CN114297569B - 一种振动传感器的开关故障检测算法 - Google Patents
一种振动传感器的开关故障检测算法 Download PDFInfo
- Publication number
- CN114297569B CN114297569B CN202111382636.3A CN202111382636A CN114297569B CN 114297569 B CN114297569 B CN 114297569B CN 202111382636 A CN202111382636 A CN 202111382636A CN 114297569 B CN114297569 B CN 114297569B
- Authority
- CN
- China
- Prior art keywords
- vibration
- switch
- vibration signal
- switching
- algorithm
- 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.)
- Active
Links
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种振动传感器的开关故障检测算法,涉及振动传感器检测技术领域。该振动传感器的开关故障检测算法首先采用快速傅里叶变换算法进行振动数据采样,得到开关振动采样数据,然后使用Cubicspline插值法拟合振动采样点数据,得到振动模型曲线,再基于ANFIS算法提取振动模型曲线的特征,最后通过Gauss‑Bayes概率公式计算模型特征的概率分布,基于该概率分布,分析特征确定开关故障点发生位置,提高复杂恶劣条件下开关器件故障位置检测的便捷性,减少判别故障开关器件位置的人员与经济成本,同时提高了人员操作的安全性与电力系统运行的可靠性。
Description
技术领域
本发明涉及振动传感器检测技术领域,具体为一种振动传感器的开关故障检测算法。
背景技术
传感器技术广泛应用于实际工程中的诸多领域,极大地提高了部分工程数据测量、检测的便捷性与精度,在很多方面发挥了不可替代的作用。压电式振动传感器是通过检测与分析器件振动信号是否发生异常,进而保护所检测设备的功能型传感器,该传感器具备灵敏度高、检测范围可调节以及性能稳定等优点,然而,传统的压电式振动传感器存在的一些不足,使其无法完全满足正常的需求。
目前电力系统中的部分开关器件,例如断路器,安装于高空、复杂多变甚至是极端恶劣的环境中,当其中某个开关器件发生故障,难以对其进行检测从而排除故障,传统振动传感器仅检测开关器件的振动信号强弱,仍需凭借技术人员的经验对信号进行判断,这就存在较大的误判概率,同时人工诊断也会降低工作效率与电力系统运行的稳定性。
为了实现在复杂恶劣环境下进行便捷化、智能化的开关器件故障位置检测,需要对传统压电式振动传感器的检测结果进行深度分析,挖掘振动信号采样数据后的开关器件状态,这将极大提升复杂恶劣条件下开关器件故障位置检测的便捷性,减少判别故障开关器件位置的人员与经济成本,因此设计一种振动传感器的开关故障位置检测方法尤其重要。
于是,本申请人秉持多年该相关行业丰富的设计开发及实际制作的经验,提供一种振动传感器的开关故障检测算法,以期达到具有更加实用价值性的目的。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种振动传感器的开关故障检测算法,解决了复杂恶劣条件下开关器件故障位置难以检测、判别故障开关器件位置的人员与经济成本高、人员操作的安全性低与电力系统运行的可靠性低的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种振动传感器的开关故障检测算法,具体算法原理包括以下步骤:
步骤1:采用快速傅里叶变换算法进行开关振动数据采样;
步骤2:使用Cubic spline插值法拟合开关振动采样点数据,得到振动模型曲线;
步骤3:基于ANFIS算法提取振动模型曲线的特征;
步骤4:通过Gauss-Bayes概率公式计算模型特征的概率分布,基于该概率分布,分析特征判别开关故障点发生位置。
优选的,步骤1所述的快速傅里叶变换算法进行开关振动数据采样,具体步骤如下:
步骤1.1:首先获取n个振动信号采样点;
步骤1.2:列写出开关振动信号方程:
D(x)=d0+d1*x+d2*x2+d3*x3+…+dn-2*xn-2+dn-1*xn-1;
步骤1.3:将振动信号分奇偶两部分:
步骤1.4:根据上述奇偶的振动信号公式,进行n/2次快速傅里叶变换,得到各开关振动采样点信号的幅值λ与相位θ。
优选的,步骤2所述的使用Cubic spline插值法拟合开关振动采样点数据,得到开关振动模型曲线,具体步骤如下:
步骤2.1:设H为振动参数矩阵,P为各开关故障率矩阵:
P=[p0 p1…pn-1]T;
步骤2.2:列写开关振动信号的幅值λ与相位θ采样点与各开关状态的Cubicspline插值函数G(p):
步骤2.3:设上述开关振动参数Cubic spline插值函数G(p)的二阶导数:
步骤2.4:对上述二阶导数进行积分,得到开关振动采样信号参数的Cubic spline插值函数:
步骤2.5:根据Cubic spline插值函数G(x)的一阶导数在各开关振动信号采样点上连续,则建立求解Dk的方程:
δk+1Dk+2Dk+1+εiDk+2=ωk+1
其中:
步骤2.6:结合开关振动信号限制条件,得到参数求解矩阵方程:
步骤2.7:根据上述矩阵方程求解出的参数Dk,得到开关振动信号模型曲线。
优选的,步骤2.6所述的结合开关振动信号限制条件,得到参数求解矩阵方程,具体限制条件如下:
步骤2.6.1:对开关振动信号Cubic spline插值函数二阶导数进行限制:
步骤2.6.2:对开关振动信号Cubic spline插值函数一阶导数进行限制:
优选的,步骤3所述的基于ANFIS算法提取开关振动信号模型曲线的特征,具体步骤如下:
步骤3.1:输入开关振动信号模型的各参数曲线,提取振动信号幅值λ、相位θ以及振动持续时间Δt的参数曲线上的参数,得到离散的数据集φ:
步骤3.3:根据模糊数据集ξ生成4输入1输出的神经模糊逻辑系统网络ψ;
步骤3.4:设定神经模糊逻辑系统网络ψ的训练次数n,得到隶属函数的参数值以及神经模糊逻辑系统网络参数值;
步骤3.5:代入隶属函数参数值以及神经网络参数值进行训练,得到开关振动信号的特征集:
V=[v1 v1…vn-1 vn]。
优选的,步骤4所述的通过Gauss-Bayes概率公式计算模型特征集V的概率分布并分析特征判别开关故障点发生位置,具体步骤如下:
步骤4.1:将步骤3.5中提取振动模型曲线的特征变量V=[v1 v1…vn-1 vn]与开关状态变量S=[s1 s1…sm-1 sm]代入到Gauss-Bayes方程:
步骤4.2:根据贝叶斯定律分别计算在各振动特征变量V下,各开关的状态变量S的概率:
步骤4.3:计算各开关故障状态变量的最大概率状态,将其作为各开关器件的当前状态:
(三)有益效果
本发明提供了一种振动传感器的开关故障检测算法。具备以下有益效果:
该振动传感器的开关故障检测算法首先采用快速傅里叶变换算法进行振动数据采样,得到开关振动采样数据,然后使用Cubic spline插值法拟合振动采样点数据,得到振动模型曲线,再基于ANFIS算法提取振动模型曲线的特征,最后通过Gauss-Bayes概率公式计算模型特征的概率分布,基于该概率分布,分析特征确定开关故障点发生位置,提高复杂恶劣条件下开关器件故障位置检测的便捷性,减少判别故障开关器件位置的人员与经济成本,同时提高了人员操作的安全性与电力系统运行的可靠性。
附图说明
图1为本发明实施例提供的一种振动传感器与开关器件的位置示意图。
图2为本发明实施例提供的一种振动传感器开关故障位置的检测方法的流程图。
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。
实施例1:实现本发明方案效果的基本步骤
一种振动传感器的开关故障检测算法,具体算法原理包括以下步骤:
步骤1:采用快速傅里叶变换算法进行开关振动数据采样;
步骤2:使用Cubic spline插值法拟合开关振动采样点数据,得到振动模型曲线;
步骤3:基于ANFIS算法提取振动模型曲线的特征;
步骤4:通过Gauss-Bayes概率公式计算模型特征的概率分布,基于该概率分布,分析特征判别开关故障点发生位置。
实施例2:快速傅里叶变换算法进行开关振动数据采样的具体步骤
在实施例1的基础上,步骤1所述的快速傅里叶变换算法进行开关振动数据采样,具体步骤如下:
步骤1.1:首先获取n个振动信号采样点;
步骤1.2:列写出开关振动信号方程:
D(x)=d0+d1*x+d2*x2+d3*x3+…+dn-2*xn-2+dn-1*xn-1;
步骤1.3:将振动信号分奇偶两部分:
步骤1.4:根据上述奇偶的振动信号公式,进行n/2次快速傅里叶变换,得到各开关振动采样点信号的幅值λ与相位θ。
实施例3:使用Cubic spline插值法拟合开关振动采样点数据,得到振动模型曲线的具体步骤
在实施例1的基础上,步骤2所述的使用Cubic spline插值法拟合开关振动采样点数据,得到开关振动模型曲线,具体步骤如下:
步骤2.1:设H为振动参数矩阵,P为各开关故障率矩阵:
P=[p0 p1…pn-1]T;
步骤2.2:列写开关振动信号的幅值λ与相位θ采样点与各开关状态的Cubicspline插值函数G(p):
步骤2.3:设上述开关振动参数Cubic spline插值函数G(p)的二阶导数:
步骤2.4:对上述二阶导数进行积分,得到开关振动采样信号参数的Cubic spline插值函数:
步骤2.5:根据Cubic spline插值函数G(x)的一阶导数在各开关振动信号采样点上连续,则建立求解Dk的方程:
δk+1Dk+2Dk+1+εiDk+2=ωk+1
其中:
步骤2.6:结合开关振动信号限制条件,得到参数求解矩阵方程:
步骤2.7:根据上述矩阵方程求解出的参数Dk,得到开关振动信号模型曲线。
实施例4:结合开关振动信号限制条件,得到参数求解矩阵方程的具体限制条件
在实施例3的基础上,步骤2.6.1:对开关振动信号Cubic spline插值函数二阶导数进行限制:
步骤2.6.2:对开关振动信号Cubic spline插值函数一阶导数进行限制:
实施例5:基于ANFIS算法提取开关振动信号模型曲线特征的具体步骤
在实施例4的基础上,步骤3.1:输入开关振动信号模型的各参数曲线,提取振动信号幅值λ、相位θ以及振动持续时间Δt的参数曲线上的参数,得到离散的数据集φ:
步骤3.3:根据模糊数据集ξ生成4输入1输出的神经模糊逻辑系统网络ψ;
步骤3.4:设定神经模糊逻辑系统网络ψ的训练次数n,得到隶属函数的参数值以及神经模糊逻辑系统网络参数值;
步骤3.5:代入隶属函数参数值以及神经网络参数值进行训练,得到开关振动信号的特征集:
V=[v1 v1…vn-1 vn]。
实施例7:通过Gauss-Bayes概率公式计算模型特征的概率分布,基于该概率分布,分析特征判别开关故障点发生位置的具体步骤
在实施例1的基础上,步骤4所述的通过Gauss-Bayes概率公式计算模型特征集V的概率分布并分析特征判别开关故障点发生位置,具体步骤如下:
步骤4.1:将步骤3.5中提取振动模型曲线的特征变量V=[v1 v1…vn-1 vn]与开关状态变量S=[s1 s1…sm-1 sm]代入到Gauss-Bayes方程:
步骤4.2:根据贝叶斯定律分别计算在各振动特征变量V下,各开关的状态变量S的概率:
步骤4.3:计算各开关故障状态变量的最大概率状态,将其作为各开关器件的当前状态:
综上所述,该振动传感器的开关故障检测算法首先采用快速傅里叶变换算法进行振动数据采样,得到开关振动采样数据,然后使用Cubic spline插值法拟合振动采样点数据,得到振动模型曲线,再基于ANFIS算法提取振动模型曲线的特征,最后通过Gauss-Bayes概率公式计算模型特征的概率分布,基于该概率分布,分析特征确定开关故障点发生位置,提高复杂恶劣条件下开关器件故障位置检测的便捷性,减少判别故障开关器件位置的人员与经济成本,同时提高了人员操作的安全性与电力系统运行的可靠性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种振动传感器的开关故障检测算法,其特征在于:具体算法原理包括以下步骤:
步骤1:采用快速傅里叶变换算法进行开关振动数据采样;
步骤2:使用Cubic spline插值法拟合开关振动采样点数据,得到振动模型曲线;
步骤2所述的使用Cubic spline插值法拟合开关振动采样点数据,得到开关振动模型曲线,具体步骤如下:
步骤2.1:设H为振动参数矩阵,P为各开关故障率矩阵:
P=[p0 p1 … pn-1]T;
步骤2.2:列写开关振动信号的幅值λ与相位θ采样点与各开关状态的Cubic spline插值函数G(p):
步骤2.3:设上述开关振动参数Cubic spline插值函数G(p)的二阶导数:
步骤2.4:对上述二阶导数进行积分,得到开关振动采样信号参数的Cubic spline插值函数:
步骤2.5:根据Cubic spline插值函数G(x)的一阶导数在各开关振动信号采样点上连续,则建立求解Dk的方程:
δk+1Dk+2Dk+1+εiDk+2=ωk+1
其中:
步骤2.6:结合开关振动信号限制条件,得到参数求解矩阵方程:
步骤2.6所述的结合开关振动信号限制条件,得到参数求解矩阵方程,具体限制条件如下:
步骤2.6.1:对开关振动信号Cubic spline插值函数二阶导数进行限制:
步骤2.6.2:对开关振动信号Cubic spline插值函数一阶导数进行限制:
步骤2.7:根据上述矩阵方程求解出的参数Dk,得到开关振动信号模型曲线;
步骤3:基于ANFIS算法提取振动模型曲线的特征;
步骤4:通过Gauss-Bayes概率公式计算模型特征的概率分布,基于该概率分布,分析特征判别开关故障点发生位置;
步骤4所述的通过Gauss-Bayes概率公式计算模型特征集V的概率分布并分析特征判别开关故障点发生位置,具体步骤如下:
步骤4.1:将步骤3.5中提取振动模型曲线的特征变量V=[v1 v1 … vn-1 vn]与开关状态变量S=[s1 s1 … sm-1 sm]代入到Gauss-Bayes方程:
步骤4.2:根据贝叶斯定律分别计算在各振动特征变量V下,各开关的状态变量S的概率:
步骤4.3:计算各开关故障状态变量的最大概率状态,将其作为各开关器件的当前状态:
3.根据权利要求1所述的一种振动传感器的开关故障检测算法,其特征在于:步骤3所述的基于ANFIS算法提取开关振动信号模型曲线的特征,具体步骤如下:
步骤3.1:输入开关振动信号模型的各参数曲线,提取振动信号幅值λ、相位θ以及振动持续时间Δt的参数曲线上的参数,得到离散的数据集φ:
步骤3.2:对开关振动信号幅值λ、相位θ以及振动持续时间Δt的离散数据集进行模糊化,得到模糊化数据集ξ,并为离散数据集选用隶属函数θ:
步骤3.3:根据模糊数据集ξ生成4输入1输出的神经模糊逻辑系统网络ψ;
步骤3.4:设定神经模糊逻辑系统网络ψ的训练次数n,得到隶属函数的参数值以及神经模糊逻辑系统网络参数值;
步骤3.5:代入隶属函数参数值以及神经网络参数值进行训练,得到开关振动信号的特征集:
V=[v1 v1 … vn-1 vn]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111382636.3A CN114297569B (zh) | 2021-11-22 | 2021-11-22 | 一种振动传感器的开关故障检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111382636.3A CN114297569B (zh) | 2021-11-22 | 2021-11-22 | 一种振动传感器的开关故障检测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114297569A CN114297569A (zh) | 2022-04-08 |
CN114297569B true CN114297569B (zh) | 2022-09-13 |
Family
ID=80966337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111382636.3A Active CN114297569B (zh) | 2021-11-22 | 2021-11-22 | 一种振动传感器的开关故障检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114297569B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460379A (zh) * | 2020-03-30 | 2020-07-28 | 上海交通大学 | 基于高斯过程回归的多工况动力系统性能预测方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
PL2604522T3 (pl) * | 2011-12-16 | 2015-12-31 | Inst Lotnictwa W Warszawie | Sposób badania w locie swobody samolotu od flatteru |
CN103267652B (zh) * | 2013-05-24 | 2015-05-20 | 北京工业大学 | 一种智能早期设备故障在线诊断方法 |
CN107271024A (zh) * | 2017-05-26 | 2017-10-20 | 国网山东省电力公司青岛供电公司 | 一种有载分接开关诊断方法及装置 |
CN109443717B (zh) * | 2018-10-16 | 2021-08-31 | 国网江苏省电力有限公司南京供电分公司 | 一种有载分接开关机械故障在线监测方法 |
CN110703151A (zh) * | 2019-10-10 | 2020-01-17 | 重庆大学 | 基于振动盲源分离和贝叶斯模型的变压器故障诊断方法 |
CN110736926A (zh) * | 2019-10-14 | 2020-01-31 | 湖南银河电气有限公司 | 电机运行状态的特征参数提取方法和装置 |
CN112014047B (zh) * | 2020-08-27 | 2022-05-03 | 华侨大学 | 一种有载分接开关机械故障诊断方法 |
CN213632708U (zh) * | 2020-12-28 | 2021-07-06 | 启研(沈阳)技术中心有限公司 | 一种在线式振动设备故障诊断的多通道采集装置 |
CN112966632B (zh) * | 2021-03-19 | 2023-12-12 | 浙江中自庆安新能源技术有限公司 | 一种基于振动信号图像化的故障识别方法及系统 |
-
2021
- 2021-11-22 CN CN202111382636.3A patent/CN114297569B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460379A (zh) * | 2020-03-30 | 2020-07-28 | 上海交通大学 | 基于高斯过程回归的多工况动力系统性能预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114297569A (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110895526A (zh) | 一种大气监测系统中数据异常的修正方法 | |
CN110058157B (zh) | 基于对称分量法和多维指标融合的电机监测方法及系统 | |
CN115905835B (zh) | 一种融合多维特征的低压交流电弧故障诊断方法 | |
CN107329049B (zh) | 一种基于卡尔曼滤波器的输电线路早期故障检测方法 | |
CN113242209B (zh) | 智能电网虚假数据注入攻击的广义累积和检测方法 | |
CN111738128A (zh) | 一种基于形态学滤波和mmg的串联故障电弧检测方法 | |
CN115046764B (zh) | 一种滚动轴承早期故障诊断方法 | |
CN102944773A (zh) | 基于空间变换的电能扰动检测及分类方法 | |
CN104155573A (zh) | 一种基于形态学的电力系统低频振荡检测方法 | |
CN114297569B (zh) | 一种振动传感器的开关故障检测算法 | |
CN111881594A (zh) | 一种核动力设备的非平稳信号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 | |
CN111504206B (zh) | 适用于激光在线测厚的振动补偿方法 | |
CN112881835A (zh) | 一种基于电气特征序列分析的电瓶车充电状态分析方法 | |
CN109462242B (zh) | 基于iir数字滤波和esprit辨识算法的电力系统低频振荡检测方法 | |
CN113253048B (zh) | 一种短路故障检测方法及装置 | |
CN110058133B (zh) | 一种基于反馈机制的电气线路故障电弧误报优化方法 | |
CN112748362A (zh) | 基于vmd和灰色关联度相结合的小电流接地故障检测方法 | |
CN116776726A (zh) | 基于分阶段差异化特征选择的机电装备零件寿命预测方法 | |
CN117269660A (zh) | 基于变异系数差分算法的故障电弧检测方法及系统 | |
CN112129989B (zh) | 一种基于自适应聚类的电压暂降分段刻画方法 | |
CN107340454B (zh) | 一种基于RuLSIF变点探测技术的电力系统故障定位分析方法 | |
CN114609435A (zh) | 一种电压暂降检测和分类辨识方法 | |
CN113591801A (zh) | 一种电力信号参数估计方法和装置 | |
CN112600176A (zh) | 一种高频暂态分量方向纵联保护方法及系统 |
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: 20220531 Address after: 243000 No.7 Huayu Road, Ma'anshan City, Anhui Province Applicant after: STATE GRID ANHUI ELECTRIC POWER CO.,LTD. MAANSHAN POWER SUPPLY CO. Address before: 243000 No.7 Huayu Road, Ma'anshan City, Anhui Province Applicant before: STATE GRID ANHUI ELECTRIC POWER CO.,LTD. MAANSHAN POWER SUPPLY CO. Applicant before: STATE GRID CORPORATION OF CHINA |
|
GR01 | Patent grant | ||
GR01 | Patent grant |