一种基于投票机制的支持向量机机械故障诊断方法技术

本发明专利技术公开一种基于投票机制的支持向量机机械故障诊断方法，通过三种不同的特征分析算法：工频谐波结构特征分析算法、多分辨率带通滤波器组频谱分析方法及希尔伯特黄变换特征分析方法，对机械设备故障运行状态下发出的声音信号进行特征提取，然后利用支持向量机算法进行分类识别。上述采用的三特征分析算法对于机械噪声此类非平稳非线性信号具有很好的适用性，能够多方面、自适应地描述信号的时频特征。分类算法采用一种基于投票机制的支持向量机多分类器。该分类器采用一类对余类法将多分类器分解为多个二类分类器，同时基于投票机制及置信度最优准则判决方法，保证了该分类方法能够达到较高的识别率及较好的算法鲁棒性。

A mechanical fault diagnosis method based on voting mechanism and support vector machine

The invention discloses a voting mechanism-based support vector machine mechanical fault diagnosis method. Three different feature analysis algorithms are adopted: power frequency harmonic structure feature analysis algorithm, multi-resolution band-pass filter bank spectrum analysis method and Hilbert Huang transform feature analysis method, which can be applied to mechanical equipment fault operation state. Feature extraction is carried out, and support vector machine algorithm is used for classification and recognition. The three-feature analysis algorithm has good applicability for non-stationary and non-linear signals such as mechanical noise, and can describe the time-frequency characteristics of signals in many ways and adaptively. The classification algorithm adopts a voting mechanism based support vector machine multiple classifier. The classifier uses one pair of remainder classifiers to decompose the multi-classifiers into two classifiers. At the same time, the decision method based on voting mechanism and confidence optimum criterion ensures that the classification method can achieve higher recognition rate and better robustness of the algorithm.

【技术实现步骤摘要】
一种基于投票机制的支持向量机机械故障诊断方法
本专利技术属于机械故障诊断
，特别涉及一种支持向量机机械故障诊断方法。
技术介绍
封闭式气体组合电器(GasInsulatedSwitchgear,GIS)由于具有高的运行可靠性已经越来越广泛地被采用。GIS具有良好的绝缘性能，广泛应用于高压输电系统中。随着我国电力工业的迅速发展，GIS趋向大容量、高电压发展。作为电力系统中运行的重要设备，GIS一旦发生故障，将会影响电力系统的正常供电，造成巨大的经济损失和不良的社会影响。因此，GIS的运行可靠性非常重要。GIS的故障率一般只有常规设备的20％-40％，但也存在缺陷不易发现，检测试验手段少，判断困难的缺点，而且由于GIS是全封闭组合电力设备，一旦出现事故，造成的后果比敞开设备更严重，故障修复也更复杂，修复时间也较长。检修中常会涉及非故障元件，修复时还可能产生二次次生缺陷。因此，GIS的运行检测十分重要，需要发展GIS的带电检测和在线监测技术，以便及时获得GIS运行中的绝缘状态，发现各种可能的异常或故障预兆，及时处理，避免缺陷扩大造成损失。在GIS的实际运行中，除了放电性故障之外，机械性故障也是导致事故发生的一大主要原因。所谓的机械故障是指当GIS内存在某些缺陷时，如开关触头接触异常、壳体对接不平衡、紧固件松脱等时，此时不会发生放电性故障，但由于导体中交流电流产生的交变电动力、互感器铁芯产生的电磁力等会导致的GIS产生机械性运动，由于机械缺陷的存在，其在正常振动之外会产生异常振动信号。GIS本体的异常振动对GIS本体具有很大危害，长期振动可能使螺栓松动，造成气体泄露，压力降低，造成绝缘事故；会对绝缘子和绝缘柱造成损害；会影响外壳接地点的牢固。GIS设备运行时常见的机械故障有杂物引起的外壳振动、电磁力、磁致伸缩引起的振动、开关操作引起的振动、由于GIS触头接触过热导致接触不良引起的振动、内部元件接地引起的振动、外界噪声引起的异响振动、由于倒闸操作事故引起的振动等故障。目前国内外对于GIS设备故障诊断主要集中在放电性故障，对于机械性故障诊断鲜有研究。基于GIS设备噪声进行机械故障诊断技术更是至今未见相关研究文献。
技术实现思路
本专利技术的目的在于提供一种基于投票机制的支持向量机机械故障诊断方法，利用工频谐波结构分析算法、多分辨率带通滤波器组频谱分析算法及希尔伯特—黄变换(Hilbert-HuangTransform，简称HHT)算法对GIS设备运行声音进行综合特征分析，提取相应的特征向量并设计了基于投票机制的支持向量机故障分类器，以解决上述技术问题。本专利技术提出一种基于声学特征分析结合自适应特征提取进行GIS设备故障诊断技术实现对GIS设备进行非侵入、无损伤式故障检测及预警。为了实现上述目的，本专利技术采用如下技术方案：一种基于投票机制的支持向量机机械故障诊断方法，包括以下步骤：第一步：基于双声道音频采集器，将主麦克风正对变电站内GIS或其他电气设备采集运行声音信号，副麦克风用于采集周围环境噪声；第二步：将副麦克风中采集的声音数据作为噪声参考信号，基于自适应噪声抵消原理将主麦克风采集到的运行声音信号与噪声混合信号中环境噪声滤除，获得滤除噪声后的声音信号；第三步：基于工频谐波结构分析算法、多分辨率带通滤波器组频谱分析算法及希尔伯特—黄变换算法三种算法分别提取滤除噪声后的声音信号特征：工频谐波特征向量、多分辨率带通滤波器组特征向量及HHT变换边际谱系数特征向量；第四步：分别利用典型故障类型下第三步中三组特征向量库训练OVR分类机，同时基于交叉验证法计算对应OVR分类机的置信度CIh,CIbpf和CIhht；第五步：基于第四步中训练好的VOR分类机分别对待诊断的GIS或其他电气设备进行故障诊断，故障诊断结果向量分别为g1{k*1},g2{k*1}和g3{k*1}；第六步：综合三个分类机的分类结果及其自身的置信度进行投票，若三个分类机中至少有两个得出相同的诊断结果，即投票能够得出故障诊断结果则以多数投票制判决，确定最终分类结果；否则则根据置信度CIh,CIbpf和CIhht选取置信度最高的分类机输出结果作为最终故障诊断结果。进一步的，第三步中，基于工频谐波结构分析算法提取滤除噪声后的声音信号的工频谐波特征向量具体包括：利用基频50Hz信号整数倍n长度的矩形窗函数截取声波信号，设前端设备采样率为fs，n取为满足如下不等式的最小整数值：对加窗后的信号进行低通滤波，通带截止频率f1＝(1.1～1.5)*2000Hz，然后经过m1倍的上采样和m2倍的下采样，得到采样率为fs′；fs′＝L＝2*f1；m1和m2满足以下等式：m1,m2均为正整数选取的信号为窗长的1.5～2倍，然后使得窗函数由信号开端进行滑动选取；当矩形窗首尾对应的信号值的幅度平方和为最小时，此段信号的突变最小，具有最小的频谱泄露；基于上述方法得到2kHz以内40维工频谐波特征向量，然后加上由2kH以内工频谐波总能量与非谐波总能量之比作为其中一维特征，进行归一化后得到41维工频谐波特征向量。进一步的，第三步中，基于多分辨率带通滤波器组频谱分析算法提取多分辨率带通滤波器组特征向量具体包括：设计一组高斯带通滤波器对滤除噪声后的声音信号进行频谱分析；对于声频范围为20～20kHz的声波信号，设采样频率为fs，将20～20kHz的频率范围分为128个频段，设每个频段的中心频率为fi，i＝1,2,…,128，则：其中，ai＝ci，c＝1.08；信号经过中心频率为fi的高斯带通滤波器等效为先将信号从某中心频率调制到零频，然后在低频应用相应的高斯低通滤波器进行低通滤波：其中，高斯分布参数δi决定了第i个高斯窗函数的宽度；第i个高斯滤波器的长度为：Li＝2*(round(2.5*ai)+1)-1其中，round(x)表示取x四舍五入后的整数值，滤波器的长度为奇数；由上式可知，ai为递增序列，滤波器中心频率fi为递减序列，而Li为响应的递增序列；得到的0～20kHz范围内128个滤波器中心频率参数；信号x(n)经过带通滤波器后，然后计算出相应的频带能量得到整个声频范围内的带通滤波器组能量谱特征向量，维数为128。进一步的，第三步中，基于希尔伯特—黄变换算法提取HHT变换边际谱系数特征向量具体包括：从滤除噪声后的声音信号本身特征出发，用经验模态分解把信号分解为有限个征模态函数,然后对IMF分量进行Hilbert变换，得到时频平面上能量分布的Hilbert谱图。相对于现有技术，本专利技术具有以下有益效果：本专利技术一种基于投票机制的支持向量机机械故障诊断方法，所设计的故障诊断方法通过三种不同的特征分析算法(即工频谐波结构特征分析算法、多分辨率带通滤波器组频谱分析方法及希尔伯特黄变换特征分析方法)对机械设备故障运行状态下发出的声音信号进行特征提取，然后利用支持向量机算法进行分类识别。本专利技术所选取的三种特征分析算法特点在于：(1)工频谐波特征结构提取算法针对电气设备噪声频谱特点进行提取与50Hz工频相关的谐波特征，具有较强的针对性和目的性。(2)本专利技术设计的带通滤波器组的多分辨率率特性具有与小波变换相似的频谱“显微镜”作用，非常适用于电气设备机械噪声等非平稳声音信号特征分析。(3)希尔伯特黄变换本文档来自技高网...

【技术保护点】
1.一种基于投票机制的支持向量机机械故障诊断方法，其特征在于，包括以下步骤：第一步：基于双声道音频采集器，将主麦克风正对变电站内GIS或其他电气设备采集运行声音信号，副麦克风用于采集周围环境噪声；第二步：将副麦克风中采集的声音数据作为噪声参考信号，基于自适应噪声抵消原理将主麦克风采集到的运行声音信号与噪声混合信号中环境噪声滤除，获得滤除噪声后的声音信号；第三步：基于工频谐波结构分析算法、多分辨率带通滤波器组频谱分析算法及希尔伯特—黄变换算法三种算法分别提取滤除噪声后的声音信号特征：工频谐波特征向量、多分辨率带通滤波器组特征向量及HHT变换边际谱系数特征向量；第四步：分别利用典型故障类型下第三步中三组特征向量库训练OVR分类机，同时基于交叉验证法计算对应OVR分类机的置信度CIh,CIbpf和CIhht；第五步：基于第四步中训练好的VOR分类机分别对待诊断的GIS或其他电气设备进行故障诊断，故障诊断结果向量分别为g1{k*1},g2{k*1}和g3{k*1}；第六步：综合三个分类机的分类结果及其自身的置信度进行投票，若三个分类机中至少有两个得出相同的诊断结果，即投票能够得出故障诊断结果则以多数投票制判决，确定最终分类结果；否则则根据置信度CIh,CIbpf和CIhht选取置信度最高的分类机输出结果作为最终故障诊断结果。...

【技术特征摘要】
1.一种基于投票机制的支持向量机机械故障诊断方法，其特征在于，包括以下步骤：第一步：基于双声道音频采集器，将主麦克风正对变电站内GIS或其他电气设备采集运行声音信号，副麦克风用于采集周围环境噪声；第二步：将副麦克风中采集的声音数据作为噪声参考信号，基于自适应噪声抵消原理将主麦克风采集到的运行声音信号与噪声混合信号中环境噪声滤除，获得滤除噪声后的声音信号；第三步：基于工频谐波结构分析算法、多分辨率带通滤波器组频谱分析算法及希尔伯特—黄变换算法三种算法分别提取滤除噪声后的声音信号特征：工频谐波特征向量、多分辨率带通滤波器组特征向量及HHT变换边际谱系数特征向量；第四步：分别利用典型故障类型下第三步中三组特征向量库训练OVR分类机，同时基于交叉验证法计算对应OVR分类机的置信度CIh,CIbpf和CIhht；第五步：基于第四步中训练好的VOR分类机分别对待诊断的GIS或其他电气设备进行故障诊断，故障诊断结果向量分别为g1{k*1},g2{k*1}和g3{k*1}；第六步：综合三个分类机的分类结果及其自身的置信度进行投票，若三个分类机中至少有两个得出相同的诊断结果，即投票能够得出故障诊断结果则以多数投票制判决，确定最终分类结果；否则则根据置信度CIh,CIbpf和CIhht选取置信度最高的分类机输出结果作为最终故障诊断结果。2.根据权利要求1所述的一种基于投票机制的支持向量机机械故障诊断方法，其特征在于，第三步中，基于工频谐波结构分析算法提取滤除噪声后的声音信号的工频谐波特征向量具体包括：利用基频50Hz信号整数倍n长度的矩形窗函数截取声波信号，设前端设备采样率为fs，n取为满足如下不等式的最小整数值：对加窗后的信号进行低通滤波，通带截止频率f1＝(1.1～1.5)*2000Hz，然后经过m1倍的上采样和m2倍的下采样，得到采样率为fs′；fs′＝L＝2*f1；m1和m2满足以下等式：m1,m2均为正整数选取...

【专利技术属性】
技术研发人员：牛博，齐卫东，王森，吴经锋，李毅，詹海峰，任双赞，丁彬，张晓兰，
申请(专利权)人：国家电网公司，国网陕西省电力公司电力科学研究院，
类型：发明
国别省市：北京,11