一种基于低压智能断路器的混合特征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低压智能断路器的混合特征故障诊断方法及系统，属于低压智能断路器故障诊断领域。采用模糊熵、方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比对故障特征进行提取，并采用奇异值分解对方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比组成的参数矩阵进行特征提取，避免了特征冗余，相较于单一特征检测而言，大大提高了故障诊断准确度。通过对多种低压智能断路器振动信号的特征进行采集，克服了传统对低压智能断路器故障诊断研究较少的问题。能准确的识别低压智能断路器的故障，实现低压智能断路器的故障诊断。实现低压智能断路器的故障诊断。实现低压智能断路器的故障诊断。

【技术实现步骤摘要】
一种基于低压智能断路器的混合特征故障诊断方法及系统


[0001]本专利技术属于低压智能断路器故障诊断
，涉及一种基于低压智能断路器的混合特征故障诊断方法及系统。

技术介绍

[0002]断路器在电力系统中应用广泛，其安全运行是对电网稳定运行和用户安全用电的有力保障。低压智能断路器作为控制和保护低压配电网的关键元件，是智能电网建设中不可或缺的一部分，担负着关合、承载、开断运行回路的正常工作电流、过载电流和短路电流的重要职责。随着我国智能配电网的发展，对低压智能断路器的安全性能提出了更高的要求。有数据表明，目前低压智能断路器的故障主要是机械故障，因其结构和所处地位的特殊性，通过拆卸低压智能断路器来确定低压智能断路器是否完好并不是最优方法，定期检修不能随时确定断路器是否完好且检修可能会使断路器性能劣化，因此开展低压智能断路器的故障检测技术，对提高低压智能断路器的安全性有着重要意义。
[0003]低压智能断路器是一种复杂的装置，其有很多的故障类型。归纳起来，能反映低压智能断路器的运行状态的信号有分合闸线圈电流信号、声音信号和振动信号，分合闸电流信号只可以用于检测与电磁铁相关联结构的故障，但如果故障不与电磁铁相关联则不能被分合闸电流信号反映。声音信号与振动信号相关联，振动发声，但是声音信号的传播依靠空气，在空气中传播容易导致信号信息丢失。低压智能断路器的零件运动都会产生振动，利用振动信号能反映低压智能断路器的绝大部分故障，因此低压智能断路器的振动信号是一种良好的状态信号载体，但由于低压智能断路器的振动信号的复杂性，如何高效准确的从低压智能断路器的振动信号中提取故障特征，成为一大难题，目前，绝大多数对基于振动信号的低压智能断路器故障诊断研究多采用熵作为信息特征，其中模糊熵可以更精确的描述系统的复杂程度，但是，由于单方面的特征仅能反应故障信号的部分特征，并不能利用多个特征进行故障识别，不能更全面的反应故障特征信息。

技术实现思路

[0004]本专利技术的目的在于解决现有技术中通过单方面特征来反应故障信号的部分特征，不能利用多个特征进行故障识别，导致在进行低压智能断路器的故障诊断时准确度低的问题，提供一种基于低压智能断路器的混合特征故障诊断方法及系统。
[0005]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0006]本专利技术提出的一种基于低压智能断路器的混合特征故障诊断方法，包括如下步骤：
[0007]获取降噪后的振动信号，对振动信号进行分解得到振动信号的最优的分解参数；根据振动信号的最优的分解参数获取模糊熵值，并构成模糊熵特征向量；
[0008]根据振动信号的最优的分解参数的方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比，构建参数矩阵；
[0009]对参数矩阵进行奇异值分解，获取分解后的特征向量，根据分解后的特征向量和模糊熵特征向量获取混合特征向量，将混合特征向量输入至支持向量机中获取故障类型。
[0010]优选地，获取降噪后的振动信号的方法如下：
[0011]选择小波基函数作为离散小波变化的小波基，通过振动信号的最小频率f
min
与小波基函数的中心频率f0之比确定最大分解层数j，对振动信号x
w
(t)进行j层离散小波分解，根据无偏似然估计原理确定各层小波高频系数阈值，根据小波分解的低频系数和作用阈值后的高频系数，对振动信号进行小波重构，得到降噪后的振动信u
w
(t)。
[0012]优选地，振动信号的最优的分解参数k的获取方法如下：
[0013]将降噪后的振动信号u
w
(t)分解为K个有限带宽的本征模态函数，约束变分问题描述如下：
[0014][0015]其中，{u
k
}＝{u1,u2……
u
k
}为分解得到的K个模态分量；{ω
k
}＝{ω1,ω2……
ω
k
}为各模态分量的中心频率，为经过Hilbert变换后u
k
(t)的频谱，*为卷积运算，s.t.指限制条件，j为虚数单位，为梯度算子；
[0016]将模态分量和模态分量的中心频率变换到频域：
[0017][0018][0019]其中，分别为u
w
(t)、λ(t)的傅里叶变换，λ(t)拉格朗日乘法算子，再采用乘法算子交替方向算法迭代搜索求取问题的最优解，迭代更新得到K个对其进行傅里叶逆变换得到的实部即为模态分量u
k
(t)，即为振动信号的最优的分解参数k。
[0020]优选地，获取模糊熵值，并构成模糊熵特征向量的方法如下：
[0021]确定信号采样频率为N，定义相空间维数m(m≤N
‑
2)，重构相空间X(i)＝[u
k
(i),u
k
(i+1),...,u
k
(i+m
‑
1)]‑
u0(i),i＝1,2,...,N
‑
m+1，u0(i)为均值，
[0022][0023]其中，j≠i为窗口向量X(i)和X(j)之间的最大间隔；
[0024]模糊隶属函数相空间X(i)和X(j)之间的相关度如下：的相关度如下：且j≠i，为指数函数，n为该函数的边界梯度，r为边界宽度；
[0025]针对每个i求其平均值，可得模糊度相似度函数为：原振动信号的模糊熵为y
i
＝lnΦ
m
(r)
‑
lnΦ
m+1
(r)；其中，m为重构维数；r为(0.1～0.25)S
d
，S
d
为采样信号标准差。
[0026]优选地，根据振动信号的最优的分解参数的方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比，构建参数矩阵的方法如下：
[0027][0028]其中，A
i
、B
i
、C
i
、D
i
分别为第i个IMF分量的方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比。
[0029]优选地，对参数矩阵进行奇异值分解，获取分解后的特征向量的方法如下：
[0030][0031]其中，∑为奇异值组成的对角阵，U和V
T
分别为奇异值分解得到的特征向量，q＝min(k，4)，将奇异值组成的对角阵∑转化为能代表H的特征向量∑
V
，将模糊熵特征向量和奇异值向量合并，构成最终反应采样信号的特征。
[0032]优选地，根据分解后的特征向量和模糊熵特征向量获取混合特征向量的方法如下：混合特征向量为F＝[Y ∑
V
]，Y为模糊熵特征向量。
[0033]本专利技术提出的一种基于低压智能断路器的混合特征故障诊断本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于低压智能断路器的混合特征故障诊断方法，其特征在于，包括如下步骤：获取降噪后的振动信号，对振动信号进行分解得到振动信号的最优的分解参数；根据振动信号的最优的分解参数获取模糊熵值，并构成模糊熵特征向量；根据振动信号的最优的分解参数的方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比，构建参数矩阵；对参数矩阵进行奇异值分解，获取分解后的特征向量，根据分解后的特征向量和模糊熵特征向量获取混合特征向量，将混合特征向量输入至支持向量机中获取故障类型。2.根据权利要求1所述的基于低压智能断路器的混合特征故障诊断方法，其特征在于，获取降噪后的振动信号的方法如下：选择小波基函数作为离散小波变化的小波基，通过振动信号的最小频率f
min
与小波基函数的中心频率f0之比确定最大分解层数j，对振动信号x
w
(t)进行j层离散小波分解，根据无偏似然估计原理确定各层小波高频系数阈值，根据小波分解的低频系数和作用阈值后的高频系数，对振动信号进行小波重构，得到降噪后的振动信u
w
(t)。3.根据权利要求1所述的基于低压智能断路器的混合特征故障诊断方法，其特征在于，振动信号的最优的分解参数k的获取方法如下：将降噪后的振动信号u
w
(t)分解为K个有限带宽的本征模态函数，约束变分问题描述如下：其中，{u
k
}＝{u1,u2……
u
k
}为分解得到的K个模态分量；{ω
k
}＝{ω1,ω2.....ω
k
}为各模态分量的中心频率，为经过Hilbert变换后u
k
(t)的频谱，*为卷积运算，s.t.指限制条件，j为虚数单位，为梯度算子；将模态分量和模态分量的中心频率变换到频域：将模态分量和模态分量的中心频率变换到频域：其中，分别为的傅里叶变换，拉格朗日乘法算子，再采用乘法算子交替方向算法迭代搜索求取问题的最优解，迭代更新得到K个对其进行傅里叶逆变换得到的实部即为模态分量，即为振动信号的最
优的分解参数k。4.根据权利要求3所述的基于低压智能断路器的混合特征故障诊断方法，其特征在于，获取模糊熵值，并构成模糊熵特征向量的方法如下：确定信号采样频率为N，定义相空间维数m(m≤N
‑
2)，重构相空间X(i)＝[u
k
(),u
k
(i+1),...,
k
(+m
‑
1)]
‑
u0(i),i＝1,2,...,
‑
m+1，u0()为均值，()为均值，其中，j≠i为窗口向量X(i)和X(j)之间的最大间隔；模糊隶属函数相空间X(i)和X(j)之间的相关度如下：关度如下：且j...

【专利技术属性】
技术研发人员：赵晓泉，蔡明阳，
申请(专利权)人：西安零壹智能电器有限公司，
类型：发明
国别省市：