一种基于振动信号的万能式断路器分合闸故障诊断方法技术

一种基于振动信号的万能式断路器分合闸故障诊断方法，通过加速度传感器采集到的万能断路器分合闸过程中的机身振动信号，包括以下步骤：第一步通过加速度传感器采集万能式断路器分合闸动作过程中的机身振动信号并转化为数字信号，得到初始的振动信号；第二步采用改进的小波包阈值去噪算法对所采集振动信号；第三步采用互补总体平均经验模态分解算法对降噪振动信号提取固有模态函数分量；第四步确定固有模态函数分量的数量Z；第五步选择的前Z阶固有模态函数分量提取作为特征量的样本熵；第六步建立基于相关向量机的二叉树多分类器；第七步以第六步中得到的基于相关向量机的二叉树多分类器建立万能式断路器故障识别模型。

A fault diagnosis method based on vibration signal for universal circuit breaker

A fault diagnosis method of opening and closing the vibration signal of circuit breaker based on the acceleration sensor to the universal circuit breaker body vibration signal in the process of opening and closing, which comprises the following steps: the first step by the acceleration sensor acquisition circuit breaker consists of the vibration signal of switching operation process and converted into digital signal, get the initial vibration signal; the second step is to use the improved wavelet threshold denoising algorithm for vibration signal acquisition; complementary ensemble empirical mode decomposition algorithm to extract the IMFs of vibration signal by third steps; fourth steps to determine the number of Z IMFs; fifth step of selecting the first Z IMFs for the extraction of sample entropy; the sixth step is to build the relevant vector machine classifier based on binary tree of two; the seventh step is to Sixth step based on the relevance vector machine of the two tree multi classifier to establish universal circuit breaker fault identification model.

【技术实现步骤摘要】

本专利技术的技术方案涉及断路器的故障诊断，具体地说是一种基于振动信号的万能式断路器分合闸故障诊断方法。
技术介绍
依照国家对智能电网建设的规划，智能变电站是智能电网的重要组成部分和关键环节，万能式断路器智能化是智能变电站的重要组成部分，所以保障其可靠运行是十分必要的。然而，现阶段国内外学者对断路器故障诊断的研究多为高压断路器，而对低压断路器研究很少，尤其是万能式断路器。目前，针对断路器的故障诊断技术一般包括信号采集、特征提取、故障识别3个环节的内容。第一环节中采集的信号有：分合闸线圈电流及电压、动触头行程、开断电流及电弧电压、触头受力等。近来，利用振动法检测断路器机械状态逐渐成为国内外研究的热点。利用振动诊断方法有利于实现对断路器的非侵入式的状态监测，其采集不需要与断路器电气连接且不会破坏断路器本体结构，因而振动诊断成为断路器机械状态监测的合适手段。第二环节的特征提取过程中，针对振动信号的非线性、非平稳特性，常采用适用于具有暂态、突变等非平稳信号分析的小波分析、经验模态分解(empiricalmodedecomposition,EMD)、总体平均经验模态分解(ensembleEMD,EEMD)、希尔伯特-黄变换(Hilbert-Huangtransform,HHT)等，但小波在故障信号分解上存在自身缺陷，其分解效果依赖于小波基和分解尺度的选取，不具有自适应性，此外，小波分解还存在能量泄漏。虽然经验模态分解是一种自适应的时频局部化分析方法，却存在模态混叠和端点效应现象，对其进行改进的总体平均经验模态分解能够在一定程度上抑制模态混叠，但添加的白噪声不能被完全中和，不具有完备性。第三环节的故障识别方法随着人工智能的发展，常采用神经网络、支持向量机等。较为常用的神经网络具有一定的抗噪声和泛化能力，但是训练需要较多样本，且存在局部收敛问题。虽然支持向量机适于解决小样本、高维数、非线性等问题，但该算法有规则化系数确定困难、预测结果不具有统计意义、核函数受Mercer条件限制等固有局限。针对以上问题，相关向量机可以有效弥补上述缺陷。但与现有的特征提取方法匹配的效果较差，不能有效提高的故障识别率，因此在现有故障识别方法基础上，通过改进特征提取环节和故障识别方法，使其匹配之后产生更好的效果，实现对故障更高的识别率，并在此基础行提供一种改进的基于振动信号的万能式断路器分合闸故障诊断方法成为现有技术亟待解决的问题。
技术实现思路
本专利技术所要解决的技术问题是：提供一种基于振动信号的万能式断路器分合闸故障诊断方法，是一种基于振动信号互补总体平均经验模态分解-样本熵和相关向量机相结合的万能式断路器故障诊断方法，采用改进的小波包阈值去噪算法对振动信号去噪处理，优于现有技术的小波去噪与小波包去噪算法；采用互补总体平均经验模态分解算法对降噪后的振动信号分解进行时频分析，更好地克服了模态混叠和端点效应现象；建立基于相关向量机的二叉树多分类器，可利用相对较少的故障数据样本实现对万能式断路器故障类型的识别并具有较高的识别率。本专利技术解决该技术问题所采用的技术方案是：提供一种基于振动信号的万能式断路器分合闸故障诊断方法，所振动信号为通过加速度传感器采集到的万能断路器分合闸过程中的机身振动信号，其特征是所述方法包括以下步骤：第一步，通过加速度传感器采集万能式断路器分合闸动作过程中的机身振动信号，并将采集到的模拟信号转化为数字信号，得到初始的振动信号s'(t)，t为分合闸动作时间；第二步，采用改进的小波包阈值去噪算法对所采集振动信号s'(t)去噪，得到降噪振动信号s(t)。所述第二步具体包括以下步骤1)选用Daubechies(dbN)小波基作为小波分解的基函数，分解层数为5层，对振动信号s'(t)进行小波包分解；2)采用阈值函数对小波包系数Wj,i进行阈值量化处理，得到经阈值函数处理后的小波包系数所述阈值函数为将软阈值函数与硬阈值函数相结合构造而成，处理过程如式(1)所示：式(1)中：为经阈值函数处理后的小波包系数,其中αj,i为小波包分解第j层上的第i个频段子带的能量归一化系数；Wj,i为处理之前的小波包系数；采用基于heursure的启发式阈值选取函数对阈值λ进行选取；β为调节系数，0.5≤β≤1。式(1)中小波包能量系数αj,i可以由小波包系数Wj,i求得，具体：小波包系数Wj,i为W(j,0),W(j,1),…,W(j,2j-1)，每个子频带小波包的能量Ej,i＝||W(j,i)||2，总小波包能量为小波包能量系数最后将经阈值函数处理后的小波包系数重建小波包树，并反变换重构去噪后的信号，得到降噪振动信号s(t)。第三步，采用互补总体平均经验模态分解算法对降噪振动信号s(t)提取若干个反映断路器状态信息的固有模态函数分量(IMF)，具体包括以下步骤1)将符号相反的白噪声信号成对地添加到降噪振动信号s(t)，形成两个新的信号s1(t)，s2(t)；2)对目标信号s1(t)，s2(t)进行经验模态分解，具体包括2.1)确定目标信号s1(t)所有的极大值点和极小值点，然后将所有极大值点用一条光滑的曲线连接起来得到上包络线，将所有极小值点用另一条光滑的曲线连接起来得到下包络线，使上、下包络线线间包含所有的信号。上、下包络线的平均值记为m1(t)，求出目标信号s1(t)的第一个分量h1(t)：s1(t)-m1(t)＝h1(t)(2)2.2)，将h1(t)作为s1(t)带入式(2)中，重复进行步骤2.1)的筛选k次，得到h1k(t)＝h1(k-1)(t)-m1k(t)，使得h1k(t)变为一个固有模态函数分量。记c1(t)＝h1k(t)，则c1(t)为信号s1(t)的固有模态函数条件的分量。2.3)将c1(t)从s1(t)中分离出来，得到：r1(t)＝s1(t)-c1(t)(3)将r1(t)作为s1(t)重复步骤2.1)和2.2)，得到s1(t)的第二个满足固有模态函数条件的分量c2(t)，2.4)重复步骤2.3)n次得到信号s1(t)的n个固有模态分量，即在步骤2.4)的重复循环的终止条件为：当分量cn(t)或残量rn(t)足够小以至于当残量rn(t)为一个单调函数不能再从中提取满足固有模态函数条件的分量时。目标信号s2(t)同样按照s1(t)的处理方式，按照步骤2.1)到2.4)对s2(t)进行处理3)循环上述步骤1)～2)，重复向降噪振动信号s(t)添加符号相反的成对白噪声信号然后将得到的新信号进行经验模态分解；分解得到的模态需要满足以下条件，a.整个时间序列中的极值点与过零点的数量最多相差一个；b.任何时刻通过局部极大值和局部极小值而得出的上、下包络线的均值为零；最后将分解结果进行总体平均运算，得到分解结果如式(5)，即式中，为经过总体平均运算得到的分解结果信号；cj(t)(i＝1,2,…,n)为第j个固有模态函数分量；rn(t)为残余分量。第四步，确定所需提取特征量的固有模态函数分量的数量Z，依据各固有模态函数分量的能量分布特点，归一化能量值累计大于90％时的Z值，即计算出各固有模态函数分量能量，第i阶固有模态函数分量的能量的计算公式为式(6)中n为振动信号互补总体平均经验模态分解的固有模态函数分量阶数，N为每个固有模态函数分量的数据本文档来自技高网...

【技术保护点】
一种基于振动信号的万能式断路器分合闸故障诊断方法，所振动信号为通过加速度传感器采集到的万能断路器分合闸过程中的机身振动信号，其特征是所述方法包括以下步骤：第一步，通过加速度传感器采集万能式断路器分合闸动作过程中的机身振动信号，并将采集到的模拟信号转化为数字信号，得到初始的振动信号s'(t)，t为分合闸动作时间；第二步，采用改进的小波包阈值去噪算法对所采集振动信号s'(t)去噪，得到降噪振动信号s(t)；第三步，采用互补总体平均经验模态分解算法对降噪振动信号s(t)提取若干个反映断路器状态信息的固有模态函数分量，具体包括1)将符号相反的白噪声信号成对地添加到降噪振动信号s(t)，形成两个新的信号s1(t)，s2(t)；2)对目标信号s1(t)，s2(t)进行经验模态分解；3)循环上述步骤1)～2)，重复向降噪振动信号s(t)添加符号相反的成对白噪声信号然后将得到的新信号进行经验模态分解；分解得到的模态需要满足以下条件，a.整个时间序列中的极值点与过零点的数量最多相差一个；b.任何时刻通过局部极大值和局部极小值而得出的上、下包络线的均值为零；最后将分解结果进行总体平均运算，得到分解结果如式(5)，即式(5)中，为经过总体平均运算得到的分解结果信号；cj(t)(i＝1,2,…,n)为第j个固有模态函数分量；rn(t)为残余分量；第四步，确定所需提取特征量的固有模态函数分量的数量Z，即依据各固有模态函数分量的能量分布特点，归一化能量值累计大于90％时的Z值；第五步，选择第三步得到的n阶固有模态函数分量中的前Z阶固有模态函数分量提取作为特征量的样本熵；第六步，依照第一步到第五步，分别求出不同机械状态下前Z阶固有模态函数分量的样本熵并形成有效的特征样本后，通过计算不同机械状态下的样本间欧氏距离来定量评价类间样本平均距离，建立基于相关向量机的二叉树多分类器；第七步，以分合闸动作过程中虚假合闸、分闸不彻底或单相不同期的机械状态以及正常状态下选定的前Z阶样本熵特征向量为相关向量机的输入向量，以万能式断路器正常、虚假合闸、分闸不彻底或单相不同期的机械状态为相关向量机的输出向量，以第六步中得到的基于相关向量机的二叉树多分类器建立万能式断路器故障识别模型。...

【技术特征摘要】
1.一种基于振动信号的万能式断路器分合闸故障诊断方法，所振动信号为通过加速度传感器采集到的万能断路器分合闸过程中的机身振动信号，其特征是所述方法包括以下步骤：第一步，通过加速度传感器采集万能式断路器分合闸动作过程中的机身振动信号，并将采集到的模拟信号转化为数字信号，得到初始的振动信号s'(t)，t为分合闸动作时间；第二步，采用改进的小波包阈值去噪算法对所采集振动信号s'(t)去噪，得到降噪振动信号s(t)；第三步，采用互补总体平均经验模态分解算法对降噪振动信号s(t)提取若干个反映断路器状态信息的固有模态函数分量，具体包括1)将符号相反的白噪声信号成对地添加到降噪振动信号s(t)，形成两个新的信号s1(t)，s2(t)；2)对目标信号s1(t)，s2(t)进行经验模态分解；3)循环上述步骤1)～2)，重复向降噪振动信号s(t)添加符号相反的成对白噪声信号然后将得到的新信号进行经验模态分解；分解得到的模态需要满足以下条件，a.整个时间序列中的极值点与过零点的数量最多相差一个；b.任何时刻通过局部极大值和局部极小值而得出的上、下包络线的均值为零；最后将分解结果进行总体平均运算，得到分解结果如式(5)，即式(5)中，为经过总体平均运算得到的分解结果信号；cj(t)(i＝1,2,…,n)为第j个固有模态函数分量；rn(t)为残余分量；第四步，确定所需提取特征量的固有模态函数分量的数量Z，即依据各固有模态函数分量的能量分布特点，归一化能量值累计大于90％时的Z值；第五步，选择第三步得到的n阶固有模态函数分量中的前Z阶固有模态函数分量提取作为特征量的样本熵；第六步，依照第一步到第五步，分别求出不同机械状态下前Z阶固有模态函数分量的样本熵并形成有效的特征样本后，通过计算不同机械状态下的样本间欧氏距离来定量评价类间样本平均距离，建立基于相关向量机的二叉树多分类器；第七步，以分合闸动作过程中虚假合闸、分闸不彻底或单相不同期的机械状态以及正常状态下选定的前Z阶样本熵特征向量为相关向量机的输入向量，以万能式断路器正常、虚假合闸、分闸不彻底或单相不同期的机械状态为相关向量机的输出向量，以第六步中得到的基于相关向量机的二叉树多分类器建立万能式断路器故障识别模型。2.如权利要求1所述一种基于振动信号的万能式断路器分合闸故障诊断方法，其特征是所述第二步具体包括以下步骤1)选用Daubechies(dbN)小波基作为小波分解的基函数，分解层数为5层，对振动信号s'(t)进行小波包分解；2)采用阈值函数对小波包系数Wj,i进行阈值量化处理，得到经阈值函数处理后的小波包系数所述阈值函数为将软阈值函数与硬阈值函数相结合构造而成，处理过程如式(1)所示：W^j,i=sgn(Wj,i)[|Wj,i|-λ(β-αj,i)],|Wj,i|≥λ0,|Wj,i|<λ---(1)]]>式(1)中：...

【专利技术属性】
技术研发人员：孙曙光，于晗，杜太行，赵黎媛，张强，刘建强，丁铭真，郝静，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津;12