一种配电开关振动信号故障特征提取及辨识方法技术

本发明专利技术涉及一种配电开关振动信号故障特征提取及辨识方法，首先获取配电开关不同状态的振动信号；然后采用乔‑威廉斯分布方法获分解步骤S1获取的振动信号，得到配电开关振动信号的时频矩阵；接着采用分块奇异值分解方法获取步骤S2所得的时频矩阵，并获取特征奇异值向量；最后采用极限学习机分类算法对步骤S3获得的特征奇异值向量进行分类识别。本发明专利技术具有较强的辨识度，同时具有较高的辨识准确率。

【技术实现步骤摘要】
一种配电开关振动信号故障特征提取及辨识方法
本专利技术涉及配电网领域，特别是一种配电开关振动信号故障特征提取及辨识方法。
技术介绍
电网安全可靠运行是国计民生科学发展的重要保障。随着我国坚持智能电网的迅速发展，对配电网供电可靠性及电能质量的要求越来越高。配电开关是配电系统中十分重要的一次设备，控制电力设备的投入或退出运行，尤其是在电力设备发生故障时，配电开关接收继电保护装置信号，迅速切除故障部分，保证电力系统非故障部分正常运行。因此，保障配电开关的可靠动作可提高配网供电的可靠性。机械特性不良是导致开关故障的主要原因，其中，操动机构故障占比很高。配电开关是瞬动式的电气设备，只有执行合闸或分闸命令时才处于动作状态。当其动作时，各组件依次动作、相互撞击，动作顺序具有一定的逻辑，由此产生短暂且强烈的冲击振动信号。由于振动信号是在电动力、静电力和电磁力等多重激励下产生的，振源具有复杂性和多样性。因其非周期性、非线性等特点，难以直接识别不同的故障状态。因此，目前广泛采用信号分析工具获取特征表达，结合机器学习方法进行故障识别。
技术实现思路
有鉴于此，本专利技术的目的是提出一种配电开关振动信号故障特征提取及辨识方法，具有较强的辨识度，同时具有较高的辨识准确率。本专利技术采用以下方案实现：一种配电开关振动信号故障特征提取及辨识方法，具体包括以下步骤：步骤S1：获取配电开关不同状态的振动信号；步骤S2：采用乔-威廉斯分布方法获分解步骤S1获取的振动信号，得到配电开关振动信号的时频矩阵；步骤S3：采用分块奇异值分解方法获取步骤S2所得的时频矩阵，并获取特征奇异值向量；步骤S4：采用极限学习机分类算法对步骤S3获得的特征奇异值向量进行分类识别。进一步地，步骤S1中，所述配电开关的不同状态包括正常状态、轴销异常状态、脱扣装置卡涩状态、以及轴承卡涩状态。进一步地，步骤S1具体为：以一定的采样频率采集配电开关在不同机械状态动作时的振动信号，对振动信号进行前处理，并将振动信号进行Hilbert变换，构造相应的复信号。进一步地，步骤S1中，所述前处理为：设置信号波形的启动阈值为1.6V，截取启动前15ms与之后的96ms的波形，共1000个点。进一步地，步骤S2具体为：设采样点数为d的振动信号经乔-威廉斯分布方法时频分析后，获得的配电开关振动信号的时频矩阵为：进一步地，所述步骤S3具体包括以下步骤：步骤S31：对步骤S2获得的时频矩阵进行分块，得到r个的小方阵，小方阵表示为Apq，每个小方阵Apq的大小为g×g，其中且p＝1,2,...,m，q＝1,2,...,m；步骤S32：分别对每个小方阵进行奇异值分解，得到r个大小为的奇异值向量，其中小方阵Apq奇异值分解后，得到的奇异值向量表达形式为：步骤S33：将上述r个奇异值向量按照一定顺序拼接，得到1个大小为的特征奇异值向量，其表达形式为：[a11,a12,...,a1m,a21,a22,...,a2m,...,am1,am2,...,amm]。进一步地，步骤S4中，采用3层极限学习机网络，其中输入层、隐含层和输出层构成极限学习机的基本网络结构，极限学习机分类算法采用sigmoid函数为激活函数。进一步地，所述隐含层神经元个数为5000。与现有技术相比，本专利技术有以下有益效果：1、本专利技术利用乔-威廉斯分布时频分析方法，可直接获得信号的时频矩阵，相比如其他算法如希尔伯特-黄变换，在处理信号之后，需通过带通滤波等方可获得时频矩阵。因此，用乔-威廉斯分布构造时频矩阵更为便捷。2、本专利技术采用分块奇异值分解方法可以更深入地刻画时频矩阵在时域和频域的特征信息，相比对时频矩阵直接求取奇异值的方法，本专利技术方法获得的特征辨识度更高，更具代表性。3、本专利技术结合极限学习机作为识别方法，提高了配电开关机械故障识别的速度和精度，且所需样本数量较少。附图说明图1为本专利技术实施例的方法流程示意图。图2为本专利技术实施例的对二维时频矩阵进行分块示意图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。如图1所示，本实施例提供了一种配电开关振动信号故障特征提取及辨识方法，具体包括以下步骤：步骤S1：获取配电开关不同状态的振动信号；步骤S2：采用乔-威廉斯分布方法获分解步骤S1获取的振动信号，得到配电开关振动信号的时频矩阵；步骤S3：采用分块奇异值分解方法获取步骤S2所得的时频矩阵，并获取特征奇异值向量；步骤S4：采用极限学习机分类算法对步骤S3获得的特征奇异值向量进行分类识别。本实施例首先以一定的采样频率采集配电开关在不同机械状态动作时的振动信号，对信号进行前处理，如截取合适的片段。将振动信号进行Hilbert变换，构造相应的复信号，随后进行乔-威廉斯分布时频分解，获得二维时频矩阵。将时频矩阵分块依次进行奇异值分解，并连接成一维向量，形成特征向量。将特征量随机分为训练样本集和测试样本集，设置ELM隐含层神经元个数及激活函数，进行神经网络的训练和测试。其中，在本实施例中，步骤S1中，所述配电开关的不同状态包括正常状态、轴销异常状态、脱扣装置卡涩状态、以及轴承卡涩状态。在本实施例中，步骤S1具体为：以一定的采样频率采集配电开关在不同机械状态动作时的振动信号，对振动信号进行前处理，并将振动信号进行Hilbert变换，构造相应的复信号。在本实施例中，步骤S1中，所述前处理为：设置信号波形的启动阈值为1.6V，截取启动前15ms与之后的96ms的波形，共1000个点。在本实施例中，乔-威廉斯分布是一种适用于非平稳、非线性信号的时频分析方法，已被广泛应用于齿轮故障特征提取、电力系统接地故障诊断、心电异常信号检测等领域。对于非平稳复信号x(t)，其乔-威廉斯分布为：式中，t为时间，ω为角频率，τ为时移参数，u是局部时间，α为平滑因子，x*为x的卷积。对式(1)作离散化处理，并加窗，则式(1)可变为：式中，l是时刻点，n是时移参数，W(n)是对称窗，窗口范围为-N/2到N/2，在此区间具有非零值，W(u)是矩形窗，窗口范围为-M/2到M/2，在此区间的值均为1，N和M的取值分别决定了乔-威廉斯分布的频率分辨率和函数的定义域。例如，振动信号表示为v(d)，d为采样点数。其乔-威廉斯分布时频矩阵的求取步骤如下：(1)对v(d)作Hilbert变换：式中，ω为角频率，由此构造出相应的复信号Y(d)：(2)由式(2)和式(3)求复信号Y(d)的乔-威廉斯分布，得二维时频矩阵C：在上述实施例中，分块奇异值作为极限学习机的输入，可以反映不同故障振动信号的时频特征。具体为：步骤S31：对步骤S2获得的时频矩阵进行分块(本实施例采用100等分)，得到r个的小方阵，如图2所示，其中小方阵表示为Apq，每个本文档来自技高网...

【技术保护点】
1.一种配电开关振动信号故障特征提取及辨识方法，其特征在于：包括以下步骤：步骤S1：获取配电开关不同状态的振动信号；步骤S2：采用乔‑威廉斯分布方法获分解步骤S1获取的振动信号，得到配电开关振动信号的时频矩阵；步骤S3：采用分块奇异值分解方法获取步骤S2所得的时频矩阵，并获取特征奇异值向量；步骤S4：采用极限学习机分类算法对步骤S3获得的特征奇异值向量进行分类识别。

【技术特征摘要】
1.一种配电开关振动信号故障特征提取及辨识方法，其特征在于：包括以下步骤：步骤S1：获取配电开关不同状态的振动信号；步骤S2：采用乔-威廉斯分布方法获分解步骤S1获取的振动信号，得到配电开关振动信号的时频矩阵；步骤S3：采用分块奇异值分解方法获取步骤S2所得的时频矩阵，并获取特征奇异值向量；步骤S4：采用极限学习机分类算法对步骤S3获得的特征奇异值向量进行分类识别。2.根据权利要求1所述的一种配电开关振动信号故障特征提取及辨识方法，其特征在于：步骤S1中，所述配电开关的不同状态包括正常状态、轴销异常状态、脱扣装置卡涩状态、以及轴承卡涩状态。3.根据权利要求1所述的一种配电开关振动信号故障特征提取及辨识方法，其特征在于：步骤S1具体为：以一定的采样频率采集配电开关在不同机械状态动作时的振动信号，对振动信号进行前处理，并将振动信号进行Hilbert变换，构造相应的复信号。4.根据权利要求3所述的一种配电开关振动信号故障特征提取及辨识方法，其特征在于：步骤S1中，所述前处理为：设置信号波形的启动阈值为1.6V，截取启动前15ms与之后的96ms的波形，共1000个点。5.根据权利要求1所述的一种配电开关振动信号故障特征提取及辨识方法，其特征在于：步...

【专利技术属性】
技术研发人员：杨耿杰，廖国平，高伟，郭谋发，洪翠，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35