一种基于全声频监测的开关柜绝缘类部件的故障诊断方法与流程

1.本发明涉及电力开关柜领域，尤其涉及一种基于全声频监测的开关柜绝缘类部件的故障诊断方法。


背景技术：

2.开关柜在电力系统运行过程中起到了非常重要的作用，一旦出现故障就会造成线路停电，严重时还会造成人身伤亡事故。随着经济及技术的发展，开关柜的安全性与质量得到明显提升，但是在日常运行、操作过程中，仍旧存在出现故障的可能性，需要采取更加合理的解决措施。开关柜中的绝缘类部件的作用是进行绝缘，若出现绝缘功能故障，将造成短路等问题，进而造成断电、火灾等严重问题。因此必须对开关柜中的绝缘类部件进行健康监测，防止出现故障。
3.目前对开关柜的绝缘类部件的故障诊断主要通过电流监测技术实现，当绝缘类部件出现漏电时发现故障，但此时其绝缘性能已经基本失效，很容易产生安全隐患，未能从根本上解决安全隐患的问题。


技术实现要素：

4.本发明的目的在于针对上述现有技术的不足，提供了一种基于全声频监测的开关柜绝缘类部件的故障诊断方法，以解决现有方法中依靠电流进行绝缘类部件故障诊断造成的滞后性问题。
5.为实现上述目的，本发明采用了如下技术方案：
6.本发明提供了一种基于全声频监测的开关柜绝缘类部件的故障诊断方法，包括以下步骤：
7.s1、采用音频传感器、超声传感器和声音传感器分别对开关柜绝缘类部件进行监测，持续收集反馈信号；
8.s2、利用各个反馈信号的分析算法分别进行故障监测，其中声音传感器信号监测部件表面故障，超声传感器监测部件近表面故障，声发射信号监测部件内部故障；s3、将各尺度音频反馈信号进行数据融合，确定健康状态函数。
9.进一步，所述s2中，声音传感器的数据分析为：
10.s211、将多个所述声音传感器采用合适的布局进行安置，采集开关柜在工作期间产生的声音信号；
11.s212、通过a/d转换电路将声音信号进行模数转换得到数字信号；
12.s213、对声音信号进行预处理，使用端点检测将声音信号区分为有用声音段和噪声段，声音信号的波动表示为：
13.14.其中，ψ＝x(t)为离散域中声音信号x(t)的算子，x(t)为声音信号数据，ω为声音信号的角速度，θ为初始相位；
15.s214、筛选经处理后的信号，保留有用声音信号，经过函数提取有用声音信号中的时域参数，其中，所述函数为：
[0016][0017]
其中，δn为第n帧的短时过零率，x(i)＝x(i)ω(n-i)表示为原始信号x(i)经过截取、加窗操作后得到的新信号，ω(n-i)为窗函数；
[0018]
s215、将提取得到的参数信息与计算机数据库中的正常工作时的参数信息进行比对，若超出阈值，则代表绝缘类部件产生故障；
[0019]
s216、若绝缘类部件判断出存在故障，则进一步地，将参数信息与数据库中的典型故障下的参数信息进行匹配，得出故障类型。
[0020]
进一步，所述s2中，超声传感器的故障检测方法包括如下步骤：
[0021]
s221、采集开关柜内部的由于绝缘类部件局部放电现象而产生的超声波信号；
[0022]
s222、经过放大电路将超声波传感器采集的信号进行放大后送出；
[0023]
s223、经过a/d转换电路将超声波信号进行数模转换；
[0024]
s224、确定分解层数j；
[0025]
s225、确定对采集的超声波信号的信躁比改善效果较优的sym7作为小波分解的小波基函数；
[0026]
s226、对采集的含躁信号进行小波分解得到一组小波系数w
j,k
,
[0027]
其中，k＝0,1...,n-1,j＝0,1...,j-1，j为分解层数，n为信号采样点数；
[0028]
s227、计算风险向量，
[0029]
r＝[r1,r2,,,rn]其元素为式中，i＝1,2...n,w为元素是小波系数的平方由小到大排列的一个向量w＝[w1,w2...wn]，n为小波系数的个数，通过迭代，得到最小值作rb为风险值，由rb的小标b求出对应的wb；
[0030]
s228、确定量化处理经小波分解后的各层小波系数时所用的阈值其中σ为噪声信号的均方差；
[0031]
s229、确定阈值函数
[0032][0033]
其中，ω
j,k
为小波系数，ω
j,k
为经过阈值函数处理过的小波系数，n为正整数，μ为
调节因子，且取值范围在0到1之间，将经小波分解后的信号经所述阈值函数滤除噪声，得到有效的超声波信号；
[0034]
s2210、将超声波信号与计算机数据库中的典型故障超声波信号进行匹配得出故障类型。
[0035]
进一步，所述s2中，声发射传感器的故障检测方法包括如下步骤：
[0036]
s231、使用声发射传感器采集开关柜内部的由于绝缘类材料声发射现象而产生的振位信号，并转化为电信号；
[0037]
s232、经过放大器将接受到的电信号进行放大并过滤噪声以提升信躁比；
[0038]
s233、经过a/d转换电路将从放大器接受到的电信号进行模数转换，得到供计算机的故障检测系统使用的数字信号；
[0039]
s234、确定声发射信号模型x(t)＝a0e
αt sin(2fπt)，a0为信号的初始幅值，α为信号的衰减因子，f为声音传感器的谐振频率；
[0040]
s235、为解决幅值标准差异引起的特征提取的偏差，将声发射信号进行标准化处理，通过标准尺度的转换统一所有信号序列的幅值范围，信号序列数据的标准化方法为：
[0041][0042]
其中，x(t)为声发射信号序列的数据，μ表示整个声发射信号序列的均值，φk为各个数据第k，其中k＝1,2...n个滞后期对应的回归参数，n表示声发射信号序列中数据的个数；
[0043]
s236、将经过标准化后的信号再进行平稳化处理，分解得到一组包含多个尺度的特征信息的信号分量，分解过程的公式为：
[0044][0045]
其中，εi(t)(t＝1,2...n)表示原信号x(t)经过分解后得到的n个信号分量，β
n 1
(t)表示原信号，x(t)经分解后产生的残差信号以及分量的和；
[0046]
s237、通过将波形较为平缓且幅值较低的信号分量与残差分量融合成一个新的信号分量，统一信号分量的数目；
[0047]
s238、将上述得到的信号分量输入计算机故障检测系统，将信号分量总包含的频域特征与经典故障的频域特征进行匹配，得到故障类型。
[0048]
进一步，所述s3中，将各尺度音频反馈信号进行数据融合步骤如下：
[0049]
s31、将所述声音传感器、超声传感器和声发射传感器采集的各尺度声音数据输入到计算机的数据融合算法中；
[0050]
s32、基于所述s31中输入得到计算机的各尺度数据形成的多尺度数据集yk，并估计多尺度数据集的误差因子：
[0051][0052]
其中，n为信号长度，g(n)为原始信号，g
*
(n)为原始信号的估计信号；
[0053]
s33、将各尺度音频反馈信号进行数据融合为：
[0054]
yk＝akwmk nk σvk[0055]
其中，w为待求的融合结果；nk为噪声项；ak为殊值矩阵，表示各尺度声音数据之间的差异；mk为映射矩阵，记录原始声音数据在数据融合系统中的映射关系；vk为残差矩阵，表示原始声音信号和融合数据集的差值；
[0056]
s34、利用正则化思想将w的求解转化为泛函的极值问题，确定w的模型为：
[0057][0058]
其中，α为不同尺度的声音信号的贡献值，δ为正则化参数；w为经正则化处理后的待求融合结果，βr为第r个滞后期对应的回归参数，pi是根据每个矩阵值的空间信息来设定的范数约束；
[0059]
s35、求常规l2范数的最小化最优解，通过传统的共轭梯度法或预条件共轭梯度法求解w，得到yk极小值时的w，即最终的融合结果。
[0060]
本发明的有益效果为：本发明所述的基于全声频监测的开关柜绝缘类部件的故障诊断方法，针对绝缘类部件的不同深度位置的故障或隐患，利用多尺度声频信号进行了故障识别和诊断，该方法能够识别和诊断整个绝缘类部件全域的故障及隐患，能够对识别已出现的故障，也能对故障隐患进行识别。
附图说明
[0061]
图1为本发明一种基于全声频监测的开关柜绝缘类部件的故障诊断方法的方框图。
具体实施方式
[0062]
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0063]
请参阅图1，一种基于全声频监测的开关柜绝缘类部件的故障诊断方法，包括以下步骤：
[0064]
s1、采用声音传感器、超声传感器和声发射传感器分别对开关柜绝缘类部件进行监测，持续收集反馈信号；
[0065]
s2、利用各个反馈信号的分析算法分别进行故障监测，其中声音传感器信号监测部件表面故障，超声传感器监测部件近表面故障，声发射信号监测部件内部故障；
[0066]
s3、将各尺度音频反馈信号进行数据融合，确定健康状态函数。
[0067]
所述s2中，声音传感器的数据分析为：
[0068]
s211、将多个所述声音传感器采用合适的布局进行安置，采集开关柜在工作期间产生的声音信号；
[0069]
s212、通过a/d转换电路将声音信号进行模数转换得到数字信号；
[0070]
s213、对声音信号进行预处理，使用端点检测将声音信号区分为有用声音段和噪声段，声音信号的波动表示为：
[0071][0072]
其中，ψ＝x(t)为离散域中声音信号x(t)的算子，x(t)为声音信号数据，ω为声音信号的角速度，θ为初始相位；
[0073]
s214、筛选经处理后的信号，保留有用声音信号，经过函数提取有用声音信号中的时域参数，其中，所述函数为：
[0074][0075]
其中，δn为第n帧的短时过零率，x(i)＝x(i)ω(n-i)表示为原始信号x(i)经过截取、加窗操作后得到的新信号，ω(n-i)为窗函数；
[0076]
s215、将提取得到的参数信息与计算机数据库中的正常工作时的参数信息进行比对，若超出阈值，则代表绝缘类部件产生故障；
[0077]
s216、若绝缘类部件判断出存在故障，则进一步地，将参数信息与数据库中的典型故障下的参数信息进行匹配，得出故障类型。
[0078]
所述s2中，超声传感器的故障检测方法包括如下步骤：
[0079]
s221、采集开关柜内部的由于绝缘类部件局部放电现象而产生的超声波信号；
[0080]
s222、经过放大电路将超声波传感器采集的信号进行放大后送出；
[0081]
s223、经过a/d转换电路将超声波信号进行数模转换；
[0082]
s224、确定分解层数j；
[0083]
s225、确定对采集的超声波信号的信躁比改善效果较优的sym7作为小波分解的小波基函数；
[0084]
s226、对采集的含躁信号进行小波分解得到一组小波系数w
j,k
,
[0085]
其中，k＝0,1...,n-1,j＝0,1...,j-1，j为分解层数，n为信号采样点数；
[0086]
s227、计算风险向量，
[0087]
r＝[r1,r2,,,rn]其元素为式中，i＝1,2...n,w为元素是小波系数的平方由小到大排列的一个向量w＝[w1,w2...wn]，n为小波系数的个数，通过迭代，得到最小值作rb为风险值，由rb的小标b求出对应的wb；
[0088]
s228、确定量化处理经小波分解后的各层小波系数时所用的阈值其中σ为噪声信号的均方差；
[0089]
s229、确定阈值函数
[0090][0091]
其中，ω
j,k
为小波系数，ω
j,k
为经过阈值函数处理过的小波系数，n为正整数，μ为调节因子，且取值范围在0到1之间，将经小波分解后的信号经所述阈值函数滤除噪声，得到有效的超声波信号；
[0092]
s2210、将超声波信号与计算机数据库中的典型故障超声波信号进行匹配得出故障类型。
[0093]
所述s2中，声发射传感器的故障检测方法包括如下步骤：
[0094]
s231、使用声发射传感器采集开关柜内部的由于绝缘类材料声发射现象而产生的振位信号，并转化为电信号；
[0095]
s232、经过放大器将接受到的电信号进行放大并过滤噪声以提升信躁比；
[0096]
s233、经过a/d转换电路将从放大器接受到的电信号进行模数转换，得到供计算机的故障检测系统使用的数字信号；
[0097]
s234、确定声发射信号模型x(t)＝a0e
αt sin(2fπt)，a0为信号的初始幅值，α为信号的衰减因子，f为声音传感器的谐振频率；
[0098]
s235、为解决幅值标准差异引起的特征提取的偏差，将声发射信号进行标准化处理，通过标准尺度的转换统一所有信号序列的幅值范围，信号序列数据的标准化方法为：
[0099][0100]
其中，x(t)为声发射信号序列的数据，μ表示整个声发射信号序列的均值，φk为各个数据第k，其中k＝1,2...n个滞后期对应的回归参数，n表示声发射信号序列中数据的个数；
[0101]
s236、将经过标准化后的信号再进行平稳化处理，分解得到一组包含多个尺度的特征信息的信号分量，分解过程的公式为：
[0102][0103]
其中，εi(t)(t＝1,2...n)表示原信号x(t)经过分解后得到的n个信号分量，β
n 1
(t)表示原信号，x(t)经分解后产生的残差信号以及分量的和；
[0104]
s237、通过将波形较为平缓且幅值较低的信号分量与残差分量融合成一个新的信号分量，统一信号分量的数目；
[0105]
s238、将上述得到的信号分量输入计算机故障检测系统，将信号分量总包含的频域特征与经典故障的频域特征进行匹配，得到故障类型。
[0106]
所述s3中，将各尺度音频反馈信号进行数据融合步骤如下：
[0107]
s31、将所述声音传感器、超声传感器和声发射传感器采集的各尺度声音数据输入到计算机的数据融合算法中；
[0108]
s32、基于所述s31中输入得到计算机的各尺度数据形成的多尺度数据集yk，并估计多尺度数据集的误差因子：
[0109][0110]
其中，n为信号长度，g(n)为原始信号，g
*
(n)为原始信号的估计信号；
[0111]
s33、将各尺度音频反馈信号进行数据融合为：
[0112]
yk＝akwmk nk σvk[0113]
其中，w为待求的融合结果；nk为噪声项；ak为殊值矩阵，表示各尺度声音数据之间的差异；mk为映射矩阵，记录原始声音数据在数据融合系统中的映射关系；vk为残差矩阵，表示原始声音信号和融合数据集的差值；
[0114]
s34、利用正则化思想将w的求解转化为泛函的极值问题，确定w的模型为：
[0115][0116]
其中，α为不同尺度的声音信号的贡献值，δ为正则化参数；w为经正则化处理后的待求融合结果，βr为第r个滞后期对应的回归参数，pi是根据每个矩阵值的空间信息来设定的范数约束；
[0117]
s35、求常规l2范数的最小化最优解，通过传统的共轭梯度法或预条件共轭梯度法求解w，得到yk极小值时的w，即最终的融合结果。
[0118]
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求。