GIS振动缺陷辨识的细节特征量提取及智能分析方法技术

本发明专利技术涉及一种GIS振动缺陷辨识的细节特征量提取及智能分析方法，属于信息化领域。该方法包括以下步骤：S1：构建数据采集和显示控制单元；S2：构建组合细节特征提取单元；S3：构建GIS设备机械状态辨识单元；S4：构建辨识结果输出单元；S5：构建无线通信和云服务单元；S6：构建GIS设备异响振动机械缺陷智能辨识系统数据库标准样本。本发明专利技术采用了再生相移动辅助经验模态分解获取振动信号的固有模态函数，然后基于频域加窗方法和幅值、峭度判据获取了振动信号的独立模态序列，进而求解了每个模态的奇异值、峭度、变异系数、幅值、重心频率等细节组合特征，能增加不同状态振动信号的区分度。能增加不同状态振动信号的区分度。能增加不同状态振动信号的区分度。

【技术实现步骤摘要】
GIS振动缺陷辨识的细节特征量提取及智能分析方法


[0001]本专利技术属于信息化领域，涉及GIS振动缺陷辨识的细节特征量提取及智能分析方法。

技术介绍

[0002]气体绝缘开关设备(gas insulated switchgear,GIS)占地面积少、维护成本低、可靠性高，在电网中被广泛应用。据统计，GIS设备在制造、安装和运行过程中产生的潜伏性绝缘缺陷或机械缺陷是导致其发生故障的主要原因。近几年，GIS设备在运行过程中出现异响振动的现象逐渐增多，尤其是220kV及以上电压等级GIS设备。机械异响振动危害很大，会导致螺栓松动、气体泄漏、气体压力下降、绝缘子损坏等，严重时将造成绝缘事故。
[0003]振动检测法具有无侵入性、抗干扰性和高灵敏度等优点。针对GIS设备机械异响缺陷的振动信号开展检测、特征提取和缺陷状态辨识，对保障GIS设备乃至电网安全稳定运行至关重要。专利技术专利《一种基于振动检测的GIS设备机械缺陷诊断系统及方法》提供了指纹数据库和诊断模块结合的GIS设备缺陷诊断系统，主要采用特征比对的方式进行状态检测。专利技术专利《一种基于振动信息的GIS特征提取及机械缺陷诊断方法》提供了一种基于两两样本间强相关频点进行GIS机械缺陷诊断的方法。专利技术专利《一种基于振动信号主成分分析法的GIS状态识别方法》对进行时域、频域的偏度、平均值等以及固有模态函数的能量的复合特征进行压缩降维和决策辨识的方法，主要对信号整体进行分析。专利技术专利《一种基于支持向量描述与K近邻算法的GIS设备状态评估方法》提供了一种基于振动信号均方根频率和GIS内部气压特征进行状态评估的方法。归纳起来，目前在GIS设备机械振动异响缺陷诊断研究方面仍存在以下问题：
[0004]1)在特征提取方面，缺乏对缺陷振动信号高频响应模态的细节信息的表征。已有的特征提取方法多基于振动信号简单的频谱、能量等信息，或对信号整体进行经验模态分解获取其固有模态函数进行特征提取，缺乏对信号更局部和细化信息的挖掘。另一方面，基于噪声辅助的经验模态分解算法存在残留噪声和虚假模态等问题，会对GIS设备机械状态的识别准确率产生较大影响。
[0005]2)缺乏集成振动信号检测、振动状态特征量提取和机械缺陷智能诊断为一体的软硬件平台和辨识分析系统。
[0006]3)已有的分析方法和模型没有考虑实际检测设备的运行负载状况是变化的，检测样本的振动特性也会随负载的变化而变化。因此，根据实际GIS设备的检测时间点对应的负载条件来匹配电压电流条件相近的诊断模型进行识别，有利于提高系统的辨识准确率。另一方面，传统的分析方法局限于某几类缺陷的振动数据进行评价，不具有对诊断系统的样本数据库和辨识模型进行不断学习和更新的能力。
[0007]针对上述不足，本专利技术专利提供了一种GIS设备异响振动缺陷辨识的组合细节特征量提取及智能分析系统。与已有的振动状态特征提取和振动缺陷诊断方法相比，本专利技术优势有三个方面，一是克服了噪声辅助经验模态分解方法的残留噪声和虚伪模态问题，并
对每个独立的振动模态进行了细化的特征提取和组合分析，可以增加振动信号的区分度；二是建立了集成振动信号检测、振动状态特征量提取和机械缺陷智能诊断为一体的软件平台，可与用户进行交互式信息输入和直观的结果显示。三是可根据负载电压和电流信息，智能进行辨识模型的匹配，同时基于GIS设备异响振动缺陷辨识云端服务器、数据库和网络通信接口对诊断系统进行学习和更新，提高系统的泛化能力，进一步提高缺陷辨识准确率，工程价值显著。

技术实现思路

[0008]有鉴于此，本专利技术的目的在于提供一种GIS振动缺陷辨识的细节特征量提取及智能分析方法。该系统主要由数据采集和波形显示单元、组合细节特征提取单元、机械状态辨识单元和评估结果输出单元、无线通信和云服务单元组成。该装置和系统可以实现GIS设备振动信号的高灵敏采集、振动模态响应细节组合特征的提取、机械缺陷状态智能诊断和结果显示，具备缺陷辨识模型与数据库的自学习和云更新功能。该GIS设备异响振动缺陷辨识的组合细节特征量提取及智能分析系统基于一体化的软硬件平台，具有辨识高效准确的优势，工程应用性强。
[0009]为达到上述目的，本专利技术提供如下技术方案：
[0010]GIS振动缺陷辨识的细节特征量提取及智能分析方法，该方法包括以下步骤：
[0011]S1：构建数据采集和显示控制单元；
[0012]S2：构建组合细节特征提取单元；
[0013]S3：构建GIS设备机械状态辨识单元；
[0014]S4：构建辨识结果输出单元；
[0015]S5：构建无线通信和云服务单元；
[0016]S6：构建GIS设备异响振动机械缺陷智能辨识系统数据库标准样本。
[0017]可选的，所述S1具体为：
[0018]对现场采集的振动信号、采集的历史数据进行时域和频域显示；
[0019]记录采集信号的GIS设备运行负载信息、包括电压和电流信息；
[0020]对采集信号进行指令输入和控制，包括采样数据是否存储指令、是否连续采集指令、采集过程的启动与停止指令以及采样时间和采样率的设置。
[0021]可选的，所述S2具体为：
[0022]在模型训练过程中，对系统内置的GIS设备机械状态数据库进行特征提取，建立指纹特征数据库；对待评估的GIS设备振动样本提取组合细节特征矩阵；
[0023]组合细节特征提取单元对采集的振动信号样本利用再生相移辅助经验模态分解算法RPSEMD获取其获取其固有模态函数IMFs，进而采用频域加窗的独立模态组合特征构造方法获取训练样本集源域特征矩阵，具体如下：
[0024](1)再生相移正弦波辅助经验模态分解
[0025]首先，采用自动生成的正弦波作为解析信号，如公式(1)所示；其中k对应分解提取的第k个IMF模态分量c
k
(t)；而c
k
，f
k
和θ
k
分别是幅值，频率和相位；
[0026]s
k
(t|a
k
,f
k
,θ
k
)＝a
k cos(2πf
k
t+θ
k
)
ꢀꢀꢀ
(1)
[0027]然后，基于IM聚类分析和模态混叠判据设计了s
k
(t)；
[0028]最后，通过θ
k
移动s
k
(t)来改变极值点的位置，不仅有助于保留独立IMs的更多细节，而且保证辅助信号s
k
(t)在最终结果中被完全抵消；
[0029](2)基于频域加窗的独立模态组合特征提取
[0030]频域加窗的的独立模态组合特征提取方法首先采用RPSEMD分解将振动信号x(t)进行模态分解生成模态分量IMFs，利用快速傅里叶变换将IMFs转化到频域，根据各模态的频率响应特性设置k个频域加窗区间；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.GIS振动缺陷辨识的细节特征量提取及智能分析方法，其特征在于：该方法包括以下步骤：S1：构建数据采集和显示控制单元；S2：构建组合细节特征提取单元；S3：构建GIS设备机械状态辨识单元；S4：构建辨识结果输出单元；S5：构建无线通信和云服务单元；S6：构建GIS设备异响振动机械缺陷智能辨识系统数据库标准样本。2.根据权利要求1所述的GIS振动缺陷辨识的细节特征量提取及智能分析方法，其特征在于：所述S1具体为：对现场采集的振动信号、采集的历史数据进行时域和频域显示；记录采集信号的GIS设备运行负载信息、包括电压和电流信息；对采集信号进行指令输入和控制，包括采样数据是否存储指令、是否连续采集指令、采集过程的启动与停止指令以及采样时间和采样率的设置。3.根据权利要求1所述的GIS振动缺陷辨识的细节特征量提取及智能分析方法，其特征在于：所述S2具体为：在模型训练过程中，对系统内置的GIS设备机械状态数据库进行特征提取，建立指纹特征数据库；对待评估的GIS设备振动样本提取组合细节特征矩阵；组合细节特征提取单元对采集的振动信号样本利用再生相移辅助经验模态分解算法RPSEMD获取其获取其固有模态函数IMFs，进而采用频域加窗的独立模态组合特征构造方法获取训练样本集源域特征矩阵，具体如下：(1)再生相移正弦波辅助经验模态分解首先，采用自动生成的正弦波作为解析信号，如公式(1)所示；其中k对应分解提取的第k个IMF模态分量c
k
(t)；而c
k
，f
k
和θ
k
分别是幅值，频率和相位；s
k
(t|a
k
,f
k
,θ
k
)＝a
k
cos(2πf
k
t+θ
k
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)然后，基于IM聚类分析和模态混叠判据设计了s
k
(t)；最后，通过θ
k
移动s
k
(t)来改变极值点的位置，不仅有助于保留独立IMs的更多细节，而且保证辅助信号s
k
(t)在最终结果中被完全抵消；(2)基于频域加窗的独立模态组合特征提取频域加窗的的独立模态组合特征提取方法首先采用RPSEMD分解将振动信号x(t)进行模态分解生成模态分量IMFs，利用快速傅里叶变换将IMFs转化到频域，根据各模态的频率响应特性设置k个频域加窗区间；然后对每个频率加窗区间的模态分量依次执行峭度和幅值判据，对不满足峭度判据和幅值判据的模态分量进行剔除，同时比选出每个频域加窗区间的主模态分量；最后，组合特征矩阵分别从信号的幅值、衰减特性、脉冲特性以及边际谱分布特性进行度量，对获取的k个独立模态分量进行边际谱转化和奇异值、变异系数、幅值、峭度和频谱重心特征的求取，进而构造组合特征矩阵，各特征量的求解方法如下：
奇异值变异系数峭度频谱重心幅值A
m
＝max(x
i
),i＝1...n。4.根据权利要求1所述的GIS振动缺陷辨识的细节特征量提取及智能分析方法，其特征在于：所述S3具体为：首先，机械状态辨识单元基于GIS设备机械状态的GIS正常运行、隔离开关接触不良缺陷、长导体底座的螺栓松动缺陷、分子筛吸附剂托盘螺栓松动缺陷和隔离开关弹簧疲劳松动缺陷不同负载和机械状态样本的指纹特征数据库和多核改进的多分类相关向量机mRVMs算法进行模型训练，并针对不同电压电流等级的振动样本生成一系列相关负载类型的辨识模型；然后，对待评估的GIS设备的异响振动样本采用相同的流程提取组合细节特征矩阵，并根据其记录的电压和电流信息，匹配最相关的机械状态辨识模型，从而实现样本GIS设备机械状态的有效辨识；多核改进的多分类相关向量机算法具体细节原理如下：(1)构造多核特征映射核函数假设源域空间大小为N的训练样本集，特征维数为D；选取线性核函数K
line
和高斯径向基核函数K
rbf
建立基核函数矩阵，对每一项K
m
根据Merce...

【专利技术属性】
技术研发人员：郝建，钟尧，王旭鹏，丁屹林，廖瑞金，杨丽君，
申请(专利权)人：重庆大学，
类型：发明
国别省市：