本发明公开一种用于gis本体机械缺陷诊断和定位的在线异声监测算法，该算法能够处理、存储和诊断gis设备运行时的声音数据，并对疑似故障信号进行回传，从而构建gis全息声音数据库，可对不同变电站的主要故障点进行实时检测和预警，提高了变电站运维的安全性和可靠性。
背景技术：
：
gis是一种全封闭的组合电力设备，具有故障发生率低、故障检修困难及故障修复周期长等特点。人工巡检的故障诊断方法通常无法实时连续地采集gis设备的工作信号，往往难以发现早期的隐患故障，而即使采集到了一些疑似故障信号，对其故障点的检修也是一项非常困难的工作。此外，目前国内外gis设备机械故障诊断分析技术均有待完善，近年来提出的基于可听见声音的检测分析技术也仍停留在实验室阶段，无法投入到工程应用中。
基于gis设备异响声音信号的特征分析进行故障诊断在国内外均未见研究文献，因此缺乏gis设备运行时的全息声音数据库，无法判断现有的故障诊断算法的正确性和准确度。而人工巡检所采集的故障信息不具有代表性，无法建立全面系统的gis全息声音数据库。因此，为及时获取gis设备的运行状态，尽早发现设备可能存在的机械故障，同时确保检修过程中设备的非故障元件不会被损坏或产生二次次生缺陷，发展一种gis带电检测和在线监测方法的需要日益迫切。
鉴于此，本发明专利提供了一种用于gis本体机械缺陷诊断和定位的在线异声监测算法，该算法可实现对不同变电站各主要故障隐患点的在线实时监测和数据库的建立，可解决目前电力行业gis本体机械缺陷诊断和定位过程中存在的主要问题，保证了变电站内部人员的工作安全，提高了生产管理效率，降低了运营维护成本。
发明专利内容：
本发明专利的目的在于提供一种用于gis本体机械缺陷诊断和定位的在线异声监测算法，该算法与传感器、通信模块等硬件系统相结合，首先接收采集的gis设备声波信号，利用快速核独立分量分析技术对声波信号进行滤噪，通过双谱分析提取高阶概率结构作为特征向量，并计算该特征向量与正常状态下特征向量的偏离程度；其次根据偏离程度判断信号是否为疑似故障信号，并以信号的固有模态函数能量熵作为在线序列超限学习机的输入，以此来构建故障诊断算法；最后利用基于在线序列超限学习机的故障诊断算法，对疑似故障信号进行二次诊断，并构建gis全息声音数据库，在提升故障诊断模型性能的同时提高故障诊断的准确率。
本发明专利解决其技术问题所采用的技术方案是：
一种用于gis本体机械缺陷诊断和定位的在线异声监测算法，由前端异声在线诊断算法和主站服务器平台故障诊断算法组成。前端异声在线诊断算法提供一种用于接收gis设备工作时的声波数据的接口，并对信号进行预处理和初步诊断，弥补基于声波信号分析gis早期故障的信号采集和在线监测领域空白的问题。主站服务器平台故障诊断算法用于二次判断疑似故障信号是否为故障信号。
前端异声在线诊断算法的主要步骤为：
第一步，接收双通道异声采集传感器采集的gis设备运行时的声波数据；
第二步，采用快速核独立分量分析技术对采集的声波数据进行滤噪，具体步骤为：
(1)输入一组观察数据向量x1，x2，…，xn，并以分类效果最优的径向基高斯核函数作为本文使用的核函数；
(2)对观察数据进行中心化和白化处理，使观测数据满足零均值和单位方差向量的特性；
(3)利用不完全cholesky分解方法对目标函数的hessian矩阵进行估计；
(4)利用牛顿法获取目标函数的最优解，得到分离矩阵；
(5)对比分离信号和模板库中的信号。
第三步，对滤噪后的gis声波信号进行双谱分析，获取表征其信号特征的三维图，利用该三维图构建二维矩阵，作为声波信号的特征向量，矩阵元素值即对应坐标处的双谱幅值。然后对提取的双谱特征向量进行特征识别，初步判断采集的声波数据是否为故障信号；
第四步，通过一种基于lzo算法的无损压缩算法对疑似故障信号进行压缩，同时保存其原始声音数据和各种特征数据至cf存储卡，以便为主站服务器中gis全息声音数据库提供原始数据；
第五步，将压缩后的数据通过4g或wifi回传至主站服务器平台作进一步的分析和诊断。
主站服务器平台故障诊断算法的主要步骤为：
第一步，接收前端异声在线诊断算法发送过来的疑似故障信号数据；
第二步，解压缩并计算接收信号的固有模态函数能量熵，计算步骤为：
(1)对50-3000hz频段内信号进行emd分解，选取前5个imf分量；
(2)计算这5个imf分量的能量ei＝∫|ci(t)|2dt，i＝1，2，…5和它们的总能量
(3)计算固有模态函数能量熵
第三步，使用第二步计算得到的能量熵作为基于在线序列超限学习机的故障诊断算法的输入向量，算法的输出即对gis疑似故障信号的二次诊断和分析。其中，基于在线序列超限学习机的故障诊断算法在训练和更新时，以固有模态函数能量熵作为输入，以表征信号故障概率的二维向量作为输出；在检测时，将信号的固有模态函数能量熵输入故障诊断算法，算法的输出即代表诊断结果。算法的具体步骤可描述为：
(1)假设初始训练样本集
其中，h0中的
(2)固定隐层节点的权重和偏置，利用新到来的数据样本对网络的输出权重进行更新。具体可描述为：用
(3)经过推导，更新模型可表示为：
(4)令
当样本数据块的大小nk+1≡1时，上式变为
其中
从上述步骤可以看出，当满足初始训练样本数量大于隐层节点数的条件时，在线序列超限学习机与信号线学习机可以达到同样的性能，能够最大程度地逼近训练数据，构建输入与输出之间的非线性关系模型。本发明专利利用已知的少量gis声波信号作为训练样本，构建在线序列超限学习机网络模型，对疑似故障信号进行进一步的分析和诊断。
第四步，逐步完善gis全息声音数据库，并利用不断完善的数据库来不断训练基于在线序列学习机的故障斩断算法，使故障预警和诊断的准确度和全面性不断提升。
从上述的技术方案可以看出，本发明专利设计了一种用于gis本体机械缺陷诊断和定位的在线异声监测算法，该算法由前端异声在线诊断算法和主站服务器平台故障诊断算法组成。前端异声在线诊断算法和主站服务器平台故障诊断算法相辅相成，前者能够采集、处理和初步诊断gis设备运行时的声音数据，并为后者提供丰富的gis全息声音数据库，使算法性能不断提升；后者可对疑似故障信号进行进一步的分析和诊断，以构建和完善平台服务器中的gis全息声音数据库，并利用该数据库提高基于在线序列学习机的故障诊断算法的性能，以实现变电站主要故障点的实时监测和预警，具有良好的应用前景。
本发明专利的有益效果是：
本发明专利设计一种用于gis本体机械缺陷诊断和定位的在线异声监测算法，一方面通过采集变电站主要隐患点的声波数据，可对采集的数据进行实时监测，作出初步诊断，另一方面不断丰富完善主站服务器中的gis全息声音数据库，进一步促进主站故障诊断算法的改善，提高故障诊断的准确性和可靠性，这对于研制出一套适用于工程实用的gis设备故障诊断方法具有促进作用。
附图说明：
下面结合附图和实施方案对本发明专利进一步说明：
图1是本发明专利的算法流程图。
图2是本发明专利的系统结构图。
图3是本发明专利的仿真结果图。
具体实施方式：
以下通过具体实例，对本发明进行详细说明。
图1是本发明专利的算法流程图，算法由前端异声在线诊断算法和主站服务器平台故障诊断算法构成。前端异声在线诊断算法提供一种用于接收gis设备工作时的声波数据的接口，并对信号进行预处理和初步诊断，弥补基于声波信号分析gis早期故障的信号采集和在线监测领域空白的问题。主站服务器平台故障诊断算法用于二次判断疑似故障信号是否为故障信号。
前端异声在线诊断算法首先接收双通道异声采集传感器采集的gis设备运行时的声波数据；其次采用快速核独立分量分析技术对采集的声波数据进行滤噪，采用双谱分析对滤噪后的信号进行特征提取，并通过提取的双谱特征向量对信号进行特征识别，初步判断采集的声波数据是否为故障信号；再次通过基于lzo算法的无损压缩算法对疑似故障信号进行压缩，同时保存其原始声音数据和各种特征数据至cf存储卡，以便为主站服务器中gis全息声音数据库提供原始数据；最后将压缩后的数据通过4g或wifi回传至主站服务器平台作进一步的分析和诊断。
主站服务器平台故障诊断算法首先接收前端异声在线诊断算法发送过来的疑似故障信号数据；其次对其进行解压缩，并计算接收信号的固有模态函数能量熵；再次，训练得到一个基于在线序列超限学习机的故障诊断算法，并将前面计算得到的能量熵作为其输入向量，输出即对gis疑似故障信号的二次诊断和分析。同时利用不断完善的gis全息声音数据库对该算法的权重进行更新。
图2是本发明专利的系统结构图，该系统基于本发明公开的一种用于gis本体机械缺陷诊断和定位的在线异声监测算法，由前端异声在线采集设备、多模通信模块和主站服务器平台软件构成。前端异声在线采集设备由数据采集模块、信号预处理模块、无损压缩模块和cf存储卡组成。多模通信模块由4g无线通信模块和wifi模块构成，其中4g无线通信模块选用中兴公司的me3860模块，wifi模块选择中国台湾realtek公司rtl8188cus-u芯片。该模块主要用于将前端的疑似故障信号传送至主站服务器。主站服务器平台软件基于在线序列超限学习机技术设计信号分析处理软件，该技术通过计算特定频段内信号的固有模态函数能量熵，得到疑似故障信号的特征向量，并将其作为在线序列超限学习机的输入。
图3是本发明专利的仿真结果图，图中红色实心圆点为本发明所设计的采用前端异声在线诊断算法的gis本体机械缺陷诊断和定位的在线异声监测算法，黑色三角形为不采用前端异声在线诊断算法情况下的算法性能。从图中可以看出，随着数据量的增加，采用了前端异声在线诊断算法的信号故障诊断算法的准确率不断提升，相反，不采用前端异声在线诊断算法的情况下准确率越来越低。综上所述，本发明专利提出的在线监测算法可实时连续地对gis设备声波数据进行监测、诊断和分析，并不断丰富和完善gis全息声音数据库，弥补了传统的基于声波特征的信号故障诊断方法缺少故障数据的缺点，有助于提高传统故障诊断算法的准确性和实用性。