一种基于振动信号分段时频图谱优选的有载分接开关故障智能诊断方法与流程

1.本技术涉及电气设备故障诊断领域，具体涉及一种基于振动信号分段时频图谱优选的有载分接开关故障智能诊断方法。


背景技术：

2.从20世纪50年代起我国开始自主研发变压器有载调压技术，70多年来机械式有载分接开关(on-load tap changer,oltc)逐渐成熟，并已装配到重要变压节点实现电网带载电压调节。然而在当前大力发展新能源发电的新型电力系统建设中，有载调压变压器的有载分接开关调压范围广、运行负载高以及切换操作频繁产生缺陷导致设备运行风险提高。此外，分布式电源并网具有冲击和间歇性特点，并网后需要频繁调节电压以保证系统有功、无功分配和供电质量，对变压器有载分接开关运行可靠性提出严峻的挑战。
3.有载分接开关运行和操作中伴随着电流、温升、声波和振动等信号变化，振动信号蕴含丰富设备状态信息的同时具有非侵入式监测的优势，目前研究中以监测振动信号特征作为评判依据的识别设备状态异常和故障的方法已经取得一定成果。所有有载分接开关部件的机械运动都伴随着振动，采用科学方法处理振动信号数据，提取设备运行状态特征，从而灵敏感知设备运行状态变化。已有的基于振动信号的有载分接开关故障诊断方法大多着眼于信号的整体时频特性，仅利用小波、emd、eemd和hilbert变换等方法计算出某些频域特征，忽略了局部特征所包含的设备动作时序信息，对振动信号的积累能量考虑不足，与有载分接开关内部结构动作机理关联不紧密。同时，信号处理所得特征参量中往往包含冗余信息，大量未经筛选的无用与重复特征，造成故障诊断准确率低、识别效率低下等问题。


技术实现要素：

4.本技术实施例的目的在于提供一种有载分接开关故障诊断新方法，基于振动信号与切换开关动作对应关系提取其分段时频图谱表征设备运行状态特征，排列优选特征后依靠深度学习的自学习能力进行故障诊断，其中的重点是基于振动信号多段特征以及频谱纹理提取的有载分接开关故障诊断方法。
5.为实现上述目的，本技术提供如下技术方案：
6.本技术实施例提供一种基于振动信号分段时频图谱优选的有载分接开关故障智能诊断方法，其特征在于，包括以下步骤，
7.a.采用加速度传感器采集有载分接开关振动信号，并利用局部均值分解进行去噪处理；
8.b.对去噪后的振动信号取绝对值后作时间轴进行累积积分，得到累积积分曲线表示的多段能量变化，根据曲线幅值拐点对振动信号分割得到对应开关的不同动作阶段，提取各分段信号能量和峭度特征；
9.c.将振动信号经短时傅里叶变换得到各分段时频图谱，提取颜色矩以描述时频图
像的颜色特征；
10.d.提出总相关排列优选方法，对特征参量进行优选，得到反映分接开关运行状态的低冗余优选颜色特征向量；
11.e.提出矩阵主成分变换方法，对优选颜色特征实施进一步降维，保留原始数据特征成分相似性的同时使降维引起的变形量最小；
12.f.将分段振动信号的能量特征和峭度特征与降维后的时频图谱颜色特征构成有载分接开关状态特征向量，通过一维卷积神经网络完成故障辨识。
13.所述步骤a中，加速度传感器吸附于有载分接开关外壳，以驱动电机定子电流信号作为采集卡触发源；信号经局部均值分解后，根据相关系数筛选分解后的各分量，并进行重构达到去噪效果。
14.所述步骤b中，提出利用累积积分曲线进行振动信号分段的方法，对去噪后的振动信号取绝对值后沿时间轴做累积积分，得到累积积分曲线s(t)，计算方法为：
[0015][0016]
其中x(t)为去噪后振动信号，t为时间；
[0017]
通过捕捉曲线两个重要拐点将振动信分割为三段，分别对应有载分接开关中切换开关动作的单电阻段、桥阶段和双电阻段，每个阶段分别在振动信号中体现为一个冲击簇。
[0018]
所述步骤c中，利用短时傅里叶变换构建振动分段信号时频图谱，提取颜色的一阶矩、二阶矩和三阶矩描述图像颜色分布，得到p维颜色特征向量。
[0019]
所述步骤d中，提出总相关排列优选方法用于特征参量优选，取q个同一工况下的信号样本，计算颜色特征向量构建颜色特征样本矩阵yq×
p
；将 yq×
p
的p个列向量记为颜色特征样本向量，计算每个颜色特征样本向量的总相关系数μ，计算方法为：
[0020][0021]
其中v、w为两个颜色样本向量所在列号；m为颜色特征样本矩阵行号； y
mv
,y
mw
为第m行第v、w列的向量值，为对应向量的均值；
[0022]
定义θ为总相关指标，筛选μ值小于θ的颜色特征，将其列入该工况的优选特征集合；将全部工况的优选特征集合求并集得到有载分接开关的颜色特征优选总集合，总集合中特征参量的数量为u个，利用u个特征参量重构颜色特征样本矩阵得到优选矩阵eq×u。
[0023]
所述步骤e中，提出矩阵主成分变换方法，对优选颜色特征进一步降维，保留原始数据特征成分相似性的同时使得降维引起的变形量最小，计算优选矩阵eq×u中行向量的距离矩阵d，d中元素为d
rs
：
[0024]drs
＝|x
r-xs|
[0025]
其中xr,xs为eq×u的行向量，r,s＝1,
…
,q；
[0026]
构建矩阵g，g中元素为g
rs
，g
rs
计算方法为：
[0027]grs
＝d
rs-d
r1-d
s1
d
11
[0028]
选取g的前z个最大特征值及特征向量，计算优选矩阵eq×u的主成分矩阵hq×z；
[0029][0030]
其中i是矩阵g保留下来的前z个标准正交化特征向量组成的矩阵；α是 z个最大特征值组成的对角矩阵。
[0031]
所述步骤f中，将分段振动信号的能量特征和峭度特征与降维后的时频图谱颜色特征构成有载分接开关状态特征向量，二者互补精准描述设备运行状态特征，通过一维卷积神经网络完成故障辨识。
[0032]
与现有技术相比，本发明的有益效果是：
[0033]
本发明提出一种离散信号分段方法，利用离散信号绝对值的积分曲线反映信号幅值的变化趋势，实现振动冲击簇的分割。利用短时傅里叶变换求取有载分接开关振动信号的功率谱，计算分段能量和峭度特征，从而提取开关动作各阶段的局部特征。
[0034]
本发明提出一种“总相关排列优选法”方法，以特征样本向量与同类型特征之间的相关系数之和表征该特征参量所携带设备状态信息的重复性，筛除冗余特征参量。将设备各工况下优选特征集合的并集作为有载分接开关颜色特征。
[0035]
本发明提出一种“矩阵主成分变换”方法，基于距离矩阵提取颜色特征样本矩阵的主成分，保留数据特征成分相似性的同时使得降维引起的变形量最小。
附图说明
[0036]
为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0037]
图1是有载分接开关故障诊断流程图；
[0038]
图2是lmd去噪后振动信号；
[0039]
图3是振动信号幅值积分波形；
[0040]
图4是分段振动信号功率谱图，图4(a)是振动信号分段1功率谱，图4(b)是振动信号分段2功率谱，图4(c)是振动信号分段3功率谱；
[0041]
图5是分段振动信号stft时频图谱，图5(a)是振动信号分段1时频谱图，图5(b)是振动信号分段2时频谱图，图5(c)是振动信号分段3 时频谱图；
[0042]
图6是总相关排列优选法流程图；
[0043]
图7是1d-cnn诊断结果。
具体实施方式
[0044]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0045]
术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的
其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0046]
参照图1，本发明的具体实施方式包括以下步骤：
[0047]
a.利用加速度传感器采集有载分接开关不同运行状态下振动信号，考虑到现场环境噪声干扰和有载分接开关内部机构复杂性，对振动信号进行局部均值分解lmd去噪处理。首先对信号进行lmd分解，得到一组不同频段的pf分量，根据各分量相关系数衡量分解信号与原始信号的关联程度，选取各状态下相关系数较高的前三阶分量以及4-6阶分量进行重构得到去噪后信号，提高振动信号信噪比。
[0048]
b.对振动信号绝对值作时间轴进行累积积分，得到累积积分曲线，通过捕捉曲线两个重要拐点将振动信分割为三段，分别对应有载分接开关中切换开关动作的单电阻段、桥阶段和双电阻段，对分段后振动信号求取各段信号的能量特征，然后计算其功率谱提取峭度特征。
[0049]
c.进一步将分段后的振动信号经短时傅里叶变换stft得到时频图谱，时域振动波形和时频图谱在时间尺度上相对应，以颜色反映原始信号不同时间和频率能量强度间的对应关系，利用颜色矩提取图像中丰富的颜色特征。
[0050]
d.为了平衡特征量的比重，提升故障诊断效率和准确率，本发明首先提出总相关排列优选法对stft时频图谱颜色特征参量进行优选，基于不同工况下振动信号样本得到颜色特征优选集合，保留颜色特征故障敏感性的同时筛除冗余特征参量。
[0051]
e.对经总相关排列优选法所得优选特征，本发明提出一种矩阵主成分变换方法实施进一步降维，其目的是将高维矩阵拟合到一个低维矩阵，保留原始矩阵的特征成分相似性的同时，使得降维引起的变形量最小。
[0052]
f.将分段振动信号的能量特征和峭度特征与降维后的时频图谱颜色特征构成有载分接开关状态特征向量，二者互补精准描述不同设备运行状态下振动信号特征，通过一维卷积神经网络(1d-cnn)完成故障辨识。
[0053]
步骤a中，以syxz-10/100-9型有载分接开关为例，采集振动信号采集，压电式振动传感器(yd-37)，通过强磁吸附于开关顶盖上。通过故障模拟平台对有载分接开关正常切换以及基座松动、转轴卡涩、开关拒动、弹簧疲劳等常见故障状态进行模拟。每种工况下信号各采集40组，共200组样本数据，每组数据包含25500个采样点，训练样本和测试样本按1:1的比例随机抽取。
[0054]
lmd作为一种自适应时频分析算法，它根据信号极值点把包络信号与纯调频信号进行乘积运算得到一个具有实际物理意义的瞬时频率的pf分量，通过循环迭代分解出所有pf分量，从而得到原始信号的时频分布，具体过程如下：
[0055]
a1.计算原始振动信号x(t)全部局部极值点ni(i＝1,2
…
)并求出相邻局部极值点的平均值mi，将相邻均值点mi用直线相连并用滑动平均法进行平滑处理，得到局部均值曲线m
11
(t)，并计算包络估计值ai：
[0056]ai
＝|n
i-n
i 1
|/2
[0057]
a2.将求得的所有ai连接利用滑动平均法对其进行平滑处理，得到包络估计函数a
11
(t)，将局部均值函数m
11
(t)从原始信号x(t)中去除，得到信号h
11
(t)，包络估计函数a
11
(t)对h
11
(t)进行解调，得到调频信号s
11
(t)。
[0058]
a3.若s
11
(t)的包络估计函数a
12
(t)≠1，则表示s
11
(t)不是纯调频信号，则需将其作为新的原始信号并重新执行以上步骤，直到s
1n
(t)为纯调频信号为止，迭代过程如下：
[0059][0060]
对上述迭代算法中产生的包络估计函数相乘，得到包络信号a1(t)：
[0061][0062]
a4.将包络信号a1(t)和纯调频信号s
1n
(t)进行乘积运算，得到第一个pf分量pf1(t)，从原始信号x(t)中去除所得pf分量pf1(t)，将余值视为原始信号重复上述步骤，直到所得余值为一个单调函数。
[0063]
a5.将振动时域信号经lmd分解后得到6阶pf分量。各阶分量中包含主信号成分不同，通过计算相关系数筛选每种状态最为合适的分量。根据各阶pf分量相关系数，正常切换和拒动保留pf1～pf4、基座松动、转轴卡涩和弹簧疲劳保留pf1～3和pf6作为研究对象，将去噪后所得pf分量重构得到信号如图2所示。
[0064]
步骤b中，基于振动信号的分段特征提取方法，具体步骤如下：
[0065]
b1.有载分接开关的振动波形具有明显的簇状分布，根据有载分接开关调档原理可知其分别对应切换开关动作的单电阻段、桥接段、双电阻段等三个阶段，对振动信号沿时间轴作积分，得到累积积分曲线s(t)，曲线波形如图3所示，两处重要曲线拐点t1＝0.031s、t2＝0.052s，s(t)计算过程如下：
[0066][0067]
b2.根据两处重要波形拐点进将振动波形行分割分为三段，分段后的振动信号x1(t)、x2(t)、x3(t)，每段是一个冲击簇，计算各冲击簇能量e1、e2、 e3：
[0068][0069][0070][0071]
b3.对分段后的振动信号x1(t)、x2(t)、x3(t)分别做离散傅里叶变换，并分别计算得到各段振动信号功率谱si(w)，振动信号各分段功率谱图如图4 所示。
[0072][0073]
其中，xd(t)为振动信号；n表示傅里叶变换点数；d＝1，2，3。
[0074]
取分段振动信号的功率谱峭度指标k作为无量纲频域指标，用于描述波形尖峰度，对冲击信号极其敏感，在设备故障诊断应用广泛，k表示为：
[0075][0076]
其中，xd为分段振动信号序列；δ
x
表示振动信号标准差；n表示傅里叶变换点数；为分段振动信号均值；d＝1，2，3。
[0077]
步骤c中，利用stft构建振动信号时频图谱提取颜色特征。在不同运行状态下的有载分接开关振动特征，主要具体表现在时频图颜色变化，振动幅值越大则反映在时频图条纹色调越暖，计算颜色矩描述时频图像中丰富的颜色特征作为判断有载分接开关运行状态的依据特征，其过程如下：
[0078]
c1.将时域振动信号按长度划分为若干个长度相同的小段，假定时间窗内的时域信号是平稳信号，对时间窗内的振动信号进行傅里叶变换，当每一段时间窗的信号均完成傅里叶变换后，即可得到整体信号的时变频谱。分段振动信号时变频谱如图5所示，各分段信号具有良好的特异性，表征振动信号的局部特征。
[0079]
stft变换公式如下：
[0080][0081]
其中，表示g时刻信号幅值；表示时域信号滑动窗函数；l表示窗函数长度。
[0082]
c2.由于颜色分布信息主要集中在低阶矩中，因此仅采用颜色的一阶矩、二阶矩和三阶矩就足以表达图像的颜色分布，前三阶矩表示为：
[0083]
一阶矩，反映图像明暗程度：
[0084][0085]
二阶矩，反映图像颜色分布范围：
[0086][0087]
三阶矩，反映图像颜色分布对称性：
[0088][0089]
其中，n为图像像素个数；pj是图像中第j个像素颜色值；a＝1,2,3。
[0090]
前三阶颜色矩共计9个参数，分别从颜色分量平均强度、方差、偏斜度表征时频图的颜色特征。
[0091]
步骤d中，对经stft时频图谱得到的27维颜色特征向量，本发明首次提出利用总相关排列优选法对特征参量进行优选，得到反映有载分接开关运行状态的低冗余特征向量，其流程如图6所示，具体计算步骤如下：
[0092]
d1.以20个样本信号为例，随机选取有载分接开关振动同一工况下20 个信号样本计算其27维颜色特征向量，构成颜色特征样本矩阵y
20
×
27
，y中元素为y
op
。取颜色特征样本矩阵的27个列向量为颜色特征样本向量y1，y2，
…ꢀy27
，分别计算每个颜色特征样本向量与余下26个向量的相关系数r
vw
：
[0093][0094]
其中v、w为两个颜色样本向量所在列号，v,w＝1,2
…
27；m为颜色特征样本矩阵行号，m＝1,2
…
20；y
mv
,y
mw
为第m行第v、w列的向量值，为对应向量的均值。
[0095]
d2.分别计算每个颜色特征样本向量与余下26个向量相关系数之和，记为总相关系数μ，表示该向量对应颜色特征反映设备信息与其他特征之间的重复性，μ越低则表示该颜色特征越能代表该工况下有载分接开关振动特性。
[0096][0097]
d3.定义θ为总相关指标，筛选μ值小于θ的颜色特征，列入该工况的颜色特征优选集合，根据本发明中被测设备的机械分散性与实测数据，取θ值为2.3746。
[0098]
d4.对有载分接开关各工况下振动信号样本数据进行上述d1-d3操作，将各个工况下得到的颜色特征优选集合求并集，得到有载分接开关的颜色特征优选总集合。经过优选最终选取颜色特征优选总集合中的15个特征元素作为新的颜色特征向量，重构颜色特征样本矩阵得到优选矩阵e
20
×
15
。
[0099]
步骤e中，为进一步降低振动信号颜色特征向量维数，本发明提出一种矩阵主成分变换方法，其基本目标是将经总相关系数优选所得优选矩阵 e
20
×
15
拟合到一个低维矩阵h
20
×z中，匹配优选矩阵数据相似性的同时使得降维引起的变形量最小。其具体步骤如下：
[0100]
e1.计算优选矩阵e
20
×
15
行向量距离矩阵d，d中元素为d
rs
。
[0101]drs
＝|x
r-xs|
[0102]
其中xr,xs为优选矩阵e
20
×
15
的行向量，r,s＝1,
…
,20。
[0103]
e2.构建矩阵g，g中元素为g
rs
：
[0104]grs
＝d
rs-d
r1-d
s1
d
11
[0105]
e3.计算g的前10个最大特征值及特征向量，计算优选矩阵e
20
×
15
的主成分矩阵h
20
×
10
，将15维优选颜色向量降维至10维。
[0106][0107]
其中，i是矩阵g保留下来的前10个标准正交化特征向量组成的矩阵；α是10个最大特征值组成的对角矩阵。
[0108]
步骤f所述1d-cnn模型由输入层、卷积层、池化层、全连接层和输出层组成。每一层的权值矩阵与特征矩阵进行卷积，前一层的卷积结果经过激活函数运算会输出成为下一个神经元，以便构造下一层对应的特征，其具体步骤如下：
[0109]
f1.卷积层通过卷积核对输入数据进行卷积，设定卷积核尺寸为1
×
15，选择relu作为激活函数构造特征矢量增加模型的非线性。同一个卷积核在卷积过程中共享参数得到一类特征，计算过程公式为：
[0110][0111]
其中代表第l层输入；nj代表输入特征矢量；l代表第l层网络；k代表卷积核；b代表卷积核的偏置。
[0112]
f2.池化层通过池化核对输入数据进行缩放映射，对数据降维同时提取特征，采用大小为1
×
2，步长为2的最大池化。池化包含平均池化和最大池化，其变换函数为：
[0113][0114]
其中，w为卷积核宽度；为第l层第i个特征中第t个神经元的值； p
il 1
(j)为第l 1个神经元对应的值。
[0115]
f3.cnn的输出层对最后一个池化层的输出进行全连接，然后采用 soft-max分类器解决多分类问题。
[0116]
f4.选定两个特征提取层，其特征提取层设置卷积核数量分别为32和64，两个全连接层的节点分别设置为256和64，设定训练次数500次。
[0117]
f5.随机抽取50％振动信号数据，每种工况共20组作为样本投入 1d-cnn中进行训练，训练完成后对剩余50％的测试组数据样本进行分类，诊断结果如图7所示，图中正常切换样本标签为1，基座松动样本标签为2，转轴卡涩标签为3，开关拒动为4，弹簧疲劳标签为5，仅一处转轴卡涩误分为拒动，分类准确率明显提升，且不存在漏报的情况。
[0118]
实验结果表明按照上述步骤执行提取的有载分接开关振动信号特征具有良好的鲁棒性和特异性，能够有效地捕捉和刻画设备运行状态特征，在有载分接开关运行状态评估和故障诊断领域发挥重要作用。
[0119]
以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。