申请/专利权人：国网青海省电力公司海西供电公司;国网青海省电力公司

申请日：2020-10-14

公开（公告）日：2024-04-23

公开（公告）号：CN112255538B

主分类号：G01R31/327

分类号：G01R31/327;G06F18/25;G06F18/213

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2021.02.09#实质审查的生效;2021.01.22#公开

摘要：本发明公开了一种多特征优化融合的高压断路器故障诊断方法，所述方法包括：获取断路器分合闸过程中所发出的多组初始声音信号YSt和振动信号YZt；对每组初始声音信号YSt和振动信号YZt做去噪加权融合处理得到一组声音信号YS″t和振动信号YZ″t；采用K‑S检验法提取声音信号YS″t的特征向量；采用EMD经验模态分解法提取振动信号YZ″t的特征向量；将声音信号YS″t的特征向量和振动信号YZ″t的特征向量融合为一个特征矩阵样本；从特征矩阵样本中按比例选取正常及故障状态多种运行情况下的样本特征矩阵；基于FWA优化的SVM故障诊断模型，输入选取的样本特征矩阵得到故障诊断结果。本发明通过多传感器数据融合的概念，对数据加权融合有效消除噪声，使数据更接近于真实值，有效提高故障诊断的效果。

主权项：1.一种多特征优化融合的高压断路器故障诊断方法，其特征在于，所述方法包括：获取断路器分合闸过程中所发出的多组初始声音信号YSt和振动信号YZt；对每组初始声音信号YSt和振动信号YZt做去噪加权融合处理得到一组声音信号YS”t和振动信号YZ”t；采用K-S检验法提取声音信号YS”t的特征向量；采用EMD经验模态分解法提取振动信号YZ”t的特征向量；将声音信号YS”t的特征向量和振动信号YZ”t的特征向量融合为一个特征矩阵样本；从特征矩阵样本中按比例选取正常及故障状态多种运行情况下的样本特征矩阵；基于FWA优化的SVM故障诊断模型，输入选取的样本特征矩阵得到故障诊断结果；所述对每组初始声音信号YSt和振动信号YZt做去噪加权融合处理得到一组声音信号YS”t和振动信号YZ”t，具体步骤如下：I1、分别取N组初始声音信号YSt和振动信号YZt的波形数据长度为n,则第i组声音信号YSt波形数据组成的列向量为：YSi＝[Yi1Yi2...Yin]Ti＝1,2...n1I2、对声音信号YSt波形数据做零均值处理，对每个声音信号YSt波形数据减去该组数据平均值AVYSN：Yi1'＝Yi1-AVYSN2得到声音信号YSt预处理数据矩阵： I3、对式3做单边jacobi奇异值分解，得到对应的N个奇异值δii＝1…N,反应了受噪音影响程度，由式4得到权重Wi，如下： 由式5计算得到数据权重估计值，如下： I4、选取多个声音信号YSt波形数据平均值AVYSN取均值AV，按式6得到声音信号YSt最终融合数据YS”，如下： I5、振动信号YZt的融合处理与声音信号YSt一致，得到融合信号YZ”t；对YS'做单边jacobi奇异值分解的步骤如下：B＝UTYS',Ys'∈Re×l,e＞l7其中，B为行向量正交矩阵，U的行向量和列向量均正交，将得到的B矩阵做QR分解，得到：B＝BTT＝QBRBT＝RBTQBT8令：Σ＝RBT,VT＝QBT，则YS'＝UΣVT，得到奇异值矩阵Σ，得到的奇异值分别与输入矩阵YS'各列向量一一对应；所述采用K-S检验法提取声音信号YS”t的特征向量，具体步骤如下：II1、将融合后的声音信号YS”t沿时间轴平均分为f个宽度为T的区间，计算各区间内信号幅值和；II2、使用K-S检验法比较各区间正常声音信号与故障声音信号的幅值和，标记出幅值差距大的声音信号区间，取对应幅值和作为声音信号YS”t的特征向量；II3、得到不同故障声音信号对应的若干差异区间后，取所有区间交集作为特征幅值和提取区间，为降低特征维数，采用Relief-F算法选择可信度高的区间幅值和作为声音信号YS”t的特征向量；II4、对选择区间的信号幅值和x按式9做归一化处理，得到处理后的声音信号YS”t特征向量x'，如下： K-S检验法步骤如下：假设a：Spx＝Rqx，b：Spx≠Rqx，Spx和Rqx分别为X、Y样本的经验分布函数，p、q为两个样本的容量，给定显著性水平α，将样本升序排列，得累积频数分布，计算检验统计量Dp,q：Dp,q＝max{|SpXi-RqYj|}，Xi和Yj为样本X与Y的顺序统计量；计算在α下的给定阈值Dp,q,α，p＝q时，当Dp,q≥Dp,q,α时，拒绝假设a,认为两样本来自不同分布，存在显著性差异,阈值Dp,q,α可在给定α后，查询Kolmogonov分布函数获得；K-S检验法得到的样本形式为：xi,yi，其中xi为标记区间信号幅值和，yi为样本类别；Relief-F算法步骤如下：从所有样本中随机取出样本A，找出k个与A同类的近邻样本H，从与A不同类的样本集中找出k个近邻样本M，并按式10计算更新每个特征a对应的权重Wa： 其中，c为样本A所属特征类别，Pc为c类别对应比例，PcA为随机选择样本A的对应类别比例，m为随机抽样次数，diffa,A,Hj为样本A和H在特征a上的距离，由式11计算diffa,A,H值，如下： 所述采用EMD经验模态分解法提取振动信号YZ”t的特征向量，具体步骤如下：III1、确定振动信号YZ”t的所有极大值点与极小值点，分别将极大值点与极小值点连接，形成上、下包络线，包络线间包含所有信号数值；III2、取上、下包络线的平均值记为mt,求出ct＝YZ”t-mt，判断ct是否能满足固有模态分量的成立条件，即：极值点个数和过零点个数相等，或相差最多不超过一个；在任意时刻，极大值点形成的上包络线与极小值点形成的下包络线的平均值为零；如果满足以上两个条件，则ct为信号的第一个固有模态分量，分离出ct，得到残余函数rt＝YZ”t-ct，否则将ct作为原始数据，重复步骤III1和III2；III3、重复步骤III1和III2，直到rt成为一个单调函数，不能再次分解取得固有模态分量时，结束循环；III4、振动信号YZ”t可以表示为v个固有模态分量cit和残余函数rt之和，即： 对所述固有模态分量做离散傅里叶变换，提取能量熵、功率谱熵和空间熵，具体步骤如下：IV1、由经验模态分解得到振动信号YZ”t的固有模态分量，选取包含主要信息的前r个固有模态分量，按式13计算各固有模态分量的能量值Ei，如下：Ei＝∫|cit|2dti＝1,2...r13IV2、由式14构造各固有模态分量能量值的总能量E，如下： IV3、由式15求得第j阶固有模态分量的能量熵Hj，如下： 其中，ei为第i个固有模态分量能量占信号总能量的百分比；IV4、对振动信号YZ”t分解得到的r个固有模态分量，做离散傅里叶变换得到频域信号Ciw，由式16得到信号功率谱，如下：Siw＝|Ciw|22πN16即Siw＝{Si1,Si2,...SiN},由此得到功率谱熵如下式： 其中，piw为第w个功率谱在整个谱中所占百分比；IV5、对振动信号YZ”t分解得到的r个固有模态分量，做Hilbert变换得到二维时频域系数矩阵，并做SVD奇异值分解，得到各阶固有模态分量对应的a个奇异值根据熵的定义由式18得到第j阶固有模态分量的空间熵，如下： IV6、将振动信号YZ”t的三种特征熵组合为特征矩阵G，如下： 所述基于FWA优化的SVM故障诊断模型，输入选取的样本特征矩阵得到故障诊断结果，具体步骤如下：V1、设置初始种群数为K，最大迭代次数为Z，惩罚因子cmin、cmax，核函数gmin、gmax；V2、初始化种群，在特定解空间内随机产生烟花，即产生随机的核函数g与惩罚因子c，利用SVM算法进行学习训练，得到个体适应度值；V3、计算烟花爆炸产生的火花数以及爆炸半径，由式20计算烟花爆炸产生的火花数Si： 由式21计算烟花爆炸半径Ai： 其中，h为限制火花总数的常数，Ymax为当前种群最差适应度值，fxi为烟花个体xi的适应度值，A'为最大爆炸半径，Ymin为当前种群最佳适应度值，ε为常数；V4、将做高斯变异后的烟花引入种群，保证种群的多样性；V5、对超出边界的火花采用映射规则；V6、对整个空间的烟花保留最优个体，利用锦标赛原则选择适应度较小的个体作为下一代烟花，个体选择概率如下： 其中，Fmax为烟花集合Ω中个体的最大适应度值；V7、若满足算法的终止条件，则返回最优参数值，否则返回步骤V3，在烟花、高斯变异烟花以及火花中选择一定数量的个体作为烟花，进入下一代迭代，求得最优解。

全文数据：

权利要求：

百度查询： 国网青海省电力公司海西供电公司;国网青海省电力公司 一种多特征优化融合的高压断路器故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD