基于FRCMDE的变压器铁芯故障声纹诊断方法及装置与流程

基于frcmde的变压器铁芯故障声纹诊断方法及装置
技术领域
1.本发明涉及电力设备故障技术领域，具体涉及一种基于frcmde的变压器铁芯故障声纹诊断方法及装置。


背景技术：

2.变压器作为电力系统中核心设备，其在复杂变化条件下的状态感知、故障预警等问题日益显露，一旦发生故障，将会造成严重的供配电问题和重大的经济损失。因此，迫切需要一种有效的故障状态诊断方法，及时发现和诊断变压器的运行状态，保证其在新型电力系统复杂环境下的安全可靠运行。
3.变压器常见故障主要包括机械故障、绝缘故障以及过热故障等，在这之中由于机械故障所导致的电气故障发生频率最高，其中铁芯故障所占比重较大，根据统计研究表明，铁芯故障在初期大多是由于机械结构问题所引起，且随着故障程度的加深会对铁芯夹紧力、绝缘造成威胁和破坏，甚至会导致铁芯多点接地等严重的电气故障出现。变压器运行时的声音信号包含大量的运行状态信息，基于声纹分析的电力变压器故障诊断方法获得了足够的重视。该方法具有状态全面感知、信息高效处理、应用便捷灵活等特征，能够有力提高电力变压器的故障识别水平，降低电力变压器的故障概率，有效防止和减少因变压器故障而导致的重大事故。


技术实现要素：

4.为了解决上述背景技术提到的技术问题，本发明提出一种基于frcmde的变压器铁芯故障声纹诊断方法，将变压器声纹数据进行逐次变分模态分解（successive variational mode decomposition，svmd）分解得到若干个本征模态分量（imf），计算每个本征模态分量的峭度和能量占比挑选出包含有用信息的本征模态分量（imf）并进行重构；求出重构信号在分析尺度的内的分数阶精细复合多尺度散布熵（frcmde），使用 fisher比剔除不同尺度下的分数阶精细复合多尺度散布熵中的冗余及无效部分，构造最优特征子集；利用podsboa对分数阶精细复合多尺度散布熵的参数和lssvm的超参进行优化并构建改进的podsboa-lssvm故障诊断模型，对最优特征子集进行识别，输出诊断结果。本方法可以非接触测量、设备安装简单、测量速度快捷、信号易于测量, 不会干扰设备正常运行。
5.为了实现上述目的，本发明采用的一个技术方案是：一种基于frcmde的变压器铁芯故障声纹诊断方法，包括以下步骤：s1、将变压器声纹数据进行逐次变分模态分解得到若干个本征模态分量，计算每个本征模态分量的峭度和能量占比挑选出包含有用信息的本征模态分量并进行重构；s2、求出重构信号在分析尺度内的分数阶精细复合多尺度散布熵；s3、使用 fisher比剔除不同尺度下的分数阶精细复合多尺度散布熵中的冗余及无效部分，构造最优尺度的特征子集；s4、利用podsboa算法对lssvm的超参进行优化，以所得最优特征子集为基础，构造
podsboa-lssvm故障诊断模型，对未知变压器声纹数据进行诊断，输出诊断结果。
6.进一步优选，步骤s2的具体过程如下：s201：设逐次变分模态分解重构后的信号序列x=[x1,x2,
⋯
xn]，n为信号序列x的长度xn为第n个数据，在复合多尺度散布熵算法中，将初始点为按[1,τ]连续地将信号划分成长度为的不重叠区域，并求每个区域的平均值，以此得到粗粒化序列；s202：计算粗粒化序列的对应散布模式概率的平均值：采用标准正态分布函数将粗粒化序列映射到[0,1]范围内的映射序列y＝[y1, y2,
⋯
,yn]，yn为第n个映射信号；即式中，μ，σ为信号序列x的期望和标准差，t为时间，xi为svmd分解重构后的第i个信号，yi为第i个映射信号；通过线性变换算法，将映射序列y映射到[1,c]范围内的整数中，得到线性变换信号，即式中，round为取整函数；c为类别个数；为第i个线性变换信号；对进行相空间重构，则嵌入向量为：式中，m为嵌入维数，d为时延, 每个映射到一个散布模式r
v0
,
v1
⋯
vm-1
，其中，, 由于散布模式r
v0
,
v1
⋯
vm-1
内含有m个元素, 每个元素可取[1,c]的任意整数，所有可能的散布模式的数量为cm；计算cm下每个散布模式r
v0
,
v1
⋯
vm-1
的概率p，即：式中，num(r
v0
,
v1
⋯
vm-1
)为对应的散布模式的个数；计算不同尺度粗粒化序列的对应散布模式概率的平均值，即：式中，为尺度τ下的第k个粗粒化序列对应的散步模式的概率,(r
v0v1
⋯
vm-1
)不同尺度下粗粒化序列对应的散步模式的平均概率；s203：计算不同尺度下的分数阶精细复合多尺度散布熵，即：式中，即(r
v0v1
⋯
vm-1
)，为gamma函数，ψ为digamma函数，α为分数阶因子。
[0007]
进一步优选，步骤 s3的具体过程如下：
s301：对变压器声纹数据的分数阶精细复合多尺度散布熵构成的特征向量集计算fisher比，即：式中，f
(k)
表示第k维的特征向量的fisher比值，表示第k维特征向量的类间离散度，表示第k维特征向量的类内离散度；s302：对fisher比进行排序，挑选出最优尺度的特征子集。
[0008]
进一步优选，步骤s4的具体过程如下：s401：把最优尺度的特征子集分为训练集和测试集；s402：改进的蝴蝶算法利用训练集对及最小二乘支持向量机的惩罚因子c和径向基内积函数参数g进行优化，得到最优参数；s403：对具有最优参数的最小二乘支持向量机进行训练，并利用测试集进行测试；s404：根据训练测试结果构建podsboa-lssvm故障诊断模型，使用podsboa-lssvm诊断模型对未知变压器声纹数据进行诊断，输出诊断结果。
[0009]
进一步优选，改进的蝴蝶算法的步骤如下：步骤a1：对蝴蝶算法搜索参数进行初始化：设置蝴蝶种群数量为n，设置算法的最大迭代次数为n1，种群边界条件[lb,ub]，寻优问题维度dim；步骤a2：根据边界条件生成初始蝴蝶种群：在边界范围，采用随机数，生成n*dim 大小的初始蝴蝶种群，通过空间对称扩增初始种群规模到2n*dim；步骤a3：适应度计算：根据适应度准则函数，计算扩增种群蝴蝶个体适应度；步骤a4：种群恢复：通过精英保留策略选取n个适应度最佳的个体记为恢复种群，找到并记录当前恢复种群的最佳个体；步骤a5：劣势种群更新：选择适应度最差的两只蝴蝶个体，对其进行交叉处理和变异操作；步骤a6：算法参数动态更新：根据当前的迭代次数按照以下公式更新感官模态β、幂指数a、动态搜索切换概率p及位置更新算子w1、w2；步骤a7：迭代寻优：若动态搜索切换概率p》rand，rand为0~1之间的随机数，对个体的位置进行全局更新；若动态搜索切换概率p《rand，对个体的位置进行局部更新；更新全局最优；步骤a8：越界检查：检查更新后的个体是否超出边界，对超出边界的新个体的位置进行界限修正；步骤a9：判断当前是否满足算法的迭代结束条件：不满足结束条件，算法转步骤a5 步骤继续执行；反之，输出当前的最优结果，算法结束。
[0010]
本发明还提供一种基于frcmde的变压器铁芯故障声纹诊断装置，包括非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述的基于frcmde的变压器铁芯故障声纹诊断方法。
[0011]
本发明提供的基于frcmde的变压器铁芯故障声纹诊断装置包括电子设备，所述电
子设备包括：一个或多个处理器以及存储器，还包括输入装置和输出装置，处理器、存储器、输入装置和输出装置通过总线或者其他方式连接，存储器为非易失性计算机可读存储介质，处理器通过运行存储在存储器中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现基于frcmde的变压器铁芯故障声纹诊断方法，输入装置接收输入的数字或字符信息，以及产生与基于frcmde的变压器铁芯故障声纹诊断装置的用户设置以及功能控制有关的键信号输入。
[0012]
本发明的有益效果是：首先，将svmd在信号处理方面的优越性和frcmde在故障特征提取方面的有效性相结合，有效滤除信号内的噪声干扰成分，并借鉴分数阶微积分的优势，将其引入到精细复合多尺度散布熵，以提高熵特征对变压器声音故障特征的敏感度；其次利用fisher比构建最优特征子集，降低特征维度；运用podsboa算法对lssvm的超参进行优化，构建了改进的podsboa-lssvm诊断模型并变压器故障噪声信号进行诊断，有效提升了变压器故障诊断的准确性。
附图说明
[0013]
图1是本发明的方法流程图。
[0014]
图2是一种电子设备的结构示意图。
具体实施方式
[0015]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0016]
如图1所示，本实施例的基于frcmde的变压器铁芯故障声纹诊断方法，包括以下步骤：s1、将变压器声纹数据进行逐次变分模态分解（successive variational mode decomposition，svmd）得到若干个本征模态分量（imf），计算每个本征模态分量的峭度和能量占比挑选出包含有用信息的本征模态分量（imf）并进行重构；s2、求出重构信号在分析尺度内的分数阶精细复合多尺度散布熵（frcmde值）；s3、使用 fisher比剔除不同尺度下的分数阶精细复合多尺度散布熵中的冗余及无效部分，构造最优尺度的特征子集；s4、利用podsboa算法对lssvm的超参进行优化，以所得最优特征子集为基础，构造podsboa-lssvm故障诊断模型，对未知变压器声纹数据进行诊断，输出诊断结果。
[0017]
本实施例步骤s1中，将变压器声纹数据进行逐次变分模态分解（successive variational mode decomposition，svmd）得到若干个本征模态分量（imf），计算每个本征模态分量的峭度和能量占比挑选出包含有用信息的本征模态分量（imf）并进行重构。具体过程为：s101：对变压器声纹数据进行逐次变分模态分解（svmd）得到若干个本征模态分量（imf）；s102：计算每个本征模态分量（imf）的峭度，其计算公式为：
每个元素可取[1,c]的任意整数，因此所有可能的散布模式的数量为cm。
[0021]
（4）计算cm下每个散布模式r
v0
,
v1
⋯
vm-1
的概率p，即式中，num(r
v0
,
v1
⋯
vm-1
)为对应的散布模式的个数。
[0022]
（5）计算不同尺度粗粒化序列的对应散布模式概率的平均值，即：式中，为尺度τ下的第τ个粗粒化序列对应的散步模式的概率,(r
v0v1
⋯
vm-1
)不同尺度下粗粒化序列对应的散步模式的平均概率；s203：计算不同尺度下的分数阶精细复合多尺度散布熵（ frcmde 值），即式中，即(r
v0v1
⋯
vm-1
)，为gamma函数，ψ为digamma函数，α为分数阶因子。
[0023]
在本实施例中，m通常取 2 或 3，c取[4,8]之间，时延d一般取 1。
[0024]
本实施例中，步骤 s3的具体过程如下：s301：对变压器声纹数据的分数阶精细复合多尺度散布熵构成的特征向量集计算fisher比，即式中，f
(k)
表示第k维的特征向量的fisher比值，表示第k维特征向量的类间离散度，表示第k维特征向量的类内离散度；s302：对fisher比进行排序，挑选出最优尺度的特征子集。
[0025]
在本实施例中，步骤s4的具体过程如下：s401：把最优尺度的特征子集分为训练集和测试集；s402：改进的蝴蝶算法(podsboa)利用训练集对及最小二乘支持向量机（lssvm）的惩罚因子c和径向基内积函数参数g进行优化，得到最优参数；s403：对具有最优参数的最小二乘支持向量机（lssvm）进行训练，并利用测试集进行测试；s404：根据训练测试结果构建podsboa-lssvm故障诊断模型，使用podsboa-lssvm诊断模型对未知变压器声纹数据进行诊断，输出诊断结果。
[0026]
本实施例中，步骤 s4所述的改进的蝴蝶算法是基于优化初始种群、改进劣势种群等种群优化策略和引入会自适应调整的动态搜索参数、引入变权重位置更新因子策略对蝴蝶算法进行组合优化，综合两种优化策略的优势，形成了基于种群优化和动态参数策略的蝴蝶算法。改进的蝴蝶算法的步骤如下：
步骤a1：对蝴蝶算法搜索参数进行初始化：设置蝴蝶种群数量为n，设置算法的最大迭代次数为n1，种群边界条件[lb, ub]，寻优问题维度dim；步骤a2：根据边界条件生成初始蝴蝶种群：在边界范围，采用随机数，生成n*dim 大小的初始蝴蝶种群，通过空间对称扩增初始种群规模到2n*dim；步骤a3：适应度计算：根据适应度准则函数，计算扩增种群蝴蝶个体适应度；步骤a4：种群恢复：通过精英保留策略选取n个适应度最佳的个体记为恢复种群，找到并记录当前恢复种群的最佳个体；步骤a5：劣势种群更新：选择适应度最差的两只蝴蝶个体，对其进行交叉处理和变异操作；步骤a6：算法参数动态更新：根据当前的迭代次数按照以下公式更新感官模态β、幂指数a、动态搜索切换概率p及位置更新算子w1、w2；步骤a7：迭代寻优：若动态搜索切换概率p》rand，rand为0~1之间的随机数，对个体的位置进行全局更新；若动态搜索切换概率p《rand，对个体的位置进行局部更新；更新全局最优；步骤a8：越界检查：检查更新后的个体是否超出边界，对超出边界的新个体的位置进行界限修正；步骤a9：判断当前是否满足算法的迭代结束条件：不满足结束条件，算法转步骤a5 步骤继续执行；反之，输出当前的最优结果，算法结束。
[0027]
本发明实施例还提供一种基于frcmde的变压器铁芯故障声纹诊断装置，包括非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意实施例中的基于frcmde的变压器铁芯故障声纹诊断方法。
[0028]
本实施例提供的基于frcmde的变压器铁芯故障声纹诊断装置包括一种电子设备，图2是本发明实施例提供的电子设备的结构示意图，该电子设备包括：一个或多个处理器100以及存储器200，图2中以一个处理器100为例。电子设备还可以包括：输入装置300和输出装置400。处理器100、存储器200、输入装置300和输出装置400可以通过总线或者其他方式连接，图2中以通过总线连接为例。存储器200为上述的非易失性计算机可读存储介质。处理器100通过运行存储在存储器200中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现基于frcmde的变压器铁芯故障声纹诊断方法。输入装置300可接收输入的数字或字符信息，以及产生与基于frcmde的变压器铁芯故障声纹诊断装置的用户设置以及功能控制有关的键信号输入。输出装置400可包括显示屏等显示设备。
[0029]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0030]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；
而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。