一种基于低压智能断路器的混合特征故障诊断方法及系统

技术领域

本发明属于低压智能断路器故障诊断技术领域，涉及一种基于低压智能断路器的混合特征故障诊断方法及系统。

背景技术

断路器在电力系统中应用广泛，其安全运行是对电网稳定运行和用户安全用电的有力保障。低压智能断路器作为控制和保护低压配电网的关键元件，是智能电网建设中不可或缺的一部分，担负着关合、承载、开断运行回路的正常工作电流、过载电流和短路电流的重要职责。随着我国智能配电网的发展，对低压智能断路器的安全性能提出了更高的要求。有数据表明，目前低压智能断路器的故障主要是机械故障，因其结构和所处地位的特殊性，通过拆卸低压智能断路器来确定低压智能断路器是否完好并不是最优方法，定期检修不能随时确定断路器是否完好且检修可能会使断路器性能劣化，因此开展低压智能断路器的故障检测技术，对提高低压智能断路器的安全性有着重要意义。

低压智能断路器是一种复杂的装置，其有很多的故障类型。归纳起来，能反映低压智能断路器的运行状态的信号有分合闸线圈电流信号、声音信号和振动信号，分合闸电流信号只可以用于检测与电磁铁相关联结构的故障，但如果故障不与电磁铁相关联则不能被分合闸电流信号反映。声音信号与振动信号相关联，振动发声，但是声音信号的传播依靠空气，在空气中传播容易导致信号信息丢失。低压智能断路器的零件运动都会产生振动，利用振动信号能反映低压智能断路器的绝大部分故障，因此低压智能断路器的振动信号是一种良好的状态信号载体，但由于低压智能断路器的振动信号的复杂性，如何高效准确的从低压智能断路器的振动信号中提取故障特征，成为一大难题，目前，绝大多数对基于振动信号的低压智能断路器故障诊断研究多采用熵作为信息特征，其中模糊熵可以更精确的描述系统的复杂程度，但是，由于单方面的特征仅能反应故障信号的部分特征，并不能利用多个特征进行故障识别，不能更全面的反应故障特征信息。

发明内容

本发明的目的在于解决现有技术中通过单方面特征来反应故障信号的部分特征，不能利用多个特征进行故障识别，导致在进行低压智能断路器的故障诊断时准确度低的问题，提供一种基于低压智能断路器的混合特征故障诊断方法及系统。

为达到上述目的，本发明采用以下技术方案予以实现：

本发明提出的一种基于低压智能断路器的混合特征故障诊断方法，包括如下步骤：

获取降噪后的振动信号，对振动信号进行分解得到振动信号的最优的分解参数；根据振动信号的最优的分解参数获取模糊熵值，并构成模糊熵特征向量；

根据振动信号的最优的分解参数的方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比，构建参数矩阵；

对参数矩阵进行奇异值分解，获取分解后的特征向量，根据分解后的特征向量和模糊熵特征向量获取混合特征向量，将混合特征向量输入至支持向量机中获取故障类型。

优选地，获取降噪后的振动信号的方法如下：

选择小波基函数作为离散小波变化的小波基，通过振动信号的最小频率f

优选地，振动信号的最优的分解参数k的获取方法如下：

将降噪后的振动信号u

其中，{u

将模态分量和模态分量的中心频率变换到频域：

其中，

优选地，获取模糊熵值，并构成模糊熵特征向量的方法如下：

确定信号采样频率为N，定义相空间维数m(m≤N-2)，重构相空间X(i)＝[u

其中，j≠i为窗口向量X(i)和X(j)之间的最大间隔；

模糊隶属函数

针对每个i求其平均值，可得

优选地，根据振动信号的最优的分解参数的方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比，构建参数矩阵的方法如下：

其中，A

优选地，对参数矩阵进行奇异值分解，获取分解后的特征向量的方法如下：

其中，∑为奇异值组成的对角阵，U和V

优选地，根据分解后的特征向量和模糊熵特征向量获取混合特征向量的方法如下：混合特征向量为F＝[Y ∑

本发明提出的一种基于低压智能断路器的混合特征故障诊断系统，包括：

模糊熵特征向量获取模块，所述模糊熵特征向量获取模块用于获取降噪后的振动信号，对振动信号进行分解得到振动信号的最优的分解参数；根据振动信号的最优的分解参数获取模糊熵值，并构成模糊熵特征向量；

参数矩阵构建模块，所述参数矩阵构建模块用于根据振动信号的最优的分解参数的方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比，构建参数矩阵；

混合特征向量获取模块，所述混合特征向量获取模块用于对参数矩阵进行奇异值分解，获取分解后的特征向量，根据分解后的特征向量和模糊熵特征向量获取混合特征向量，将混合特征向量输入至支持向量机中获取故障类型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行计算机程序时实现基于低压智能断路器的混合特征故障诊断方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于低压智能断路器的混合特征故障诊断方法的步骤。

与现有技术相比，本发明具有以下有益效果：

本发明的目的是提供一种基于低压智能断路器的混合特征故障诊断方法，联合了多种特征量对低压断路器进行诊断，采用模糊熵、方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比对故障特征进行提取，避免了特征冗余，相较于单一特征检测而言，大大提高了故障诊断准确度。通过对多种低压智能断路器振动信号的特征进行采集，克服了传统对低压智能断路器故障诊断研究较少的问题。能准确的识别低压智能断路器的故障，实现低压智能断路器的故障诊断。

本发明提出的一种基于低压智能断路器的混合特征故障诊断系统，通过将系统划分为模糊熵特征向量获取模块、参数矩阵构建模块和混合特征向量获取模块，实现故障诊断。采用模块化思想使各个模块之间相互独立，方便对各模块进行统一管理。

附图说明

为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明的基于低压智能断路器的混合特征故障诊断方法流程图。

图2为本发明的混合特征故障诊断方法流程图。

图3为本发明的SVM的基本思想图。

图4为本发明的基于低压智能断路器的混合特征故障诊断系统图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“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，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

下面结合附图对本发明做进一步详细描述：

本发明提出的一种基于低压智能断路器的混合特征故障诊断方法，如图1所示，包括如下步骤：

S1、获取降噪后的振动信号，对振动信号进行分解得到振动信号的最优的分解参数；根据振动信号的最优的分解参数获取模糊熵值，并构成模糊熵特征向量；

获取降噪后的振动信号的方法如下：

选择小波基函数作为离散小波变化的小波基，通过振动信号的最小频率f

振动信号的最优的分解参数k的获取方法如下：

将降噪后的振动信号u

其中，{u

将模态分量和模态分量的中心频率变换到频域：

其中，

获取模糊熵值，并构成模糊熵特征向量的方法如下：

确定信号采样频率为N，定义相空间维数m(m≤N-2)，重构相空间X(i)＝[u

其中，j≠i为窗口向量X(i)和X(j)之间的最大间隔；

模糊隶属函数

针对每个i求其平均值，可得

模糊度相似度函数为：

原振动信号的模糊熵为y

S2、根据振动信号的最优的分解参数的方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比，构建参数矩阵；

根据振动信号的最优的分解参数的方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比，构建参数矩阵的方法如下：

其中，A

S3、对参数矩阵进行奇异值分解，获取分解后的特征向量，根据分解后的特征向量和模糊熵特征向量获取混合特征向量，将混合特征向量输入至支持向量机中获取故障类型。

对参数矩阵进行奇异值分解，获取分解后的特征向量的方法如下：

其中，∑为奇异值组成的对角阵，U和V

根据分解后的特征向量和模糊熵特征向量获取混合特征向量的方法如下：混合特征向量为F＝[Y ∑

如图2所示，基于模糊熵和奇异值分解的低压智能断路器混合特征故障诊断方法的具体实施步骤如下：

步骤1：采集正常状态和各种故障状态的低压智能断路器振动信号x

步骤2：利用改进的小波降噪法对S1采集的振动信号x

选择具有正交性dbN系小波基函数作为离散小波变化的小波基，通过有用信号的最小频率f

步骤3：利用优化变分模态分解算法对步骤2降噪后的振动信号u

步骤31：初始化WOA算法中鲸鱼种群向量位置为[[k,a]，采用此参数对u

将降噪后的信号u

其中，{u

引入增广拉格朗日函数，并将表达式变换到频域：

其中，

在以上基础上，采用乘法算子交替方向算法迭代搜索求取问题的最优解，最终迭代更新得到K个

步骤32：计算k个IMF分量u

用WOA算法对VMD的参数k和α进行优化，初始化鲸鱼种群向量位置[k,a]，具体步骤如下：

设置鲸鱼数量N和算法迭代次数t

X

其中，r为[0,1]之间的随机向量；X

/>

其中，

鲸鱼群在搜索猎物时都是螺旋向上进行的，并且在螺旋向上的过程中，鲸鱼还会收缩自己的包围圈，考虑这两种情况，并认为选择收缩包围圈和螺旋位置更新的概率均为50％，其搜寻的位置关系表达式如下：

其中，b为常数，不同的b值对应不同的螺旋形状；l为均匀分布随机数；p为[0,1]之间的分布随机数。鲸鱼在全局进行搜索时，包围圈外的鲸鱼对猎物的搜寻具有随机性，当|A|≥1时，表明鲸鱼在包围圈外面，此时采用随机搜寻，|A|≤1，说明鲸鱼在包围圈里面，采用上述中包围圈内位置更新方式，随机搜寻更新公式如下：

式中：

适应度函数：

计算k个IMF分量的u

其中，u

步骤4：通过步骤3选取出的对应的k和α对振动信号进行分解，利用模糊熵的算法对k个IMF分别进行模糊熵值的求取，并构成模糊熵特征向量Y，Y＝[y

确定信号采样频率为N，定义相空间维数m(m≤N-2),重构相空间X(i)＝[u

/>

，且j≠i为窗口向量X(i)和X(j)之间的最大间隔。

引入模糊隶属函数

定义X(i)和X(j)之间的相关度：

且j≠i；

其中，

针对每个i求其平均值，可得

定义模糊度相似度函数为

原振动信号的模糊熵为FuzzyEn(m,n,r,N)＝lnΦ

得到模糊熵估计值为y

其中，m为重构维数；r一般为(0.1～0.25)S

步骤5：计算步骤4得到的k个IMF分量u

其中，A

信号的方差，表示信号的幅度特性，其公式为：A

其中，σ

信号的能量矩为：B

信号的一阶差分信号方差与原信号方差的比值，反映了信号的移动性，具体公式为：

其中，σ

信号的一阶导数的迁移率和原信号的迁移率之比，其表明的是每个IMF分量信号与纯正弦信号的相似度，其计算公式如下：

/>

式中，σ

步骤6：对步骤5中的参数矩阵进行奇异值分解，提取分解后的奇异值向量，奇异值分解的具体步骤如下：

式中，∑＝[diag(σ

F＝[Y ∑

步骤7：将步骤6中降维后的特征向量集划分为训练样本和测试样本，将测试样本作为支持向量机(SVM)的输入向量，训练SVM，得到对应的SVM故障分类器，再使用测试样本对训练好的支持向量机进行低压智能断路器的故障进行诊断，实现对低压智能断路器的故障识别。

一种基于强化学习的CNN网络剪枝率自动搜索方法及系统

支持向量机(SVM)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，它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，而且，SVM具有很强的学习和泛化能力，其基本思想如图3所示，其中原点和方点表示两种不同的样本，中间的ωx+b＝0为种类分界线，其中ω为超平面法向量，b为阀值，目标是将两样本分开，当分离间隔最大时，认为此时得到的超平面最优。

本步骤中，将步骤6中得到的特征向量作为训练和测试集，采用训练集对模型进行训练，得到能识别低压智能断路器故障的分类模型，利用测试集来确定所训练系统的正确度。

本发明提出的一种基于低压智能断路器的混合特征故障诊断系统，如图4所示，包括模糊熵特征向量获取模块、参数矩阵构建模块和混合特征向量获取模块；

所述模糊熵特征向量获取模块用于获取降噪后的振动信号，对振动信号进行分解得到振动信号的最优的分解参数；根据振动信号的最优的分解参数获取模糊熵值，并构成模糊熵特征向量；

所述参数矩阵构建模块用于根据振动信号的最优的分解参数的方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比，构建参数矩阵；

所述混合特征向量获取模块用于对参数矩阵进行奇异值分解，获取分解后的特征向量，根据分解后的特征向量和模糊熵特征向量获取混合特征向量，将混合特征向量输入至支持向量机中获取故障类型。

本发明一实施例提供的终端设备，该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。

所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。

所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。

所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。

所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

因此，本发明提出的一种基于低压智能断路器的混合特征故障诊断方法，联合了多种特征量对低压断路器进行诊断，采用模糊熵、方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比对故障特征进行提取，并采用奇异值分解对方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比组成的参数矩阵进行特征提取，避免了特征冗余，相较于单一特征检测而言，大大提高了故障诊断准确度。通过对多种低压智能断路器振动信号的特征进行采集，克服了传统对低压智能断路器故障诊断研究较少的问题。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。