CN114112017A - 一种gis隔离开关的振动信号提取方法及系统 - Google Patents
一种gis隔离开关的振动信号提取方法及系统 Download PDFInfo
- Publication number
- CN114112017A CN114112017A CN202111412589.2A CN202111412589A CN114112017A CN 114112017 A CN114112017 A CN 114112017A CN 202111412589 A CN202111412589 A CN 202111412589A CN 114112017 A CN114112017 A CN 114112017A
- Authority
- CN
- China
- Prior art keywords
- signal
- vibration
- vibration measurement
- measurement signal
- impact
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 66
- 238000005259 measurement Methods 0.000 claims abstract description 257
- 238000013528 artificial neural network Methods 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000009471 action Effects 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000010606 normalization Methods 0.000 claims description 29
- 230000011218 segmentation Effects 0.000 claims description 28
- 230000035939 shock Effects 0.000 claims description 12
- 230000007547 defect Effects 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010297 mechanical methods and process Methods 0.000 description 1
- 230000005226 mechanical processes and functions Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种GIS隔离开关的振动信号提取方法及系统,其中,方法包括:对振动测量信号进行分段处理,得到转动段振动测量信号和冲击振动测量信号;利用转动段振动测量信号对稀疏神经网络进行训练,得到转动段振动信号特征提取模型;将冲击振动测量信号输入到转动段振动信号特征提取模型中,确定冲击振动测量信号中掺杂的掺杂转动段振动信号;根据掺杂转动段振动信号和冲击振动测量信号,确定GIS隔离开关动触头动作段的冲击振动信号。本发明通过对稀疏神经网络进行训练得到转动段振动信号特征提取模型,从而识别出冲击振动测量信号中掺杂的掺杂转动段振动信号,能够提高GIS隔离开关的振动信号的提取精度,进而提高GIS隔离开关机械缺陷诊断的准确性。
Description
技术领域
本发明涉及振动信号提取技术领域,特别是涉及一种GIS隔离开关的振动信号提取方法及系统。
背景技术
气体绝缘组合电器(GAS Insulated Switchgear,GIS)是一种气体绝缘全密封型的开关装置,在现代电网中的应用十分广泛,其集隔离开关、断路器、互感器、接地装置、避雷器、电缆、母线、连接件和出线终端于一体,具有体积小、重量轻、模块化设计集成诸多功能、可靠性高、及维护工作量少等诸多优点。其中,隔离开关是一种起着隔离作用的开关设备,主要作用为隔离电路,是GIS组合设备中的重要组成部分之一。近年来,因为隔离开关内部的缺陷而导致的GIS设备内部故障问题不断出现,往往会导致大面积的停电事故,甚至导致整个变电站停电,从而引发上级电网停电的重大事故,给电力设备和用户带去较大的麻烦和损失。隔离开关的故障主要包括导电回路的故障、传动机构的故障、操作机构的故障、支柱绝缘子的故障和系统机械故障。此外,实际安装及运行工作过程中的各种人为或环境因素造成GIS实际运行过程中相关的刀闸隔离开关无法有效合到位等问题时有发生,极大的影响了局部电网乃至整个电网的供电可靠性。
GIS设备隔离开关主要由驱动电机、连杆机构、动静触头等部件组成,其动作过程为隔离开关根据接收到的信号判断分闸或合闸后,在驱动电机的带动下,拐臂开始转动并带动动触头实现分闸或合闸。显然,在GIS隔离开关分合闸过程中,会有与拐臂转动、动触头分合闸等机械动作对应的机械振动信号产生,这些机械振动信号与GIS隔离开关分合闸过程中关键结构件的运动轨迹及其机械状态密切相关,且可使用振动加速度传感器方便获取,使得基于机械振动信号的GIS隔离开关机械状态监测及缺陷识别日益成为关注热点。但是,与GIS隔离开关的分合闸机械过程相对应,其机械振动信号主要由拐臂转动段振动信号、及分合闸段冲击振动信号及其衰减部分组成,呈现强时变和非线性叠加特征,且拐臂转动段振动信号与分合闸段冲击振动信号形态各异。因此,直接由传感器测得的信号难以保证GIS隔离开关机械缺陷诊断的准确性。
发明内容
本发明的目的是提供一种GIS隔离开关的振动信号提取方法及系统,能够提高GIS隔离开关的振动信号的提取精度,进而提高GIS隔离开关机械缺陷诊断的准确性。
为实现上述目的,本发明提供了如下方案:
一种GIS隔离开关的振动信号提取方法,包括:
获取GIS隔离开关的动触头动作段的振动测量信号;
对所述振动测量信号进行分段处理,得到转动段振动测量信号和冲击振动测量信号;
利用所述转动段振动测量信号对稀疏神经网络进行训练,得到转动段振动信号特征提取模型;
将所述冲击振动测量信号输入到所述转动段振动信号特征提取模型中,确定所述冲击振动测量信号中掺杂的掺杂转动段振动信号;所述掺杂转动段振动信号包括多个掺杂转动段振动子信号;
根据所述掺杂转动段振动信号和所述冲击振动测量信号,确定GIS隔离开关动触头动作段的冲击振动信号。
可选的,所述对所述振动测量信号进行分段处理,得到转动段振动测量信号和冲击振动测量信号,具体包括:
令迭代次数为1;
根据预设时间段内所述振动测量信号中数据点的个数,利用公式δ0=Δt/N0,确定方形网格的边长;其中,δ0为方形网格的边长,Δt为预设时间段的时长;N0为预设时间段内振动测量信号中数据点的个数;
令切割值J等于1;
确定所述预设时间段内振动测量信号中的前J个数据点组成的信号为振动测量切割信号;
根据所述方形网格的边长,利用公式确定所述振动测量切割信号覆盖的网格数;其中,N(δ)为预设时间段[tk-Δt,tk]内振动测量信号覆盖的网格数,J=1,2,...N0;yj和yj+1为表示预设时间段内振动测量信号中的第j和第j+1个数据点;
令所述方形网格的边长增加预设边长增量,令i的数值增加1,令切割值J等于1,并返回步骤“根据所述方形网格的边长,利用公式确定所述振动测量切割信号覆盖的网格数”直至第i次迭代的信号转折值与第i-1次迭代的信号转折值的差值的绝对值小于差值阈值;第0次迭代的信号转折值为0;
确定第i次迭代时的振动测量切割信号为转动段振动测量信号;
确定预设时间段内振动测量信号中除转动段振动测量信号点之外的数据点组成的信号为冲击振动测量信号;所述转动段振动测量信号点为所述转动段振动测量信号中的数据点。
可选的,所述利用所述转动段振动测量信号对稀疏神经网络进行训练,得到转动段振动信号特征提取模型,具体包括:
确定稀疏神经网络的结构,并设置稀疏神经网络的参数;所述的稀疏神经网络的结构包括输入层、隐含层和输出层。
初始化稀疏神经网络的参数;
对所述转动段振动测量信号进行归一化处理,得到归一化后的转动段振动测量信号;
将归一化后的转动段振动测量信号进行分段处理,得到转动段振动测量信号训练集;
利用所述转动段振动测量信号训练集对所述稀疏神经网络进行训练,得到训练后的稀疏神经网络作为转动段振动信号特征提取模型。
可选的,所述将所述冲击振动测量信号输入到所述转动段振动信号特征提取模型中,确定所述冲击振动测量信号中掺杂的掺杂转动段振动信号,具体包括:
对所述冲击振动测量信号进行分段处理,得到多个冲击振动测量子信号;
对多个所述冲击振动测量子信号分别进行归一化处理,得到多个归一化后的冲击振动测量子信号;
将多个所述归一化后的冲击振动测量子信号分别输入到所述转动段振动信号特征提取模型中,得到多个归一化的掺杂转动段振动子信号;
对多个归一化的掺杂转动段振动子信号分别进行逆归一化处理,得到多个掺杂转动段振动子信号。
可选的,所述根据所述掺杂转动段振动信号和所述冲击振动测量信号,确定GIS隔离开关动触头动作段的冲击振动信号,具体包括:
根据每个所述冲击振动测量子信号及其对应的所述掺杂转动段振动子信号,利用公式Zc=y2-Zb,确定多个冲击振动子信号;
依次连接多个所述冲击振动子信号,得到GIS隔离开关动触头动作段的冲击振动信号;
其中,Zc为冲击振动子信号,y2为冲击振动测量子信号,Zb为掺杂转动段振动子信号。
一种GIS隔离开关的振动信号提取系统,包括:
振动测量信号获取模块,用于获取GIS隔离开关的动触头动作段的振动测量信号;
分段处理模块,用于对所述振动测量信号进行分段处理,得到转动段振动测量信号和冲击振动测量信号;
转动段振动信号特征提取模型确定模块,用于利用所述转动段振动测量信号对稀疏神经网络进行训练,得到转动段振动信号特征提取模型;
掺杂转动段振动信号确定模块,用于将所述冲击振动测量信号输入到所述转动段振动信号特征提取模型中,确定所述冲击振动测量信号中掺杂的掺杂转动段振动信号;所述掺杂转动段振动信号包括多个掺杂转动段振动子信号;
冲击振动信号确定模块,用于根据所述掺杂转动段振动信号和所述冲击振动测量信号,确定GIS隔离开关动触头动作段的冲击振动信号。
可选的,所述分段处理模块,具体包括:
迭代次数设定单元,用于令迭代次数为1;
方形网格边长确定单元,用于根据预设时间段内所述振动测量信号中数据点的个数,利用公式δ0=Δt/N0,确定方形网格的边长;其中,δ0为方形网格的边长,Δt为预设时间段的时长;N0为预设时间段内振动测量信号中数据点的个数;
切割值设定单元,用于令切割值J等于1;
振动测量切割信号确定单元,用于确定所述预设时间段内振动测量信号中的前J个数据点组成的信号为振动测量切割信号;
网格数确定单元,用于根据所述方形网格的边长,利用公式确定所述振动测量切割信号覆盖的网格数;其中,N(δ)为预设时间段[tk-Δt,tk]内振动测量信号覆盖的网格数,J=1,2,...N0;yj和yj+1为表示预设时间段内振动测量信号中的第j和第j+1个数据点;
第i次迭代的信号转折值确定单元,用于令J的数值增加1,并调用所述网格数确定单元直至所述网格数大于网格数阈值,确定所述网格数大于网格数阈值的切割值J为第i次迭代的信号转折值;
方形网格边长更新单元,用于令所述方形网格的边长增加预设边长增量,令i的数值增加1,令切割值J等于1,并调用所述网格数确定单元直至第i次迭代的信号转折值与第i-1次迭代的信号转折值的差值的绝对值小于差值阈值;第0次迭代的信号转折值为0;
转动段振动测量信号确定单元,用于确定第i次迭代时的振动测量切割信号为转动段振动测量信号;
冲击振动测量信号确定单元,用于确定预设时间段内振动测量信号中除转动段振动测量信号点之外的数据点组成的信号为冲击振动测量信号;所述转动段振动测量信号点为所述转动段振动测量信号中的数据点。
可选的,所述转动段振动信号特征提取模型确定模块,具体包括:
稀疏神经网络结构确定单元,用于确定稀疏神经网络的结构,并设置稀疏神经网络的参数;所述的稀疏神经网络的结构包括输入层、隐含层和输出层。
稀疏神经网络参数初始化单元,用于初始化稀疏神经网络的参数;
第一归一化处理单元,用于对所述转动段振动测量信号进行归一化处理,得到归一化后的转动段振动测量信号;
第一分段处理单元,用于将归一化后的转动段振动测量信号进行分段处理,得到转动段振动测量信号训练集;
转动段振动信号特征提取模型确定单元,用于利用所述转动段振动测量信号训练集对所述稀疏神经网络进行训练,得到训练后的稀疏神经网络作为转动段振动信号特征提取模型。
可选的,所述掺杂转动段振动信号确定模块,具体包括:
第二分段处理单元,用于对所述冲击振动测量信号进行分段处理,得到多个冲击振动测量子信号;
第二归一化处理单元,用于对多个所述冲击振动测量子信号分别进行归一化处理,得到多个归一化后的冲击振动测量子信号;
归一化的掺杂转动段振动子信号确定单元,用于将多个所述归一化后的冲击振动测量子信号分别输入到所述转动段振动信号特征提取模型中,得到多个归一化的掺杂转动段振动子信号;
逆归一化处理确定单元,用于对多个归一化的掺杂转动段振动子信号分别进行逆归一化处理,得到多个掺杂转动段振动子信号。
可选的,所述冲击振动信号确定模块,具体包括:
冲击振动子信号确定单元,用于根据每个所述冲击振动测量子信号及其对应的所述掺杂转动段振动子信号,利用公式Zc=y2-Zb,确定多个冲击振动子信号;
冲击振动信号确定单元,用于依次连接多个所述冲击振动子信号,得到GIS隔离开关动触头动作段的冲击振动信号;
其中,Zc为冲击振动子信号,y2为冲击振动测量子信号,Zb为掺杂转动段振动子信号。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种GIS隔离开关的振动信号提取方法及系统,其中,方法包括:获取GIS隔离开关的动触头动作段的振动测量信号;对振动测量信号进行分段处理,得到转动段振动测量信号和冲击振动测量信号;利用转动段振动测量信号对稀疏神经网络进行训练,得到转动段振动信号特征提取模型;将冲击振动测量信号输入到转动段振动信号特征提取模型中,确定冲击振动测量信号中掺杂的掺杂转动段振动信号;根据掺杂转动段振动信号和冲击振动测量信号,确定GIS隔离开关动触头动作段的冲击振动信号。本发明通过对稀疏神经网络进行训练得到转动段振动信号特征提取模型,从而识别出冲击振动测量信号中掺杂的掺杂转动段振动信号,能够提高GIS隔离开关的振动信号的提取精度,进而提高GIS隔离开关机械缺陷诊断的准确性。
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性的前提下,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GIS隔离开关的振动信号提取方法流程图;
图2为本发明实施例中GIS隔离开关机械状态监测用振动信号提取方法流程示意图;
图3为本发明实施例中GIS隔离开关分合闸时的振动信号示意图;图3(a)为本发明实施例中GIS隔离开关合闸时的振动信号示意图;图3(b)为本发明实施例中GIS隔离开关分闸时的振动信号示意图;
图4为本发明实施例中稀疏神经网络的结构图。
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。基于本发明中的实施例,本领域普通技术人员在没有做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。
本发明的目的是提供一种GIS隔离开关的振动信号提取方法及系统,能够提高GIS隔离开关的振动信号的提取精度,进而提高GIS隔离开关机械缺陷诊断的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例中GIS隔离开关的振动信号提取方法流程图,如图1,本发明提供了一种GIS隔离开关的振动信号提取方法,包括:
步骤101:获取GIS隔离开关的动触头动作段的振动测量信号;
步骤102:对振动测量信号进行分段处理,得到转动段振动测量信号和冲击振动测量信号;
步骤103:利用转动段振动测量信号对稀疏神经网络进行训练,得到转动段振动信号特征提取模型;
步骤104:将冲击振动测量信号输入到转动段振动信号特征提取模型中,确定冲击振动测量信号中掺杂的掺杂转动段振动信号;掺杂转动段振动信号包括多个掺杂转动段振动子信号;
步骤105:根据掺杂转动段振动信号和冲击振动测量信号,确定GIS隔离开关动触头动作段的冲击振动信号。
步骤102,具体包括:
令迭代次数为1;
根据预设时间段内振动测量信号中数据点的个数,利用公式δ0=Δt/N0,确定方形网格的边长;其中,δ0为方形网格的边长,Δt为预设时间段的时长;N0为预设时间段内振动测量信号中数据点的个数;
令切割值J等于1;
确定预设时间段内振动测量信号中的前J个数据点组成的信号为振动测量切割信号;
根据方形网格的边长,利用公式确定振动测量切割信号覆盖的网格数;其中,N(δ)为预设时间段[tk-Δt,tk]内振动测量信号覆盖的网格数,J=1,2,...N0;yj和yj+1为表示预设时间段内振动测量信号中的第j和第j+1个数据点;
令方形网格的边长增加预设边长增量,令i的数值增加1,令切割值J等于1,并返回步骤“根据方形网格的边长,利用公式确定振动测量切割信号覆盖的网格数”直至第i次迭代的信号转折值与第i-1次迭代的信号转折值的差值的绝对值小于差值阈值;第0次迭代的信号转折值为0;
确定第i次迭代时的振动测量切割信号为转动段振动测量信号;
确定预设时间段内振动测量信号中除转动段振动测量信号点之外的数据点组成的信号为冲击振动测量信号;转动段振动测量信号点为转动段振动测量信号中的数据点。
步骤103,具体包括:
确定稀疏神经网络的结构,并设置稀疏神经网络的参数;的稀疏神经网络的结构包括输入层、隐含层和输出层。
初始化稀疏神经网络的参数;
对转动段振动测量信号进行归一化处理,得到归一化后的转动段振动测量信号;
将归一化后的转动段振动测量信号进行分段处理,得到转动段振动测量信号训练集;
利用转动段振动测量信号训练集对稀疏神经网络进行训练,得到训练后的稀疏神经网络作为转动段振动信号特征提取模型。
步骤104,具体包括:
对冲击振动测量信号进行分段处理,得到多个冲击振动测量子信号;
对多个冲击振动测量子信号分别进行归一化处理,得到多个归一化后的冲击振动测量子信号;
将多个归一化后的冲击振动测量子信号分别输入到转动段振动信号特征提取模型中,得到多个归一化的掺杂转动段振动子信号;
对多个归一化的掺杂转动段振动子信号分别进行逆归一化处理,得到多个掺杂转动段振动子信号。
步骤105,具体包括:
根据每个冲击振动测量子信号及其对应的掺杂转动段振动子信号,利用公式Zc=y2-Zb,确定多个冲击振动子信号;
依次连接多个冲击振动子信号,得到GIS隔离开关动触头动作段的冲击振动信号;
其中,Zc为冲击振动子信号,y2为冲击振动测量子信号,Zb为掺杂转动段振动子信号。
如图2,以某2200kVGIS设备隔离开关为测试对象,对其分合闸过程中的振动信号进行测试,据此说明GIS隔离开关机械状态监测用振动信号的提取方法包括如下步骤:
(1)在变电站现场,在GIS设备隔离开关壳体上对应隔离开关静触头处放置振动加速度传感器,经线缆连接至振动信号采集与分析系统,获取GIS设备隔离开关分合闸过程中的振动信号,如图3所示,其中,振动信号的长度为N0(即预设时间段内振动测量信号中数据点的个数),采样频率为fs,此处,fs=50000Hz。
(2)依据振动测量信号y(k)的形态对其进行分段处理,获取转动段振动测量信号y1(k)和冲击振动测量信号y2(k),冲击振动信号y2(k)为转动转振动信号y1(k)和动触头分合所产生的振动信号的非线性叠加,其计算步骤如下:
2a.取边长为δ0的正方形;此处,δ0=20;
2b.依据边长为δ0的正方形计算振动测量信号y(k)的网格数N(δ),网格数N(δ)表示在时间段[tk-Δt,tk]内以δ0为边长的正方形网格覆盖振动信号y(k)所需的网格数,其计算公式为
式中,δ0=Δt/p。
2c.记网格数N(δ0)大于网格数阈值ε的时刻t0为冲击振动测量信号y2(k)在振动信号y(k)中的信号起始点;
2d.令δ=δ0+h,此处,h正方形的边长增加量,重复步骤3b和步骤3c,获取冲击振动测量信号y2(k)在振动测量信号y(k)中的信号起始点t1,t2,…,tw,此处,w为预设的迭代次数。迭代终止条件为达到预设的迭代次数或信号起始点t1,t2,…,tw达到一恒定值tc;
2e.取振动测量信号从起始时刻至tc处的振动信号为转动段振动测量信号y1(k),记tc处的振动测量信号至振动测量信号y(k)末端处的振动信号为冲击振动测量信号y2(k)。
(3)建立基于稀疏神经网络的GIS隔离开关转动段振动信号计算模型,其计算步骤如下:
3a.确定稀疏神经网络的结构和设置稀疏神经网络的参数,稀疏神经网络结构包括输入层、隐含层和输出层,其中,输入层的输入信号通过连接权矩阵W和偏置向量b连接到隐含层,隐含层通过连接权矩阵W′和偏置向量b′连接到输出层;稀疏神经网络参数包括输入层与输出层节点数L、隐含层节点数M、稀疏性惩罚项权重β、稀疏参数ρ和正则化项系数λ;如图4所示;
3b.随机初始化输入层到隐含层的连接权矩阵W和偏置向量b、隐含层到输出层的连接权矩阵W′和偏置向量b′,且满足W=W′T;
3c.对转动段振动测量信号y1(k)进行归一化处理,得到归一化后的振动信号测量y'1(k),计算公式为
其中,max(y(k))和min(y(k))分别表示y1(k)的最大值和最小值。
3d.将归一化后的转动段振动信号y'1(k)按照长度E进行分段,得到q个训练样本Gq=[g1,g2,…,gq];此处,E=500。
3e.将训练样本Gq=[g1,g2,…,gq]作为稀疏神经网络的输入和期望输出,计算稀疏神经网络的隐含层状态H、输出和损失函数Jsparse,稀疏神经网络的隐含层状态H、稀疏神经网络的输出和损失函数Jsparse的计算公式分别为:
H=f(WGt+b)
式中:f(*)为稀疏神经网络隐含层和输出层的激活函数,此处采用Sigmoid函数;KL表示散度;为稀疏性惩罚项;为第j个隐含层节点hj的平均激活程度;为正则化约束项,用以防止过度拟合;此处,β=0.1,ρ=0.5,λ=0.2;
3f.采用梯度下降法更新稀疏神经网络输入层到隐含层的权值矩阵W与偏置向量b、隐含层到输出层的权值矩阵W′及偏置向量b′,所述的输入层到隐含层的权值矩阵W与偏置向量b、隐含层到输出层的权值矩阵W′及偏置向量b′的计算公式为:
W′=WT
式中:α为学习率;
3g.重复步骤3e和步骤3f,直到满足迭代收敛条件,完成稀疏神经网络的训练过程,所述的稀疏神经网络的迭代收敛条件为:
式中:ξ为阈值;
(4)将冲击振动测量信号y2(k)输入到基于稀疏神经网络的GIS隔离开关转动段振动信号计算模型中,得到GIS隔离开关动触头动作段的振动信号,其计算步骤如下:
4a.对冲击振动信号y2(k)进行归一化处理,得到归一化后的振动信号y'2(k),所述的振动信号y2(k)的归一化处理的计算公式为
其中,max(y(k))和min(y(k))分别表示y1(k)的最大值和最小值。
其中,max(y2)和min(y2)分别表示y2(k)的最大值和最小值。
(5)计算GIS隔离开关动触头动作段的实际冲击振动信号Zc,其计算公式为
Zc=y2-Zb
也就是说,本发明根据GIS隔离开关分合闸过程中的振动信号,应用稀疏神经网络算法可学习到GIS隔离开关转动振动信号的特征,从而实现了GIS隔离开关动触头动作段冲击振动信号与转动振动信号有效分离,为GIS隔离开关各个关键结构件的机械状态监测、故障诊断等提供了有益的数据支持。
此外,本发明还提供了一种GIS隔离开关的振动信号提取系统,包括:
振动测量信号获取模块,用于获取GIS隔离开关的动触头动作段的振动测量信号;
分段处理模块,用于对振动测量信号进行分段处理,得到转动段振动测量信号和冲击振动测量信号;
转动段振动信号特征提取模型确定模块,用于利用转动段振动测量信号对稀疏神经网络进行训练,得到转动段振动信号特征提取模型;
掺杂转动段振动信号确定模块,用于将冲击振动测量信号输入到转动段振动信号特征提取模型中,确定冲击振动测量信号中掺杂的掺杂转动段振动信号;掺杂转动段振动信号包括多个掺杂转动段振动子信号;
冲击振动信号确定模块,用于根据掺杂转动段振动信号和冲击振动测量信号,确定GIS隔离开关动触头动作段的冲击振动信号。
其中,分段处理模块,具体包括:
迭代次数设定单元,用于令迭代次数为1;
方形网格边长确定单元,用于根据预设时间段内振动测量信号中数据点的个数,利用公式δ0=Δt/N0,确定方形网格的边长;其中,δ0为方形网格的边长,Δt为预设时间段的时长;N0为预设时间段内振动测量信号中数据点的个数;
切割值设定单元,用于令切割值J等于1;
振动测量切割信号确定单元,用于确定预设时间段内振动测量信号中的前J个数据点组成的信号为振动测量切割信号;
网格数确定单元,用于根据方形网格的边长,利用公式确定振动测量切割信号覆盖的网格数;其中,N(δ)为预设时间段[tk-Δt,tk]内振动测量信号覆盖的网格数,J=1,2,...N0;yj和yj+1为表示预设时间段内振动测量信号中的第j和第j+1个数据点;
第i次迭代的信号转折值确定单元,用于令J的数值增加1,并调用网格数确定单元直至网格数大于网格数阈值,确定网格数大于网格数阈值的切割值J为第i次迭代的信号转折值;
方形网格边长更新单元,用于令方形网格的边长增加预设边长增量,令i的数值增加1,令切割值J等于1,并调用网格数确定单元直至第i次迭代的信号转折值与第i-1次迭代的信号转折值的差值的绝对值小于差值阈值;第0次迭代的信号转折值为0;
转动段振动测量信号确定单元,用于确定第i次迭代时的振动测量切割信号为转动段振动测量信号;
冲击振动测量信号确定单元,用于确定预设时间段内振动测量信号中除转动段振动测量信号点之外的数据点组成的信号为冲击振动测量信号;转动段振动测量信号点为转动段振动测量信号中的数据点。
具体的,转动段振动信号特征提取模型确定模块,具体包括:
稀疏神经网络结构确定单元,用于确定稀疏神经网络的结构,并设置稀疏神经网络的参数;的稀疏神经网络的结构包括输入层、隐含层和输出层。
稀疏神经网络参数初始化单元,用于初始化稀疏神经网络的参数;
第一归一化处理单元,用于对转动段振动测量信号进行归一化处理,得到归一化后的转动段振动测量信号;
第一分段处理单元,用于将归一化后的转动段振动测量信号进行分段处理,得到转动段振动测量信号训练集;
转动段振动信号特征提取模型确定单元,用于利用转动段振动测量信号训练集对稀疏神经网络进行训练,得到训练后的稀疏神经网络作为转动段振动信号特征提取模型。
具体的,掺杂转动段振动信号确定模块,具体包括:
第二分段处理单元,用于对冲击振动测量信号进行分段处理,得到多个冲击振动测量子信号;
第二归一化处理单元,用于对多个冲击振动测量子信号分别进行归一化处理,得到多个归一化后的冲击振动测量子信号;
归一化的掺杂转动段振动子信号确定单元,用于将多个归一化后的冲击振动测量子信号分别输入到转动段振动信号特征提取模型中,得到多个归一化的掺杂转动段振动子信号;
逆归一化处理确定单元,用于对多个归一化的掺杂转动段振动子信号分别进行逆归一化处理,得到多个掺杂转动段振动子信号。
优选地,冲击振动信号确定模块,具体包括:
冲击振动子信号确定单元,用于根据每个冲击振动测量子信号及其对应的掺杂转动段振动子信号,利用公式Zc=y2-Zb,确定多个冲击振动子信号;
冲击振动信号确定单元,用于依次连接多个冲击振动子信号,得到GIS隔离开关动触头动作段的冲击振动信号;
其中,Zc为冲击振动子信号,y2为冲击振动测量子信号,Zb为掺杂转动段振动子信号。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种GIS隔离开关的振动信号提取方法,其特征在于,所述方法,包括:
获取GIS隔离开关的动触头动作段的振动测量信号;
对所述振动测量信号进行分段处理,得到转动段振动测量信号和冲击振动测量信号;
利用所述转动段振动测量信号对稀疏神经网络进行训练,得到转动段振动信号特征提取模型;
将所述冲击振动测量信号输入到所述转动段振动信号特征提取模型中,确定所述冲击振动测量信号中掺杂的掺杂转动段振动信号;所述掺杂转动段振动信号包括多个掺杂转动段振动子信号;
根据所述掺杂转动段振动信号和所述冲击振动测量信号,确定GIS隔离开关动触头动作段的冲击振动信号。
2.根据权利要求1所述的GIS隔离开关的振动信号提取方法,其特征在于,所述对所述振动测量信号进行分段处理,得到转动段振动测量信号和冲击振动测量信号,具体包括:
令迭代次数为1;
根据预设时间段内所述振动测量信号中数据点的个数,利用公式δ0=Δt/N0,确定方形网格的边长;其中,δ0为方形网格的边长,Δt为预设时间段的时长;N0为预设时间段内振动测量信号中数据点的个数;
令切割值J等于1;
确定所述预设时间段内振动测量信号中的前J个数据点组成的信号为振动测量切割信号;
根据所述方形网格的边长,利用公式确定所述振动测量切割信号覆盖的网格数;其中,N(δ)为预设时间段[tk-Δt,tk]内振动测量信号覆盖的网格数,J=1,2,...N0;yj和yj+1为表示预设时间段内振动测量信号中的第j和第j+1个数据点;
令所述方形网格的边长增加预设边长增量,令i的数值增加1,令切割值J等于1,并返回步骤“根据所述方形网格的边长,利用公式确定所述振动测量切割信号覆盖的网格数”直至第i次迭代的信号转折值与第i-1次迭代的信号转折值的差值的绝对值小于差值阈值;第0次迭代的信号转折值为0;
确定第i次迭代时的振动测量切割信号为转动段振动测量信号;
确定预设时间段内振动测量信号中除转动段振动测量信号点之外的数据点组成的信号为冲击振动测量信号;所述转动段振动测量信号点为所述转动段振动测量信号中的数据点。
3.根据权利要求1所述的GIS隔离开关的振动信号提取方法,其特征在于,所述利用所述转动段振动测量信号对稀疏神经网络进行训练,得到转动段振动信号特征提取模型,具体包括:
确定稀疏神经网络的结构,并设置稀疏神经网络的参数;所述的稀疏神经网络的结构包括输入层、隐含层和输出层。
初始化稀疏神经网络的参数;
对所述转动段振动测量信号进行归一化处理,得到归一化后的转动段振动测量信号;
将归一化后的转动段振动测量信号进行分段处理,得到转动段振动测量信号训练集;
利用所述转动段振动测量信号训练集对所述稀疏神经网络进行训练,得到训练后的稀疏神经网络作为转动段振动信号特征提取模型。
4.根据权利要求3所述的GIS隔离开关的振动信号提取方法,其特征在于,所述将所述冲击振动测量信号输入到所述转动段振动信号特征提取模型中,确定所述冲击振动测量信号中掺杂的掺杂转动段振动信号,具体包括:
对所述冲击振动测量信号进行分段处理,得到多个冲击振动测量子信号;
对多个所述冲击振动测量子信号分别进行归一化处理,得到多个归一化后的冲击振动测量子信号;
将多个所述归一化后的冲击振动测量子信号分别输入到所述转动段振动信号特征提取模型中,得到多个归一化的掺杂转动段振动子信号;
对多个归一化的掺杂转动段振动子信号分别进行逆归一化处理,得到多个掺杂转动段振动子信号。
5.根据权利要求4所述的GIS隔离开关的振动信号提取方法,其特征在于,所述根据所述掺杂转动段振动信号和所述冲击振动测量信号,确定GIS隔离开关动触头动作段的冲击振动信号,具体包括:
根据每个所述冲击振动测量子信号及其对应的所述掺杂转动段振动子信号,利用公式Zc=y2-Zb,确定多个冲击振动子信号;
依次连接多个所述冲击振动子信号,得到GIS隔离开关动触头动作段的冲击振动信号;
其中,Zc为冲击振动子信号,y2为冲击振动测量子信号,Zb为掺杂转动段振动子信号。
6.一种GIS隔离开关的振动信号提取系统,其特征在于,所述系统,包括:
振动测量信号获取模块,用于获取GIS隔离开关的动触头动作段的振动测量信号;
分段处理模块,用于对所述振动测量信号进行分段处理,得到转动段振动测量信号和冲击振动测量信号;
转动段振动信号特征提取模型确定模块,用于利用所述转动段振动测量信号对稀疏神经网络进行训练,得到转动段振动信号特征提取模型;
掺杂转动段振动信号确定模块,用于将所述冲击振动测量信号输入到所述转动段振动信号特征提取模型中,确定所述冲击振动测量信号中掺杂的掺杂转动段振动信号;所述掺杂转动段振动信号包括多个掺杂转动段振动子信号;
冲击振动信号确定模块,用于根据所述掺杂转动段振动信号和所述冲击振动测量信号,确定GIS隔离开关动触头动作段的冲击振动信号。
7.根据权利要求6所述的GIS隔离开关的振动信号提取系统,其特征在于,所述分段处理模块,具体包括:
迭代次数设定单元,用于令迭代次数为1;
方形网格边长确定单元,用于根据预设时间段内所述振动测量信号中数据点的个数,利用公式δ0=Δt/N0,确定方形网格的边长;其中,δ0为方形网格的边长,Δt为预设时间段的时长;N0为预设时间段内振动测量信号中数据点的个数;
切割值设定单元,用于令切割值J等于1;
振动测量切割信号确定单元,用于确定所述预设时间段内振动测量信号中的前J个数据点组成的信号为振动测量切割信号;
网格数确定单元,用于根据所述方形网格的边长,利用公式确定所述振动测量切割信号覆盖的网格数;其中,N(δ)为预设时间段[tk-Δt,tk]内振动测量信号覆盖的网格数,J=1,2,...N0;yj和yj+1为表示预设时间段内振动测量信号中的第j和第j+1个数据点;
第i次迭代的信号转折值确定单元,用于令J的数值增加1,并调用所述网格数确定单元直至所述网格数大于网格数阈值,确定所述网格数大于网格数阈值的切割值J为第i次迭代的信号转折值;
方形网格边长更新单元,用于令所述方形网格的边长增加预设边长增量,令i的数值增加1,令切割值J等于1,并调用所述网格数确定单元直至第i次迭代的信号转折值与第i-1次迭代的信号转折值的差值的绝对值小于差值阈值;第0次迭代的信号转折值为0;
转动段振动测量信号确定单元,用于确定第i次迭代时的振动测量切割信号为转动段振动测量信号;
冲击振动测量信号确定单元,用于确定预设时间段内振动测量信号中除转动段振动测量信号点之外的数据点组成的信号为冲击振动测量信号;所述转动段振动测量信号点为所述转动段振动测量信号中的数据点。
8.根据权利要求6所述的GIS隔离开关的振动信号提取系统,其特征在于,所述转动段振动信号特征提取模型确定模块,具体包括:
稀疏神经网络结构确定单元,用于确定稀疏神经网络的结构,并设置稀疏神经网络的参数;所述的稀疏神经网络的结构包括输入层、隐含层和输出层。
稀疏神经网络参数初始化单元,用于初始化稀疏神经网络的参数;
第一归一化处理单元,用于对所述转动段振动测量信号进行归一化处理,得到归一化后的转动段振动测量信号;
第一分段处理单元,用于将归一化后的转动段振动测量信号进行分段处理,得到转动段振动测量信号训练集;
转动段振动信号特征提取模型确定单元,用于利用所述转动段振动测量信号训练集对所述稀疏神经网络进行训练,得到训练后的稀疏神经网络作为转动段振动信号特征提取模型。
9.根据权利要求8所述的GIS隔离开关的振动信号提取系统,其特征在于,所述掺杂转动段振动信号确定模块,具体包括:
第二分段处理单元,用于对所述冲击振动测量信号进行分段处理,得到多个冲击振动测量子信号;
第二归一化处理单元,用于对多个所述冲击振动测量子信号分别进行归一化处理,得到多个归一化后的冲击振动测量子信号;
归一化的掺杂转动段振动子信号确定单元,用于将多个所述归一化后的冲击振动测量子信号分别输入到所述转动段振动信号特征提取模型中,得到多个归一化的掺杂转动段振动子信号;
逆归一化处理确定单元,用于对多个归一化的掺杂转动段振动子信号分别进行逆归一化处理,得到多个掺杂转动段振动子信号。
10.根据权利要求9所述的GIS隔离开关的振动信号提取系统,其特征在于,所述冲击振动信号确定模块,具体包括:
冲击振动子信号确定单元,用于根据每个所述冲击振动测量子信号及其对应的所述掺杂转动段振动子信号,利用公式Zc=y2-Zb,确定多个冲击振动子信号;
冲击振动信号确定单元,用于依次连接多个所述冲击振动子信号,得到GIS隔离开关动触头动作段的冲击振动信号;
其中,Zc为冲击振动子信号,y2为冲击振动测量子信号,Zb为掺杂转动段振动子信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111412589.2A CN114112017A (zh) | 2021-11-25 | 2021-11-25 | 一种gis隔离开关的振动信号提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111412589.2A CN114112017A (zh) | 2021-11-25 | 2021-11-25 | 一种gis隔离开关的振动信号提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114112017A true CN114112017A (zh) | 2022-03-01 |
Family
ID=80372911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111412589.2A Pending CN114112017A (zh) | 2021-11-25 | 2021-11-25 | 一种gis隔离开关的振动信号提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114112017A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102435424A (zh) * | 2011-09-05 | 2012-05-02 | 西安邮电学院 | 基于振动特征的高压断路器在线监测系统 |
CN106370291A (zh) * | 2015-07-24 | 2017-02-01 | 国网四川省电力公司乐山供电公司 | 一种水平三柱式高压隔离开关的振动测试方法 |
CN106601534A (zh) * | 2016-11-22 | 2017-04-26 | 平高集团有限公司 | 高压隔离开关及高压隔离开关传动机构故障监测方法 |
CN107702908A (zh) * | 2017-10-12 | 2018-02-16 | 国网山东省电力公司莱芜供电公司 | 基于vmd自适应形态学的gis机械振动信号时频分析方法 |
CN111042802A (zh) * | 2019-12-23 | 2020-04-21 | 佛山科学技术学院 | 一种抽油机故障诊断方法、装置及系统 |
CN111679654A (zh) * | 2020-06-17 | 2020-09-18 | 衢州职业技术学院 | 基于神经网络的电力驱动系统振动信号诊断方法及装置 |
CN112378606A (zh) * | 2020-10-10 | 2021-02-19 | 盐城工学院 | 一种随机振动与冲击信号的分离方法 |
US20210167584A1 (en) * | 2019-11-29 | 2021-06-03 | Electric Power Science & Research Institute Of State Grid Tianjin Electric Power Company | Gis mechanical fault diagnosis method and device |
KR20210082596A (ko) * | 2019-12-26 | 2021-07-06 | 주식회사 모트롤 | 감속 장치의 고장진단 장치 및 방법 |
CN113252322A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
-
2021
- 2021-11-25 CN CN202111412589.2A patent/CN114112017A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102435424A (zh) * | 2011-09-05 | 2012-05-02 | 西安邮电学院 | 基于振动特征的高压断路器在线监测系统 |
CN106370291A (zh) * | 2015-07-24 | 2017-02-01 | 国网四川省电力公司乐山供电公司 | 一种水平三柱式高压隔离开关的振动测试方法 |
CN106601534A (zh) * | 2016-11-22 | 2017-04-26 | 平高集团有限公司 | 高压隔离开关及高压隔离开关传动机构故障监测方法 |
CN107702908A (zh) * | 2017-10-12 | 2018-02-16 | 国网山东省电力公司莱芜供电公司 | 基于vmd自适应形态学的gis机械振动信号时频分析方法 |
US20210167584A1 (en) * | 2019-11-29 | 2021-06-03 | Electric Power Science & Research Institute Of State Grid Tianjin Electric Power Company | Gis mechanical fault diagnosis method and device |
CN111042802A (zh) * | 2019-12-23 | 2020-04-21 | 佛山科学技术学院 | 一种抽油机故障诊断方法、装置及系统 |
KR20210082596A (ko) * | 2019-12-26 | 2021-07-06 | 주식회사 모트롤 | 감속 장치의 고장진단 장치 및 방법 |
CN111679654A (zh) * | 2020-06-17 | 2020-09-18 | 衢州职业技术学院 | 基于神经网络的电力驱动系统振动信号诊断方法及装置 |
CN112378606A (zh) * | 2020-10-10 | 2021-02-19 | 盐城工学院 | 一种随机振动与冲击信号的分离方法 |
CN113252322A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
Non-Patent Citations (3)
Title |
---|
YANG YUAN等: "Frequency Feature Learning from Vibration Information of GIS for Mechanical Fault Detection", SENSORS, 31 December 2019 (2019-12-31) * |
张文义;于德介;陈向民;: "基于信号共振稀疏分解与能量算子解调的轴承故障诊断方法", 中国电机工程学报, no. 20, 15 July 2013 (2013-07-15) * |
李舒适: "基于振动监测的高压断路器机械故障诊断研究", 中国优秀硕士学位论文全文数据库 工程科技II辑, no. 6, 15 June 2021 (2021-06-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110926778B (zh) | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 | |
CN110398368B (zh) | 基于fbm的长相关模型的轴承内圈故障剩余寿命预测方法 | |
CN112729381B (zh) | 一种基于神经网络的高压断路器的故障诊断方法 | |
CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
CN113379252A (zh) | 基于多尺度排列熵值的贝叶斯网络高压开关柜健康系统评估方法 | |
CN112288147A (zh) | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 | |
CN116186520A (zh) | 一种多任务联合的高压隔离开关故障诊断方法 | |
CN111079647A (zh) | 一种断路器缺陷识别方法 | |
CN115932561A (zh) | 一种基于声纹识别的高压断路器机械故障在线诊断方法 | |
CN114660399A (zh) | 一种环网柜设备状态监测及故障诊断方法 | |
CN114112017A (zh) | 一种gis隔离开关的振动信号提取方法及系统 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN114114001B (zh) | 一种gis设备隔离开关机械状态监测方法及系统 | |
Li et al. | Method of short-circuit fault diagnosis in transmission line based on deep learning | |
CN112327218A (zh) | 一种变压器在线监测与故障诊断方法 | |
CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 | |
CN114397521A (zh) | 一种针对电子设备的故障诊断方法及系统 | |
CN110286291B (zh) | 一种利用主成分的变压器运行状态振声检测方法和系统 | |
Ma et al. | Risk Assessment of Tower Transmission Based on Insulator Online Monitoring | |
CN113486291B (zh) | 一种基于深度学习的石油钻机微电网故障预测方法 | |
CN112504435B (zh) | 一种高压断路器基座螺丝松动故障检测方法 | |
CN115628805A (zh) | Gis/gil设备端-边-云系统机械振动信号特征预测方法 | |
Zhuang et al. | Deep Learning Based Approach for High Voltage Circuit Breaker Mechanical Fault Diagnosis | |
Wegelin et al. | Condition monitoring of power transformers using acoustic signal prony's analysis | |
CN115481567A (zh) | 基于多维信息融合的断路器触头烧蚀量评估方法及装置 |
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 |