVIEW平台、利用单循环结构与多循环结构相结合的方式开发的;
单循环结构实现初始参数设置、文件夹建立及离线分析功能;
多循环结构运行监测主程序,实现信号的采集、处理及显示;
单循环结构与多循环结构相结合的方式,显示位移测量值、速度测量值、加速度测量值、最大值、最小值、模糊聚类图像和聚类中心值;
改进LOF-FCM模糊聚类部分流程为:
FCM算法把n个向量xi分为c个模糊组,i=1,2,…,n,并求每组的聚类中心,使得非相似性指标的价值函数达到最小;FCM用模糊划分,使得每个给定数据点用值在[0,1]间的隶属度来确定其属于各个组的程度;与引入模糊划分相适应,隶属矩阵U允许有取值在[0,1]间的元素;加上归一化规定,一个数据集的隶属度的和总等于1:
FCM的价值函数的一般化形式为:
uij介于[0,1]间;ci为模糊组i的聚类中心,dij=||ci-xj||为第i个聚类中心与第j个数据点间的欧几里德距离,且m∈[1,∞)是一个加权指数;λj与j∈[1,n]是式6的n个约束式的拉格朗日乘子;对所有输入参量求导,使式(2)达到最小的必要条件为:
和
确认聚类中心ci和隶属矩阵U流程为:
1)用值在0到1间的随机数初始化隶属矩阵U,使其满足式(1)中的约束条件;
2)用式(3)计算c个聚类中心ci,i=1,…,c;
3)根据式(2)计算价值函数;如果它小于某个确定的阀值,或它相对上次价值函数值的改变量小于某个阀值,则算法停止;
4)用式(4)计算新的U矩阵;返回步骤2);
在LOF算法中,通过给每个数据点都分配一个依赖于邻域密度的局部离群因子LOF,进而判断该数据点是否为离群点;若LOF远大于1,则该数据点为离群点;若LOF接近于1,则该数据点为正常数据点;目标函数LOF的计算如式(5)~(7)所示;
reach-distk(p,o)=max{k-dist(o),d(p,o)} (7)
其中,lrdk为局部可达密度;Nk为第k距离邻域;reach-distk为第k可达距离;k-dist(o)为o点的第k距离,即距o第k远的距离且不包括o点;
k为50;
LOF算法的异常界定阈值设定为2.0。
2.根据权利要求1所述的一种基于LOF-FCM模糊聚类算法的电抗器振动监测系统,其特征在于:所述振动监测系统中,布置位移、速度以及加速度三传感器终端,分别测试传感器同一摆放位置200次振动参量数据作为振动数据集,包括位移数据集、速度数据集以及加速度数据集,测得的振动数据在一定范围内浮动变化,同时分别取出各个数据集中的最大值与最小值;
以其中一个振动参量数据为纵坐标,另外两个振动参量数据分别作为横坐标,得到位移-速度以及位移-加速度的两个二维坐标系中的数据簇,为避免两个数据簇的数据点重合,将其中一个数据簇数据对Y轴进行镜像处理,将两个数据簇数据进行数据点分离;再分别对三个振动参量数据进行数据归一化处理,分别以各自的振动平均值作为归一化标准值,再将所得数据绘制于同一张二维图中,得到改进LOF-FCM模糊聚类算法数据集;
对二维平面上的数据点簇进行LOF离群因子检测,首先计算每个数据点的局部可达密度,然后通过局部可达密度进一步计算得到每个数据点的离群因子数值,该离群因子数值标识每个数据点的离群程度,离群因子数值越大,表示离群程度越高,离群因子数值越小,表示离群程度越低;通过设置离群因子数值的阈值,对高于此阈值的数据点进行剔除,进而达到对原始振动参量数据的预处理效果;
对剩余的数据进行FCM模糊聚类处理,使得划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小,进而达到数据点的分类处理;对每一个分出来的类别进行聚类中心求解,将所得的聚类中心数值作为本发明监测系统最终测量值,将此测量值与前文的振动参量最小值与最大值分别进行误差求解,将两误差数据取平均值,即为振动监测系统测量精确度的提升值。
3.根据权利要求1所述的一种基于LOF-FCM模糊聚类算法的电抗器振动监测系统,其特征在于:所述位移传感器与速度传感器分别采用MLS-9与MLV-9一体化低频振动传感器;所述加速度传感器为8711LF-01-080加速度传感器。
4.根据权利要求1所述的一种基于LOF-FCM模糊聚类算法的电抗器振动监测系统,其特征在于:所述HPF高通滤波电路一、HPF高通滤波电路二和HPF高通滤波电路三均为阶有源低通滤波电路;
所述信号放大电路一、信号放大电路二和信号放大电路三型号为THS4031,带宽为100MHz电压转换速率为100V/us;
所述信号放大电路一、信号放大电路二和信号放大电路三将电压信号进行缩放与电平抬升,将信号维持在一个直流分量,保证采样信号在A/D采样的工作范围;当采样结束后,将直流分量减掉,并进行同比例缩放将信号还原;
其中,采用运放芯片THS430X,通过加法电路实现电压信号的缩放与电平抬升。
5.根据权利要求1所述的一种基于LOF-FCM模糊聚类算法的电抗器振动监测系统,其特征在于:所述数据采集卡采集三根信号线的检波信号,并将采集到的模拟信号转化为数字信号传输到上位机;
所述数据采集卡为NIUSB-5133高速数字化仪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111362866.3A CN114046873A (zh) | 2021-11-17 | 2021-11-17 | 一种基于lof-fcm模糊聚类算法的电抗器振动监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111362866.3A CN114046873A (zh) | 2021-11-17 | 2021-11-17 | 一种基于lof-fcm模糊聚类算法的电抗器振动监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114046873A true CN114046873A (zh) | 2022-02-15 |
Family
ID=80209810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111362866.3A Pending CN114046873A (zh) | 2021-11-17 | 2021-11-17 | 一种基于lof-fcm模糊聚类算法的电抗器振动监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114046873A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017121A (zh) * | 2022-08-05 | 2022-09-06 | 山东天意机械股份有限公司 | 一种混凝土生产设备数据存储系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977771A (zh) * | 2017-11-07 | 2018-05-01 | 国家电网公司 | 一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法 |
CN110083665A (zh) * | 2019-05-05 | 2019-08-02 | 贵州师范大学 | 基于改进的局部异常因子检测的数据分类方法 |
CN110458248A (zh) * | 2019-09-18 | 2019-11-15 | 华北电力大学(保定) | 基于多测点振动信号的变压器异常状态检测方法 |
CN110766059A (zh) * | 2019-10-14 | 2020-02-07 | 四川西部能源股份有限公司郫县水电厂 | 一种变压器故障的预测方法、装置和设备 |
CN110889441A (zh) * | 2019-11-19 | 2020-03-17 | 海南电网有限责任公司海南输变电检修分公司 | 一种基于距离和点密度的变电设备数据异常识别方法 |
CN111366235A (zh) * | 2020-04-13 | 2020-07-03 | 国网河北省电力有限公司电力科学研究院 | 一种高压并联电抗器振动信号检测方法 |
CN111852837A (zh) * | 2020-07-14 | 2020-10-30 | 北京博华信智科技股份有限公司 | 基于聚类的往复式压缩机自适应故障监测方法 |
CN112132173A (zh) * | 2020-08-10 | 2020-12-25 | 贵州电网有限责任公司 | 一种基于聚类特征树的变压器无监督运行状态识别方法 |
JP2021022311A (ja) * | 2019-07-30 | 2021-02-18 | 株式会社リコー | 異常検知装置、異常検知システムおよびプログラム |
CN112622914A (zh) * | 2020-12-21 | 2021-04-09 | 武汉理工大学 | 新能源汽车行车安全状态辨识系统 |
CN112880740A (zh) * | 2021-01-21 | 2021-06-01 | 上海迈内能源科技有限公司 | 变压器运行状态在线监测系统及其多参量智能传感器 |
CN113379116A (zh) * | 2021-06-04 | 2021-09-10 | 南京理工大学 | 基于聚类和卷积神经网络的台区线损预测方法 |
CN113408548A (zh) * | 2021-07-14 | 2021-09-17 | 贵州电网有限责任公司电力科学研究院 | 变压器异常数据检测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-11-17 CN CN202111362866.3A patent/CN114046873A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977771A (zh) * | 2017-11-07 | 2018-05-01 | 国家电网公司 | 一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法 |
CN110083665A (zh) * | 2019-05-05 | 2019-08-02 | 贵州师范大学 | 基于改进的局部异常因子检测的数据分类方法 |
JP2021022311A (ja) * | 2019-07-30 | 2021-02-18 | 株式会社リコー | 異常検知装置、異常検知システムおよびプログラム |
CN110458248A (zh) * | 2019-09-18 | 2019-11-15 | 华北电力大学(保定) | 基于多测点振动信号的变压器异常状态检测方法 |
CN110766059A (zh) * | 2019-10-14 | 2020-02-07 | 四川西部能源股份有限公司郫县水电厂 | 一种变压器故障的预测方法、装置和设备 |
CN110889441A (zh) * | 2019-11-19 | 2020-03-17 | 海南电网有限责任公司海南输变电检修分公司 | 一种基于距离和点密度的变电设备数据异常识别方法 |
CN111366235A (zh) * | 2020-04-13 | 2020-07-03 | 国网河北省电力有限公司电力科学研究院 | 一种高压并联电抗器振动信号检测方法 |
CN111852837A (zh) * | 2020-07-14 | 2020-10-30 | 北京博华信智科技股份有限公司 | 基于聚类的往复式压缩机自适应故障监测方法 |
CN112132173A (zh) * | 2020-08-10 | 2020-12-25 | 贵州电网有限责任公司 | 一种基于聚类特征树的变压器无监督运行状态识别方法 |
CN112622914A (zh) * | 2020-12-21 | 2021-04-09 | 武汉理工大学 | 新能源汽车行车安全状态辨识系统 |
CN112880740A (zh) * | 2021-01-21 | 2021-06-01 | 上海迈内能源科技有限公司 | 变压器运行状态在线监测系统及其多参量智能传感器 |
CN113379116A (zh) * | 2021-06-04 | 2021-09-10 | 南京理工大学 | 基于聚类和卷积神经网络的台区线损预测方法 |
CN113408548A (zh) * | 2021-07-14 | 2021-09-17 | 贵州电网有限责任公司电力科学研究院 | 变压器异常数据检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
徐雪松;刘凤玉;: "一种基于距离的再聚类的离群数据发现算法", 计算机应用, no. 10, 10 October 2006 (2006-10-10), pages 138 - 140 * |
沈红斌, 王士同, 吴小俊: "离群模糊核聚类算法", 软件学报, no. 07, 30 July 2004 (2004-07-30), pages 1021 - 1029 * |
范子静;罗泽;马永征;: "一种基于模糊核聚类的谱聚类算法", 计算机工程, no. 11, 15 November 2017 (2017-11-15), pages 161 - 165 * |
郑一鸣;孙翔;张建平;李晨;于淼;: "振动监测方法在特高压电抗器缺陷分析中的应用", 浙江电力, no. 01, 25 January 2018 (2018-01-25), pages 30 - 34 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017121A (zh) * | 2022-08-05 | 2022-09-06 | 山东天意机械股份有限公司 | 一种混凝土生产设备数据存储系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116186634B (zh) | 一种建筑工程施工数据智能管理系统 | |
CN109490369A (zh) | 一种非接触式电阻抗层析成像装置及方法 | |
CN111816936B (zh) | 电池梯次利用配组方法、系统、终端设备及存储介质 | |
CN109813544B (zh) | 一种基于在线监测的旋转机械早期故障诊断方法及系统 | |
CN109327797A (zh) | 基于WiFi网络信号的移动机器人室内定位系统 | |
CN109254532A (zh) | 一种面向通信时滞的多智能体分布式合作故障检测方法 | |
CN112525201A (zh) | 一种基于电磁场特征多信息融合的水下目标跟踪方法 | |
CN114046873A (zh) | 一种基于lof-fcm模糊聚类算法的电抗器振动监测系统 | |
CN108827401A (zh) | 一种新型的水土保持监测装置及方法 | |
CN115019158A (zh) | 一种基于图像识别的海洋污染区域识别方法及系统 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN104895611A (zh) | 一种测量矿井粉尘浓度的智能传感器 | |
CN109726770A (zh) | 一种模拟电路故障测试诊断方法 | |
CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN111007390B (zh) | 基于代数方法的模拟电路故障诊断模型 | |
CN111598955A (zh) | 一种基于摄影测量的移动终端智能基坑监测系统及方法 | |
CN110827355A (zh) | 一种基于视频图像坐标的移动目标快速定位方法及系统 | |
CN116630320A (zh) | 电池极片的检测方法、装置、电子设备及存储介质 | |
CN108834043B (zh) | 基于先验知识的压缩感知多目标无源定位方法 | |
CN116776181A (zh) | 基于改进模糊聚类的终端侧负荷辨识方法、介质及系统 | |
CN112198472B (zh) | 一种局部放电智能传感器在线远程校验方法及系统 | |
CN114779098A (zh) | 一种锂离子电池的状态评估方法及系统 | |
CN114638961A (zh) | 一种指针表盘识别方法、系统及计算机存储介质 | |
CN211978642U (zh) | 一种装甲车辆润滑油磨粒在线监测装置 | |
CN209570317U (zh) | 一种方向自校正振动传感器 |
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 |