断路器故障判断方法、装置及设备与流程

1.本技术涉及断路器故障判断技术领域，尤其涉及一种断路器故障判断方法、装置及设备。


背景技术：

2.气体断路器是电网运行的重要设备，具有控制与保护的作用，气体断路器性能的可靠性关系到整个电网运行的安全与稳定。因此，科学地评估判断气体断路器的运行状态，不仅能够为电力运维部门制定检修策略提供依据，也可以为制造企业提供改进方向。断路器的振动信号是断路器状态信息的重要载体，其内部的很多损伤特征都会由其振动信号反映。现有技术中通过非线性动力学方法，如样本熵、排列熵、模糊熵等对断路器振动信号进行分析和评估，但是这些方法所获取的故障信号特征不够全面、丰富，对断路器故障判断不够准确。


技术实现要素：

3.为至少在一定程度上克服相关技术中通过非线性动力学方法对断路器振动信号进行分析和评估时，获取的故障信号特征不够全面、丰富，导致对断路器故障判断不够准确的问题，本技术提供一种断路器故障判断方法、装置及设备。
4.本技术的方案如下：
5.根据本技术实施例的第一方面，提供一种断路器故障判断方法，包括：
6.获取断路器振动信号；
7.基于预设算法确定计算层次多尺度散布熵所需的计算参数；
8.根据所述计算参数，计算所述振动信号的层次多尺度散布熵作为所述振动信号的信号特征矩阵；
9.根据所述信号特征矩阵训练故障判断模型，所述故障判断模型用于根据输入的振动信号输出故障判断结果。
10.优选地，所述获取断路器振动信号后，所述方法还包括：
11.基于小波包阈值降噪方法对所述振动信号进行分解重构。
12.优选地，所述基于小波包阈值降噪方法对所述振动信号进行分解重构，包括：
13.在多个小波包分解基函数中确定适用于所述振动信号的优选小波包分解基函数；
14.确定分解层次，基于所述优选小波包分解基函数对所述振动信号进行小波包分解，得到多个小波分解系数；
15.确定门限阈值，根据所述门限阈值对所述小波分解系数进行量化；
16.根据低频的小波分解系数和经过量化处理后的高频的小波分解系数进行对振动信号重构。
17.优选地，所述预设算法为鸟群优化算法；
18.所述基于预设算法确定计算层次多尺度散布熵所需的计算参数，包括：
19.将所述计算参数作为鸟群最优位置，对所述鸟群优化算法进行种群初始化，并设置所述鸟群优化算法的各项参数；
20.使所述鸟群优化算法以所述鸟群最优位置为优化目标进行迭代；
21.在所述鸟群优化算法满足迭代停止条件时输出最终鸟群最优位置。
22.优选地，所述迭代停止条件为达到预设最大迭代次数或预设最小错分率。
23.优选地，所述计算参数包括：嵌入维数、类别个数、分解层数和尺度因子。
24.优选地，所述根据所述计算参数，计算所述振动信号的层次多尺度散布熵作为所述振动信号的信号特征矩阵，包括：
25.对所述振动信号进行层次分解；
26.确定所述振动信号各层各节点的层次分量；
27.计算各所述层次分量在所述尺度因子下的复合粗粒化序列；
28.根据所述嵌入维数和所述类别个数计算各所述复合粗粒化序列的散布熵；
29.根据全部计算参数计算全部复合粗粒化序列散布熵的平均值，得到所述层次多尺度散布熵。
30.优选地，所述根据所述信号特征矩阵训练故障判断模型，包括：
31.根据所述信号特征矩阵生成信号特征向量集；
32.将所述信号特征向量集按照预设比例划分为训练集和测试集；
33.基于所述训练集训练所述故障判断模型；
34.基于所述测试集对训练完成的所述故障判断模型进行测试。
35.根据本技术实施例的第二方面，提供一种断路器故障判断装置，包括：
36.获取模块，用于获取断路器振动信号；
37.参数确定模块，用于基于预设算法确定计算层次多尺度散布熵所需的计算参数；
38.特征生成模块，用于根据所述计算参数，计算所述振动信号的层次多尺度散布熵作为所述振动信号的信号特征矩阵；
39.模型训练模块，用于根据所述信号特征矩阵训练故障判断模型，所述故障判断模型用于根据输入的振动信号输出故障判断结果。
40.根据本技术实施例的第三方面，提供一种断路器故障判断设备，包括：
41.处理器和存储器；
42.所述处理器与存储器通过通信总线相连接：
43.其中，所述处理器，用于调用并执行所述存储器中存储的程序；
44.所述存储器，用于存储程序，所述程序至少用于执行如以上任一项所述的一种断路器故障判断方法。
45.本技术提供的技术方案可以包括以下有益效果：本技术中的断路器故障判断方法，包括：获取断路器振动信号，基于预设算法确定计算层次多尺度散布熵所需的计算参数；根据计算参数，计算振动信号的层次多尺度散布熵作为振动信号的信号特征矩阵，根据信号特征矩阵训练故障判断模型，故障判断模型用于根据输入的振动信号输出故障判断结果。由于本技术中，计算振动信号的层次多尺度散布熵作为振动信号的信号特征矩阵，可以兼顾振动信号不同层次及不同频段上的的多尺度故障信号特征。本技术中获取的故障信号特征相较于现有技术更加全面、丰富，因此对断路器故障判断也更加准确。
46.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
47.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
48.图1是本技术一个实施例提供的一种断路器故障判断方法的流程示意图；
49.图2是本技术一个实施例提供的一种断路器故障判断装置的结构示意图；
50.图3是本技术一个实施例提供的一种断路器故障判断设备的结构示意图；。
51.附图标记：获取模块-21；参数确定模块-22；特征生成模块-23；模型训练模块-24；处理器-31；存储器-32。
具体实施方式
52.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
53.实施例一
54.图1是本实施例一个实施例提供的一种断路器故障判断方法的流程示意图，参照图1，一种断路器故障判断方法，包括：
55.s11：获取断路器振动信号；
56.具体实施时，在断路器外壳上安装加速度传感器，采集正常状态和各种故障状态的断路器振动信号，并建立信号数据库。
57.需要说明的是，在获取断路器振动信号后，方法还包括：基于小波包阈值降噪方法对所述振动信号进行分解重构。
58.小波包阈值降噪方法是一种信号降噪处理方法，本实施例中采集的原始振动信号中含有大量的背景噪声，则原始信号s(i)可以表示为：
59.s(i)＝f(i)+σe(i),i∈[0,n-1]
[0060]
式中：s(i)为振动信号；f(i)为振动信号中的有用信息；e(i)为振动信号中的噪声信号；σ为系数。
[0061]
f(i)通常集中在低频或稳定频率段，而e(i)则表现为高频的特征，而利用小波包分解可以对包含有大量低高频信息的含噪信号进行时频上的局部化分解。
[0062]
小波包阈值降噪方法提供了一种灵活的分析手段，对信号进行小波包分解时，可以采用多种小波包分解基函数，通常根据分析信号要求从中确定最优的一种小波包分解基函数，即最优基(即本实施例中的优选小波包分解基函数)。最优基的选择标准为熵标准，在小波工具箱中可通过besttree函数进行最优基的选择。
[0063]
本实施例中应用小波包阈值降噪方法的具体流程如下：在多个小波包分解基函数中确定适用于振动信号的优选小波包分解基函数；确定分解层次，基于优选小波包分解基函数对振动信号进行小波包分解，得到多个小波分解系数；确定门限阈值，根据门限阈值对
小波分解系数进行量化；由于振动信号中的有用信息通常集中在低频或稳定频率段，振动信号中的噪声信号通常集中在高频率段，所以本实施例中根据低频的小波分解系数和经过量化处理后的高频的小波分解系数进行对振动信号重构。
[0064]
s12：基于预设算法确定计算层次多尺度散布熵所需的计算参数；
[0065]
需要说明的是，本实施例中的预设算法可以为鸟群优化算法，蚁群优化算法等优化算法，优选地，本实施例中选用鸟群优化算法为预设算法进行说明。
[0066]
基于预设算法确定计算层次多尺度散布熵所需的计算参数，包括：
[0067]
将计算参数作为鸟群最优位置，对鸟群优化算法进行种群初始化，并设置鸟群优化算法的各项参数；使鸟群优化算法以鸟群最优位置为优化目标进行迭代；在鸟群优化算法满足迭代停止条件时输出最终鸟群最优位置。
[0068]
具体的鸟群优化算法流程如下：
[0069]
将计算参数作为鸟群最优位置，对鸟群优化算法进行种群初始化，并设置鸟群优化算法的各项参数，如当迭代数t＝0时，设置鸟群规模n＝20，最大迭代数m＝30，初始化飞行频率fq，觅食频率p和鸟群优化算法中的常量(认知加速系数c，社会加速系数s，0～2之间的正整数fl、正数a1和正数a2)。
[0070]
根据下式(1)所示的适应度函数计算并比较鸟群的适应度值，确定鸟群个体最优位置和鸟群整体最优位置：
[0071][0072]
式中xi为错误分类样本数；xc为正确分类样本数；fitness(i)为第i只鸟的当前适应度值；当fitness(i)取到最大值时，对应的鸟群个体最优位置为p
i,j
，同时对应的鸟群整体最优位置为gj。
[0073]
通过判断t
×
fq/100是否存在余数，执行迭代运算并确定位置更新公式。具体如下：
[0074]
若t
×
fq/100存在余数，则随机生成一个均匀分布数。当随机数小于觅食频率p时，鸟群个体将执行觅食行为，位置更新公式如式(2)；当随机数大于或等于觅食频率p时，鸟群个体保持警戒行为，位置更新公式如式(3)：
[0075][0076]
式中rand(0,1)为0到1之间的一个均匀分布随机数。
[0077][0078]
式中为第t次迭代鸟群个体的位置；为第t+1次迭代鸟群个体的位置；pfiti为第i只鸟的最优适应度值；sumfit为鸟群的最优适应度值之和；ε为避免方程分母为0的最小常数；k(k≠1)为1到n之间的一个正整数；meanj表示整个鸟群平均位置的第个元素。
[0079]
若t
×
fq/100不存在余数，当鸟群个体为生产者时，位置更新公式如式(4)；当鸟群个体为乞讨者时，位置更新公式如(5)：
[0080][0081][0082]
式中randn为一种产生随机数或矩阵的函数，randn(0,1)表示生成均值为0、标准差为1的高斯分布随机数；k∈[1,2,3,...,n],k≠i。
[0083]
根据上述步骤的准则，更新每个鸟群个体的位置。若当前鸟群个体位置优于历史鸟群最优个体位置，则将鸟群最优个体位置替换为当前鸟群个体位置。否则，保留历史鸟群最优个体位置继续鸟群更新。
[0084]
具体实施时，迭代停止条件为达到预设最大迭代次数或预设最小错分率。若达到预设最大迭代次数或预设最小错分率，则整个优化过程结束，输出当前鸟群的最优位置，即为计算层次多尺度散布熵所需的计算参数。
[0085]
s13：根据计算参数，计算振动信号的层次多尺度散布熵作为振动信号的信号特征矩阵；
[0086]
需要说明的是，计算振动信号的层次多尺度散布熵的计算参数包括：嵌入维数m、类别个数c、分解层数k和尺度因子τ。
[0087]
基于此，根据计算参数，计算振动信号的层次多尺度散布熵作为振动信号的信号特征矩阵，包括：对振动信号进行层次分解；确定振动信号各层各节点的层次分量；计算各层次分量在尺度因子下的复合粗粒化序列；根据嵌入维数和类别个数计算各复合粗粒化序列的散布熵；根据全部计算参数计算全部复合粗粒化序列散布熵的平均值，得到层次多尺度散布熵。
[0088]
可以理解的是，层次多尺度散布熵是一种将层次分解、多尺度粗粒化分析相结合的信号特征提取方法，相比于传统的信号特征提取方法能够更好、更全面的获取信号特征。
[0089]
具体实施过程如下：
[0090]
对于振动信号{x(i),i＝1,2,...,n}，定义一个平均算子q0和差分算子q1：
[0091][0092][0093]
式中2n-1为该算子的长度，n为正整数，q0(x)和q1(x)分别表示振动信号在第一层分解中的低频成分和高频成分。
[0094]
为了描述信号的层次分析，定义第k层算子的(j取0或1)矩阵形式为：
[0095]
[0096]
为了获得层次分解过程中各层的层次分量x
k,e
，需要反复使用上述定义的算子，同时需要定义一个一维向量[γ1,γ2,...,γk]和一个整数值其中{γ
p
,p＝1,2,...,k}∈{0,1}表示第p层的平均算子或差分算子。基于此，第k层的第e个节点的层次分量可表示为：
[0097][0098]
计算各层次分量x
k,e
在尺度因子τ下的复合粗粒化序列：
[0099][0100][0101]
根据嵌入维数和类别个数计算各复合粗粒化序列的散布熵，再根据全部计算参数计算全部复合粗粒化序列散布熵的平均值，得到层次多尺度散布熵：
[0102][0103]
式中右半部分de(
·
)为散布熵运算；左半部分hmde(
·
)为全部复合粗粒化序列散布熵的平均值运算其单位为nat；m为嵌入维数，c为类别个数，d为时间延迟(s)，k为分解层数，e为节点，τ为尺度因子。
[0104]
s14：根据信号特征矩阵训练故障判断模型，故障判断模型用于根据输入的振动信号输出故障判断结果。
[0105]
需要说明的是，可以根据信号特征矩阵生成信号特征向量集；将信号特征向量集按照预设比例划分为训练集和测试集；基于训练集训练故障判断模型；基于测试集对训练完成的故障判断模型进行测试。
[0106]
具体实施时，可以选用支持向量机训练故障判断模型，支持向量机由线性可分发展而来，其目的是得到支持向量机中的最优超平面，其具有很强的分类和预测能力，比人工神经网络更适用于小样本的分类，所以更适用于本实施例中的信号特征矩阵训练。当然，实施时也可以选用其他机器学习模型进行训练，本实施例中不做限定。
[0107]
可以理解的是，本实施例中的断路器故障判断方法，包括：获取断路器振动信号，基于预设算法确定计算层次多尺度散布熵所需的计算参数；根据计算参数，计算振动信号的层次多尺度散布熵作为振动信号的信号特征矩阵，根据信号特征矩阵训练故障判断模型，故障判断模型用于根据输入的振动信号输出故障判断结果。由于本实施例中，计算振动信号的层次多尺度散布熵作为振动信号的信号特征矩阵，可以兼顾振动信号不同层次及不同频段上的的多尺度故障信号特征。本实施例中获取的故障信号特征相较于现有技术更加全面、丰富，因此对断路器故障判断也更加准确。
[0108]
实施例二
[0109]
图2是本实施例一个实施例提供的一种断路器故障判断装置的结构示意图，参照图2，一种断路器故障判断装置，包括：
[0110]
获取模块21，用于获取断路器振动信号；
[0111]
参数确定模块22，用于基于预设算法确定计算层次多尺度散布熵所需的计算参数；
[0112]
特征生成模块23，用于根据计算参数，计算振动信号的层次多尺度散布熵作为振动信号的信号特征矩阵；
[0113]
模型训练模块24，用于根据信号特征矩阵训练故障判断模型，故障判断模型用于根据输入的振动信号输出故障判断结果。
[0114]
断路器故障判断装置，还包括：
[0115]
预处理模块，用于对振动信号进行预处理。
[0116]
可以理解的是，本实施例中的断路器故障判断装置，通过获取模块21获取断路器振动信号，通过参数确定模块22基于预设算法确定计算层次多尺度散布熵所需的计算参数；通过特征生成模块23根据计算参数，计算振动信号的层次多尺度散布熵作为振动信号的信号特征矩阵，通过模型训练模块24根据信号特征矩阵训练故障判断模型，故障判断模型用于根据输入的振动信号输出故障判断结果。由于本实施例中，计算振动信号的层次多尺度散布熵作为振动信号的信号特征矩阵，可以兼顾振动信号不同层次及不同频段上的的多尺度故障信号特征。本实施例中获取的故障信号特征相较于现有技术更加全面、丰富，因此对断路器故障判断也更加准确。
[0117]
实施例三
[0118]
图3是本实施例一个实施例提供的一种断路器故障判断设备的结构示意图，参照图3，一种断路器故障判断设备，包括：
[0119]
处理器31和存储器32；
[0120]
处理器31与存储器32通过通信总线相连接：
[0121]
其中，处理器31，用于调用并执行存储器32中存储的程序；
[0122]
存储器31，用于存储程序，程序至少用于执行以上任一实施例中的一种断路器故障判断方法。
[0123]
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
[0124]
需要说明的是，在本技术的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本技术的描述中，除非另有说明，“多个”的含义是指至少两个。
[0125]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0126]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场
可编程门阵列(fpga)等。
[0127]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0128]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0129]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0130]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0131]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。