一种基于电机输出功率的隔离开关机械故障诊断方法与流程

本发明涉及高压隔离开关机械故障诊断，具体是一种基于电机输出功率的隔离开关机械故障诊断方法。

背景技术：

高压隔离开关是电力系统中用量较多的高压开关设备，由于其一般工作于户外环境，易受户外恶劣环境侵蚀，加之检修维护不及时，导致高压隔离开关出现各种缺陷故障。

目前的高压隔离开关检修标准中，列举的主要故障类型有包括传动部件损坏、分合闸动作不到位、三相不同期等在内的机械故障、导电回路过热故障、绝缘子损坏故障以及保护控制回路故障等。量化的检测方法包括红外测温技术，导电回路电阻测量，绝缘子超声波探伤等。然而针对占比较大的机械故障暂无量化的检测方法，一般根据检修技术人员手动操作高压隔离开关的手感，结合观测的动作过程来判断高压隔离开关机械状态，诊断结果依赖检测人员的主观经验，且难以在有限的时间内，做出准确量化的判断。

cn108196118a给出了一种高压隔离开关电机输出功率检测装置，用于测量高压隔离开关电机输出功率。cn201810151924x给出了一种基于电机输出功率检测的高压隔离开关机械缺陷诊断方法，通过比较器比较被测高压隔离开关功率-转角状态曲线与功率-转角标准曲线及运行状态良好的功率-转角历史曲线的停止角度、刚合角度、啮合峰值、功率均值数据，来判断被测高压隔离开关的机械状态。其诊断方法是：如果停止角度比正常状态小0.5°以上，则高压隔离开关存在行程不到位的缺陷；在触指触指啮合阶段，如果刚合角度比正常状态小0.5°以上或啮合峰值比正常状态大5w以上，则高压隔离开关存在三相不同期缺陷；在触指未啮合阶段，如果电机输出功率均值比正常状态大2.5w以上，则高压隔离开关存在卡涩缺陷。cn110530625a给出了一种高压隔离开关机械故障诊断装置及方法，通过检测电机输出功率，与数据库进行对比，从而进行判断。

综上，目前基于高压隔离开关电机功率的故障诊断方法，普遍通过检测高压隔离开关电机输出功率，将检测结果与标准曲线进行对比，从而形成诊断结果。但在这个过程中，电机输出功率检测结果的数据提取与处理、检测结果与标准曲线对比方法均未有相关说明。

技术实现要素：

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种基于电机输出功率的隔离开关机械故障诊断方法。

为实现上述目的，本发明采用的技术方案如下：一种基于电机输出功率的隔离开关机械故障诊断方法，该方法包含如下步骤：

数据采集：采集不同型号高压隔离开关正常及机械故障状态下动作过程的电机输出功率，绘制相应的电机输出功率-时间曲线，得到输出功率-时间曲线样本,机械故障状态包括三相不同期、卡涩、不到位；

特征提取与优化：从输出功率-时间曲线样本获取高压隔离开关的原始特征，对原始特征进行优化，得到优化特征；

所述特征提取与优化具体步骤包括：

从输出功率-时间曲线样本获取高压隔离开关的原始特征，获取的原始特征包括整体特征和分段特征；

对各状态提取的原始特征进行归一化处理，将原始特征归算到[-1，1]区间中，归一化处理的计算方法如下：

其中，表示原始特征数据；是归一化之后的特征数据；和分别表示原始特征数据中的最大值和最小值；

对归一化后的原始特征进行特征优化;

诊断模型建立：采用各机械状态的优化特征作为训练数据，对支持向量机模型进行训练，建立识别正常状态与各机械故障状态的支持向量机诊断模型；

状态诊断：测得待诊断高压隔离开关动作过程的电机输出功率-时间曲线，提取其原始特征，并进行特征优化，将优化后的特征输入到建立的支持向量机诊断模型，计算判断待诊断高压隔离开关的机械状态类型。

进一步的,将输出功率-时间曲线按高压隔离开关动作过程分为三个阶段，包括电机启动阶段，动静触头未接触阶段以及动静触头接触阶段;

先提取输出功率-时间曲线的整体特征，提取的整体特征包括动作时间、整体功率均值与方差;

从动静触头未接触阶段和动静触头接触阶段分别提取各段的分段特征，提取的分段特征包括均值、均方值、方根幅值、标准差、方差、峰值、峰谷值、偏斜度、波形指标、峰值指标。

进一步的,所述对归一化后的原始特征进行特征优化包括以下步骤：

将归一化后的原始特征经过核函数计算得到核函数矩阵，再计算得到中心化核函数矩阵，并计算中心化核函数矩阵的特征值与特征向量，然后由大到小对特征值进行排序，与特征值对应的特征向量的位置也进行相应的调整，当特征维度拟降维至维时，计算前维特征值之和与总特征值之和的比值，得到前维主成分贡献度，再将中心化核函数矩阵与前维特征值对应的特征向量相乘，得到各机械状态的输出功率-时间曲线样本在前维各特征向量上的投影，即提取的特征，其中取正整数，其中核函数：

其中、分别表示不同样本归一化的原始特征组成的行向量；

降至维，计算核函数参数取不同值时的主成分贡献度；同时计算特征提取后类间离散度和类内离散度及基于距离可分性判据值，值越大表示越容易对各种类型进行区分；的计算方法如下：

式中，表示样本的类别数，表示第类样本占总样本的比例，表示由第类中第个样本中经过特征优化后的维特征组成的特征向量，为第类样本的均值，为各类样本均值的均值,为对第类数据求数学期望，表示求矩阵的迹；

综合考虑计算量和基于距离可分性判据值，确定核函数参数、优化后特征维度和主成分贡献度，获得各机械状态输出功率-时间曲线样本的优化特征。

进一步的,所述综合考虑计算量和基于距离可分性判据值，确定核函数参数、优化后特征维度和主成分贡献度，获得各机械状态输出功率-时间曲线样本的优化特征包括以下步骤：

计算降维至不同维度时基于距离可分性判据值与主成分贡献度随值变化趋势；

取基于距离可分性判据值较大时的主成分贡献度；

比较将原始特征维度降至不同维度时的基于距离可分性判据值，在基于距离可分性判据值无明显差异下，特征维度取小；

将此特征维度下的特征作为输出功率-时间曲线样本的优化特征。

进一步的,所述建立识别正常状态与各机械故障状态的支持向量机诊断模型包括以下步骤：

惩罚参数与核函数参数通过交叉验证的方式寻求最优组合，采用网格搜索算法寻找支持向量机模型中的最优化参数，获得准确率随惩罚参数与核函数参数的变化趋势；

当有多个惩罚参数使训练的准确率都最高，此时选择数值最小的惩罚参数作为支持向量机模型中的惩罚参数；

根据确定的惩罚参数来确定核函数参数，选取其中的最小值，建立支持向量机诊断模型。

本发明的有益效果：由上述对本发明的描述可知，与现有技术相比，本发明具有以下有益效果：

1、本发明提出了一种基于电机输出功率的隔离开关机械故障诊断方法，避免了利用人工经验判断，有助于高压隔离开关机械状态的智能化诊断；

2、本发明提供的基于电机输出功率的高压隔离开关机械故障诊断方法，可以提高高压隔离开关故障识别的准确性。

附图说明

图1为本发明优选实施例中基于电机输出功率的隔离开关机械故障诊断方法整体流程示意图；

图2为本发明优选实施例中正常状态下的电机输出功率-时间曲线示意图；

图3为本发明优选实施例中降维到不同维度时基于距离可分性判据值与主成分贡献度随σ值的变化趋势示意图；

图4为本发明优选实施例中训练的支持向量机诊断模型对待诊断数据的诊断结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

参照图1-4所示，本发明的优选实施例，一种基于电机输出功率的隔离开关机械故障诊断方法，该方法包含如下步骤：

数据采集：采集不同型号高压隔离开关正常及机械故障状态下动作过程的电机输出功率，绘制相应的电机输出功率-时间曲线，得到输出功率-时间曲线样本,机械故障状态包括三相不同期、卡涩、不到位；

特征提取与优化：从输出功率-时间曲线样本获取高压隔离开关的原始特征，对原始特征进行优化，得到优化特征；

所述特征提取与优化具体步骤包括：

从输出功率-时间曲线样本获取高压隔离开关的原始特征，获取的原始特征包括整体特征和分段特征；

对各状态提取的原始特征进行归一化处理，将原始特征归算到[-1，1]区间中，归一化处理的计算方法如下：

其中，表示原始特征数据；是归一化之后的特征数据；和分别表示原始特征数据中的最大值和最小值；

对归一化后的原始特征进行特征优化;

诊断模型建立：采用各机械状态的优化特征作为训练数据，对支持向量机模型进行训练，建立识别正常状态与各机械故障状态的支持向量机诊断模型；

状态诊断：测得待诊断高压隔离开关动作过程的电机输出功率-时间曲线，提取其原始特征，并进行特征优化，将优化后的特征输入到建立的支持向量机诊断模型，计算判断待诊断高压隔离开关的机械状态类型。

在本实施例中,将输出功率-时间曲线按高压隔离开关动作过程分为三个阶段，包括电机启动阶段，动静触头未接触阶段以及动静触头接触阶段;

先提取输出功率-时间曲线的整体特征，提取的整体特征包括动作时间、整体功率均值与方差;

从动静触头未接触阶段和动静触头接触阶段分别提取各段的分段特征，提取的分段特征包括均值、均方值、方根幅值、标准差、方差、峰值、峰谷值、偏斜度、波形指标、峰值指标。

在本实施例中,所述对归一化后的原始特征进行特征优化包括以下步骤：

将归一化后的原始特征经过核函数计算得到核函数矩阵，再计算得到中心化核函数矩阵，并计算中心化核函数矩阵的特征值与特征向量，然后由大到小对特征值进行排序，与特征值对应的特征向量的位置也进行相应的调整，当特征维度拟降维至维时，计算前维特征值之和与总特征值之和的比值，得到前维主成分贡献度，再将中心化核函数矩阵与前维特征值对应的特征向量相乘，得到各机械状态的输出功率-时间曲线样本在前维各特征向量上的投影，即提取的特征，其中取正整数，其中核函数：

其中、分别表示不同样本归一化的原始特征组成的行向量；

降至维，计算核函数参数取不同值时的主成分贡献度；同时计算特征提取后类间离散度和类内离散度及基于距离可分性判据值，值越大表示越容易对各种类型进行区分；的计算方法如下：

式中，表示样本的类别数，表示第类样本占总样本的比例，表示由第类中第个样本中经过特征优化后的维特征组成的特征向量，为第类样本的均值，为各类样本均值的均值,为对第类数据求数学期望，表示求矩阵的迹；

综合考虑计算量和基于距离可分性判据值，确定核函数参数、优化后特征维度和主成分贡献度，获得各机械状态输出功率-时间曲线样本的优化特征。

在本实施例中,所述综合考虑计算量和基于距离可分性判据值，确定核函数参数、优化后特征维度和主成分贡献度，获得各机械状态输出功率-时间曲线样本的优化特征包括以下步骤：

计算降维至不同维度时基于距离可分性判据值与主成分贡献度随值变化趋势；

取基于距离可分性判据值较大时的主成分贡献度；

比较将原始特征维度降至不同维度时的基于距离可分性判据值，在基于距离可分性判据值无明显差异下，特征维度取小；

将此特征维度下的特征作为输出功率-时间曲线样本的优化特征。

在本实施例中,所述建立识别正常状态与各机械故障状态的支持向量机诊断模型包括以下步骤：

惩罚参数与核函数参数通过交叉验证的方式寻求最优组合，采用网格搜索算法寻找支持向量机模型中的最优化参数，获得准确率随惩罚参数与核函数参数的变化趋势；

当有多个惩罚参数使训练的准确率都最高，此时选择数值最小的惩罚参数作为支持向量机模型中的惩罚参数；

根据确定的惩罚参数来确定核函数参数，选取其中的最小值，建立支持向量机诊断模型。

本发明提出了一种基于电机输出功率的隔离开关机械故障诊断方法，避免了利用人工经验判断，有助于高压隔离开关机械状态的智能化诊断；本发明提供的基于电机输出功率的高压隔离开关机械故障诊断方法，可以提高高压隔离开关故障识别的准确性。

为便于理解，以下对本发明做进一步的详细描述：

步骤a：数据采集。采集不同型号高压隔离开关正常及机械故障状态下动作过程的电机输出功率，绘制相应的电机输出功率-时间曲线，得到输出功率-时间曲线样本,机械故障状态包括三相不同期、卡涩、不到位；

优选地，所述数据采集步骤包括：

步骤a1：在实验室模拟不同型号高压隔离开关典型机械故障，采集高压隔离开关正常及机械故障状态下动作过程的电机输出功率，绘制相应的电机输出功率-时间曲线，作为实验室条件下输出功率-时间的训练样本数据。

步骤a2：利用输出功率-时间曲线检测装置，现场检测不同变电站不同型号高压隔离开关正常状态及机械故障下的电机输出功率-时间曲线，获得现场条件下的训练样本数据。

步骤a3：将从步骤a1、a2获取的训练样本数据形成输出功率-时间曲线样本。

步骤b：特征提取与优化。从输出功率-时间曲线样本获取高压隔离开关的原始特征，获取的原始特征包括整体特征和分段特征。整体特征和分段特征构成检测数据的原始特征；接着对原始特征进行数据归一化，并进行特征优化，得到优化特征。

优选地，所述特征提取与优化步骤包括：

步骤b1：从输出功率-时间曲线样本获取高压隔离开关的原始特征：获取的原始特征包括整体特征和分段特征。具体地，包括：

步骤b1.1将高压隔离开关输出功率-时间曲线样本分为三个阶段：电机启动阶段、动静触头未接触阶段及动静触头接触阶段。从动静触头未接触阶段和动静触头接触阶段提取相关特征。

步骤b1.2从输出功率-时间曲线样本获取高压隔离开关3个整体特征：动作时间、整体功率均值与方差。

步骤b1.3从输出功率-时间曲线样本分别提取动静触头未接触阶段和动静触头接触阶段10个时域特征：均值、均方值、方根幅值、标准差、方差、峰值、峰谷值、偏斜度、波形指标、峰值指标，共计20个分段特征。各特征计算公式如表1。

步骤b2：对各状态提取的原始特征进行归一化处理，将原始特征归算到[-1，1]区间中。归一化的计算方法如下：

其中，表示原始特征数据；是归一化之后的特征数据；和分别表示原始特征数据中的最大值和最小值。

步骤b3：对归一化后的23个原始特征进行特征优化，具体地，包括：

步骤b3.1将归一化后的23个原始特征经过核函数计算得到核函数矩阵，再计算得到中心化核函数矩阵，计算核函数矩阵的特征值与特征向量，然后由大到小对特征值进行排序，与特征值对应的特征向量的位置也进行相应的调整，当拟降维至维时，计算前维特征值之和与总特征值之和的比值，得到前维主成分贡献度，再将核函数矩阵与前维特征值对应的特征向量相乘，得到各样本在前维各特征向量上的投影，即提取的特征。其中核函数：

其中、分别表示不同样本归一化的原始特征组成的行向量；

中心化核函数矩阵的定义为：

其中是原始核函数矩阵，是中心化核函数矩阵，是系数为的阶单位矩阵，其中m取正整数；

步骤b3.2计算降至维，核函数参数取不同值时的主成分贡献度；同时计算特征提取后类间离散度和类内离散度及基于距离可分性判据值，值越大表示越容易对各种类型进行区分；值的计算方法如下：

式中，表示样本的类别数，表示第类样本占总样本的比例，表示由第类中第个样本中经过特征优化后的维特征组成的特征向量，为第类样本的均值，为对第类数据求数学期望，表示求矩阵的迹。

b3.3综合考虑计算量和基于距离可分性判据值，确定核函数参数、优化后特征维度和主成分贡献度，获得各机械状态输出功率-时间曲线样本的优化特征。具体地，包括：

b3.3.1计算降维至不同维度时基于距离可分性判据值与主成分贡献度随参数值的变化趋势。图3是拟降维至不同维度时基于距离可分性判据值与主成分贡献度随参数值的变化趋势示意图。当提取特征的维度固定时，其基于距离可分性判据值随先增到后减小，而对应的主成分贡献度随逐渐增加。

b3.3.2取基于距离可分性判据值较大时的主成分贡献度。当主成分贡献度达到80%时，不同特征维度下的基于距离可分性判据值皆达到较大的值，如图3中的a、b、c三点所示，a点表示当将原始特征维度降维至6维时，在主成分贡献度超过80%后，基于距离可分性判据值所能达到的最大值，为10.2；b点表示当将原始特征维度降维至8维时，在主成分贡献度超过80%后，基于距离可分性判据值所能达到的最大值，为11.1；c点表示当将原始特征维度降维至10维时，在主成分贡献度超过80%后，基于距离可分性判据值所能达到的最大值，为11.7。当主成分超过80%时，基于距离可分性判据值随主成分贡献度的增加而逐渐减小。当主成分贡献度达到80%时，提取的特征一般能较好的表征样本的原始信息。主成分贡献度选择80%。

b3.3.3比较特征降维至不同维度时的基于距离可分性判据值。在基于距离可分性判据值无明显差异下，特征维度取小，达到了降维目的。特征维度为10时其基于距离可分性判据值最大，与特征维度为6时的相比仅大15.1%。特征维度取6。

b3.3.4对输出功率-时间曲线的23个原始特征进行降维优化，获得6个特征维度下的优化特征。

步骤c：诊断模型建立。采用各机械状态的优化特征作为训练数据，对支持向量机模型进行训练，训练过程中采用网格搜索算法确定支持向量机模型中的核函数参数和惩罚参数，从而建立识别正常状态与各机械故障状态的支持向量机诊断模型。

优选地，所述建立识别正常状态与各机械故障状态的支持向量机诊断模型，包括以下步骤：

步骤c1用训练样本进行交叉验证，如将训练样本分成k个子集，每个子集数据分别做一次验证集，其余的k-1组子集数据作为训练集，这样得到k个模型，用这k个模型的分类准确率均值作为诊断模型的分类准确率；采用网格搜索算法寻找支持向量机模型中的最优化参数，获得准确率随惩罚参数与核函数参数的变化趋势。

步骤c2当有多个惩罚参数使训练的准确率都最高，此时选择数值最小的惩罚参数作为支持向量机模型中的惩罚参数.

步骤c3根据确定的惩罚参数来确定核函数参数，选取其中的最小值，建立支持向量机诊断模型。

步骤d：状态诊断。测得待诊断高压隔离开关动作过程的电机输出功率-时间曲线，提取其原始特征，进行特征归一化后再进行特征优化，将优化后的特征输入到建立的支持向量机诊断模型，计算判断待诊断高压隔离开关的机械状态类型。

优选地，所述状态诊断包括：

步骤d1：选择待诊断高压隔离开关电机输出功率-时间曲线作为待诊断对象。

步骤d2：对待诊断对象进行特征提取与优化，获得1组6个优化特征作为测试样本。

步骤d3：将该组测试样本输入到建立的支持向量机诊断模型，获得诊断结果。

训练的支持向量机诊断模型对待诊断数据的诊断结果见图4，图中类别标签1表示正常状态，标签2表示卡涩状态，标签3表示三相不同期状态，标签4表示动作不到位状态。

在不出现冲突的前提下，本领域技术人员可以将上述附加技术特征自由组合以及叠加使用。

可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。