利用振动信号诊断GIL中金属颗粒故障的方法和系统

利用振动信号诊断gil中金属颗粒故障的方法和系统
技术领域
1.本发明涉及gil(gas insulated transmission lines，气体绝缘金属封闭输电线路)故障诊断领域，具体涉及利用振动信号诊断gil中金属颗粒故障的方法和系统。


背景技术：

2.gil具有高电压、大电流、结构紧凑、布置方式灵活、不受外界影响等优点，已经广泛的应用在国内外电力系统中。然而，gil在生产、装配、运输、运行阶段的机械碰撞、振动以及插接式触头摩擦等情况，均会产生不同金属颗粒，金属颗粒受到电场力后会在gil腔体内反复运动，造成严重gil绝缘故障，影响电网运行的稳定性。
3.由于金属颗粒在gil内随机运动，现有方法很难对gil中金属颗粒故障做出准确诊断，影响gil状态评估和检修工作，造成较大的电力系统隐患。因此，如何准确诊断gil中金属颗粒故障是相关领域人员急需解决的问题。
4.现有技术1(cn 112378834 a)“一种利用振动/声学信号监测gil中金属颗粒的方法”，步骤1，通过振动/声学测量系统采集相邻两次碰撞信号飞行时间的差值δt和振动/声学信号幅值a，获取高压电极到壳体的高度h；步骤2，对振动/声学信号幅值的表达式进行修正，绘制含有理论结果和实验结果的振动幅值-飞行时间函数图形并进行校验；步骤3，使用标准的碰撞信号发生器修正振动/声学测量系统的灵敏度系数；步骤4，估算不同半径r金属颗粒的金属颗粒质量、最大带电量、最大飞行高度。现有技术1仅能估算单个金属颗粒故障的质量和带电量。本技术可以有效诊断金属颗粒故障类型，包括但不限于单个金属颗粒故障，更加符合实际工况。


技术实现要素：

5.为解决现有技术中存在的不足，本发明的目的在于，提供一种利用振动信号诊断gil中金属颗粒故障的方法，能够准确诊断gil中金属颗粒故障类型，为gil金属颗粒故障诊断和评估提供依据，具有较强的工程实用性。
6.本发明采用如下的技术方案。利用振动信号诊断gil中金属颗粒故障的方法,包括以下步骤，
7.步骤1，采集gil腔体外壳上金属颗粒故障的振动信号；
8.步骤2，使用改进的集成经验模态分解对采集到的金属颗粒故障的振动信号进行模态分解，得到模态分量；
9.步骤3，计算各模态分量的模糊熵值和能量值；
10.步骤4，利用bp神经网络，输入模糊熵值和能量值融合成的高维特征向量，得到金属颗粒故障诊断结果。
11.其中，金属颗粒故障包括不同数量金属颗粒和不同大小的金属颗粒的金属颗粒故障。
12.优选地，步骤1中，使用动态数据采集卡采集gil腔体外壳上金属颗粒故障的振动
信号。
13.步骤2具体包括，
14.步骤2.1，在步骤1中采集的gil腔体外壳上金属颗粒故障的振动信号中加入两组振幅和标准差相等且方向相反的白噪声信号，对振动信号进行集成经验模态分解，过程如下：
[0015][0016][0017]
式中，
[0018]
s(t)表示金属颗粒故障振动信号，
[0019]
n(t)表示白噪声信号，
[0020]
i表示模态分量的阶数，
[0021]ci+
(t)表示分解得到的一组分量结果，
[0022]ci-(t)表示分解得到的另一组分量结果；
[0023]
步骤2.2，将分解得到的两组分量结果中的对应分量求取平均值，过程如下，
[0024]ci
(t)＝0.5(c
i+
(t)+c
i-(t))，i＝1,2
……m[0025]
m表示模式维数，
[0026]ci
(t)表示第i阶两组分量结果的平均值。
[0027]
步骤2.3，对步骤2.2的结果进行经验模态分解，过程如下，
[0028][0029][0030]
式中，
[0031]
k表示经过emd分解后模态分量的阶数，
[0032]dk
(t)表示第k阶经过emd分解后的模态分量，
[0033]ck
(t)表示第k阶两组分量结果的平均值，
[0034]rk-1
(t)表示经过emd分解后的第k-1阶残余分量，
[0035]rk
(t)经过emd分解后的第k阶残余分量；
[0036]
步骤2.4，最终的改进的集成经验模态分解结果表示如下，
[0037][0038]
式中，
[0039]di
(t)表示第i阶经过emd分解后的模态分量，
[0040]
r(t)表示残余分量。
[0041]
步骤3具体包括，
[0042]
步骤3.1，给定时间序列{si}＝{s1,s2,
…
,sn}，其中，n表示数据长度，sn表示第n个信号元素，初始化模式维数m，构造m维向量xm(i)，如下式所示，
[0043]
xm(i)＝[x(i),x(i+1),
…
,x(i+m-1)]-u(i)
[0044]
式中，
[0045]
xm(i)表示重构后的时间序列，
[0046]
u(i)表示m个连续x(i)的均值；
[0047]
步骤3.2，定义向量xm(i)与基于另一组时间序列计算得到的向量xm(j)之间的相似度如下，
[0048][0049]
式中，
[0050]
表示向量间的相似度，其中，i∈[1,m]，j∈[1,m]，i≠j，
[0051]
表示两个向量之间距离，
[0052]
r表示相似容限参数。
[0053]
步骤3.3，定义函数如下，
[0054][0055]
表示自定义函数，为了计算关系维度，
[0056]
从而得到m维度下向量的关系维度，
[0057][0058]
φm(r)表示m维度下向量的关系维度。
[0059]
步骤3.4，模糊熵的定义表示如下，
[0060]
fuzzyen(m,r,n)＝lnφm(r)-lnφ
m+1
(r)
[0061]
式中，
[0062]
m表示模式维数；
[0063]
r表示相似容限参数；
[0064]
n为数据的长度。
[0065]
计算模态分量的能量值，能量计算公式为
[0066][0067]
式中，
[0068]di
表示第i阶imf分量，
[0069]ei
表示第i阶imf分量对应的能量。
[0070]
优选地，步骤4中，bp神经网络为三层，包括输入层、单隐含层和输出层。
[0071]
利用振动信号诊断gil中金属颗粒故障的系统，所述gil中金属颗粒故障的系统包括：信号采集模块，模态分解模块，计算模块和故障诊断模块，其中，
[0072]
信号采集模块用于在gil内设置金属颗粒故障，采集gil腔体外壳上金属颗粒故障的振动信号；
[0073]
模态分解模块用于使用meemd对采集到的金属颗粒故障的振动信号进行模态分
解；
[0074]
计算模块用于计算各模态分量的模糊熵值和能量值；
[0075]
故障诊断模块用于利用bp神经网络，输入模糊熵和能量值融合成的高维特征向量，得到金属颗粒故障诊断结果。
[0076]
本发明的有益效果在于，与现有技术相比，
[0077]
1)本发明使用meemd分解算法既能抑制模态混叠又能提高信号的完整性，模糊熵可以有效反应金属颗粒振动信号的非线性，与能量值结合能够完整反应振动信号的特征信息。
[0078]
2)本发明结合bp神经网络的非线性映射能力和柔性的网络结构，实现gil中金属颗粒故障的准确诊断。
[0079]
3)本发明能够准确诊断gil中金属颗粒故障类型，包括但不限于单个金属颗粒故障，更加符合实际工况，为gil金属颗粒故障诊断和评估提供依据，具有较强的工程实用性。
附图说明
[0080]
图1为根据本发明提供的利用振动信号诊断gil金属颗粒故障诊断方法的流程图；
[0081]
图2为根据本发明提供的利用振动信号诊断gil金属颗粒故障诊断方法运行实验平台示意图。
具体实施方式
[0082]
下面结合附图对本技术作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本技术的保护范围。
[0083]
实施例1。
[0084]
如图1所示，利用振动信号诊断gil中金属颗粒故障的方法。包括以下步骤：
[0085]
步骤1，使用动态数据采集卡采集gil腔体外壳上金属颗粒故障的振动信号；
[0086]
其中，金属颗粒故障包括不同数量金属颗粒和不同大小金属颗粒的金属颗粒故障。
[0087]
步骤2，使用meemd(modified ensemble empirical mode decomposition改进的集成经验模态分解)对金属颗粒故障的振动信号进行模态分解，得到模态分量；
[0088]
步骤2.1，在步骤1中采集的gil腔体外壳上金属颗粒故障的振动信号中加入两组振幅和标准差相等且方向相反的白噪声信号，有效减少eemd(ensemble empirical mode decomposition集成经验模态分解)分解的残余分量，eemd分解过程如下：
[0089][0090][0091]
式中，
[0092]
s(t)表示金属颗粒故障振动信号，
[0093]
n(t)表示白噪声信号，
[0094]
i表示模态分量的阶数，
[0095]ci+
(t)表示分解得到的一组分量结果，
[0096]ci-(t)表示分解得到的另一组分量结果。
[0097]
步骤2.2，将分解得到的两组分量结果中的对应分量求取平均值，从而在最大程度上消除白噪声的残余，过程如下，
[0098]ci
(t)＝0.5(c
i+
(t)+c
i-(t))，i＝1,2
……mꢀꢀꢀ
(3)
[0099]
m表示模式维度，
[0100]ci
(t)表示第i阶两组分量结果的平均值。
[0101]
步骤2.3，步骤2.2求得的平均值分量不一定是标准的imf(intrinsic mode functions固有模态函数)分量，可能存在模态分裂，需再对其进行emd(empirical mode decomposition经验模态分解)分解如下：
[0102][0103][0104]
式中，
[0105]
k表示经过emd分解后模态分量的阶数，
[0106]dk
(t)表示第k阶经过emd分解后的模态分量，
[0107]ck
(t)表示第k阶两组分量结果的平均值，
[0108]rk-1
(t)表示经过emd分解后的第k-1阶残余分量，
[0109]rk
(t)经过emd分解后的第k阶残余分量。
[0110]
步骤2.4，最终的meemd分解结果表示如下：
[0111][0112]
式中，
[0113]di
(t)表示第i阶经过emd分解后的模态分量，
[0114]
r(t)表示残余分量。
[0115]
meemd算法通过在原始信号中添加符号相反的白噪声，使原信号极值点分布更加均匀，算法中同时包含emd分解，从而既能抑制模态混叠又能提高信号的完整性。
[0116]
步骤3，计算各模态分量的模糊熵值和能量值；
[0117]
步骤3.1，给定时间序列向量{si}＝{s1,s2,
…
,sn}，其中，n表示数据长度，sn表示在第n个信号元素，初始化模式维数m，构造m维向量xm(i)，如下式所示：
[0118]
xm(i)＝[x(i),x(i+1),
…
,x(i+m-1)]-u(i)
ꢀꢀꢀ
(7)
[0119]
式中，
[0120]
xm(i)表示重构后的时间序列向量，
[0121]
u(i)表示m个连续x(i)的均值。
[0122]
步骤3.2，定义向量xm(i)与基于另一组时间序列计算得到的向量xm(j)之间的相似度为，
[0123][0124]
式中，
[0125]
表示向量间的相似度，i∈[1,m]，j∈[1,m]，i≠j，
[0126]
表示两个向量之间距离，
[0127]
r表示相似容限参数。
[0128]
步骤3.3，定义函数
[0129][0130]
表示自定义函数，为了计算关系维度，
[0131]
从而得到m维度下向量的关系维度。
[0132][0133]
φm(r)表示m维度下向量的关系维度。
[0134]
步骤3.4，模糊熵的定义表示如下，
[0135]
fuzzyen(m,r,n)＝lnφm(r)-lnφ
m+1
(r)
ꢀꢀꢀ
(11)
[0136]
式中，
[0137]
m表示模式维数；
[0138]
r表示相似容限参数；
[0139]
n为数据的长度。
[0140]
步骤3.5：计算模态分量的能量值，能量计算公式为
[0141][0142]
式中，
[0143]di
表示第i阶imf分量，
[0144]ei
表示第i阶imf分量对应的能量。
[0145]
模糊熵利用模糊隶属度函数计算两个向量的相似程度，提高了原始信号的抗干扰能力，从而有效反应金属颗粒振动信号的非线性和非平稳性，作为故障特征量与能量值结合后能够完整反应振动信号的特征信息。
[0146]
步骤4，利用bp神经网络，输入模糊熵和能量值融合成的高维特征向量，得到金属颗粒故障诊断结果。
[0147]
采用三层网络模型的bp(back propagation前馈)神经网络，分别为输入层、单隐含层和输出层；
[0148]
步骤4.1，模糊熵和能量组合成高维特征向量输入到bp神经网络中，输入层包含q(q＝q1+q2)个输入节点，其中q1为模糊熵维数，q2为能量维数。
[0149]
步骤4.2，隐含层采用s型传递函数tansig，包含的神经元个数为x，公式表示如下，
[0150][0151]
式中，
[0152]
q为输入层节点数量，
[0153]
h为输出层节点数量，
[0154]
a为1～10之间可调的常数。
[0155]
步骤4.3，输出层采用线性传递函数purelin，只含有1个节点，最终输出金属颗粒
故障诊断结果。
[0156]
bp神经网络具有良好的非线性映射能力和柔性的网络结构，通过输入层的正向传播和输出层误差的反向传播，对输入的特征量进行训练和测试，最终输出金属颗粒故障的分类结果，实现gil中金属颗粒故障的准确诊断。
[0157]
实施例2。
[0158]
图2示出本发明所提供的用于模拟gil中金属颗粒故障的gil实验平台示意图，包括高压电源、gil腔体、球形金属颗粒、加速度传感器、动态数据采集卡以及工控机。
[0159]
本实施案例中，设置3种不同类型的gil中金属颗粒故障，分别为单球金属颗粒故障(0.5mm)、单球金属颗粒故障(1.0mm)、两球金属颗粒故障(0.5mm)。本实施案例中，将采用本发明方法对上述3种不同金属颗粒故障进行故障识别。
[0160]
准备阶段，将gil运行实验平台中各设备按照平台示意图进行电气连接，先用接地棒触碰gil腔体，清除腔体电荷，再用酒精擦拭gil腔体内壁和实验用金属颗粒，待乙醇挥发并确认无电荷存在后，再按照金属颗粒故障类型将不同数量和尺寸的实验用球形金属颗粒分别放置在gil实验腔体底部中间位置。
[0161]
本发明的利用振动信号诊断gil中金属颗粒故障的方法的流程图如图2所示，包括以下步骤：
[0162]
步骤(1)：首先通过高压电源给gil高压导体提供正常运行电压，球形金属颗粒在gil底部综合受力后起跳，并在腔体内反复运动。运动时会撞击gil高压导体和腔体外壳，从而产生振动信号。使用吸附于腔体外壳的加速度传感器采集振动信号，并通过动态数据采集卡将振动信号输送工控机中显示并存储。每种金属颗粒故障的振动信号采集60组，每组包含5000个点，动态数据采集卡的采样频率设置为20khz，即每组信号采样时间为0.25s。步骤(2)：使用meemd方法对采集到的三种金属颗粒故障信号进行模态分解，分别得到六阶模态分量。为了筛选出包含主要故障信息的敏感imf分量，使用相关系数来剔除与故障特征无关的虚假分量。相关系数如表1所示。
[0163]
表1相关系数
[0164][0165]
根据表1可知，不同金属颗粒故障的前3阶imf分量与原信号的相关系数较大，因此可认为是信号的真实放量，用于下一步的故障特征提取。
[0166]
步骤(3)：分别计算前3阶imf分量的模糊熵(eni)和能量值(ei)，计算结果如图2所示。
[0167]
表2模糊熵与能量
[0168][0169]
步骤(4)：将一组振动信号计算得到的模糊熵和能量值组成高维特征向量，并将所有故障特征量组按照4:1的比例分为训练样本组和测试样本组后输入到bp神经网络中，诊断结果表明诊断精度可以达到97.22％，突显出本发明采用模糊熵、能量值和bp神经网络作为金属颗粒故障诊断方法的有效性。bp神经网络模型参数如表3所示
[0170]
表3bp神经网络模型参数
[0171][0172]
实施例3。
[0173]
利用振动信号诊断gil中金属颗粒故障的系统。
[0174]
系统包括：信号采集模块，模态分解模块，计算模块和故障诊断模块，
[0175]
信号采集模块用于在gil内设置金属颗粒故障，采集gil腔体外壳上金属颗粒故障的振动信号；
[0176]
模态分解模块用于使用meemd对采集到的金属颗粒故障的振动信号进行模态分解；
[0177]
计算模块用于计算各模态分量的模糊熵值和能量值；
[0178]
故障诊断模块用于利用bp神经网络，输入模糊熵和能量值融合成的高维特征向量，得到金属颗粒故障诊断结果。
[0179]
本发明的有益效果在于，与现有技术相比，
[0180]
1)本发明使用meemd分解算法既能抑制模态混叠又能提高信号的完整性，模糊熵可以有效反应金属颗粒振动信号的非线性，与能量值结合能够完整反应振动信号的特征信息。
[0181]
2)本发明结合bp神经网络的非线性映射能力和柔性的网络结构，实现gil中金属颗粒故障的准确诊断。
[0182]
3)本发明能够准确诊断gil中金属颗粒故障类型，包括但不限于单个金属颗粒故
障，更加符合实际工况，为gil金属颗粒故障诊断和评估提供依据，具有较强的工程实用性。
[0183]
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。