【技术实现步骤摘要】
本专利技术涉及电气设备缺陷分类及诊断，特别涉及一种机械缺陷诊断方法、装置、设备及介质。
技术介绍
1、当前，gis(gas insulated metal enclosed switchgear，气体绝缘金属封闭开关)设备因占地面积小、系统性强、可靠性高等优点在电网中广泛应用。随着电压等级和投运数量不断增加，gis设备故障案例及影响范围也急剧增加。机械缺陷是导致gis设备故障的重要因素，其长期发展极易引发结构失稳、气体泄漏、甚至绝缘击穿损坏，严重威胁电网安全可靠运行。因此，及时发现并诊断gis内部机械缺陷对维护设备安全具有重要意义。
2、国内外研究学者针对gis机械缺陷的诊断方法已开展了一定研究。重庆大学钟尧等提出了机械缺陷非线性振动的复合特征提取方法，引入多分类相关向量机和随机森林算法建立了基于负载率分级的gis机械缺陷诊断模型，实现了不同电流下机械缺陷类型和严重程度的初步识别。重庆市电力科学研究院蒋西平等提出采用快速傅里叶和变分模态分解算法提取gis机械缺陷振动信号的能带比和时频熵等组合特征，将组合特征量结合粒子群优化的最小二乘支持向量机算法构建gis设备异响振动缺陷状态识别模型，实现缺陷类型的有效判别。北京航天航空大学武建文等通过采用相干函数法获取每类典型缺陷的共性特征频率点来构建振动频率特征空间，形成缺陷幅-频特征图谱库，并将未知类型缺陷同图谱特征相比较实现gis典型机械缺陷的分类。
3、但是，上述的现有方法中，一方面，多为基于单一信息源和单决策模型，而实际gis设备存在结构复杂性、部件耦合性和振
4、综上所述，如何更加准确地进行机械缺陷诊断是当前亟待解决的问题。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种机械缺陷诊断方法、装置、设备及介质，能够更加准确地进行机械缺陷诊断，其具体方案如下：
2、第一方面，本申请公开了一种机械缺陷诊断方法，包括：
3、获取气体绝缘金属封闭开关设备的若干测点在若干运行工况下的机械振动信息；
4、确定每个所述机械振动信息对应的目标特征；所述目标特征包括全局时域特征、全局频域特征、若干全局多尺度排列熵和局部模态特征；
5、根据主成分分析方法并基于所有所述机械振动信息的所述目标特征进行特征融合得到所有所述机械振动信息共同对应的主成分特征矩阵；
6、基于所述主成分特征矩阵获取特征数据集；
7、利用目标诊断模型对所述特征数据集进行诊断以得到每个所述机械振动信息对应的机械缺陷；所述目标诊断模型为基于强分类基学习器和弱分类基学习器，并利用改进的ds证据融合规则和投票机制构建模型。
8、可选的，所述全局时域特征包括均方根值、绝对平均值、峰峰值、波形因子、峰值因子和脉冲因子；所述全局频域特征包括均值频率、频率方差、分散因子、随机系数、中心频率和频率标准差。
9、可选的，确定每个所述机械振动信息的若干全局多尺度排列熵特征，包括：
10、利用改进的完全自适应噪声集合经验模态分解方法，对每个所述机械振动信息进行信息分解得到每个所述机械振动信息对应的若干固有模态分量；
11、确定预先实验得到的若干尺度因子，以及嵌入维度和延迟时间；
12、根据每个所述机械振动信息对应的若干所述固有模态分量，并基于若干所述尺度因子、所述嵌入维度和所述延迟时间确定每个所述机械振动信息的与所述尺度因子一一对应的若干所述全局多尺度排列熵特征。
13、可选的，确定每个所述机械振动信息对应的局部模态特征，包括：
14、利用中值偏差法并基于每个所述机械振动信息对应的若干所述固有模态分量计算每个所述机械振动信息的若干显著模态分量；
15、基于所述显著模态分量确定整体显著信号，以得到每个所述机械振动信息对应的所述整体显著信号；
16、基于每个所述机械振动信息对应的所述整体显著信号确定每个所述机械振动信息的包括模态均值、模态标准差和模态重心频率的局部模态特征。
17、可选的，所述根据主成分分析方法并基于所有所述机械振动信息的所述目标特征进行特征融合得到所有所述机械振动信息共同对应的主成分特征矩阵，包括：
18、基于所有所述机械振动信息的所述目标特征构建特征向量矩阵；
19、对所述特征向量矩阵进行归一化处理得到归一化后矩阵，并基于所述归一化后矩阵计算特征协方差矩阵；
20、取所述特征协方差矩阵的若干特征值，并从大至小选取目标数量个所述特征值；
21、利用选取的所述特征值对应的特征向量组成目标向量矩阵，并基于所述目标向量矩阵计算主成分特征矩阵。
22、可选的，所述利用目标诊断模型对所述特征数据集进行诊断以得到每个所述机械振动信息对应的机械缺陷，包括：
23、利用目标诊断模型中的强分类基学习器或弱分类基学习器对每组目标特征数据进行处理，以得到每组所述目标特征数据对应的满足预设识别框架的若干可信度函数；每组所述目标特征数据为所述特征数据集中每个所述机械振动信息对应的数据；所述预设识别框架中包括分别表示若干类型的机械缺陷的缺陷参数；每组所述目标特征数据中所述缺陷参数与所述可信度函数一一对应；
24、基于改进的ds证据融合规则处理每组所述目标特征数据对应的若干所述可信度函数，以确定每组所述目标特征数据对应的若干ds证据结果；
25、利用投票机制对每组所述目标特征数据对应的若干所述ds证据结果进行集成式融合诊断，以确定每组所述目标特征数据对应的机械缺陷。
26、可选的，所述改进的ds证据融合规则为利用缩放函数对原ds证据融合规则对应的证据矩阵进行弱化强冲突数据信息的处理后得到的ds证据融合规则。
27、第二方面，本申请公开了一种机械缺陷诊断装置，包括：
28、信息获取模块，用于获取气体绝缘金属封闭开关设备的若干测点在若干运行工况下的机械振动信息；
29、特征确定模块，用于确定每个所述机械振动信息对应的目标特征；所述目标特征包括全局时域特征、全局频域特征、若干全局多尺度排列熵和局部模态特征；
30、主成分分析模块，用于根据主成分分析方法并基于所有所述机械振动信息的所述目标特征进行特征融合得到所有所述机械振动信息共同对应的主成分特征矩阵；
31、数据集获取模块，用于基于所述主成分特征矩阵获取特征数据集；
32、诊断模块，用于利用目标诊断模型对所述特征数据集进行诊断以得到每个所述机械振动信息对应的机械缺陷；所述目标诊断模型为基于强分类基学习器和弱分类基学习器，并利用改进的ds证据融合规则和投票机制构建模型。
33、第三方面，本申请公开了一种电子设备，包本文档来自技高网...
【技术保护点】
1.一种机械缺陷诊断方法，其特征在于，包括：
2.根据权利要求1所述的机械缺陷诊断方法，其特征在于，所述全局时域特征包括均方根值、绝对平均值、峰峰值、波形因子、峰值因子和脉冲因子；所述全局频域特征包括均值频率、频率方差、分散因子、随机系数、中心频率和频率标准差。
3.根据权利要求1所述的机械缺陷诊断方法，其特征在于，确定每个所述机械振动信息的若干全局多尺度排列熵特征，包括：
4.根据权利要求3所述的机械缺陷诊断方法，其特征在于，确定每个所述机械振动信息对应的局部模态特征，包括：
5.根据权利要求4所述的机械缺陷诊断方法，其特征在于，所述根据主成分分析方法并基于所有所述机械振动信息的所述目标特征进行特征融合得到所有所述机械振动信息共同对应的主成分特征矩阵，包括：
6.根据权利要求1至5任一项所述的机械缺陷诊断方法，其特征在于，所述利用目标诊断模型对所述特征数据集进行诊断以得到每个所述机械振动信息对应的机械缺陷，包括：
7.根据权利要求6所述的机械缺陷诊断方法，其特征在于，所述改进的DS证据融合规则为利用缩放函数
8.一种机械缺陷诊断装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，用于保存计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的机械缺陷诊断方法。
...【技术特征摘要】
1.一种机械缺陷诊断方法，其特征在于，包括：
2.根据权利要求1所述的机械缺陷诊断方法，其特征在于，所述全局时域特征包括均方根值、绝对平均值、峰峰值、波形因子、峰值因子和脉冲因子；所述全局频域特征包括均值频率、频率方差、分散因子、随机系数、中心频率和频率标准差。
3.根据权利要求1所述的机械缺陷诊断方法，其特征在于，确定每个所述机械振动信息的若干全局多尺度排列熵特征，包括：
4.根据权利要求3所述的机械缺陷诊断方法，其特征在于，确定每个所述机械振动信息对应的局部模态特征，包括：
5.根据权利要求4所述的机械缺陷诊断方法，其特征在于，所述根据主成分分析方法并基于所有所述机械振动信息的所述目标特征进行特征融合得到所有所述机械...
【专利技术属性】
技术研发人员：郝建，李旭，邵子琦，冯英，李滢，钟尧，车昊伦，王吉祥，许晶，夏若淳，
申请(专利权)人：重庆大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。