CN116148656B - 一种便携式模拟断路器故障检测方法 - Google Patents
一种便携式模拟断路器故障检测方法 Download PDFInfo
- Publication number
- CN116148656B CN116148656B CN202310422928.8A CN202310422928A CN116148656B CN 116148656 B CN116148656 B CN 116148656B CN 202310422928 A CN202310422928 A CN 202310422928A CN 116148656 B CN116148656 B CN 116148656B
- Authority
- CN
- China
- Prior art keywords
- fault
- feature vector
- signal data
- group
- frequency
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 323
- 239000011159 matrix material Substances 0.000 claims abstract description 137
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 235000002020 sage Nutrition 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Locating Faults (AREA)
Abstract
本发明涉及数据处理技术领域,提出了一种便携式模拟断路器故障检测方法,包括:采集模拟断路器中正常情况和不同故障的原始信号数据,采集实际信号数据;获取原始信号数据不同窗口尺度的轨迹矩阵及若干特征向量,获取原始信号数据的若干IMF分量并作为嵌入节点得到第一相关性序列;获取若干特征向量组及第二相关性序列,获取每个特征向量组的对应频率;获取每个故障的若干差异特征向量组及差异频率,获取每个差异特征向量组的可信度,获取故障频率;根据故障频率获取每个故障的原始信号数据的故障向量组,完成便携式模拟断路器的故障检测。本发明旨在解决奇异谱分析故障过程中不同轨迹矩阵影响特征向量导致分析结果偏差的问题。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种便携式模拟断路器故障检测方法。
背景技术
随着配电自动化技术的广泛应用,配电线路柱上开关数量有快速增加的趋势;设备运行过程中存在开关远方遥控不成功的情况,影响故障自愈;需要设备管理单位赶往现场进行操作,通过模拟断路器进行开关故障的检验;然而现有模拟断路器功能单一,无法进行数据记录及通信,大大影响工作效率,因此需要一种便携式模拟断路器进行故障检测。
便携式模拟断路器中通过设定正常的数据及各种故障的对应数据,通过奇异谱分析对正常数据及各种故障数据进行分析,得到每种故障的故障向量组,通过对电路设备的实际数据获取实际向量组,与故障向量组进行匹配进而完成电路设备的故障检测;然而奇异谱分析会获取不同的轨迹矩阵,每个轨迹矩阵都对应若干特征向量组,单一的轨迹矩阵得到的特征向量组进而量化故障向量组存在偶然性,对于故障判断存在较大误差,因此需要对奇异谱分析过程中多个轨迹矩阵对应的若干特征向量组分别进行分析,进而得到准确反映每个故障的故障向量组,从而可以准确分析实际数据的故障情况。
发明内容
本发明提供一种便携式模拟断路器故障检测方法,以解决现有的奇异谱分析故障过程中不同轨迹矩阵影响特征向量导致分析结果偏差的问题,所采用的技术方案具体如下:
本发明一个实施例提供了一种便携式模拟断路器故障检测方法,该方法包括以下步骤:
采集模拟断路器中正常情况和不同故障的原始信号数据,采集实际信号数据;
根据不同窗口尺度获取每个原始信号数据的若干轨迹矩阵,获取每个轨迹矩阵的若干特征向量;获取每个原始信号数据的若干IMF分量,将每个原始信号数据的IMF分量作为嵌入节点构建图结构并得到每个嵌入节点的第一相关性序列;
根据IMF分量对每个轨迹矩阵的特征向量得到特征向量组,对每个特征向量组降维得到每个特征向量组的组向量,根据同一轨迹矩阵的若干组向量获取每个特征向量组的第二相关性序列,根据第一相关性序列及第二相关性序列获取每个特征向量组的对应频率;
根据正常情况及每个故障的原始信号数据的每个轨迹矩阵的每个特征向量组,获取每个故障的原始信号数据中每个轨迹矩阵的若干差异特征向量组及差异频率,根据差异频率及窗口尺度获取每个差异特征向量组的可信度,根据相同差异频率在不同轨迹矩阵的差异特征向量组及可信度,获取每个差异频率的故障性,将每个故障对应的若干差异频率中,故障性最大的差异频率作为对应故障的故障频率;
根据故障频率获取每个故障的原始信号数据的故障向量组,根据实际信号数据与故障向量组完成便携式模拟断路器的故障检测。
可选的,所述将每个原始信号数据的IMF分量作为嵌入节点构建图结构并得到每个嵌入节点的第一相关性序列,包括的具体方法为:
以任意一个原始信号数据为目标原始信号数据,通过EMD分解获取目标原始信号数据的若干IMF分量;将每个IMF分量作为嵌入节点,将不同IMF分量之间的余弦相似度作为边值,根据嵌入节点及边值完成图结构的构建;
获取图结构中每个嵌入节点的嵌入向量,计算每个嵌入节点的嵌入向量与图结构中其他每个嵌入节点的嵌入向量的余弦相似度,将每个嵌入节点得到的所有余弦相似度从大到小降序排列,得到的序列记为每个嵌入节点的第一相关性序列;
对每个原始信号数据进行EMD分解,根据每个原始信号数据得到的若干IMF分量分别构建图结构,得到每个嵌入节点的第一相关性序列。
可选的,所述根据IMF分量对每个轨迹矩阵的特征向量得到特征向量组,包括的具体方法为:
以任意一个原始信号数据为目标原始信号数据,获取目标原始信号数据的IMF分量的数量,记为目标原始信号数据的频率数量;
根据频率数量分别对目标原始信号数据的每个轨迹矩阵的若干特征向量进行均匀分组,得到若干特征向量组;
获取每个原始信号数据的每个轨迹矩阵的若干特征向量组。
可选的,所述对每个特征向量组降维得到每个特征向量组的组向量,包括的具体方法为:
以任意一个轨迹矩阵为目标轨迹矩阵,目标轨迹矩阵的每个特征向量组中特征向量的维度用表示,将目标轨迹矩阵的每个特征向量组中的所有特征向量首尾拼接在一起,构成一个更高维的向量,记为每个特征向量组的第一向量,对所有特征向量组的第一向量进行降维,将每个特征向量组的第一向量降维成/>维,将降维后的第一向量记为每个特征向量组的组向量;
获取每个轨迹矩阵的每个特征向量组的组向量。
可选的,所述根据同一轨迹矩阵的若干组向量获取每个特征向量组的第二相关性序列,包括的具体方法为:
以任意一个轨迹矩阵为目标轨迹矩阵,获取每个组向量与目标轨迹矩阵的其他组向量之间的余弦相似度,将每个组向量得到的所有余弦相似度从大到小降序排列,得到的序列记为每个组向量的第二相关性序列,得到每个组向量对应的特征向量组的第二相关性序列;
获取每个轨迹矩阵的每个特征向量组的第二相关性序列。
可选的,所述根据第一相关性序列及第二相关性序列获取每个特征向量组的对应频率,包括的具体方法为:
以任意一个轨迹矩阵为目标轨迹矩阵,将目标轨迹矩阵的所有特征向量组作为一侧节点,目标轨迹矩阵的原始信号数据对应的若干嵌入节点作为另一侧的节点,将特征向量组的第二相关性序列与嵌入节点的第一相关性序列之间的余弦相似度作为两侧节点之间的边值,对两侧节点进行KM匹配,得到每个特征向量组对应的嵌入节点,嵌入节点对应IMF分量代表的频率即为每个特征向量组的对应频率,得到目标轨迹矩阵的每个特征向量组的对应频率;
获取每个轨迹矩阵的每个特征向量组的对应频率。
可选的,所述获取每个故障的原始信号数据中每个轨迹矩阵的若干差异特征向量组及差异频率,包括的具体方法为:
以任意一个故障为目标故障,目标故障的原始信号数据的任意一个轨迹矩阵为目标轨迹矩阵,获取正常情况下的原始信号数据与目标轨迹矩阵对应窗口尺度相同的轨迹矩阵,获取两个轨迹矩阵中任意两个对应频率相同的特征向量组,将正常情况下的特征向量组中每个特征向量作为一侧节点,将目标故障的特征向量组中每个特征向量作为另一侧节点,将两侧节点对应的特征向量之间的余弦相似度作为两侧节点之间的边值,通过KM匹配算法获取所有匹配节点对,将所有匹配节点对之间的边值的均值作为两个特征向量组之间的第一相似度;
获取目标轨迹矩阵中每个特征向量组与正常情况相同尺度下相同频率的特征向量组之间的第一相似度,将第一相似度小于预设第一阈值的目标故障的目标轨迹矩阵的特征向量组记为目标轨迹矩阵的差异特征向量组,得到目标轨迹矩阵的若干差异特征向量组;
获取每个故障的每个轨迹矩阵的若干差异特征向量组,将差异特征向量组的对应频率记为差异频率。
可选的,所述根据差异频率及窗口尺度获取每个差异特征向量组的可信度,包括的具体方法为:
可选的,所述获取每个差异频率的故障性,包括的具体方法为:
其中,表示差异频率/>在目标故障的若干轨迹矩阵对应的差异特征向量组的数量,/>表示目标故障的轨迹矩阵的数量,/>表示差异频率/>在目标故障的若干轨迹矩阵对应的第/>个差异特征向量组的可信度,/>表示以自然常数为底的指数函数。
可选的,所述根据故障频率获取每个故障的原始信号数据的故障向量组,包括的具体方法为:
以任意一个故障为目标故障,目标故障的故障频率为目标故障频率,计算目标故障频率对应的若干差异特征向量组种任意两个特征向量组计算第二相似度;获取目标故障频率对应的每个差异特征向量组与其他每个差异特征向量组的第二相似度均值,将均值最大的差异特征向量组作为目标故障的原始信号数据的故障向量组;
获取每个故障的原始信号数据的故障向量组;
所述第二相似度计算方法为:将一个特征向量组的所有特征向量作为一侧节点,另一个特征向量组的所有特征向量作为另一侧节点,两侧节点之间的边值通过对应的两个特征向量之间的余弦相似度表示,通过KM匹配获取若干匹配节点对,将所有匹配节点对的边值均值作为两个特征向量组的第二相似度。
本发明的有益效果是:本发明通过对原始信号数据进行奇异谱分析,结合EMD分解获取每个轨迹矩阵的若干特征向量组及其对应频率,通过正常情况及每个故障的原始信号数据在相同窗口尺度下的轨迹矩阵的相同频率的比对,获取每个轨迹矩阵的若干差异特征向量组,进而结合轨迹矩阵的轨迹频率获取每个差异特征向量组的可信度;通过可信度量化来减少轨迹矩阵的不同对差异特征向量组的影响,进而通过差异频率在不同轨迹矩阵对应的差异特征向量组,量化差异频率的故障性,根据故障性得到每个故障的故障频率及故障向量组,通过故障频率完成便携式模拟断路器对于实际信号数据的故障检测;排除轨迹矩阵本身对于故障频率量化的影响,提高模拟断路器的故障识别精度,提高实际信号数据故障检测结果的准确性。
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为本发明一个实施例所提供的一种便携式模拟断路器故障检测方法流程示意图。
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。
请参阅图1,其示出了本发明一个实施例所提供的一种便携式模拟断路器故障检测方法流程图,该方法包括以下步骤:
步骤S001、采集模拟断路器中正常情况和不同故障的原始信号数据,采集实际信号数据。
本实施例的目的是对电路设备的实际信号数据通过模拟断路器进行故障检测,因此首先需要获取模拟断路器中正常情况和不同故障下的原始信号数据,同时采集电路设备的实际信号数据;首先对模拟断路器中的电流数据进行采集,本实施例利用电流传感器采集电流数据,采样频率为0.1s,每5s内采集到的电流时序数据序列记为原始信号数据,通过专业人员对原始信号数据进行识别,将每个原始信号数据与正常情况及所有故障分别对应,则得到了正常情况及每个故障的原始信号数据;将电路设备最近5s内采集到的电流时序数据序列记为实际信号数据。
至此,获取到了模拟断路器中正常情况和每个故障的原始信号数据,以及实际信号数据。
步骤S002、获取原始信号数据不同窗口尺度的轨迹矩阵,获取每个轨迹矩阵的若干特征向量,获取原始信号数据的若干IMF分量并作为嵌入节点构建图结构,根据图结构获取每个嵌入节点的嵌入向量,得到每个嵌入节点的第一相关性序列。
需要说明的是,奇异谱分析中的轨迹矩阵可以看作是不同采样尺度下的数据,每个轨迹矩阵对应一个周期,而不同轨迹矩阵中的特征向量组受轨迹矩阵的采样尺度,即窗口尺度影响较大,窗口尺度对应一个周期,轨迹矩阵中的特征向量组对应的频率与窗口尺度对应的频率越相近,其受轨迹矩阵窗口尺度的影响越大,后续参与量化故障频率及故障向量组的可信度越小。
具体的,以任意一个原始信号数据为例,首先用表示原始信号数据的长度,即原始信号数据中的数据量,设置初始的窗口尺度、最终的窗口尺度及预设的窗口步长,其中初始的窗口尺度本实施例采用/>进行计算,最终的窗口尺度本实施例采用/>进行计算,窗口步长设置为1,从初始的窗口尺度逐次增长窗口步长到最终的窗口尺度,得到若干窗口尺度;以每个窗口尺度通过奇异谱分析获取原始信号数据的轨迹矩阵,则得到了每个窗口尺度的轨迹矩阵,其中奇异谱分析为现有技术,本实施例不再赘述;获取到每个窗口尺度的轨迹矩阵后,对任意一个轨迹矩阵通过SSA分解,得到若干特征向量,其中SSA分解即为奇异谱分解;按照上述方法获取每个窗口尺度的轨迹矩阵的若干特征向量;按照上述方法获取每个原始信号数据在每个窗口尺度的轨迹矩阵,以及每个轨迹矩阵的若干特征向量。
进一步需要说明的是,获取到每个轨迹矩阵的若干特征向量后,其并不能确定每个特征向量所对应的频率,考虑到EMD是一种将信号数据分解为不同频率分量(IMF分量)的方法,通过该方法获得不同频率分量(IMF分量)之间的联系信息,进而得到第一相关性序列;同时根据IMF分量将每个轨迹矩阵的特征向量划分为特征向量组,可以获得不同特征向量组之间的联系信息,进而得到第二相关性序列,根据第一相关性序列及第二相关性序列的对应关系,则可以得到每个特征向量组的对应频率。
具体的,以任意一个原始信号数据为例,通过EMD分解获取原始信号数据的若干IMF分量,每个IMF分量对应的是原始信号数据中的不同频率;将每个IMF分量作为图结构的节点,为了进行后续区分本实施例将图结构中的节点记为嵌入节点,将不同IMF分量之间的余弦相似度作为边值,根据嵌入节点及边值完成图结构的构建;通过GraphSAGE方法,得到图结构中每个嵌入节点的嵌入向量,其中GraphSAGE方法为现有技术,本实施例不再赘述;需要说明的是,嵌入向量表示了每个嵌入节点的特征信息以及邻居嵌入节点的特征信息,因此嵌入向量可以反映每个嵌入节点的特征;计算每个嵌入节点的嵌入向量与图结构中其他每个嵌入节点的嵌入向量的余弦相似度,将任意一个嵌入节点得到的所有余弦相似度从大到小降序排列,得到的序列记为该嵌入节点的第一相关性序列;按照上述方法获取每个嵌入节点的第一相关性序列;按照上述方法对每个原始信号数据进行EMD分解,根据每个原始信号数据得到的若干IMF分量分别构建图结构,得到每个嵌入节点的第一相关性序列;EMD分解原始信号数据得到若干IMF分量为现有技术,本实施例不再赘述。
至此,获取了每个原始信号数据在每个窗口尺度的轨迹矩阵,以及每个轨迹矩阵的若干特征向量,同时得到了每个原始信号数据的每个嵌入节点的第一相关性序列,每个嵌入节点即为原始信号数据的一个IMF分量,则第一相关性序列可以表征原始信号数据的频率信息,用于后续确定每个特征向量组的对应频率。
步骤S003、根据IMF分量对每个轨迹矩阵的特征向量得到特征向量组,对每个特征向量组进行降维,获取每个特征向量组的组向量,根据同一轨迹矩阵的若干组向量获取每个特征向量组的第二相关性序列,根据第一相关性序列及第二相关性序列获取每个特征向量组的对应频率。
需要说明的是,EMD分解得到的IMF分量表示不同的频率信息,奇异谱分析中的不同特征向量也表示不同的频率信息,即频率信息通过不同形式进行表现;EMD分解中可以明确得到每个IMF分量对应的是哪个频率,而SSA分解得到每个轨迹矩阵的特征向量后,SSA分解后得到的特征向量是按照其所代表的频率大小排序的,因此可以将其分为几个不同的组,每个组中包括一组具有相似频率的特征向量,可以通过IMF分量的数量将特征向量划分为特征向量组;但特征向量组中的特征向量表示同一频率,无法得到特征向量组对应哪个频率,因此需要获取不同特征向量组之间的相关性,进而得到每个特征向量组的第二相关性序列;其中在量化不同特征向量组之间的相关性时,由于特征向量组中包括多个特征向量,则需要对特征向量组降维得到单一向量,记为组向量,组向量表示了特征向量组,通过组向量之间的相关性来量化得到特征向量组的第二相关性序列。
具体的,首先对于任意一个原始信号数据,获取其IMF分量的数量,记为原始信号数据的频率数量,根据频率数量分别对每个轨迹矩阵的若干特征向量进行均匀分组,得到若干特征向量组,每个轨迹矩阵的特征向量组的数量与频率数量相等,同一特征向量组中的特征向量对应的频率相近;按照上述方法获取每个原始信号数据的每个轨迹矩阵的若干特征向量组。
进一步的,对于任意一个轨迹矩阵的每个特征向量组,特征向量组中每个特征向量的维度相同,用表示特征向量的维度;将每个特征向量组中的所有特征向量首尾拼接在一起,构成一个更高维的向量,记为每个特征向量组的第一向量,对所有特征向量组的第一向量进行降维,将每个特征向量组的第一向量降维成/>维,将降维后的第一向量记为每个特征向量组的组向量;其中第一向量降维采用主成分分析的方法,主成分分析为现有技术,本实施例不再赘述;获取到该轨迹矩阵每个特征向量组的组向量后,获取每个组向量与该轨迹矩阵的其他组向量之间的余弦相似度,将任意一个组向量得到的所有余弦相似度从大到小降序排列,得到的序列记为该组向量的第二相关性序列,则得到了该组向量对应的特征向量组的第二相关性序列;按照上述方法获取该轨迹矩阵中每个特征向量组的第二相关性序列;将该轨迹矩阵的所有特征向量组作为一侧节点,该轨迹矩阵的原始信号数据对应的若干嵌入节点作为另一侧的节点,将特征向量组的第二相关性序列与嵌入节点的第一相关性序列之间的余弦相似度作为两侧节点之间的边值,对两侧节点进行KM匹配,得到每个特征向量组对应的嵌入节点,则嵌入节点对应IMF分量代表的频率即为每个特征向量组的对应频率,则得到了该轨迹矩阵的每个特征向量组的对应频率;按照上述方法获取每个原始信号数据的每个轨迹矩阵的每个特征向量组的第二相关性序列,并得到每个特征向量组的对应频率;需要说明的是,每个轨迹矩阵的特征向量组是根据IMF分量的数量进行划分的,则在KM匹配过程中两侧节点的数量是相等的,可以达到一对一完全匹配的结果,KM匹配算法为现有技术,本实施例不再赘述。
至此,对于任意一个原始信号数据,获取了每个轨迹矩阵的每个特征向量组的对应频率。
步骤S004、根据正常情况及每个故障的原始信号数据的每个轨迹矩阵的每个特征向量组,获取每个故障的原始信号数据中每个轨迹矩阵的若干差异特征向量组及差异频率,根据差异频率及窗口尺度获取每个差异特征向量组的可信度,根据相同差异频率在不同轨迹矩阵的差异特征向量组及其可信度,获取每个差异频率的故障性,进而得到故障频率。
需要说明的是,对于某个故障来说,在不同窗口尺度下均存在的差异特征向量组才可以作为故障向量组,因此首先需要获得每个窗口尺度下,即每个轨迹矩阵的若干差异特征向量组,对于每个窗口尺度下的轨迹矩阵,通过计算相同尺度下正常情况的原始信号数据与每个故障的原始信号数据在相同频率下的特征向量组之间的差异,量化得到每个轨迹矩阵的差异特征向量组,同时根据差异特征向量组的频率得到差异频率。
具体的,首先对于任意一个故障的原始信号数据的任意一个轨迹矩阵,获取正常情况下的原始信号数据与该轨迹矩阵对应窗口尺度相同的轨迹矩阵,获取两个轨迹矩阵中任意两个对应频率相同的特征向量组,将正常情况下的特征向量组中每个特征向量作为一侧节点,将该故障的特征向量组中每个特征向量作为另一侧节点,将两侧节点对应的特征向量之间的余弦相似度作为两侧节点之间的边值,通过KM匹配算法获取所有匹配节点对,将所有匹配节点对之间的边值的均值作为两个特征向量组之间的第一相似度;按照上述方法获取该轨迹矩阵中每个特征向量组与正常情况相同尺度下相同频率的特征向量组之间的第一相似度,给出预设第一阈值用于判断差异特征向量组,本实施例中预设第一阈值采用0.5进行计算,将第一相似度小于预设第一阈值的该故障的该轨迹矩阵的特征向量组记为该轨迹矩阵的差异特征向量组,则得到了该轨迹矩阵的若干差异特征向量组;按照上述方法获取每个故障的每个轨迹矩阵的若干差异特征向量组,将差异特征向量组的对应频率记为差异频率。
进一步的,将每个轨迹矩阵对应窗口长度的倒数,作为每个轨迹矩阵的频率,记为每个轨迹矩阵的轨迹频率;轨迹矩阵的特征向量组受轨迹频率的影响较大,对应频率越靠近轨迹频率的特征向量组,受到轨迹矩阵的影响越大,相应的参与后续故障频率及故障向量组的可信度就越小。
其中,表示轨迹矩阵/>的第/>个差异特征向量组的差异频率,/>表示轨迹矩阵/>的轨迹频率,/>表示求绝对值;差异频率与轨迹频率越相近,差异特征向量组受轨迹矩阵的影响越大,可信度越小;按照上述方法获取每个轨迹矩阵的每个差异特征向量组的可信度。
进一步需要说明的是,同一故障的不同轨迹矩阵的不同差异特征向量组中,存在同一差异频率对应多个不同轨迹矩阵的不同差异特征向量组,即由于差异特征向量组的差异频率是由于IMF分量获取,则频率之间不会出现相似的情况,只有相等或不相等的情况出现;同一差异频率对应的差异特征向量组数量越多,该差异频率能够表征故障的可能性越大,以此来分析获取每个差异频率的故障性,进而得到故障频率。
其中,表示差异频率/>在该故障的若干轨迹矩阵对应的差异特征向量组的数量,/>表示该故障的轨迹矩阵的数量,/>表示差异频率/>在该故障的若干轨迹矩阵对应的第/>个差异特征向量组的可信度,/>表示以自然常数为底的指数函数;差异频率/>对应的差异特征向量组的数量越多,且每个差异特征向量组的可信度越大,该差异频率表征该故障的参考性越大,则该差异频率的故障性越大;需要说明的是,本实施例通过/>来呈现反比例关系和归一化处理,实施者可根据实际情况来选择反比例函数及归一化函数;按照上述方法获取每个故障的原始信号数据的每个差异频率的故障性,将每个故障对应的若干差异频率中,故障性最大的差异频率作为对应故障的故障频率,则得到了每个故障对应的故障频率。
至此,获取到了每个故障对应的故障频率,后续根据故障频率获取故障向量组,进而根据故障向量组对实际信号数据进行故障检测。
步骤S005、根据故障频率获取每个故障的原始信号数据的故障向量组,根据实际信号数据与故障向量组完成便携式模拟断路器的故障检测。
对于任意一个故障的故障频率,故障频率对应了若干差异特征向量组,对任意两个特征向量组计算第二相似度,第二相似度计算方法为:将一个特征向量组的所有特征向量作为一侧节点,另一个特征向量组的所有特征向量作为另一侧节点,两侧节点之间的边值通过对应的两个特征向量之间的余弦相似度表示,通过KM匹配获取若干匹配节点对,将所有匹配节点对的边值均值作为两个特征向量组的第二相似度;获取故障频率对应的每个差异特征向量组与其他每个差异特征向量组的第二相似度均值,将均值最大的差异特征向量组作为该故障的原始信号数据的故障向量组;按照上述方法获取每个故障的原始信号数据的故障向量组。
进一步的,对于实际信号数据,由于实际信号数据与每个原始信号数据的数据量均相同,则以步骤S002中的若干窗口尺度获取实际信号数据的若干轨迹矩阵,按照上述方法获取实际信号数据的每个轨迹矩阵的每个特征向量组及对应频率;在进行每个故障判断时,首先根据故障频率及故障向量组对应的轨迹矩阵,获取实际信号数据相同窗口尺度下轨迹矩阵的相同频率的特征向量组,根据该特征向量组与故障向量组之间的第三相似度判断故障,其中第三相似度计算方法与第二相似度相同;给出预设第二阈值用于判断故障,本实施例预设第二阈值采用0.7进行计算,若第三相似度大于预设第二阈值,则表明实际信号数据中出现该故障频率对应的故障,若第三相似度小于等于预设第二阈值,则表明实际信号数据中不存在该故障频率对应的故障;按照上述方法对实际信号数据进行每个故障的分析,若不存在任何故障,则表明实际信号数据为正常情况。
至此,则完成了通过便携式模拟断路器中预设的正常情况及每个故障的原始信号数据,对实际信号数据进行了故障检测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,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 (7)
1.一种便携式模拟断路器故障检测方法,其特征在于,该方法包括以下步骤:
采集模拟断路器中正常情况和不同故障的原始信号数据,采集实际信号数据;
根据不同窗口尺度获取每个原始信号数据的若干轨迹矩阵,获取每个轨迹矩阵的若干特征向量;获取每个原始信号数据的若干IMF分量,将每个原始信号数据的IMF分量作为嵌入节点构建图结构并得到每个嵌入节点的第一相关性序列;
根据IMF分量对每个轨迹矩阵的特征向量得到特征向量组,对每个特征向量组降维得到每个特征向量组的组向量,根据同一轨迹矩阵的若干组向量获取每个特征向量组的第二相关性序列,根据第一相关性序列及第二相关性序列获取每个特征向量组的对应频率;
根据正常情况及每个故障的原始信号数据的每个轨迹矩阵的每个特征向量组,获取每个故障的原始信号数据中每个轨迹矩阵的若干差异特征向量组及差异频率,根据差异频率及窗口尺度获取每个差异特征向量组的可信度,根据相同差异频率在不同轨迹矩阵的差异特征向量组及可信度,获取每个差异频率的故障性,将每个故障对应的若干差异频率中,故障性最大的差异频率作为对应故障的故障频率;
根据故障频率获取每个故障的原始信号数据的故障向量组,根据实际信号数据与故障向量组完成便携式模拟断路器的故障检测;
所述将每个原始信号数据的IMF分量作为嵌入节点构建图结构并得到每个嵌入节点的第一相关性序列,包括的具体方法为:
以任意一个原始信号数据为目标原始信号数据,通过EMD分解获取目标原始信号数据的若干IMF分量;将每个IMF分量作为嵌入节点,将不同IMF分量之间的余弦相似度作为边值,根据嵌入节点及边值完成图结构的构建;
获取图结构中每个嵌入节点的嵌入向量,计算每个嵌入节点的嵌入向量与图结构中其他每个嵌入节点的嵌入向量的余弦相似度,将每个嵌入节点得到的所有余弦相似度从大到小降序排列,得到的序列记为每个嵌入节点的第一相关性序列;
对每个原始信号数据进行EMD分解,根据每个原始信号数据得到的若干IMF分量分别构建图结构,得到每个嵌入节点的第一相关性序列;
所述根据同一轨迹矩阵的若干组向量获取每个特征向量组的第二相关性序列,包括的具体方法为:
以任意一个轨迹矩阵为目标轨迹矩阵,获取每个组向量与目标轨迹矩阵的其他组向量之间的余弦相似度,将每个组向量得到的所有余弦相似度从大到小降序排列,得到的序列记为每个组向量的第二相关性序列,得到每个组向量对应的特征向量组的第二相关性序列;
获取每个轨迹矩阵的每个特征向量组的第二相关性序列;
所述根据第一相关性序列及第二相关性序列获取每个特征向量组的对应频率,包括的具体方法为:
以任意一个轨迹矩阵为目标轨迹矩阵,将目标轨迹矩阵的所有特征向量组作为一侧节点,目标轨迹矩阵的原始信号数据对应的若干嵌入节点作为另一侧的节点,将特征向量组的第二相关性序列与嵌入节点的第一相关性序列之间的余弦相似度作为两侧节点之间的边值,对两侧节点进行KM匹配,得到每个特征向量组对应的嵌入节点,嵌入节点对应IMF分量代表的频率即为每个特征向量组的对应频率,得到目标轨迹矩阵的每个特征向量组的对应频率;
获取每个轨迹矩阵的每个特征向量组的对应频率。
2.根据权利要求1所述的一种便携式模拟断路器故障检测方法,其特征在于,所述根据IMF分量对每个轨迹矩阵的特征向量得到特征向量组,包括的具体方法为:
以任意一个原始信号数据为目标原始信号数据,获取目标原始信号数据的IMF分量的数量,记为目标原始信号数据的频率数量;
根据频率数量分别对目标原始信号数据的每个轨迹矩阵的若干特征向量进行均匀分组,得到若干特征向量组;
获取每个原始信号数据的每个轨迹矩阵的若干特征向量组。
4.根据权利要求1所述的一种便携式模拟断路器故障检测方法,其特征在于,所述获取每个故障的原始信号数据中每个轨迹矩阵的若干差异特征向量组及差异频率,包括的具体方法为:
以任意一个故障为目标故障,目标故障的原始信号数据的任意一个轨迹矩阵为目标轨迹矩阵,获取正常情况下的原始信号数据与目标轨迹矩阵对应窗口尺度相同的轨迹矩阵,获取两个轨迹矩阵中任意两个对应频率相同的特征向量组,将正常情况下的特征向量组中每个特征向量作为一侧节点,将目标故障的特征向量组中每个特征向量作为另一侧节点,将两侧节点对应的特征向量之间的余弦相似度作为两侧节点之间的边值,通过KM匹配算法获取所有匹配节点对,将所有匹配节点对之间的边值的均值作为两个特征向量组之间的第一相似度;
获取目标轨迹矩阵中每个特征向量组与正常情况相同尺度下相同频率的特征向量组之间的第一相似度,将第一相似度小于预设第一阈值的目标故障的目标轨迹矩阵的特征向量组记为目标轨迹矩阵的差异特征向量组,得到目标轨迹矩阵的若干差异特征向量组;
获取每个故障的每个轨迹矩阵的若干差异特征向量组,将差异特征向量组的对应频率记为差异频率。
7.根据权利要求1所述的一种便携式模拟断路器故障检测方法,其特征在于,所述根据故障频率获取每个故障的原始信号数据的故障向量组,包括的具体方法为:
以任意一个故障为目标故障,目标故障的故障频率为目标故障频率,计算目标故障频率对应的若干差异特征向量组种任意两个特征向量组计算第二相似度;获取目标故障频率对应的每个差异特征向量组与其他每个差异特征向量组的第二相似度均值,将均值最大的差异特征向量组作为目标故障的原始信号数据的故障向量组;
获取每个故障的原始信号数据的故障向量组;
所述第二相似度计算方法为:将一个特征向量组的所有特征向量作为一侧节点,另一个特征向量组的所有特征向量作为另一侧节点,两侧节点之间的边值通过对应的两个特征向量之间的余弦相似度表示,通过KM匹配获取若干匹配节点对,将所有匹配节点对的边值均值作为两个特征向量组的第二相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310422928.8A CN116148656B (zh) | 2023-04-20 | 2023-04-20 | 一种便携式模拟断路器故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310422928.8A CN116148656B (zh) | 2023-04-20 | 2023-04-20 | 一种便携式模拟断路器故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116148656A CN116148656A (zh) | 2023-05-23 |
CN116148656B true CN116148656B (zh) | 2023-07-11 |
Family
ID=86339213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310422928.8A Active CN116148656B (zh) | 2023-04-20 | 2023-04-20 | 一种便携式模拟断路器故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116148656B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116643163B (zh) * | 2023-07-27 | 2023-10-20 | 浙江北岛科技有限公司 | 一种真空断路器远程在线监测系统 |
CN117171588A (zh) * | 2023-11-02 | 2023-12-05 | 吉林省有继科技有限公司 | 一种用于动力电池梯次利用故障检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648017A (zh) * | 2019-08-30 | 2020-01-03 | 广东工业大学 | 一种基于二层分解技术的短期冲击负荷预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108489719B (zh) * | 2018-04-09 | 2019-11-05 | 常州湖南大学机械装备研究院 | 一种基于g-p奇异谱分解的旋转机械复合故障诊断方法 |
CN113155462B (zh) * | 2021-03-29 | 2023-03-24 | 温州大学 | 基于辛几何模式分解与图结构增强动态时间规整的轴承故障诊断方法 |
WO2022261805A1 (zh) * | 2021-06-15 | 2022-12-22 | 大连理工大学 | 一种柴油机齿轮箱故障诊断方法 |
CN113408458B (zh) * | 2021-06-29 | 2023-10-17 | 北京交通大学 | 一种基于振动信号特征熵融合的断路器故障诊断方法 |
CN113420691A (zh) * | 2021-06-30 | 2021-09-21 | 昆明理工大学 | 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法 |
-
2023
- 2023-04-20 CN CN202310422928.8A patent/CN116148656B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648017A (zh) * | 2019-08-30 | 2020-01-03 | 广东工业大学 | 一种基于二层分解技术的短期冲击负荷预测方法 |
Non-Patent Citations (4)
Title |
---|
An EMD and IMF Energy Entropy Based Optimized Feature Extraction and Classification Scheme for Single Trial EEG Signal;Song Luo;Research Square;全文 * |
Biomedical Signal Denoising Via Permutating, Thresholding and Averaging Noise Components Obtained from Hierarchical Multiresolution Analysis-Based Empirical Mode Decomposition;Yang Zhou;《 Circuits, Systems, and Signal Processing》;全文 * |
Fault diagnosis of gearbox using empirical mode decomposition and multi-fractal detrended cross-correlation analysis;Hongmei Liu;《Journal of Sound and Vibration》;第385卷;350-371 * |
Research on Fault Feature Extraction and Pattern Recognition of Rolling Bearing;Miao, Xiaobin;《MATHEMATICAL PROBLEMS IN ENGINEERING》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116148656A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116148656B (zh) | 一种便携式模拟断路器故障检测方法 | |
CN113065525B (zh) | 年龄识别模型训练方法、人脸年龄识别方法及相关装置 | |
CN117171696B (zh) | 一种基于物联网的传感器生产监测方法及系统 | |
CN116308963B (zh) | 一种政务数据分析方法及系统 | |
CN116610469B (zh) | 一种固态硬盘的综合质量性能测试方法及系统 | |
CN115169430A (zh) | 基于多尺度解码的云网端资源多维时间序列异常检测方法 | |
CN114611409B (zh) | 一种配电终端异常检测模型的建立方法及装置 | |
CN113723861A (zh) | 异常用电行为检测方法、装置、计算机设备和存储介质 | |
CN114139624A (zh) | 一种基于集成模型挖掘时间序列数据相似性信息的方法 | |
CN115394383A (zh) | 磷光材料的发光波长预测方法及系统 | |
CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
CN109557434B (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
CN115184054A (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
CN116543538B (zh) | 一种物联网消防电气预警方法及预警系统 | |
CN111950605A (zh) | 表计识别模型的学习方法、装置、设备和表计识别方法 | |
CN112329272A (zh) | 综合光伏组件退化和寿命数据的剩余寿命拟合预测方法 | |
CN115588439B (zh) | 一种基于深度学习的声纹采集装置的故障检测方法及装置 | |
CN116662800A (zh) | 一种基于自适应注意力机制的滚动轴承故障诊断方法 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN113469247B (zh) | 网络资产异常检测方法 | |
CN112800813B (zh) | 一种目标识别方法及装置 | |
CN117216771B (zh) | 一种二进制程序漏洞智能挖掘方法及系统 | |
CN116416456B (zh) | 基于自蒸馏的图像分类方法、系统、存储介质和电子设备 | |
CN115514621B (zh) | 故障监测方法、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |