基于多源数据融合的隔离开关机械故障诊断方法、系统、设备及介质与流程
本发明涉及隔离开关诊断,具体涉及基于多源数据融合的隔离开关机械故障诊断方法、系统、设备及介质。
背景技术:
1、随着电力系统对设备可靠性要求的不断提升,隔离开关作为高压输变电系统中关键的开关设备,机械状态的好坏直接影响电网的安全运行。隔离开关的典型机械故障包括操作卡涩、分合闸不到位、传动机构失效等,上述故障往往源于触头磨损、润滑劣化、连杆松脱或异物卡滞等原因。传统诊断方法主要依赖定期停电检修时的机械特性试验,通过测量分合闸速度、行程、操作力矩等参数判断设备状态,但当前方法属于离线检测,时效性差且成本高昂。近年来,在线监测技术逐步引入,基于单一物理量的诊断方法相继被提出,例如通过振动信号分析啮合冲击特征、通过电机电流或功率信号辨识驱动负载变化、以及通过接地泄漏电流评估绝缘与接触状态,在一定程度上实现了不停电状态下的状态感知,但各自仅能从某一维度反映设备状态,信息利用不充分,制约了诊断精度和可靠性的进一步提升。
2、现有基于单一信号的诊断方法主要存在以下局限:其一,振动信号对瞬态冲击和摩擦事件响应灵敏,但易受现场环境噪声、传播路径衰减及传感器安装位置差异的影响,且仅依靠振动难以区分卡涩与到位异常;电机功率信号能够反映传动链整体的负载变化,但对高频局部冲击不敏感,且正常工况下功率波形也存在一定随机波动;接地泄漏电流信号在合闸稳态下可反映触头接触状态与绝缘水平,但无法提供动作过程中的动态力学信息,且有效值变化受系统电压波动和气候条件干扰较大;其二,上述方法的特征提取严重依赖人工设计的时域或频域指标,如峰值、均方根、边带能量等,特征表达能力有限且难以泛化至不同型号或电压等级的隔离开关;其三,现有方案多将三类信号独立分析,未构建有效的多源信息融合框架,无法充分利用各信号间的互补特性实现综合判断,导致在卡涩早期或轻微故障工况下漏报率偏高。
技术实现思路
1、鉴于上述现有存在的问题,本发明提供了基于多源数据融合的隔离开关机械故障诊断方法、系统、设备及介质,用以解决现有技术中多源信号独立分析导致信息利用不充分、人工特征提取泛化能力不足,以及缺乏多源信息融合框架致使早期卡涩与轻微故障漏报率偏高的问题。
2、为解决上述技术问题,提出了基于多源数据融合的隔离开关机械故障诊断方法,包括,
3、采集隔离开关操作过程中的振动信号和驱动功率信号,以及处于稳态时的接地泄漏电流信号;对振动信号进行时频变换处理,生成第一图像,并对振动信号进行自适应模态分解,从各模态分量中提取边带特征向量,将驱动功率信号按时序分段,提取各分段的时域统计特征向量,由接地泄漏电流信号获取有效值特征和波形畸变特征;构建多分支诊断网络,多分支诊断网络对各分支的输出进行融合,并输出所属故障状态类别;利用组合损失函数对多分支诊断网络进行训练,基于训练完成的多分支诊断网络,对实时采集的信号进行故障诊断。
4、作为本发明所述的基于多源数据融合的隔离开关机械故障诊断方法的一种优选方案,其中:所述进行时频变换处理包括,通过对小波基进行尺度伸缩和时移,并与振动信号进行卷积运算,获得时频分布矩阵,将时频分布矩阵的幅值映射为彩色的第一图像;
5、所述进行自适应模态分解包括,依据振动信号,建立以所有模态的估计带宽之和最小为目标的约束问题,通过拉格朗日乘子法和交替迭代求解,将振动信号分解为预设数量的模态分量;
6、所述提取边带特征向量包括,对每个模态分量,计算在不同频率组合下的关联性谱,在中心频率两侧的预设频率区间内,统计关联性谱的能量集中程度和展宽程度,构成边带特征向量。
7、作为本发明所述的基于多源数据融合的隔离开关机械故障诊断方法的一种优选方案,其中:所述多分支诊断网络包括,第一分支、第二分支和第三分支;
8、第一分支包括,将第一图像和边带特征向量在输入层进行通道维度的整合,形成多通道输入数据;
9、通过依次排列的多个卷积处理模块对多通道输入数据进行特征抽象,每个卷积处理模块采用将标准卷积分解为按通道的独立空间滤波和跨通道的逐点线性组合的操作,并在模块的输入与输出之间增设直连通路;
10、经卷积处理模块后的特征图经池化压缩为一维形式,通过全连接映射得到第一特征向量。
11、作为本发明所述的基于多源数据融合的隔离开关机械故障诊断方法的一种优选方案,其中:所述第二分支包括,将时域统计特征向量输入至少一个全连接层,进行非线性映射,得到第二特征向量;
12、所述第三分支包括,将有效值特征和波形畸变特征输入全连接层,进行非线性映射,得到第三特征向量。
13、作为本发明所述的基于多源数据融合的隔离开关机械故障诊断方法的一种优选方案,其中:所述输出所属故障状态类别包括,将第一特征向量、第二特征向量和第三特征向量进行拼接,获得融合特征向量;
14、将融合特征向量输入至少一个全连接层,并通过归一化指数映射操作,输出对应各预设故障状态类别的概率值。
15、作为本发明所述的基于多源数据融合的隔离开关机械故障诊断方法的一种优选方案,其中:所述组合损失函数包括,分类误差项、类内聚集度惩罚项和类间均衡权重项;
16、分类误差项基于概率值与真实标签之间的交叉熵计算得到;
17、类内聚集度惩罚项通过计算融合特征向量与所属类别的特征中心之间的欧氏距离平方均值得到;
18、类间均衡权重项由各类别的样本数量确定,将各类别的权重与对应类别的分类误差项相乘并求和,形成加权分类误差项;
19、组合损失函数为加权分类误差项与类内聚集度惩罚项的求和结果。
20、作为本发明所述的基于多源数据融合的隔离开关机械故障诊断方法的一种优选方案,其中:所述对实时采集的信号进行故障诊断包括,在训练过程中,各类别的特征中心依据每一批次的样本融合特征向量,通过指数移动平均方式进行更新;
21、在隔离开关处于稳态期间,持续采集接地泄漏电流信号,并在每次采集后更新有效值特征和波形畸变特征;
22、当有效值特征和波形畸变特征在连续预设次数的测量中均超出预设的正常基准区间时,判定存在异常,发出预警。
23、本优选技术方案的有益效果为:从优化多源信号采集入手,经分层特征提取与轻量化多分支网络自适应融合,配合组合约束策略,实现了隔离开关机械故障的高效精准诊断。
24、作为本发明所述的基于多源数据融合的隔离开关机械故障诊断系统的一种优选方案,其特征在于,包括多源特征提取模块、诊断网络构建模块、组合损失训练模块以及实时诊断预警模块。
25、所述多源特征提取模块,用于采集隔离开关的振动、功率及泄漏电流信号,对振动信号进行时频变换和自适应模态分解,得到时频图像与边带特征,对功率信号按时序分段提取统计特征,从泄漏电流中获取有效值和畸变特征,为诊断提供多源输入。
26、所述诊断网络构建模块,用于构建多分支诊断网络,第一分支融合振动图像与边带特征,并经可分离卷积及残差结构提取特征,第二、三分支分别处理功率统计特征和泄漏电流特征,拼接各分支输出,通过全连接层和归一化指数映射输出故障状态概率。
27、所述组合损失训练模块,用于设计由分类误差项、类内聚集度惩罚项和类间均衡权重项构成的组合损失函数,通过加权求和形成总损失,指导网络训练,使同类特征聚集、异类分离,并利用指数移动平均动态更新各类别特征中心。
28、所述实时诊断预警模块,用于利用训练后的网络对实时采集的信号进行故障诊断,输出状态类别,在稳态下持续采集泄漏电流并更新特征,当有效值或畸变特征超出正常基准区间时,判定绝缘异常或接触不良并发出预警。
29、一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现基于多源数据融合的隔离开关机械故障诊断所述的方法的步骤。
30、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现基于多源数据融合的隔离开关机械故障诊断所述的方法的步骤。
31、本发明的有益效果:本发明通过多源信号采集与传感器安装位置的对比验证,将振动传感器布设于信号衰减最小、信噪比最高的绝缘盆子金属法兰处,从源头保证了振动冲击成分的有效拾取,同时通过同步采集振动、功率与泄漏电流三类信号,打通了力学响应、驱动负载与静态电气状态之间的信息壁垒,为多维度融合诊断奠定了完备的数据基础;通过对振动信号同时采用连续小波变换生成时频图和变分模态分解提取边带特征,形成图像与向量双通道输入,使网络既能从时频图中学习冲击事件的时空分布,又能从边带特征中捕捉微弱调制信息;对功率信号结合动态时间规整与分段统计特征提取,从宏观波形畸变与局部关键阶段负载变化两个层面刻画故障模式;对泄漏电流提取有效值和谐波比,在静态下为接触状态与绝缘水平提供独立的判定依据,使原始信号在不同抽象层次上的故障信息均被有效保留;在多分支网络结构中,深度可分离卷积与残差连接的组合使模型轻量化,适合边缘部署,三分支分别处理异构特征后在融合层汇聚,使网络根据各信号对特定故障的敏感程度自适应分配权重,无需人为设定融合规则;组合损失函数通过类平衡权重提升少数故障类别的误分类代价,配合中心损失约束同类样本在特征空间中的紧凑性,在保持高总体诊断准确率的同时,对样本稀缺的故障类型仍保持较高的识别灵敏度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com