基于混沌布谷鸟算法的GIS机械故障诊断方法及系统技术方案

本发明专利技术公开了一种基于混沌布谷鸟算法的GIS机械故障诊断方法及系统，针对螺丝松动和金属微粒振动两种常见的GIS机械故障，首先运用混沌布谷鸟算法优化VMD参数，然后对GIS正常振动信号和故障信号进行VMD分解，提取不同故障类型信号的特征向量，最后通过线性递减权重PSO优化的K‑means聚类算法对训练样本特征向量集进行聚类，得到不同的聚类中心，再利用最小欧氏距离原则对测试样本特征向量集进行识别，实现GIS机械故障的诊断。

GIS mechanical fault diagnosis method and system based on chaos cuckoo algorithm

The invention discloses a method and system for mechanical fault diagnosis of GIS based on chaotic cuckoo algorithm. For two common mechanical faults of GIS, screw loosening and metal particle vibration, the chaotic cuckoo algorithm is used to optimize the VMD parameters first, and then the normal vibration signal and fault signal of GIS are decomposed by VMD to extract different faults. Finally, the K_means clustering algorithm optimized by linear decreasing weight PSO is used to cluster the feature vectors of training samples, and different clustering centers are obtained. Then the feature vectors of test samples are identified by the principle of minimum Euclidean distance, and the mechanical fault diagnosis of GIS is realized.

【技术实现步骤摘要】
基于混沌布谷鸟算法的GIS机械故障诊断方法及系统
本专利技术涉及一种基于混沌布谷鸟算法的GIS机械故障诊断方法及系统。
技术介绍
近年来，伴随着电压等级的不断提高，对电能质量的可靠性提出了更高的要求。国民用电在进一步提高的同时，电网事故频发，而GIS作为重要环节，一旦出现故障就可能造成大规模的停电事故，因此保证GIS的安全运行利国利民。目前，电力系统内GIS虽然稳定系数高，但是依旧存在设备运行一段时间或者在启运时便出现事故的先例。此外，在运行过程中，由于电压等级非常高，GIS内部存在很强的磁场，容易使设备存在的微小缺陷逐步蔓延，以致损坏设备，带来巨大经济损失。因此，对GIS的机械性能进行在线监测，通过监测振动信号预知其故障可能性并判别其故障类型，对电力系统安全运行意义重大，并具有良好的应用前景和推广价值。
技术实现思路
本专利技术为了解决上述问题，提出了一种基于混沌布谷鸟算法的GIS机械故障诊断方法及系统。首先，本专利技术提供了一种基于混沌布谷鸟算法的GIS机械故障诊断方法。本方法运用混沌布谷鸟算法，对GIS异常振动信号进行模态分解，以发现并判断GIS设备的故障，避免发生较为严重的机械故障。其次，本专利技术提供了一种基于混沌布谷鸟算法的GIS机械故障诊断系统，本系统针对当前GIS机械状态带电检测与故障诊断技术的研究现状以及存在的问题，基于振动信号处理进行GIS机械故障检测。为了实现上述目的，本专利技术采用如下技术方案：一种基于混沌布谷鸟算法的GIS机械故障诊断方法，具体包括以下步骤：根据典型故障模拟GIS电气故障和机械故障，获取GIS正常振动信号和故障信号；运用混沌布谷鸟算法优化变分模态分解参数，采用混沌映射提高布谷鸟种群的种群数；对GIS正常振动信号和故障信号分别进行变分模态分解(VMD)，提取不同故障类型信号的特征向量；通过聚类算法对训练样本特征向量集进行聚类，得到不同的聚类中心；利用最小欧氏距离原则对测试样本特征向量集进行识别，实现GIS机械故障的诊断。进一步的，收集历史数据中典型故障模拟GIS电气故障和机械故障数据，形成GIS正常振动信号集合和故障信号集合。优选的，搭建GIS仿真测试平台，模拟GIS自由微粒振动和螺丝松动两类常见的机械故障，以提取两类故障的特征信息。进一步的，运用混沌布谷鸟算法优化变分模态分解参数，采用混沌映射提高布谷鸟种群的种群数的具体过程包括在布谷鸟算法变更鸟巢位置后，进行混沌优化搜索，使用混沌映射得到混沌序列，根据适应度函数改变鸟巢位置。具体的，包括以下步骤：1)初始化CCS算法各参数并确定适应度函数；2)初始化概率参数，随机产生n个鸟巢，以影响参数中的预知模态数K和二次惩罚项α的组合[K,α]作为鸟巢位置，随机产生一定数量的影响参数组合作为鸟巢的初始位置；3)在不同鸟巢位置条件下对信号做变分模态分解运算，计算各鸟巢位置相对应的适应度值；4)保留前一代最适鸟巢位置，利用Levy飞行算法更新鸟巢，对比适应度值大小；5)判断适应度函数在参数设定迭代次数内是否变化，若存在变化，转入下一步；若不存在变化，对当前最优鸟巢混沌映射；6)利用步骤4)变更鸟巢位置，用随机数与概率参数对比，若随机数大于概率参数，则随机改变鸟巢位置，反之则不变，最后保留最好的一组鸟巢位置；7)循环迭代，转至步骤3)，直至迭代次数达到最大设定值后输出最佳适应度值及鸟巢位置。进一步的，GIS振动信号x(t)的变分模态分解得到n个内禀模态函数BIMF，相应的可计算出其对应各自的能量值E1，E2，…En；不考虑参与分量的影响，n个BIMF的能量总和一定等于原始振动信号的总能量值；由于各个BIMF分量BIMF1，BIMF2，…，BIMFn包含不一样的频率组成成分，对应着不一样的能量矩阵E＝{E1，E2，…En}，构成频率域内GIS振动信号的能量分布。进一步的，通过线性递减权重PSO优化的K-means聚类算法对训练样本特征向量集进行聚类，得到不同的聚类中心。更进一步的，优化后的PSO算法计算过程包括：a)初始化种群规模、粒子的速度和位置参数；b)评价每个粒子的适应度，使粒子中带有最优适应值的个体位置和适应值保存在全局极值gbest中；c)更新粒子位置和速度；d)根据当前迭代步数，更新权重值：e)将每个粒子的适应度值与个体极值pbest、全局极值gbest作比较，若优于pbest、gbest则进行替代，然后比较当前所有的pbest、gbest，更新全局极值gbest；f)如果满足终止条件的相应条件，则终止迭代，如果没有就返回步骤c)。进一步的，将线性递减权重PSO算法引入到K-means聚类中来，采用聚类中心编码的方式，将数据样本点与质心的欧氏距离函数设计为线性递减权重PSO的适应度值函数。进一步的，K-means算法过程包括：随机选取k个聚类质心点；类分化：计算样本中的数据和聚类中心的距离，依据距离最近准则，把样本数据分配给相应的簇中心；重新计算质心点：计算各类中所有样本数据的均值，并将此定义为新的聚类中心；重复类分化和重新计算质心点的步骤，直至最终算法稳定，聚类结束。进一步的，本专利技术将线性递减权重PSO算法引入到K-means聚类中来，采用聚类中心编码的方式，将数据样本点与质心的欧氏距离函数设计为线性递减权重PSO的适应度值函数。进一步的，根据能量熵和均方根值的定义，计算所有样本的熵值和均方根值，利用改进K-means聚类方法将均方根值和VMD熵值进行二维聚类，得到多初始簇中心，分别表征GIS不同状态下的振动信号；对其余样本，依据样本和已知簇中心的欧氏距离迭代寻找不同状态下的信号的聚类中心，进而对样本的振动信号进行分类。一种基于混沌布谷鸟算法的GIS机械故障诊断系统，运行于处理器或可存储介质上，被配置为执行以下指令：根据典型故障模拟GIS电气故障和机械故障，获取GIS正常振动信号和故障信号；运用混沌布谷鸟算法优化变分模态分解参数，采用混沌映射提高布谷鸟种群的种群数；对GIS正常振动信号和故障信号进行变分模态分解，提取不同故障类型信号的特征向量；通过聚类算法对训练样本特征向量集进行聚类，得到不同的聚类中心；利用最小欧氏距离原则对测试样本特征向量集进行识别，实现GIS机械故障的诊断。与现有技术相比，本专利技术的有益效果为：1、本专利技术提供一种基于混沌布谷鸟算法优化VMD参数的机械故障诊断方法，运用混沌布谷鸟算法，对GIS异常振动信号进行模态分解，以发现并判断GIS设备的故障，避免发生较为严重的机械故障。2、针对信号特征提取算法变分模态分解(VMD)参数不确定性的问题，提出基于混沌布谷鸟算法的VMD参数的智能寻优，有效提高了信号分解速率以及准确度；3、将混沌布谷鸟优化算法引入到VMD参数的优化，解决了VMD算法参数难以确定的问题。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1为振动信号采集系统图；图2为CS算法流程示意图；图3为CCS算法流程示意图；图4为混沌布谷鸟算法优化VMD参数算法流程示意图；图5为粒子群算法基本框架示意图；图6为线性递减权重PSO-K-means聚类算法流程图；图7为GIS机械故障诊断流程图。具体实施方式：下面结合附本文档来自技高网...

【技术保护点】
1.一种基于混沌布谷鸟算法的GIS机械故障诊断方法，其特征是：包括以下步骤：根据典型故障模拟GIS电气故障和机械故障，获取GIS正常振动信号和故障信号；运用混沌布谷鸟算法优化变分模态分解参数，采用混沌映射提高布谷鸟种群的种群数；对GIS正常振动信号和故障信号分别进行变分模态分解，提取不同故障类型信号的特征向量；通过聚类算法对训练样本特征向量集进行聚类，得到不同的聚类中心；利用最小欧氏距离原则对测试样本特征向量集进行识别，实现GIS机械故障的诊断。

【技术特征摘要】
1.一种基于混沌布谷鸟算法的GIS机械故障诊断方法，其特征是：包括以下步骤：根据典型故障模拟GIS电气故障和机械故障，获取GIS正常振动信号和故障信号；运用混沌布谷鸟算法优化变分模态分解参数，采用混沌映射提高布谷鸟种群的种群数；对GIS正常振动信号和故障信号分别进行变分模态分解，提取不同故障类型信号的特征向量；通过聚类算法对训练样本特征向量集进行聚类，得到不同的聚类中心；利用最小欧氏距离原则对测试样本特征向量集进行识别，实现GIS机械故障的诊断。2.如权利要求1所述的一种基于混沌布谷鸟算法的GIS机械故障诊断方法，其特征是：收集历史数据中典型故障模拟GIS电气故障和机械故障数据，形成GIS正常振动信号集合和故障信号集合。3.如权利要求1所述的一种基于混沌布谷鸟算法的GIS机械故障诊断方法，其特征是：运用混沌布谷鸟算法优化变分模态分解参数，采用混沌映射提高布谷鸟种群的种群数的具体过程包括在布谷鸟算法变更鸟巢位置后，进行混沌优化搜索，使用混沌映射得到混沌序列，根据适应度函数改变鸟巢位置。4.如权利要求3所述的一种基于混沌布谷鸟算法的GIS机械故障诊断方法，其特征是：包括以下步骤：1)初始化CCS算法各参数并确定适应度函数；2)初始化概率参数，随机产生n个鸟巢，以影响参数中的预知模态数和二次惩罚项的组合作为鸟巢位置，随机产生一定数量的影响参数组合作为鸟巢的初始位置；3)在不同鸟巢位置条件下对信号做变分模态分解运算，计算各鸟巢位置相对应的适应度值；4)保留前一代最适鸟巢位置，利用Levy飞行算法更新鸟巢，对比适应度值大小；5)判断适应度函数在参数设定迭代次数内是否变化，若存在变化，转入下一步；若不存在变化，对当前最优鸟巢混沌映射；6)利用步骤4)变更鸟巢位置，用随机数与概率参数对比，若随机数大于概率参数，则随机改变鸟巢位置，反之则不变，最后保留最好的一组鸟窝位置；7)循环迭代，转至步骤3)，直至迭代次数达到最大设定值后输出最佳适应度值及鸟巢位置。5.如权利要求1所述的一种基于混沌布谷鸟算法的GIS机械故障诊断方法，其特征是：GIS振动信号x(t)的变分模态分解得到n个内禀模态函数BIMF，相应的可计算出其对应各自的能量值E1，E2，…En；不考虑参与分量的影响，n个BIMF的能量总和一定等于原始振动信号的总能量值；由于各个BIMF分量BIMF1，BIMF2，…，BIMFn包含不一样的频率组成成分，对应着不一样的能量矩阵E＝{E1，E2，…En}...

【专利技术属性】
技术研发人员：庄燕飞，黄锐，袁海燕，冯迎春，吕俊涛，
申请(专利权)人：国家电网公司，国网山东省电力公司检修公司，
类型：发明
国别省市：北京,11