基于FFT、VMD和LS-SVM的GIS设备缺陷诊断装置及方法与流程

基于fft、vmd和ls
‑
svm的gis设备缺陷诊断装置及方法
技术领域
1.本发明属于gis机械缺陷诊断技术领域，尤其涉及基于fft、vmd和ls
‑
svm的gis设备缺陷诊断装置及方法。


背景技术：

2.气体绝缘全封闭组合电器(以下简称gis)是当今输电网络中一种应用广泛的电气设备。通过将变电站中断路器、隔离开关、接地开关、电压及电流互感器、避雷器、连接母线、电缆终端、进出线套管等一次设备经过优化设计并有序地结合为整体，在金属壳内封装起来，设备内部充sf6气体作为灭弧和绝缘介质组成的封闭组合电器。
3.运行中的gis设备普遍存在机械振动现象。gis设备总存在一个或多个固有的振动频率，当设备存在壳体对接不平衡、开关触头接触异常、导杆轻微弯曲等机械性缺陷时，在开关操作的机械力、负载电流产生的交变电动力等因素的作用下就会产生机械性运动，造成设备异响振动。异响振动对gis设备本体有很大危害，可能会导致螺栓松动、sf6气体泄漏、气体压力下降、绝缘子损坏、外壳接地点悬浮等，严重时将造成绝缘事故。因此，加强对gis机械性振动故障的检测，是保证gis安全运行的重要手段。
4.gis设备机械振动的检测研究起步于从上世纪末，中国电科院郭碧红、清华大学钱家骊对gis内部放电性故障引起的振动进行检测研究，国外有学者采用振动加速度传感器对触头接触不良引起的gis壳体振动进行检测研究。近几年，江苏电科院、宁夏电科院、上海电科院、青海电科院等机构针对gis异响振动特性进行了研究，四川大学、西安交通大学等针对gis内隔离开关接触不良引起的振动进行检测研究，并分析了异常特征。目前，国内外针对gis异响振动缺陷检测已有一定的研究基础，但并未提出一种系统有效的检测装置，还存在振动检测结构简单、测量精度低、无法实现自诊断等缺点。
5.因此，本发明提供一种针对gis设备的、基于fft、vmd和ls
‑
svm的异响振动缺陷诊断装置和诊断方法。


技术实现要素：

6.有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种针对gis设备的、基于fft、vmd和ls
‑
svm的异响振动缺陷诊断装置和诊断方法。
7.为实现上述目的，本发明提供了基于fft、vmd和ls
‑
svm的gis设备缺陷诊断装置，包括：
8.振动采集模块，用于采集gis设备外壳上的振动信号；
9.指纹图谱库，基于gis设备真型平台模拟典型异响振动缺陷获得指纹图谱库；
10.特征提取模块，采用fft算法和vmd算法提取所述振动信号的波形特征；
11.故障诊断模块，采用ls
‑
svm算法对所述波形特征进行诊断；
12.pc上位机，实现人机交互。
13.作为本发明实施例的另一种优选方案，所述振动采集模块包括振动传感器、电流
适调器和采集卡；振动传感器连接有电流适调器，电流适调器与采集卡连接。
14.作为本发明实施例的另一种优选方案，所述振动传感器选择压电式加速度传感器。
15.作为本发明实施例的另一种优选方案，电流适调器选用单通道电流适调器。
16.作为本发明实施例的另一种优选方案，所述采集卡采用基于usb接口的高速数据采集卡。
17.作为本发明实施例的另一种优选方案，所述指纹图谱库的构建方法，包括以下步骤：
18.(1)通过大电流发生器产生大电流，通过罗氏线圈和示波器实现对电流的测量；
19.(2)通过gis设备真型平台分别模拟触指差程、分子筛器皿松动、屏蔽罩松动、长导体触座松动、隔离开关接触不良5种典型异响振动故障，采用振动采集模块对振动信号进行采集，并将振动信号存入pc上位机，即得指纹图谱库。
20.本发明实施例的另一目的在于提供一种gis设备缺陷诊断方法，采用所述的gis设备缺陷诊断装置进行诊断，包括以下步骤：
21.一、将振动采集模块的振动传感器固定于待检测gis设备外壳上，振动采集模块获取gis设备外壳上的振动信号；
22.二、振动信号传输至pc上位机，通过pc上位机的人机交互界面分析获得的振动信号；
23.三、通过特征提取模块、故障诊断模块得出故障类型；
24.其中，特征提取模块采用fft算法和vmd算法提取所述振动信号的波形特征，包括以下步骤：
25.振动信号采用fft算法提取特征频率点f及特征频率幅值f
m
；
26.振动信号采用vmd算法提取imf能带比k和imf时频熵s；
27.其中，故障诊断模块采用ls
‑
svm算法对所述波形特征进行诊断，得出故障类型。
28.作为本发明实施例的另一种优选方案，imf能带比提取方法，包括：
29.通过fft算法将各个imf分量转换成频域分量；
30.采用瑞利能量定理对该类imf模态分量进行能量的计算，同时对包含了故障信息的不同的imf模态分量的能量与主模态能量的比值进行计算，得到imf能带比；
31.瑞利能量定理：
[0032][0033]
作为本发明实施例的另一种优选方案，imf时频熵提取方法，包括：
[0034]
将vmd分解后的imf进行故障信息时域特征波形提取后，利用hht变换和时频转换，得到隔离开关接触不良故障时频分布图；
[0035]
对不同故障信号的时频分布图按以下公式进行熵值计算：
[0036][0037]
作为本发明实施例的另一种优选方案，将特征提取模块提取的gis设备异响振动缺陷各状态的特征频率点f、特征频率幅值f
m
、能带比k和时频熵s，作为反映gis设备机械振
动状态的组合特征量；
[0038]
由指纹图谱库得到训练样本的缺陷特征矩阵；
[0039]
故障诊断模块通过将上述组合特征量结合粒子群优化ls
‑
svm算法与训练样本的缺陷特征矩阵构建gis设备异响振动缺陷状态识别模型，通过gis设备异响振动缺陷状态识别模型得出故障类型。
[0040]
本发明具有集成便携和检测精度高等优点，可实现对运行中的gis设备进行异响振动缺陷进行自诊断，及时发现gis设备潜在的机械缺陷，对维护gis安全运行具有重要意义。在交接试验阶段，能够对新建gis设备进行异响振动缺陷状态检测，有效发现gis设备在制造和安装过程中的机械缺陷，保证设备零缺陷投入运行。针对gis设备运行阶段，能够对gis设备运行机械状态进行检测，及时发现gis设备潜在机械缺陷，有效避免gis设备重大事故的发生。
附图说明
[0041]
图1是本发明gis设备缺陷诊断装置的结构示意图。
[0042]
图2是指纹图谱库的构建方法示意图。
[0043]
图3是fft算法流程。
[0044]
图4是vmd算法流程。
[0045]
图5是特征提取模块的流程示意图。
[0046]
图6是fft算法处理示意图。
[0047]
图7是vmd模态分解图。
[0048]
图8是隔离开关差程故障imf模态分量能量及其能带比分布图。
[0049]
图9是隔离开关接触不良故障时频分布图。
[0050]
图10是gis设备不同故障的时频熵。
[0051]
图11是故障诊断模块的流程示意图。
[0052]
图12是粒子群优化ls
‑
svm算法流程。
[0053]
图13是训练和测试样本特征量矩阵的箱型分布图。
[0054]
图14是训练与识别效果图。
[0055]
图15是人机交互界面一。
[0056]
图16是人机交互界面二。
[0057]
图17是人机交互界面三。
具体实施方式
[0058]
下面结合附图和实施例对本发明作进一步说明：
[0059]
实施例1
[0060]
在本发明实施例中，如图1～2所示，基于fft、vmd和ls
‑
svm的gis设备缺陷诊断装置，包括：
[0061]
振动采集模块，用于采集gis设备外壳上的振动信号；
[0062]
指纹图谱库，基于gis设备真型平台模拟典型异响振动缺陷获得指纹图谱库；
[0063]
特征提取模块，采用fft算法和vmd算法提取所述振动信号的波形特征；
[0064]
故障诊断模块，采用ls
‑
svm算法对所述波形特征进行诊断；
[0065]
pc上位机，采用labview编程界面实现人机交互，振动采集模块、特征提取模块、故障诊断模块均通过pc上位机的labview编程界面实现人机交互。
[0066]
所述振动采集模块包括4个振动传感器、4个电流适调器和采集卡；振动传感器均连接有电流适调器，电流适调器均与采集卡连接，可以实现多通道采集；本申请采用现有成熟振动传感器、电流适调器、采集卡与外壳组装整合而成，集成便携；
[0067]
根据相关文献，gis设备振动信号为电气机械振动信号，振动频宽约为10
‑
2000hz，振幅约为0.5
‑
50um；
[0068]
所述振动传感器可选用压电式加速度传感器；
[0069]
电流适调器可将电流信号转化为电压信号进行输出，电流适调器可选用单通道电流适调器；
[0070]
所述采集卡可选用基于usb接口的高速数据采集卡，其具有传输速度快、支持热插拔、携带方便等优点，方便与电脑进行连接。
[0071]
如图2所示，gis设备真型平台包括大电流发生器、罗氏线圈和示波器，所述指纹图谱库的构建方法，包括以下步骤：
[0072]
(1)通过大电流发生器产生约3ka的大电流，通过罗氏线圈和示波器实现对电流的测量；
[0073]
(2)通过gis设备真型平台分别模拟触指差程、分子筛器皿松动、屏蔽罩松动、长导体触座松动、隔离开关接触不良5种典型异响振动故障，振动采集模块连接pc上位机，采用振动采集模块对振动信号进行采集，并将振动信号存入pc上位机，即得指纹图谱库，其中每种典型异响振动故障的指纹图谱库不低于100张。
[0074]
实施例2
[0075]
在本发明实施例中，如图3～17所示，gis设备缺陷诊断方法，包括以下步骤：
[0076]
一、将振动采集模块的振动传感器固定于待检测gis设备外壳上，振动采集模块获取gis设备外壳上的振动信号；
[0077]
二、振动信号传输至pc上位机，通过pc上位机的人机交互界面分析获得的振动信号；
[0078]
三、通过特征提取模块、故障诊断模块得出故障类型；
[0079]
3.1特征提取模块采用fft算法和vmd算法提取所述振动信号的波形特征，包括以下步骤：
[0080]
gis设备正常运行情况下的振动信号为以100hz的基频振动信号为主，在异响的时候会出现相应的故障特征频率信号，这些特征主要包括基波频率、峰值、有效值、占比和各次谐波的有效值及其占比等参数，实际使用时需要采用特定的算法将其中的特征参量提取出来。
[0081]
利用傅里叶变换(fft)得到信号的频率分布，并提取特征频点幅值和频率成分的变化作为特征参数，同时引入变分模态分解(vmd)算法将振动信号分解到不同层次上的不同频段内，进而提取不同imf频带区间的能量差异和分布差异特征等信息。vmd算法自适应性强、计算效率高、能有效克服模态混叠和端点效应问题。
[0082]
3.1.1振动信号采用fft算法提取特征频率点f及特征频率幅值f
m
；
[0083]
fft算法流程见图3。判断n是否为素数，是则进行dft算法；否则判断是否n＝2
m
，是则进行基2
‑
fft算法，否则n＝mb，生成x[bn+b]，单次分解fft计算x
b
，递增分解fft算法，计算x。
[0084]
以隔离开关接触不良振动信号波形特征提取为例，
[0085]
如图6，当隔离开关合闸不到位引起触头接触不良时，振动信号中会在原有100hz信号基础上叠加更高频的成分，主要以1000
‑
2000hz为主，甚至出现2000
‑
3000hz的高频信号，频率幅值在0.08
‑
0.1v之间。
[0086]
3.1.2振动信号采用vmd算法提取imf能带比k和imf时频熵s；
[0087]
vmd算法流程见图4。获取原始信号，根据各imf分量的瞬时频率均值、曲率最大值确定分解临界层数(k临界)，vmd信号分解，计算前k临界
‑
1个imf分量与原始信号的互信息值i(x，y)，若i(x,y)≥β，确定最终分解层数(k最终)，若i(x,y)＜β，则剔除i(x,y)＜β的imf分量。
[0088]
imf1
‑
imf8为vmd算法自动分解得到的主要振动信号，代表了原信号的主要振动模态，imf1
‑
imf8的振动信号的叠加即为原信号。由图7可见，gis振动信号的100hz的主模态(imf6)被完全的分解和独立出来，而其中的imf1到imf5则涵盖了gis振动过程中高频的复杂缺陷特征信息，每一个模态的特征频段和幅值都含有较大的差异，比如imf2的1500hz和imf1的2000～2500hz附近有较大幅值，但其他imf分量则幅值较小。因此，为实现隔离开关触头松动的有效判别，需要提取更有效的特征来表征在隔离开关触头松动过程中的振动信号变化规律。
[0089]
隔离开关触头接触不良故障的原始信号利用vmd可自适应的分解得到不同振动模态的imf分量。这些imf包含了相应振动模态不同频段的幅值信息。但不同机械设备的振动测点的基频振幅具有一定的差异性。
[0090]
因此，本发明引入imf能带比。
[0091]
3.1.2.1 imf能带比提取方法
[0092]
首先通过fft变换将各个imf分量转换成频域分量；
[0093]
然后采用瑞利能量定理(式1)对该类imf模态分量进行能量的计算，同时对包含了故障信息的不同的imf模态分量的能量与主模态(imf6)能量的比值进行计算，得到imf能带比。
[0094]
imf能带比不仅可以反映不同故障类型在不同频带上的振型差异的同时，还可以突出不同imf能带之间的相对大小关系，能更准确的区分各类故障。
[0095][0096]
其中x(f)＝f.t.{x(t)}为x(t)的连续傅立叶变换，f是x的频率分量。
[0097]
3.1.2.2 imf时频熵提取方法
[0098]
将vmd分解后的imf进行故障信息时域特征波形提取后，利用hht变换和时频转换，得到隔离开关接触不良故障时频分布图(图9)。
[0099]
若信源符号有n种取值：u1…
u
i
…
u
n
，对应概率为：p1…
p
i
…
p
n
，且各种符号的出现彼此独立。这时，信源的平均不确定性应当为单个符号不确定性
‑
logp
i
的统计平均值(e)，可
称为信息熵，即
[0100][0101]
若信源符号有n种取值：u1…
u
i
…
u
n
，对应概率为：p1…
p
i
…
p
n
，且各种符号的出现彼此独立，这时，信源的平均不确定性应当为单个符号不确定性
‑
log(pi)的统计平均值e，可称为信息熵，即：h(u)。
[0102]
对不同故障信号的时频分布图按公式(式2)进行熵值计算，可以得到结果如图10所示。可以发现不同的故障之间的时频熵值存在一定的差异。特别是隔离开关接触不良与其熵值相比其他故障较小，差异明显。
[0103]
3.2故障诊断模块采用ls
‑
svm算法对所述波形特征进行诊断
[0104]
将特征提取模块提取的gis设备异响振动缺陷各状态的特征频率点f、特征频率幅值f
m
、能带比k和时频熵s，作为反映gis设备机械振动状态的组合特征量；
[0105]
由指纹图谱库得到训练样本的缺陷特征矩阵；
[0106]
将上述组合特征量结合粒子群优化ls
‑
svm算法与训练样本的缺陷特征矩阵构建gis设备异响振动缺陷状态识别模型，进而采用gis设备的不同异响振动缺陷状态的振动测试样本集进行模型有效性的验证。
[0107]
粒子群优化ls
‑
svm算法流程见图12。初始化粒子群(微粒的速度和位置)，将lss
ⅵ
m的惩罚因子和核参数转化为粒子的二维坐标，输入惩罚因子y、核参数σ，进行ls
‑
svm模型训练，评价每个粒子的适应度，更新粒子最好适应度和种群的最好适应度，更新粒子的速度和位置，判断是否满足终止条件，不满足则重新进行ls
‑
svm模型训练，满足则获得最优的ls
‑
svm参数。
[0108]
对svm的高斯核函数中的σ分别取1、3和10，粒子的个数都取为32，进化代数为400,c1＝c2＝2.05,c＝1.5。σ取1的情况下，gis设备异响振动缺陷粒子群优化ls
‑
svm识别模型的训练效果和识别结果如图14。
[0109]
将27组触指差程，20组分子筛器皿松动，16组屏蔽罩松动，28组长导体触座松动，20组隔离开关接触不良共计111组故障样本进行识别，得到识别准确率结果如下表所示，识别准确率达90％以上。
[0110]
表1gis设备异响振动缺陷识别模型的识别准确率结果
[0111]
故障类型故障数量识别数量准确率触指差程272592.6％分子塞器皿松动201995％屏蔽罩松动161593.8％长导体触座松动2828100％隔离开关接触不良2020100％合计1119896.4％
[0112]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。