机械故障诊断方法及系统与流程

摘要: 本公开涉及故障诊断,尤其涉及机械故障诊断方法及系统。背景技术:1、气体绝缘组合开关设备(gasinsulatedswitchgear,gis)通常包括断路器、隔...
机械故障诊断方法及系统与流程

本公开涉及故障诊断,尤其涉及机械故障诊断方法及系统。

背景技术:

1、气体绝缘组合开关设备(gas insulated switchgear,gis)通常包括断路器、隔离开关、接地开关等多个内部部件。gis设备在运行过程中,内部部件发生松动、卡滞、接触异常等机械故障时,可能产生异常声音和异常振动。因此,可以在gis设备的不同位置采集声音信号或振动信号,并通过分析所采集信号的特征识别机械故障。

2、现有的gis设备机械故障诊断方法通常以振动信号作为主要诊断依据,或者结合声音信号进行辅助判断。然而,在实际运行环境中,不同监测位置与监测对象之间的距离、信号传播路径及安装条件存在差异,并且声音信号容易受到环境噪声影响,振动信号也容易受到相邻设备振动及结构传递干扰。由此,同一监测位置采集的声音信号和振动信号可能具有不同的抗噪能力及特征稳定性,不同监测位置采集的数据质量也可能存在较大差异。

3、在未对各监测位置的声音特征和振动特征的可靠程度进行区分的情况下,若直接对声音特征和振动特征进行融合,因所述干扰而出现信号质量降低或特征异常波动的监测数据可能对融合结果产生干扰,进而影响故障类型的匹配结果以及故障点的定位结果。因此,现有技术难以在复杂干扰环境下充分利用不同监测位置的声音信息和振动信息,对gis设备中的多个监测对象进行准确、可靠的机械故障诊断。

技术实现思路

1、鉴于以上所述现有技术的缺点,本公开的目的在于提供机械故障诊断方法及系统,解决相关技术中的问题。

2、本公开第一方面提供一种机械故障诊断方法,应用于gis设备,所述gis设备内设置有多个监测对象,所述方法包括:于每个采集周期,分别获取所述gis设备上的多个监测设备各自的一组声音监测数据和振动监测数据,并分别提取得到监测设备坐标特征集,所述监测设备坐标特征集包括声音特征集和振动特征集;其中,所述声音特征集和振动特征集分别包括声音特征信息和振动特征信息,且均包括所述监测设备所在的监测位置坐标以及监测对象;分别获取同一所述监测设备坐标特征集的声音特征信息对应的第一信噪比置信度和第一稳定性置信度,以及振动特征信息对应的第二信噪比置信度及第二稳定性置信度;根据所述第一信噪比置信度和所述第一稳定性置信度确定所述监测位置对应的声音特征置信度,以及根据所述第二信噪比置信度和所述第二稳定性置信度确定所述监测位置对应的振动特征置信度;其中,所述声音特征置信度和所述振动特征置信度分别同各自对应的信噪比置信度与稳定性置信度正相关;基于各所述监测设备坐标特征集对应的声音融合权重和振动融合权重,对同一监测设备坐标特征集对应的所述声音特征置信度和所述振动特征置信度进行加权融合,得到融合置信度,以将所述融合置信度达到预设置信度阈值的监测设备坐标特征集确定为目标监测设备坐标特征集,并得到包含所述目标监测设备坐标特征集中关联的声音特征信息和振动特征信息的关联特征信息;将所述关联特征信息与预设故障类型特征信息进行匹配,并在匹配时确定故障监测对象的故障类型;在所述故障监测对象的各个监测设备的目标监测设备坐标特征集中,确定融合置信度最高的预设数量的一组目标监测设备坐标特征集,并根据该组目标监测设备坐标特征集所包含的各监测位置坐标,定位所述故障监测对象上的故障点坐标。

3、在第一方面的实施例中,在所述于每个采集周期,分别获取所述gis设备上的多个监测设备各自的一组声音监测数据和振动监测数据,并分别提取得到监测设备坐标特征集之前,所述方法还包括:在gis设备或其结构模型上确定声音信号采集单元和振动信号采集单元的多个候选安装位置;在多组环境干扰条件下,分别在各所述候选安装位置进行多个评估周期的声音评估数据和振动评估数据的采集,并进行特征化处理,以得到每个所述候选安装位置对应的声音评估特征信息和振动评估特征信息;分别计算同一所述候选安装位置在所述多个评估周期内的声音评估特征信息和振动评估特征信息的波动方差,并将所述波动方差进行归一化后反转相关性,以确定各所述候选安装位置对应的声音评估稳定性置信度和振动评估稳定性置信度;根据各所述候选安装位置对应的声音评估数据和振动评估数据中各自的信号参数,确定各所述候选安装位置对应的信号质量评价结果;将所述声音评估稳定性置信度、所述振动评估稳定性置信度及所述信号质量评价结果均达到各自对应的预设筛选阈值的候选安装位置确定为可用安装位置,并从各所述可用安装位置中选取监测范围共同覆盖各所述监测对象的多个位置,作为所述监测位置。

4、在第一方面的实施例中,所述在所述故障监测对象的各个监测设备的目标监测设备坐标特征集中,确定融合置信度最高的预设数量的一组目标监测设备坐标特征集,并根据该组目标监测设备坐标特征集所包含的各监测位置坐标,定位所述故障监测对象上的故障点坐标,包括:从关联于同一所述故障监测对象且关联特征信息匹配得到相同故障类型的目标监测设备坐标特征集中,确定融合置信度最高的预设数量的一组目标监测设备坐标特征集,并将所选取的各目标监测设备坐标特征集对应的监测位置作为定位监测位置;获取各所述定位监测位置对应的所述声音监测数据中所述故障监测对象发生故障时产生的声音故障信号的到达时刻;针对任意两个所述定位监测位置,计算所述声音故障信号在两个所述定位监测位置的到达时刻之差,得到对应的声音信号到达时间差;分别将各所述声音信号到达时间差与对应的声音信号传播速度相乘,得到多组距离差,其中,每组所述距离差为所述故障监测对象的故障点至对应的两个所述定位监测位置的距离之差;根据各所述定位监测位置的坐标及各组所述距离差,得到同时满足各组所述距离差约束的空间位置坐标,作为所述故障监测对象的故障点坐标。

5、在第一方面的实施例中,所述从关联于同一所述故障监测对象且关联特征信息匹配得到相同故障类型的目标监测设备坐标特征集中,确定融合置信度最高的预设数量的一组目标监测设备坐标特征集,并将所选取的各目标监测设备坐标特征集对应的监测位置作为定位监测位置,包括:分别将关联于同一所述故障监测对象的各所述目标监测设备坐标特征集对应的关联特征信息与所述预设故障类型特征信息进行匹配,得到各所述目标监测设备坐标特征集对应的故障类型,并将对应的故障类型相同的所述目标监测设备坐标特征集划分至同一分组;

6、将包含至少预设数量的所述目标监测设备坐标特征集的分组确定为定位分组,并将同一所述定位分组内的各所述目标监测设备坐标特征集对应的监测位置作为一组所述定位监测位置,以利用各所述定位监测位置之间的信号到达时间差,共同确定对应的故障点坐标。

7、在第一方面的实施例中,获取根据所述gis设备的实际结构数据预先构建的结构模型,并获取所述故障监测对象的各组成部位在所述结构模型中对应的空间范围;将所述故障点坐标与各所述组成部位对应的空间范围在同一坐标系中进行比较,并将空间范围包含所述故障点坐标的组成部位确定为所述故障监测对象的故障部位。

8、在第一方面的实施例中,所述分别获取同一所述监测设备坐标特征集的声音特征信息对应的第一信噪比置信度和第一稳定性置信度,以及振动特征信息对应的第二信噪比置信度及第二稳定性置信度;根据所述第一信噪比置信度和所述第一稳定性置信度确定所述监测位置对应的声音特征置信度,以及根据所述第二信噪比置信度和所述第二稳定性置信度确定所述监测位置对应的振动特征置信度,包括:分别计算同一所述监测设备坐标特征集中的所述声音特征信息和所述振动特征信息对应的信噪比,并分别将所述信噪比归一化,得到所述第一信噪比置信度和所述第二信噪比置信度;分别计算同一所述监测设备坐标特征集中的所述声音特征信息和所述振动特征信息的幅频特征波动方差,并分别将所述幅频特征波动方差进行归一化后反转相关性,得到所述第一稳定性置信度和所述第二稳定性置信度;对所述第一信噪比置信度和所述第一稳定性置信度施加对应的权重系数并求和,得到所述声音特征置信度,并对所述第二信噪比置信度和所述第二稳定性置信度施加对应的权重系数并求和,得到所述振动特征置信度。

9、在第一方面的实施例中,所述声音融合权重同所述声音特征置信度相对于所述振动特征置信度的比值正相关,所述振动融合权重同所述声音特征置信度相对于所述振动特征置信度的比值负相关,所述声音融合权重和所述振动融合权重的计算方法包括:将所述声音特征置信度和所述振动特征置信度分别占所述声音特征置信度与振动特征置信度之和的比例,确定为所述声音融合权重和所述振动融合权重。

10、在第一方面的实施例中,所述预设故障类型特征信息包括:声音类型的故障类型特征信息和振动类型的故障类型特征信息,所述将所述关联特征信息与预设故障类型特征信息进行匹配,并在匹配时确定故障监测对象的故障类型,包括:比较所述目标监测设备坐标特征集对应的声音特征置信度和振动特征置信度,并确定所述声音特征信息和所述振动特征信息各自的匹配优先级;其中,各所述特征信息的匹配优先级与其对应的特征置信度正相关;将所述声音特征信息和所述振动特征信息中匹配优先级较高的特征信息确定为主导匹配特征信息;将所述主导匹配特征信息与对应类型的故障类型特征信息进行匹配,得到匹配结果;响应于所述匹配结果满足匹配条件,将所述匹配结果对应的故障类型确定为所述故障监测对象的故障类型;响应于所述匹配结果不满足所述匹配条件,从关联于同一所述监测对象且尚未进行故障类型匹配的所述目标监测设备坐标特征集中,按照所述融合置信度由高到低的顺序选取下一目标监测设备坐标特征集,并根据所述下一目标监测设备坐标特征集对应的声音特征信息和振动特征信息重新进行匹配。

11、在第一方面的实施例中,所述方法还包括:在所述gis设备的结构模型中,分别模拟各所述监测对象单独发生其对应的各预设故障类型的机械故障,获取各可用安装位置在各所述监测对象分别单独发生任一所述预设故障类型下对应的声音评估特征信息和振动评估特征信息;将同一所述可用安装位置在同一所述监测对象单独发生对应的任一所述预设故障类型时得到的声音评估特征信息和振动评估特征信息进行融合,得到评估关联特征信息;分别计算每一监测对象与除所述监测对象之外的各其它监测对象在对应的任一所述预设故障类型下的评估关联特征信息之间的特征差异值,并将各所述特征差异值中的最小值确定为所述可用安装位置下所述监测对象的对象区分度;按照所述对象区分度由大到小的优先顺序,从各所述可用安装位置中选取所述监测对象的至少一个可用安装位置作为目标安装位置,并将各所述监测对象对应的目标安装位置作为所述监测位置。

12、本公开第二方面提供一种机械故障诊断系统,应用于包括多个监测对象的gis设备,所述系统包括:多个监测设备,分别设置于各自对应的监测位置,各所述监测位置分别关联有对应的监测对象;其中,每个所述监测设备包括声音采集单元和振动采集单元,所述声音采集单元用于采集对应监测位置的声音监测数据,所述振动采集单元用于采集对应监测位置的振动监测数据;处理端,分别与所述多个声音采集单元和所述多个振动采集单元通信连接,被配置为执行如第一方面任一项所述的机械故障诊断方法。

13、如上所述,本公开实施例中提供机械故障诊断方法及系统,方法包括:于每个采集周期,分别获取所述gis设备上的多个监测设备各自的一组声音监测数据和振动监测数据,并分别提取得到监测设备坐标特征集,所述监测设备坐标特征集包括声音特征集和振动特征集;其中,所述声音特征集和振动特征集分别包括声音特征信息和振动特征信息,且均包括所述监测设备所在的监测位置坐标以及监测对象;分别获取同一所述监测设备坐标特征集的声音特征信息对应的第一信噪比置信度和第一稳定性置信度,以及振动特征信息对应的第二信噪比置信度及第二稳定性置信度;根据所述第一信噪比置信度和所述第一稳定性置信度确定所述监测位置对应的声音特征置信度,以及根据所述第二信噪比置信度和所述第二稳定性置信度确定所述监测位置对应的振动特征置信度;其中,所述声音特征置信度和所述振动特征置信度分别同各自对应的信噪比置信度与稳定性置信度正相关;基于各所述监测设备坐标特征集对应的声音融合权重和振动融合权重,对同一监测设备坐标特征集对应的所述声音特征置信度和所述振动特征置信度进行加权融合,得到融合置信度,以将所述融合置信度达到预设置信度阈值的监测设备坐标特征集确定为目标监测设备坐标特征集,并得到包含所述目标监测设备坐标特征集中关联的声音特征信息和振动特征信息的关联特征信息;将所述关联特征信息与预设故障类型特征信息进行匹配,并在匹配时确定故障监测对象的故障类型;在所述故障监测对象的各个监测设备的目标监测设备坐标特征集中,确定融合置信度最高的预设数量的一组目标监测设备坐标特征集,并根据该组目标监测设备坐标特征集所包含的各监测位置坐标,定位所述故障监测对象上的故障点坐标。本公开通过将同一监测设备的声音特征信息和振动特征信息与监测位置坐标及监测对象关联,构建监测设备坐标特征集,使特征集具有明确的位置来源和对象来源;通过综合声音特征信息和振动特征信息各自的信噪比置信度及稳定性置信度确定特征置信度,并根据融合置信度筛选目标监测设备坐标特征集,可以降低噪声干扰和特征波动较大的监测数据对故障类型匹配的影响;在确定故障监测对象的故障类型后,进一步选取融合置信度最高的预设数量的目标监测设备坐标特征集进行故障点定位,从而提高故障类型识别和故障点定位的准确性及可靠性。