本發(fā)明涉及有載分接開(kāi)關(guān)領(lǐng)域，具體涉及一種有載分接開(kāi)關(guān)故障檢測(cè)方法及裝置。

背景技術(shù)：

隨著有載調(diào)壓變壓器在電網(wǎng)應(yīng)用的增多，有載分接開(kāi)關(guān)(onloadtapchanger，下面簡(jiǎn)稱oltc)的故障也在增加。據(jù)國(guó)外資料統(tǒng)計(jì)，oltc故障占有載調(diào)壓變壓器故障的41％，且仍呈上升趨勢(shì)；國(guó)內(nèi)平均統(tǒng)計(jì)數(shù)據(jù)表明，oltc的故障占變壓器故障的20％以上。一般來(lái)說(shuō)，機(jī)械故障是電力變壓器有載分接開(kāi)關(guān)的主要故障類型。

oltc發(fā)生故障時(shí)其振動(dòng)信號(hào)是一種非線性非平穩(wěn)信號(hào)，而經(jīng)典的功率譜方法難以檢測(cè)出信噪比較低的故障特征信號(hào)，并且對(duì)微弱的故障特征信號(hào)不敏感。由于oltc故障形式多樣且呈現(xiàn)一定程度的非線性行為，振動(dòng)信號(hào)和工作狀態(tài)之間不存在確定的函數(shù)關(guān)系。這就決定了oltc故障信號(hào)診斷的難度和復(fù)雜性。因此，對(duì)oltc運(yùn)行中的機(jī)械性能進(jìn)行在線監(jiān)測(cè)，通過(guò)監(jiān)測(cè)振動(dòng)信號(hào)預(yù)知其故障可能性并判別其故障類型，對(duì)電力系統(tǒng)安全運(yùn)行意義重大。

技術(shù)實(shí)現(xiàn)要素：

因此，本發(fā)明要解決的技術(shù)問(wèn)題在于克服現(xiàn)有技術(shù)中的無(wú)法準(zhǔn)確的檢測(cè)出oltc的故障以及其具體的故障類型缺陷，從而提供一種有載分接開(kāi)關(guān)故障檢測(cè)方法及裝置。

為此，本發(fā)明實(shí)施例提供了如下技術(shù)方案：

本發(fā)明實(shí)施例提供了一種有載分接開(kāi)關(guān)故障檢測(cè)模型構(gòu)建方法，包括：獲取所述開(kāi)關(guān)在預(yù)設(shè)故障狀態(tài)時(shí)的第一振動(dòng)信號(hào)與所述開(kāi)關(guān)在正常工作狀態(tài)時(shí)的第二振動(dòng)信號(hào)；分別對(duì)所述第一振動(dòng)信號(hào)和所述第二振動(dòng)信號(hào)進(jìn)行降噪；分別對(duì)降噪后的所述第一振動(dòng)信號(hào)和所述第二振動(dòng)信號(hào)進(jìn)行分解，得到第一imf(intrinsicmodefunction，本征模函數(shù))分量和第二imf分量；分別將所述第一imf分量和所述第二imf分量與設(shè)定閾值進(jìn)行比較，以篩選出第一有效imf分量和第二有效imf分量；分別對(duì)所述第一有效imf分量和所述第二有效imf分量的能量熵進(jìn)行拼接，并通過(guò)計(jì)算信息熵來(lái)得到表征所述開(kāi)關(guān)的振動(dòng)信號(hào)頻域復(fù)雜度的第一有效能量熵和第二有效能量熵；利用所述第一有效能量熵和所述第二有效能量熵以及相應(yīng)的開(kāi)關(guān)工作狀態(tài)信息對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以使所述神經(jīng)網(wǎng)絡(luò)模型能夠根據(jù)所述第一有效能量熵和所述第二有效能量熵識(shí)別所述開(kāi)關(guān)的工作狀態(tài)，持續(xù)所述訓(xùn)練操作直至所述神經(jīng)網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率達(dá)到預(yù)定準(zhǔn)確率。

本發(fā)明另一實(shí)施例提供了一種有載分接開(kāi)關(guān)故障檢測(cè)方法，包括：獲取所述開(kāi)關(guān)的振動(dòng)信號(hào)；對(duì)所述振動(dòng)信號(hào)進(jìn)行降噪；對(duì)所述降噪后的振動(dòng)信號(hào)進(jìn)行分解，得到imf分量；將所述分量與設(shè)定閾值進(jìn)行比較，以篩選出有效imf分量；對(duì)所述有效imf分量的能量熵進(jìn)行拼接，并通過(guò)計(jì)算信息熵以得到表征所述振動(dòng)信號(hào)的頻域復(fù)雜度的有效能量熵；根據(jù)所述有效能量熵確定所述開(kāi)關(guān)是否存在故障。

優(yōu)選地，根據(jù)所述有效能量熵確定所述開(kāi)關(guān)是否存在故障包括：利用神經(jīng)網(wǎng)絡(luò)模型根據(jù)所述效能量熵識(shí)別所述開(kāi)關(guān)的工作狀態(tài)，所述工作狀態(tài)包括正常工作狀態(tài)和故障狀態(tài)，其中所述神經(jīng)網(wǎng)絡(luò)模型是利用有載分接開(kāi)關(guān)在已知工作狀態(tài)時(shí)的振動(dòng)信號(hào)進(jìn)行訓(xùn)練得到的。

優(yōu)選地，對(duì)所述振動(dòng)信號(hào)進(jìn)行降噪包括：根據(jù)預(yù)定小波基和預(yù)定分解層次對(duì)所述振動(dòng)信號(hào)進(jìn)行小波包分解；根據(jù)預(yù)定熵標(biāo)準(zhǔn)確定最優(yōu)小波包基；選擇預(yù)定閾值對(duì)小波包系數(shù)進(jìn)行量化獲得更適合的小波包系數(shù)，即獲得更能表征信號(hào)復(fù)雜度的特征量；對(duì)信號(hào)的特征量進(jìn)行重構(gòu)。

優(yōu)選地，所述對(duì)降噪后的所述振動(dòng)信號(hào)進(jìn)行分解，得到imf分量包括:采用eemd(ensembleempiricalmodedecomposition，集合經(jīng)驗(yàn)?zāi)B(tài)分解)方法對(duì)降噪后的振動(dòng)信號(hào)進(jìn)行分解。

優(yōu)選地，所述將所述分量與設(shè)定閾值進(jìn)行比較，以篩選出有效imf分量包括：計(jì)算能量熵系數(shù)。

本發(fā)明實(shí)施例還提供了一種有載分接開(kāi)關(guān)故障檢測(cè)模型構(gòu)建裝置，包括：獲取模塊，用于獲取所述開(kāi)關(guān)在預(yù)設(shè)故障狀態(tài)時(shí)的第一振動(dòng)信號(hào)與所述開(kāi)關(guān)在正常工作狀態(tài)時(shí)的第二振動(dòng)信號(hào)；降噪模塊，用于分別對(duì)所述第一振動(dòng)信號(hào)和所述第二振動(dòng)信號(hào)進(jìn)行降噪；分解模塊，用于分別對(duì)降噪后的所述第一振動(dòng)信號(hào)和所述第二振動(dòng)信號(hào)進(jìn)行分解，得到第一imf分量和第二imf分量；判斷模塊，用于分別將所述第一imf分量和所述第二imf分量與設(shè)定閾值進(jìn)行比較，以篩選出第一有效imf分量和第二有效imf分量；計(jì)算模塊，用于分別對(duì)所述第一有效imf分量和所述第二有效imf分量的能量熵進(jìn)行拼接，并通過(guò)計(jì)算信息熵來(lái)得到表征所述開(kāi)關(guān)的振動(dòng)信號(hào)頻域復(fù)雜度的第一有效能量熵和第二有效能量熵；訓(xùn)練模塊，用于利用所述第一有效能量熵和所述第二有效能量熵以及相應(yīng)的開(kāi)關(guān)工作狀態(tài)信息對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以使所述神經(jīng)網(wǎng)絡(luò)模型能夠根據(jù)所述第一有效能量熵和所述第二有效能量熵識(shí)別所述開(kāi)關(guān)的工作狀態(tài)，持續(xù)所述訓(xùn)練操作直至所述神經(jīng)網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率達(dá)到預(yù)定準(zhǔn)確率。

本發(fā)明還提供了一種有載分接開(kāi)關(guān)故障檢測(cè)裝置，包括：獲取模塊，用于獲取所述開(kāi)關(guān)的振動(dòng)信號(hào)；降噪模塊，用于對(duì)所述振動(dòng)信號(hào)進(jìn)行降噪；分解模塊，用于對(duì)所述降噪后的振動(dòng)信號(hào)進(jìn)行分解，得到imf分量；判斷模塊，用于將所述分量與設(shè)定閾值進(jìn)行比較，以篩選出有效imf分量；計(jì)算模塊，用于對(duì)所述有效imf分量的能量熵進(jìn)行拼接，并通過(guò)計(jì)算信息熵以得到表征所述振動(dòng)信號(hào)的頻域復(fù)雜度的有效能量熵；檢測(cè)模塊，用于根據(jù)所述有效能量熵確定所述開(kāi)關(guān)是否存在故障。

優(yōu)選地，所述檢測(cè)模塊包括：識(shí)別單元，用于利用神經(jīng)網(wǎng)絡(luò)模型根據(jù)所述效能量熵識(shí)別所述開(kāi)關(guān)的工作狀態(tài)，所述工作狀態(tài)包括正常工作狀態(tài)和故障狀態(tài)，其中所述神經(jīng)網(wǎng)絡(luò)模型是利用有載分接開(kāi)關(guān)在已知工作狀態(tài)時(shí)的振動(dòng)信號(hào)進(jìn)行訓(xùn)練得到的。

優(yōu)選地，所述降噪模塊包括：分解單元，用于根據(jù)預(yù)定小波基和預(yù)定分解層次對(duì)所述振動(dòng)信號(hào)進(jìn)行小波包分解；確定單元，用于根據(jù)預(yù)定熵標(biāo)準(zhǔn)確定最優(yōu)小波包基；量化單元，用于選擇預(yù)定閾值對(duì)小波包系數(shù)進(jìn)行量化獲得更適合的小波包系數(shù)，即獲得更能表征信號(hào)復(fù)雜度的特征量；重構(gòu)單元，用于對(duì)信號(hào)的特征量進(jìn)行重構(gòu)。

優(yōu)選地，所述分解模塊包括:分解單元，用于采用eemd方法對(duì)降噪后的振動(dòng)信號(hào)進(jìn)行分解。

優(yōu)選地，所述判斷模塊包括：計(jì)算單元，用于計(jì)算能量熵系數(shù)。

本發(fā)明實(shí)施例技術(shù)方案，具有如下優(yōu)點(diǎn)：

本發(fā)明實(shí)施例提供了一種有載分接開(kāi)關(guān)故障檢測(cè)模型構(gòu)建方法，獲取所述開(kāi)關(guān)在預(yù)設(shè)故障狀態(tài)時(shí)的第一振動(dòng)信號(hào)與所述開(kāi)關(guān)在正常工作狀態(tài)時(shí)的第二振動(dòng)信號(hào)；分別對(duì)所述第一振動(dòng)信號(hào)和所述第二振動(dòng)信號(hào)進(jìn)行降噪，使振動(dòng)信號(hào)中的有用信號(hào)得以增強(qiáng)，有關(guān)的噪聲部分予以去除；分別對(duì)降噪后的所述第一振動(dòng)信號(hào)和所述第二振動(dòng)信號(hào)進(jìn)行分解，得到第一imf分量和第二imf分量，進(jìn)一步去除附加噪聲，最后保留下來(lái)的就是信號(hào)本身；分別將所述第一imf分量和所述第二imf分量與設(shè)定閾值進(jìn)行比較，以篩選出第一有效imf分量和第二有效imf分量，通過(guò)設(shè)定閾值的方式將包含較少信息的imf分量去除，因?yàn)檫@部分對(duì)最后的故障診斷結(jié)果影響極?。环謩e對(duì)所述第一有效imf分量和所述第二有效imf分量的能量熵進(jìn)行拼接，并通過(guò)計(jì)算信息熵來(lái)得到表征所述開(kāi)關(guān)的振動(dòng)信號(hào)頻域復(fù)雜度的第一有效能量熵和第二有效能量熵，通過(guò)這種方式得到最能表現(xiàn)相關(guān)狀態(tài)的能量熵；利用所述第一有效能量熵和所述第二有效能量熵以及相應(yīng)的開(kāi)關(guān)工作狀態(tài)信息對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以使所述神經(jīng)網(wǎng)絡(luò)模型能夠根據(jù)所述第一有效能量熵和所述第二有效能量熵識(shí)別所述開(kāi)關(guān)的工作狀態(tài)，持續(xù)所述訓(xùn)練操作直至所述神經(jīng)網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率達(dá)到預(yù)定準(zhǔn)確率，以最能表征oltc狀態(tài)的信號(hào)去訓(xùn)練該模型，更能提高識(shí)別的準(zhǔn)確率。

本發(fā)明提供了一種有載分接開(kāi)關(guān)故障檢測(cè)方法及裝置，獲取所述開(kāi)關(guān)的振動(dòng)信號(hào)；對(duì)所述振動(dòng)信號(hào)進(jìn)行降噪，使振動(dòng)信號(hào)中的有用信號(hào)得以增強(qiáng)，有關(guān)的噪聲部分予以去除；對(duì)所述降噪后的振動(dòng)信號(hào)進(jìn)行分解，得到imf分量，進(jìn)一步去除附加噪聲；將所述分量與設(shè)定閾值進(jìn)行比較，以篩選出有效imf分量，通過(guò)設(shè)定閾值的方式將包含較少信息的imf分量去除；對(duì)所述有效imf分量的能量熵進(jìn)行拼接，并通過(guò)計(jì)算信息熵以得到表征所述振動(dòng)信號(hào)的頻域復(fù)雜度的有效能量熵，通過(guò)這種方式得到最能表現(xiàn)oltc相關(guān)狀態(tài)的能量熵；根據(jù)所述有效能量熵確定所述開(kāi)關(guān)是否存在故障，將oltc的振動(dòng)信號(hào)輸入到已經(jīng)訓(xùn)練好的識(shí)別模型中，得到最相似的輸出結(jié)果，以確保知道具體的故障。對(duì)于oltc發(fā)生故障時(shí)其振動(dòng)信號(hào)是一種非線性非平穩(wěn)信號(hào)，而經(jīng)典的功率譜方法難以檢測(cè)出信噪比較低的故障特征信號(hào)，并且對(duì)微弱的故障特征信號(hào)不敏感。由于oltc故障形式多樣且呈現(xiàn)一定程度的非線性行為，振動(dòng)信號(hào)和工作狀態(tài)之間不存在確定的函數(shù)關(guān)系。這就決定了oltc故障信號(hào)診斷的難度和復(fù)雜性的問(wèn)題，本發(fā)明實(shí)施例解決了無(wú)法準(zhǔn)確的檢測(cè)出oltc的故障以及其具體的故障類型缺陷，從而為oltc的實(shí)時(shí)監(jiān)控以及其他電氣設(shè)備的監(jiān)測(cè)提供了一種更有效的方法，對(duì)電力系統(tǒng)安全運(yùn)行意義重大。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明具體實(shí)施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)具體實(shí)施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖是本發(fā)明的一些實(shí)施方式，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是根據(jù)本發(fā)明實(shí)施例的有載分接開(kāi)關(guān)故障檢測(cè)模型構(gòu)建方法的流程圖；

圖2是根據(jù)本發(fā)明實(shí)施例的有載分接開(kāi)關(guān)故障檢測(cè)方法振動(dòng)信號(hào)采集系統(tǒng)的一個(gè)結(jié)構(gòu)框圖；

圖3是根據(jù)本發(fā)明實(shí)施例的有載分接開(kāi)關(guān)故障檢測(cè)方法的流程圖；

圖4是根據(jù)本發(fā)明實(shí)施例的有載分接開(kāi)關(guān)故障檢測(cè)模型構(gòu)建裝置的結(jié)構(gòu)框圖；

圖5是根據(jù)本發(fā)明實(shí)施例的有載分接開(kāi)關(guān)故障檢測(cè)裝置的結(jié)構(gòu)框圖；

圖6是根據(jù)本發(fā)明實(shí)施例的檢測(cè)模塊的結(jié)構(gòu)框圖；

圖7是根據(jù)本發(fā)明實(shí)施例的降噪模塊的結(jié)構(gòu)框圖；

圖8是根據(jù)本發(fā)明實(shí)施例的分解模塊的結(jié)構(gòu)框圖；

圖9是根據(jù)本發(fā)明實(shí)施例的判斷模塊的結(jié)構(gòu)框圖。

具體實(shí)施方式

下面將結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

在本發(fā)明的描述中，需要說(shuō)明的是，術(shù)語(yǔ)“中心”、“上”、“下”、“左”、“右”、“豎直”、“水平”、“內(nèi)”、“外”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡(jiǎn)化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對(duì)本發(fā)明的限制。此外，術(shù)語(yǔ)“第一”、“第二”、“第三”僅用于描述目的，而不能理解為指示或暗示相對(duì)重要性。

在本發(fā)明的描述中，需要說(shuō)明的是，除非另有明確的規(guī)定和限定，術(shù)語(yǔ)“安裝”、“相連”、“連接”應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一體地連接；可以是機(jī)械連接，也可以是電連接；可以是直接相連，也可以通過(guò)中間媒介間接相連，還可以是兩個(gè)元件內(nèi)部的連通，可以是無(wú)線連接，也可以是有線連接。對(duì)于本領(lǐng)域的普通技術(shù)人員而言，可以具體情況理解上述術(shù)語(yǔ)在本發(fā)明中的具體含義。

此外，下面所描述的本發(fā)明不同實(shí)施方式中所涉及的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互結(jié)合。

實(shí)施例1

本實(shí)施例提供一種有載分接開(kāi)關(guān)故障檢測(cè)模型構(gòu)建方法，圖1是根據(jù)本發(fā)明實(shí)施例的有載分接開(kāi)關(guān)故障檢測(cè)模型構(gòu)建方法的流程圖，如圖1所示，該方法包括如下步驟：

步驟s101，獲取所述開(kāi)關(guān)在預(yù)設(shè)故障狀態(tài)時(shí)的第一振動(dòng)信號(hào)與所述開(kāi)關(guān)在正常工作狀態(tài)時(shí)的第二振動(dòng)信號(hào)，預(yù)設(shè)的故障狀態(tài)包括有載分接開(kāi)關(guān)(oltc)電氣故障與機(jī)械故障，如觸頭磨損、彈簧松動(dòng)、齒輪卡澀等，本發(fā)明可以選用多種故障狀態(tài)對(duì)應(yīng)的第一振動(dòng)信號(hào)。

圖2是根據(jù)本發(fā)明實(shí)施例的有載分接開(kāi)關(guān)故障檢測(cè)方法振動(dòng)信號(hào)采集系統(tǒng)的一個(gè)結(jié)構(gòu)框圖，如圖2所示，通振動(dòng)信號(hào)采集系統(tǒng)，振動(dòng)傳感器201采集振動(dòng)信號(hào)，通過(guò)電荷放大器202放大信號(hào)后，將由信號(hào)線纜傳輸?shù)脑寄M信號(hào)通過(guò)數(shù)據(jù)采集卡203按預(yù)設(shè)的采樣率轉(zhuǎn)換為數(shù)字信號(hào)后，采集入數(shù)據(jù)采集服務(wù)器204內(nèi)，作為程序繼續(xù)運(yùn)行所必須的原始數(shù)據(jù)傳遞給其他程序模塊。

步驟s102，分別對(duì)所述第一振動(dòng)信號(hào)和所述第二振動(dòng)信號(hào)進(jìn)行降噪，例如可以通過(guò)小波包算法對(duì)機(jī)械振動(dòng)信號(hào)進(jìn)行分解，剔除噪聲部分后并進(jìn)行重構(gòu)，實(shí)現(xiàn)oltc機(jī)械振動(dòng)信號(hào)的降噪。

步驟s103，分別對(duì)降噪后的所述第一振動(dòng)信號(hào)和所述第二振動(dòng)信號(hào)進(jìn)行分解，得到第一imf分量和第二imf分量，例如可以利用eemd分解方法分別對(duì)降噪之后的不同工況的oltc機(jī)械振動(dòng)信號(hào)進(jìn)行分解。

步驟s104，分別將所述第一imf分量和所述第二imf分量與設(shè)定閾值進(jìn)行比較，以篩選出第一有效imf分量和第二有效imf分量，有效imf分量的選取是根據(jù)能量熵系數(shù)決定的，設(shè)置方式可以是：

上式中閾值α用α＝nσ來(lái)估計(jì)，其中n為常數(shù)，σ為能量熵系數(shù)的標(biāo)準(zhǔn)方差，x(i)是小波包系數(shù)，可通過(guò)下式來(lái)估計(jì)：

式中n為有載分接開(kāi)關(guān)機(jī)械振動(dòng)信號(hào)的序列長(zhǎng)度。

步驟s105，分別對(duì)所述第一有效imf分量和所述第二有效imf分量的能量熵進(jìn)行拼接，并通過(guò)計(jì)算信息熵來(lái)得到表征所述開(kāi)關(guān)的振動(dòng)信號(hào)頻域復(fù)雜度的第一有效能量熵和第二有效能量熵，將所求得的各組有效imf分量能量熵拼接成一個(gè)整體，計(jì)算信息熵得到能夠表征oltc機(jī)械振動(dòng)信號(hào)時(shí)頻域復(fù)雜度的有效能量熵。關(guān)于有效能量熵的構(gòu)建，可以根據(jù)imf分量能量熵進(jìn)行有效頻帶的篩選，將有效頻帶imf分量的能量熵拼接成一個(gè)整體，計(jì)算信息熵。

假設(shè)某系統(tǒng)x可能出于幾種不同的狀態(tài)x1,x2,…,xn，p(xi)代表狀態(tài)xi(i＝1,2,…,n)出現(xiàn)的概率，則該系統(tǒng)的信息熵h(x)定義為

式中：0<＝p(xi)<＝1且當(dāng)p(xi)＝0時(shí)，表示此狀態(tài)沒(méi)有出現(xiàn)。規(guī)定0log0＝0。

信息熵是信息無(wú)序度的度量，信息熵越大，信息的無(wú)序度越高，其信息的貢獻(xiàn)越?。环粗?，信息熵越小，信息的無(wú)序度越小，信息的貢獻(xiàn)越大。

步驟s106，利用所述第一有效能量熵和所述第二有效能量熵以及相應(yīng)的開(kāi)關(guān)工作狀態(tài)信息對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以使所述神經(jīng)網(wǎng)絡(luò)模型能夠根據(jù)所述第一有效能量熵和所述第二有效能量熵識(shí)別所述開(kāi)關(guān)的工作狀態(tài)，持續(xù)所述訓(xùn)練操作直至所述神經(jīng)網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率達(dá)到預(yù)定準(zhǔn)確率。具體地，此步驟需要通過(guò)人力或者輔助系統(tǒng)對(duì)第一有效能量熵和所述第二有效能量熵進(jìn)行標(biāo)記，所標(biāo)記的內(nèi)容即為開(kāi)關(guān)工作狀態(tài)信息。例如，對(duì)于第一有效能量熵可以標(biāo)記其相應(yīng)的具體故障種類，對(duì)于第二有效能量熵可以標(biāo)記為正常。有此訓(xùn)練出的模型即可以根據(jù)能量熵識(shí)別開(kāi)關(guān)是否存在故障，并可以進(jìn)一步識(shí)別出故障種類。

神經(jīng)網(wǎng)絡(luò)識(shí)別過(guò)程為：根據(jù)輸入特征向量構(gòu)建合適的網(wǎng)絡(luò)，初始化網(wǎng)絡(luò)后，利用訓(xùn)練樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后將測(cè)試樣本輸入到網(wǎng)絡(luò)進(jìn)行診斷識(shí)別并輸出結(jié)果。本發(fā)明實(shí)施例優(yōu)選使用概率神經(jīng)網(wǎng)絡(luò)(pnn，probabilisticneuralnetwork)，pnn是一種非常好的bp模式(bayes-parzen)分類器，其廣泛應(yīng)用于分類和預(yù)測(cè)領(lǐng)域，并且有許多優(yōu)點(diǎn)，例如訓(xùn)練時(shí)間段，分類精確度高。本發(fā)明主要是實(shí)現(xiàn)oltc振動(dòng)信號(hào)的診斷識(shí)別與診斷，所以選擇pnn用來(lái)進(jìn)行故障模型的識(shí)別分類。

通過(guò)上述步驟，獲取所述開(kāi)關(guān)在預(yù)設(shè)故障狀態(tài)時(shí)的第一振動(dòng)信號(hào)與所述開(kāi)關(guān)在正常工作狀態(tài)時(shí)的第二振動(dòng)信號(hào)；分別對(duì)所述第一振動(dòng)信號(hào)和所述第二振動(dòng)信號(hào)進(jìn)行降噪，使振動(dòng)信號(hào)中的有用信號(hào)得以增強(qiáng)，有關(guān)的噪聲部分予以去除；分別對(duì)降噪后的所述第一振動(dòng)信號(hào)和所述第二振動(dòng)信號(hào)進(jìn)行分解，得到第一imf分量和第二imf分量，進(jìn)一步去除附加噪聲，最后保留下來(lái)的就是信號(hào)本身；分別將所述第一imf分量和所述第二imf分量與設(shè)定閾值進(jìn)行比較，以篩選出第一有效imf分量和第二有效imf分量，通過(guò)設(shè)定閾值的方式將包含較少信息的imf分量去除，因?yàn)檫@部分對(duì)最后的故障診斷結(jié)果影響極??；分別對(duì)所述第一有效imf分量和所述第二有效imf分量的能量熵進(jìn)行拼接，并通過(guò)計(jì)算信息熵來(lái)得到表征所述開(kāi)關(guān)的振動(dòng)信號(hào)頻域復(fù)雜度的第一有效能量熵和第二有效能量熵，通過(guò)這種方式得到最能表現(xiàn)相關(guān)狀態(tài)的能量熵；利用所述第一有效能量熵和所述第二有效能量熵以及相應(yīng)的開(kāi)關(guān)工作狀態(tài)信息對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以使所述神經(jīng)網(wǎng)絡(luò)模型能夠根據(jù)所述第一有效能量熵和所述第二有效能量熵識(shí)別所述開(kāi)關(guān)的工作狀態(tài)，持續(xù)所述訓(xùn)練操作直至所述神經(jīng)網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率達(dá)到預(yù)定準(zhǔn)確率，以最能表征oltc狀態(tài)的信號(hào)去訓(xùn)練該模型，更能提高識(shí)別的準(zhǔn)確率。解決了oltc發(fā)生故障時(shí)其振動(dòng)信號(hào)是一種非線性非平穩(wěn)信號(hào)，而經(jīng)典的功率譜方法難以檢測(cè)出信噪比較低的故障特征信號(hào)，并且對(duì)微弱的故障特征信號(hào)不敏感的問(wèn)題，由于oltc故障形式多樣且呈現(xiàn)一定程度的非線性行為，通過(guò)構(gòu)建訓(xùn)練模型將振動(dòng)信號(hào)和工作狀態(tài)之間確定相關(guān)的關(guān)系。該實(shí)施例的訓(xùn)練模型訓(xùn)練了oltc的故障以及其具體的故障類型缺陷，從而為oltc的實(shí)時(shí)監(jiān)控以及其他電氣設(shè)備的監(jiān)測(cè)提供了一種更有效的方法。

實(shí)施例2

本實(shí)施例提供一種有載分接開(kāi)關(guān)故障檢測(cè)方法，圖3是根據(jù)本發(fā)明實(shí)施例的有載分接開(kāi)關(guān)故障檢測(cè)方法的流程圖，如圖3所示，該流程包括如下步驟：

步驟s301，獲取所述開(kāi)關(guān)的振動(dòng)信號(hào)，通過(guò)振動(dòng)傳感器采集振動(dòng)信號(hào)。

步驟s302，對(duì)所述振動(dòng)信號(hào)進(jìn)行降噪，通過(guò)小波包算法對(duì)機(jī)械振動(dòng)信號(hào)進(jìn)行分解，剔除噪聲部分后并進(jìn)行重構(gòu)，實(shí)現(xiàn)oltc機(jī)械振動(dòng)信號(hào)的降噪。

步驟s303，對(duì)所述降噪后的振動(dòng)信號(hào)進(jìn)行分解，得到imf分量，利用eemd分解方法分別對(duì)降噪之后的不同工況的oltc機(jī)械振動(dòng)信號(hào)進(jìn)行分解。

步驟s304，將所述分量與設(shè)定閾值進(jìn)行比較，以篩選出有效imf分量，通過(guò)已得到的imf分量與預(yù)設(shè)閾值進(jìn)行比較，當(dāng)大于預(yù)設(shè)閾值時(shí)，這個(gè)imf分量將作為有效分量被篩選出來(lái)。具體地，有效imf分量的選取，是根據(jù)能量熵系數(shù)決定的，設(shè)置方式如下：

上式中閾值α用α＝nσ來(lái)估計(jì)，其中n為常數(shù)，σ為能量熵系數(shù)的標(biāo)準(zhǔn)方差，x(i)是小波包系數(shù)，可通過(guò)下式來(lái)估計(jì)：

上式中n為有載分接開(kāi)關(guān)機(jī)械振動(dòng)信號(hào)的序列長(zhǎng)度。

步驟s305，對(duì)所述有效imf分量的能量熵進(jìn)行拼接，并通過(guò)計(jì)算信息熵以得到表征所述振動(dòng)信號(hào)的頻域復(fù)雜度的有效能量熵，有效能量熵的構(gòu)建，根據(jù)imf分量能量熵進(jìn)行有效頻帶的篩選，將有效頻帶imf分量的能量熵拼接成一個(gè)整體，計(jì)算信息熵。

步驟s306，根據(jù)所述有效能量熵確定所述開(kāi)關(guān)是否存在故障，例如可以得出是異常狀態(tài)還是正常狀態(tài)，或者進(jìn)一步識(shí)別出具體的異常種類，包括不限于電氣故障，機(jī)械故障，機(jī)械故障如觸頭磨損、彈簧松動(dòng)、齒輪卡澀等。

上述步驟s306涉及到根據(jù)所述有效能量熵確定所述開(kāi)關(guān)是否存在故障，在一個(gè)可選實(shí)施例中，可以利用上述實(shí)施例所建立的神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)識(shí)別操作，如上所述，該神經(jīng)網(wǎng)絡(luò)模型是利用有載分接開(kāi)關(guān)在已知工作狀態(tài)時(shí)的振動(dòng)信號(hào)進(jìn)行訓(xùn)練得到的。具體地，先通過(guò)已知的具體的相關(guān)工作狀態(tài)的振動(dòng)信號(hào)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直至識(shí)別準(zhǔn)確率達(dá)到預(yù)定準(zhǔn)確率，而后獲取新的振動(dòng)信號(hào)后，經(jīng)過(guò)上述步驟處理后所得到的有效能量熵，再利用已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對(duì)有效能量熵進(jìn)行識(shí)別，已確認(rèn)有載分接開(kāi)關(guān)當(dāng)前的工作狀態(tài)。進(jìn)一步地，該模型還可以識(shí)別出具體的故障種類。

步驟s302涉及到對(duì)所述振動(dòng)信號(hào)進(jìn)行降噪，在一個(gè)可選實(shí)施例中，根據(jù)預(yù)定小波基和預(yù)定分解層次對(duì)所述振動(dòng)信號(hào)進(jìn)行小波包分解；根據(jù)預(yù)定熵標(biāo)準(zhǔn)確定最優(yōu)小波包基；選擇預(yù)定閾值對(duì)小波包系數(shù)進(jìn)行量化獲得更適合的小波包系數(shù)，即獲得更能表征信號(hào)復(fù)雜度的特征量；對(duì)信號(hào)的特征量進(jìn)行重構(gòu)。具體地，小波包分析是對(duì)上一層的低頻部分和高頻部分同時(shí)進(jìn)行分解，并且具備了能有效區(qū)分信號(hào)中突變部分和噪聲的優(yōu)點(diǎn)，得到的降噪信號(hào)優(yōu)于小波降噪處理結(jié)果。設(shè)含噪聲一維信號(hào)表示形式如下:

y(i)＝x(i)+βα(i)(i＝1,2,3,...,n-1)

式中:y(i)表示含噪聲信號(hào)，x(i)表示有用信號(hào)，α(i)表示噪聲信號(hào)。對(duì)信號(hào)降噪實(shí)質(zhì)上是抑制信號(hào)中噪聲部分α(i)，增強(qiáng)信號(hào)中有用部分x(i)的過(guò)程。一般地，小波包降噪步驟如下:(1)選擇小波基，確定其分解層次，進(jìn)行小波包分解；(2)通過(guò)給定的熵標(biāo)準(zhǔn)，計(jì)算最優(yōu)樹(shù)，確定最優(yōu)小波包基；(3)選擇預(yù)定閾值對(duì)小波包系數(shù)進(jìn)行量化獲得更適合的小波包系數(shù)，即獲得更能表征信號(hào)復(fù)雜度的特征量；(4)對(duì)信號(hào)的特征量進(jìn)行重構(gòu)。

步驟s303涉及到對(duì)降噪后的所述振動(dòng)信號(hào)進(jìn)行分解，得到imf分量，在一個(gè)可選實(shí)施例中，采用eemd方法對(duì)降噪后的振動(dòng)信號(hào)進(jìn)行分解。具體地，

(1)在信號(hào)y(t)中加入白噪聲mj(t)，其中幅值均為0，標(biāo)準(zhǔn)差為原信號(hào)標(biāo)準(zhǔn)差的0.3倍則：

yi＝y(tǒng)(t)+mj(t)

式中，i為yi(t)分解的次數(shù)。

(2)對(duì)yi(t)進(jìn)行emd分解，得到若干imf分量djk(t)與余項(xiàng)ej(t)。其中djk(t)為第j次加入白噪聲后所得的第k個(gè)imf分量。

(3)重復(fù)步驟1和步驟2共n次。得到消除模態(tài)混疊的imf為：

信號(hào)eemd分解的最終結(jié)果為

在步驟s305對(duì)所述分量與設(shè)定閾值進(jìn)行比較，以篩選出有效imf分量，在一個(gè)可選實(shí)施例中，包括計(jì)算能量熵系數(shù)。具體地，

上式中閾值α用α＝nσ來(lái)估計(jì)，其中n為常數(shù)，σ為能量熵系數(shù)的標(biāo)準(zhǔn)方差，可通過(guò)下式來(lái)估計(jì)：

式中n為有載分接開(kāi)關(guān)機(jī)械振動(dòng)信號(hào)的序列長(zhǎng)度。

通過(guò)上述步驟，獲取所述開(kāi)關(guān)的振動(dòng)信號(hào)；對(duì)所述振動(dòng)信號(hào)進(jìn)行降噪；對(duì)所述降噪后的振動(dòng)信號(hào)進(jìn)行分解，得到imf分量；將所述分量與設(shè)定閾值進(jìn)行比較，以篩選出有效imf分量；對(duì)所述有效imf分量的能量熵進(jìn)行拼接，并通過(guò)計(jì)算信息熵以得到表征所述振動(dòng)信號(hào)的頻域復(fù)雜度的有效能量熵；根據(jù)所述有效能量熵確定所述開(kāi)關(guān)是否存在故障。解決了傳統(tǒng)的機(jī)械振動(dòng)類故障診斷方法在強(qiáng)噪聲背景下提取有效故障特征量的缺陷，提出了小波包降噪和eemd有效熵特征相結(jié)合的oltc故障振動(dòng)信號(hào)特征提取方法，并利用pnn神經(jīng)網(wǎng)絡(luò)對(duì)oltc機(jī)械振動(dòng)故障類型進(jìn)行識(shí)別，一定程度上豐富和完善了故障診斷方法。該方法可以有效應(yīng)用與工業(yè)部門(mén)中機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)及診斷，特別適用于強(qiáng)噪聲背景下的高強(qiáng)度機(jī)械工作類型。

實(shí)施例3

本施例提供一種有載分接開(kāi)關(guān)故障檢測(cè)模型構(gòu)建裝置，該裝置用于實(shí)現(xiàn)上述實(shí)施例及優(yōu)選實(shí)施方式，已經(jīng)進(jìn)行過(guò)說(shuō)明的不再贅述。如以下所使用的，術(shù)語(yǔ)“模塊”可以實(shí)現(xiàn)預(yù)定功能的軟件和/或硬件的組合。盡管以下實(shí)施例所描述的裝置較佳地以軟件來(lái)實(shí)現(xiàn)，但是硬件，或者軟件和硬件的組合的實(shí)現(xiàn)也是可能并被構(gòu)想的。

圖4是根據(jù)本發(fā)明實(shí)施例的有載分接開(kāi)關(guān)故障檢測(cè)模型構(gòu)建裝置的結(jié)構(gòu)框圖，如圖4所示，該裝置包括：獲取模塊41，用于獲取所述開(kāi)關(guān)在預(yù)設(shè)故障狀態(tài)時(shí)的第一振動(dòng)信號(hào)與所述開(kāi)關(guān)在正常工作狀態(tài)時(shí)的第二振動(dòng)信號(hào)；降噪模塊42，用于分別對(duì)所述第一振動(dòng)信號(hào)和所述第二振動(dòng)信號(hào)進(jìn)行降噪；分解模塊43，用于分別對(duì)降噪后的所述第一振動(dòng)信號(hào)和所述第二振動(dòng)信號(hào)進(jìn)行分解，得到第一imf分量和第二imf分量；判斷模塊44，用于分別將所述第一imf分量和所述第二imf分量與設(shè)定閾值進(jìn)行比較，以篩選出第一有效imf分量和第二有效imf分量；計(jì)算模塊45，用于分別對(duì)所述第一有效imf分量和所述第二有效imf分量的能量熵進(jìn)行拼接，并通過(guò)計(jì)算信息熵來(lái)得到表征所述開(kāi)關(guān)的振動(dòng)信號(hào)頻域復(fù)雜度的第一有效能量熵和第二有效能量熵；訓(xùn)練模塊46，用于利用所述第一有效能量熵和所述第二有效能量熵以及相應(yīng)的開(kāi)關(guān)工作狀態(tài)信息對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以使所述神經(jīng)網(wǎng)絡(luò)模型能夠根據(jù)所述第一有效能量熵和所述第二有效能量熵識(shí)別所述開(kāi)關(guān)的工作狀態(tài)，持續(xù)所述訓(xùn)練操作直至所述神經(jīng)網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率達(dá)到預(yù)定準(zhǔn)確率。

實(shí)施例4

本施例提供一種有載分接開(kāi)關(guān)故障檢測(cè)裝置，圖5是根據(jù)本發(fā)明實(shí)施例的有載分接開(kāi)關(guān)故障檢測(cè)裝置的結(jié)構(gòu)框圖，如圖5所示，該裝置包括：獲取模塊51，用于獲取所述開(kāi)關(guān)的振動(dòng)信號(hào)；降噪模塊52，用于對(duì)所述振動(dòng)信號(hào)進(jìn)行降噪；分解模塊53，用于對(duì)所述降噪后的振動(dòng)信號(hào)進(jìn)行分解，得到imf分量；判斷模塊54，用于將所述分量與設(shè)定閾值進(jìn)行比較，以篩選出有效imf分量；計(jì)算模塊55，用于對(duì)所述有效imf分量的能量熵進(jìn)行拼接，并通過(guò)計(jì)算信息熵以得到表征所述振動(dòng)信號(hào)的頻域復(fù)雜度的有效能量熵；檢測(cè)模塊56，用于根據(jù)所述有效能量熵確定所述開(kāi)關(guān)是否存在故障。

圖6是根據(jù)本發(fā)明實(shí)施例的檢測(cè)模塊的結(jié)構(gòu)框圖，如果圖6所示，該裝置檢測(cè)模塊56還包括：識(shí)別單元561，用于利用神經(jīng)網(wǎng)絡(luò)模型根據(jù)所述效能量熵識(shí)別所述開(kāi)關(guān)的工作狀態(tài)，所述工作狀態(tài)包括正常工作狀態(tài)和故障狀態(tài)，其中所述神經(jīng)網(wǎng)絡(luò)模型是利用有載分接開(kāi)關(guān)在已知工作狀態(tài)時(shí)的振動(dòng)信號(hào)進(jìn)行訓(xùn)練得到的。

圖7是根據(jù)本發(fā)明實(shí)施例的降噪模塊的結(jié)構(gòu)框圖，如圖7所示，該裝置降噪模塊52包括：分解單元521，用于根據(jù)預(yù)定小波基和預(yù)定分解層次對(duì)所述振動(dòng)信號(hào)進(jìn)行小波包分解；確定單元522，用于根據(jù)預(yù)定熵標(biāo)準(zhǔn)確定最優(yōu)小波包基；量化單元523，用于選擇預(yù)定閾值對(duì)小波包系數(shù)進(jìn)行量化獲得更適合的小波包系數(shù)，即獲得更能表征信號(hào)復(fù)雜度的特征量；重構(gòu)單元524，用于對(duì)信號(hào)的特征量進(jìn)行重構(gòu)。

圖8是根據(jù)本發(fā)明實(shí)施例的分解模塊的結(jié)構(gòu)框圖，如圖8所述，該裝置分解模塊53包括：分解單元531，用于采用eemd方法對(duì)降噪后的振動(dòng)信號(hào)進(jìn)行分解。

圖9是根據(jù)本發(fā)明實(shí)施例的判斷模塊的結(jié)構(gòu)框圖，如圖9所示，該裝置判斷模塊54包括：計(jì)算單元541，用于計(jì)算能量熵系數(shù)。

顯然，上述實(shí)施例僅僅是為清楚地說(shuō)明所作的舉例，而并非對(duì)實(shí)施方式的限定。對(duì)于所屬領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在上述說(shuō)明的基礎(chǔ)上還可以做出其它不同形式的變化或變動(dòng)。這里無(wú)需也無(wú)法對(duì)所有的實(shí)施方式予以窮舉。而由此所引伸出的顯而易見(jiàn)的變化或變動(dòng)仍處于本發(fā)明創(chuàng)造的保護(hù)范圍之中。