CN115905832A - 一种基于振动信号聚类识别的变压器故障诊断方法 - Google Patents
一种基于振动信号聚类识别的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN115905832A CN115905832A CN202211301534.9A CN202211301534A CN115905832A CN 115905832 A CN115905832 A CN 115905832A CN 202211301534 A CN202211301534 A CN 202211301534A CN 115905832 A CN115905832 A CN 115905832A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- clustering
- transformer
- sample data
- intrinsic mode
- 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
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于振动信号聚类识别的变压器故障诊断方法,包括获取不同负载下的振动信号特征作为样本数据;通过平均经验模态分解方法对样本数据进行测量,得到多组振动加速度数据自适应分解得到本征模态函数序列;对本征模态函数序列通过频域窗口、峰度和振幅准则选择样本数据的独立本征模函数,并从源域构造一个组合特征矩阵;基于K‑Means聚类算法构建聚类识别模型,并结合处理后的样本数据进行训练与测试,得到变压器振动信号聚类识别模型;利用振动信号聚类识别模型对变压器的故障进行分类诊断。本发明通过将经验模态分解方法和聚类算法相结合进行变压器故障的诊断,实现了通过振动信号聚类识别对变压器进行故障诊断。
Description
技术领域
本发明涉及变压器故障检测技术领域,具体涉及一种基于振动信号聚类识别的变压器故障诊断方法。
背景技术
机械振动检测对于电力设备的可靠性和运行状态评估具有重要意义,目前已广泛应用于电力设备的运行监测及故障诊断。对设备振动信号的测量能够得到设备工作时的状态信息,通过提取信号中反映的设备运行特征,实现对设备机械状态的检测与分析。
实际的电力变压器在运行过程中承受着机械应力,由于磁致伸缩和硅钢片与叠片之间的漏磁会引起铁芯振动。基于振动信号的变压器监测方法通过吸附在变压器的振动加速度传感器进行数据采样,振动信号采集系统与变压器本身不存在电气连接。振动信号包含的变压器状态特征十分丰富,变压器存在故障时能够通过振动信号获得较为全面的设备运行状态信息,具有广阔的应用前景。
基于振动信号的变压器故障检测的关键在于对信号中有效信息的特征提取,从而建立起与故障特征之间的联系。平均经验模态分解方法能够实现振动信号的自适应分解,改善了其他分解方法中存在的模态混叠问题。聚类识别方法将同一类元素的同质性最大化,将不同类元素的异质性最大化。基于以上方法能够根据信号特征对变压器故障进行分类诊断。针对上述实际需求,本发明提出了一种基于振动信号聚类识别的变压器故障诊断方法,将经验模态分解方法和聚类算法相结合用于变压器故障的有效诊断。
发明内容
本发明的目的在于提供一种基于振动信号聚类识别的变压器故障诊断方法,以实现实现变压器振动信号特征提取及变压器故障的自适应分类。
本发明的目的是通过以下技术方案实现的:
本发明提供一种基于振动信号聚类识别的变压器故障诊断方法,包括以下步骤:
获取不同负载下的振动信号特征作为样本数据;
通过平均经验模态分解方法对样本数据进行测量,得到多组振动加速度数据自适应分解得到本征模态函数序列;
对本征模态函数序列通过频域窗口、峰度和振幅准则选择样本数据的独立本征模函数,并从源域构造一个组合特征矩阵;
基于K-Means聚类算法构建聚类识别模型,并结合处理后的样本数据进行训练与测试,得到变压器振动信号聚类识别模型;
利用振动信号聚类识别模型对变压器的故障进行分类诊断。
进一步的,所述通过平均经验模态分解方法对样本数据进行测量,得到多组振动加速度数据自适应分解得到本征模态函数序列具体包括以下步骤:
步骤201、在样本数据的原始振动信号中加入高斯白噪声,得到新的振动信号;
原始振动信号记为x(t),初始化总体平均次数i,并使得i=1,第i次在信号x(t)中加入高斯白噪声ni(t),得到新信号为xi(t)=x(t)+ni(t)。
步骤202、拟合新的振动信号上、下包络线,求得上、下包络线的均值;
令r=x(t),k=1;确定x(t)局部极值点,拟合上下包络线,求包络线均值m1。
步骤203、用新的振动信号减去包络线的均值得到一个去掉低频的新信号,记新信号为得到h1,则h1=x(t)-m1;
判定所述新信号h1是否满足本征模态函数条件,若不满足,将所述新信号h1作为新的振动信号返回至步骤202,此时h1=x(t)。
步骤204、将满足本征模态函数条件的新信号h1作为本征模态函数分量,求取残差r,表示为:k=k+1,c(k)=h1,r=r-c(k);
若残差r不是单调函数,将残差作为新的振动信号返回至步骤202,此时r=x(t)。
若若i=I,此时,得到多组本征模态函数分量,求取均值m1后得到最终的本征模态函数序列yn,并记为:
进一步的,所述对本征模态函数序列通过频域窗口、峰度和振幅准则选择样本数据的独立本征模函数,并从源域构造一个组合特征矩阵具体包括以下步骤:
步骤301、通过平均经验模态分解得到L个本征模态函数序列IMF;
步骤302、针对每个本征模态函数序列IMF,构造带通滤波器对本征模态函数序列进行频域加窗;
设置幅值阈值Ath和峰度阈值Kth,令i=1,构造M个带通滤波器,记为Hm(jω)(1,2,…,M);
使用第M个带通滤波器对第i个本征模态函数序列IMFi频域加窗,表示为:
IMF'i=Hm(jω)*IMFi
步骤303、通过幅值阈值Ath和峰度阈值Kth筛选出独立本征模态函数;
若IMF'i的幅度值Ai>Ath,且IMF'i的峰度值ki>kth;计算IIMFm的幅度值Am,并判断Ai>Am,若满足,则IIMFm=IMF'i;
比较m和M,若M>m时,令m=m+1,重复步骤302直到M≤m。
步骤304、当M≤m时,对IIMFm对独立本征模态函数进行边际谱变换,根据n种特征对每个独立本征模态函数序列构造特征向量Di。
步骤305、通过特征向量构造组合特征矩阵,表示为Di=[D1,D2,…Di]。
进一步的,所述利用振动信号聚类识别模型对变压器的故障进行分类诊断包括:
步骤401、根据变压器故障类型,从样本数据中随机选择k个对象作为初始聚类中心;
样本数据的振动信号记为D={x1,x2,…,xi};
定义最大迭代次数N,迭代次数i=1;
随机选择k个样本作为初始聚类中心,记为{μ1,μ2,…,μk}。
步骤402、计算每个聚类对象到聚类中心的距离,将每个点聚类到距离聚类对象点最近的聚类中去;
计算每个样本到各个聚类中心的距离dij=||xj-μi||2。
步骤403、计算每个聚类中所有点的坐标平均值,并将此平均值作为新的聚类中心;
对所有样本点重新计算新的聚类中心μ‘i,表示为:
步骤404、若聚类中心不再移动或聚类次数达到指定最大迭代次数则进行下一步;
当聚类中心在移动或聚类次数为达到指定最大迭代次数,此时比较i和N;若i≥N,则执行下一步,若i<N时,令i=i+1,继续执行步骤402。
步骤405、若聚类中心不再移动或聚类次数达到指定最大迭代次数,输出聚类中心组,对变压器的故障进行分类诊断。
本发明的有益效果:
本发明提出了一种基于振动信号聚类识别的变压器故障诊断方法,将经验模态分解方法和聚类算法相结合进行变压器故障的诊断,通过变压器故障时外壳的能量变化信息,利用经验模态分解方法的自适应分解特点提取故障能量特征,并通过频域、峰度和振幅准则建立样本集的组合特征矩阵,该特征矩阵能够反映变压器的工作状态,而后基于K-Means聚类算法构建变压器振动信号聚类识别模型,用于建立变压器不同工作状态与组合特征矩阵之间的关系,通过振动信号聚类识别实现了对变压器故障快速有效诊断的技术效果。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,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的前提下,还可以根据这些附图获得其它的附图。
图1为基于振动信号聚类识别的变压器故障诊断方法的步骤流程示意图;
图2为变压器表面振动信号经验模态分解流程示意图;
图3为独立本征模态函数特征提取流程示意图;
图4为变压器表面振动信号聚类识别算法流程示意。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,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公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开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,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,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。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
请参阅图1,本发明实施例提供一种基于振动信号聚类识别的变压器故障诊断方法,包括以下步骤:
步骤S1、获取不同负载下的振动信号特征作为样本数据;
根据需要建立变压器振动信号采集系统,依据实际电力变压器的结构要求,在运行变压器表面布置振动加速度传感器,对不同负载下的振动信号特征进行数据采样,完成样本数据的收集。
步骤S2、通过平均经验模态分解方法对样本数据进行测量,得到多组振动加速度数据自适应分解得到本征模态函数序列;
步骤S3、对本征模态函数序列通过频域窗口、峰度和振幅准则选择样本数据的独立本征模函数,并从源域构造一个组合特征矩阵;
引入带通滤波器组,对本征模态函数序列通过频域窗口、峰度和振幅准则选择样本数据的独立本征模函数,并从源域构造一个组合特征矩阵。
步骤S4、基于K-Means聚类算法构建聚类识别模型,将样本数据与算法相结合,并结合处理后的样本数据进行训练与测试,得到变压器振动信号聚类识别模型。
步骤S5、利用振动信号聚类识别模型对变压器的故障进行分类诊断。
其中,特征在于振动信号测量、振动信号分析和特征聚类识别,通过测得振动信号并分析从而实现设备故障的聚类识别
请参阅图2,进一步的,本发明的一种优选实施方式中,所述通过平均经验模态分解方法对样本数据进行测量,得到多组振动加速度数据自适应分解得到本征模态函数序列具体包括以下步骤:
步骤201、在样本数据的原始振动信号中加入高斯白噪声,得到新的振动信号;
原始振动信号记为x(t),初始化总体平均次数i,并使得i=1,第i次在信号x(t)中加入高斯白噪声ni(t),得到新信号为xi(t)=x(t)+ni(t)。
步骤202、拟合新的振动信号上、下包络线,求得上、下包络线的均值;
令r=x(t),k=1;确定x(t)局部极值点,拟合上下包络线,求包络线均值m1。
步骤203、用新的振动信号减去包络线的均值得到一个去掉低频的新信号,记新信号为得到h1,则h1=x(t)-m1;
判定所述新信号h1是否满足本征模态函数条件,若不满足,将所述新信号h1作为新的振动信号返回至步骤202,此时h1=x(t)。
步骤204、将满足本征模态函数条件的新信号h1作为本征模态函数分量,求取残差r,表示为:k=k+1,c(k)=h1,r=r-c(k);
若残差r不是单调函数,将残差作为新的振动信号返回至步骤202,此时r=x(t)。
若若i=I,此时,得到多组本征模态函数分量,求取均值m1后得到最终的本征模态函数序列yn,并记为:
请参阅图3,进一步的,本发明的一种优选实施方式中,所述对本征模态函数序列通过频域窗口、峰度和振幅准则选择样本数据的独立本征模函数,并从源域构造一个组合特征矩阵具体包括以下步骤:
步骤301、通过平均经验模态分解得到L个本征模态函数序列IMF;
步骤302、针对每个本征模态函数序列IMF,构造带通滤波器对本征模态函数序列进行频域加窗;
设置幅值阈值Ath和峰度阈值Kth,令i=1,构造M个带通滤波器,记为Hm(jω)(1,2,…,M);
使用第M个带通滤波器对第i个本征模态函数序列IMFi频域加窗,表示为:
IMF'i=Hm(jω)*IMFi
步骤303、通过幅值阈值Ath和峰度阈值Kth筛选出独立本征模态函数;
若IMF'i的幅度值Ai>Ath,且IMF'i的峰度值ki>kth;计算IIMFm的幅度值Am,并判断Ai>Am,若满足,则IIMFm=IMF'i;
比较m和M,若M>m时,令m=m+1,重复步骤302直到M≤m。
步骤304、当M≤m时,对IIMFm对独立本征模态函数进行边际谱变换,根据n种特征对每个独立本征模态函数序列构造特征向量Di。
步骤305、通过特征向量构造组合特征矩阵,表示为Di=[D1,D2,…Di]。
请参阅图4,进一步的,本发明的一种优选实施方式中,所述利用振动信号聚类识别模型对变压器的故障进行分类诊断包括:
步骤401、根据变压器故障类型,从样本数据中随机选择k个对象作为初始聚类中心;
样本数据的振动信号记为D={x1,x2,…,xi};
定义最大迭代次数N,迭代次数i=1;
随机选择k个样本作为初始聚类中心,记为{μ1,μ2,…,μk}。
步骤402、计算每个聚类对象到聚类中心的距离,将每个点聚类到距离聚类对象点最近的聚类中去;
计算每个样本到各个聚类中心的距离dij=||xj-μi||2。
步骤403、计算每个聚类中所有点的坐标平均值,并将此平均值作为新的聚类中心;
对所有样本点重新计算新的聚类中心μ‘i,表示为:
步骤404、若聚类中心不再移动或聚类次数达到指定最大迭代次数则进行下一步;
当聚类中心在移动或聚类次数为达到指定最大迭代次数,此时比较i和N;若i≥N,则执行下一步,若i<N时,令i=i+1,继续执行步骤402。
步骤405、若聚类中心不再移动或聚类次数达到指定最大迭代次数,输出聚类中心组,对变压器的故障进行分类诊断。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上仅为说明本发明的实施方式,并不用于限制本发明,对于本领域的技术人员来说,凡在本发明的精神和原则之内,不经过创造性劳动所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于振动信号聚类识别的变压器故障诊断方法,其特征在于,包括以下步骤:
获取不同负载下的振动信号特征作为样本数据;
通过平均经验模态分解方法对样本数据进行测量,得到多组振动加速度数据自适应分解得到本征模态函数序列;
对本征模态函数序列通过频域窗口、峰度和振幅准则选择样本数据的独立本征模函数,并从源域构造一个组合特征矩阵;
基于K-Means聚类算法构建聚类识别模型,并结合处理后的样本数据进行训练与测试,得到变压器振动信号聚类识别模型;
利用振动信号聚类识别模型对变压器的故障进行分类诊断。
2.根据权利要求1所述的基于振动信号聚类识别的变压器故障诊断方法,其特征在于,所述通过平均经验模态分解方法对样本数据进行测量,得到多组振动加速度数据自适应分解得到本征模态函数序列具体包括以下步骤:
步骤201、在样本数据的原始振动信号中加入高斯白噪声,得到新的振动信号;
步骤202、拟合新的振动信号上、下包络线,求得上、下包络线的均值;
步骤203、用新的振动信号减去包络线的均值得到一个去掉低频的新信号,判定所述新信号是否满足本征模态函数条件,若不满足,将所述新信号作为新的振动信号返回至步骤202;
步骤204、将满足本征模态函数条件的新信号作为本征模态函数分量,求取残差,若残差不是单调函数,将残差作为新的振动信号返回至步骤202;
步骤205、若残差为单调函数,则得到一组本征模态函数分量;
重复步骤201至步骤205,得到多组本征模态函数分量,求取均值后得到最终的本征模态函数序列。
3.根据权利要求1所述的基于振动信号聚类识别的变压器故障诊断方法,其特征在于,所述对本征模态函数序列通过频域窗口、峰度和振幅准则选择样本数据的独立本征模函数,并从源域构造一个组合特征矩阵具体包括以下步骤:
步骤301、通过平均经验模态分解得到本征模态函数序列;
步骤302、针对每个本征模态函数序列,构造带通滤波器对本征模态函数序列进行频域加窗;
步骤303、通过幅值阈值和峰度阈值筛选出独立本征模态函数;
步骤304、对独立本征模态函数进行边际谱变换,根据多种特征对每个独立本征模态函数序列构造特征向量;
步骤305、通过特征向量构造组合特征矩阵。
4.根据权利要求1所述的基于振动信号聚类识别的变压器故障诊断方法,其特征在于,所述利用振动信号聚类识别模型对变压器的故障进行分类诊断包括:
步骤401、根据变压器故障类型,从样本数据中随机选择k个对象作为初始聚类中心;
步骤402、计算每个聚类对象到聚类中心的距离,将每个点聚类到距离聚类对象点最近的聚类中去;
步骤403、计算每个聚类中所有点的坐标平均值,并将此平均值作为新的聚类中心;
步骤404、若聚类中心不再移动或聚类次数达到指定最大迭代次数则进行下一步,否则执行步骤402;
步骤405、输出聚类中心组,对变压器的故障进行分类诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211301534.9A CN115905832A (zh) | 2022-10-24 | 2022-10-24 | 一种基于振动信号聚类识别的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211301534.9A CN115905832A (zh) | 2022-10-24 | 2022-10-24 | 一种基于振动信号聚类识别的变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115905832A true CN115905832A (zh) | 2023-04-04 |
Family
ID=86486307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211301534.9A Pending CN115905832A (zh) | 2022-10-24 | 2022-10-24 | 一种基于振动信号聚类识别的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115905832A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148023A (zh) * | 2023-10-31 | 2023-12-01 | 威海海泰电子有限公司 | 一种智能电源适配器生产检测方法及系统 |
CN117786583A (zh) * | 2024-02-26 | 2024-03-29 | 四川九洲软件有限公司 | 基于变分模态分解的故障诊断方法、装置、及计算机装置 |
-
2022
- 2022-10-24 CN CN202211301534.9A patent/CN115905832A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148023A (zh) * | 2023-10-31 | 2023-12-01 | 威海海泰电子有限公司 | 一种智能电源适配器生产检测方法及系统 |
CN117148023B (zh) * | 2023-10-31 | 2024-01-26 | 威海海泰电子有限公司 | 一种智能电源适配器生产检测方法及系统 |
CN117786583A (zh) * | 2024-02-26 | 2024-03-29 | 四川九洲软件有限公司 | 基于变分模态分解的故障诊断方法、装置、及计算机装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115905832A (zh) | 一种基于振动信号聚类识别的变压器故障诊断方法 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN110647830B (zh) | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN116894187A (zh) | 一种基于深度迁移学习的齿轮箱故障诊断方法 | |
CN112528774B (zh) | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 | |
CN113158984A (zh) | 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 | |
CN111398798A (zh) | 基于振动信号区间特征提取的断路器储能状态辨识方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN111665050A (zh) | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 | |
CN112541524B (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
CN115356599A (zh) | 一种多模态城市电网故障诊断方法及系统 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN114858455A (zh) | 基于改进GAN-OSNet的滚动轴承故障诊断方法及系统 | |
CN110631827B (zh) | 一种基于改进协同表示分类的齿轮箱故障诊断方法 | |
CN112860658A (zh) | 基于数据挖掘的高速列车电磁发射预测方法 | |
CN112347917A (zh) | 一种燃气轮机故障诊断方法、系统、设备及存储介质 | |
CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
CN117361256B (zh) | 一种基于人工智能的电梯安全管理方法及系统 | |
CN113420387B (zh) | 一种压实机械滚动轴承的迁移诊断方法和系统 | |
CN116184061A (zh) | 一种基于数据增强的变压器小样本故障诊断方法 | |
CN117009794B (zh) | 一种基于无监督子域自适应的机器故障诊断方法及系统 |
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 |