好文档 - 专业文书写作范文服务资料分享网站

基于VMD模糊熵和SVM的高压断路器故障诊断

天下 分享 时间: 加入收藏 我要投稿 点赞

基于VMD模糊熵和SVM的高压断路器故障诊断

张燕珂1, 王 萱2, 万书亭2

【摘 要】为了有效提取高压断路器振动信号的特征,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)模糊熵和支持向量机(Support Vector Machine, SVM)的特征向量提取方法,并采用SVM分类器对断路器的故障类型进行识别。首先,使用VMD对断路器的振动信号进行分解,得到若干个模态分量;然后,计算每一个模态分量的模糊熵,将其组成特征向量;最后,将上述特征向量导入到SVM分类器中进行训练,得到训练好的SVM模型,使用该模型对断路器4种运行状态下的样本数据进行故障识别。结果表明,基于VMD模糊熵的特征向量提取方法所提取出的特征向量相对基于经验模态分解(Empirical Mode Decomposition, EMD)样本熵的特征向量提取方法所提取出的特征向量可分性较好;在小样本的模式识别中,SVM相比于BP神经网络,具有更高的识别精度,能够有效识别断路器的故障。 【期刊名称】电力科学与工程 【年(卷),期】2024(035)004 【总页数】7

【关键词】断路器; VMD; 模糊熵; 特征提取; 故障诊断

基金项目:国家自然科学基金资助项目(51777075);国网浙江省电力有限公司科技项目(5211MR170004)

0 引言

高压断路器作为电力系统中重要的保护与控制电器,其性能的可靠性对整个电网运行的安全性具有重大意义。相关的调查表明,高压断路器的重大故障中有

将近一半的故障是由于操作机构发生故障引起的,所以对高压断路器操作机构的故障机理及其诊断方法进行研究对于提高断路器运行的可靠性具有重要意义[1]。高压断路器在分合闸过程中所产生的振动包含了操作机构的状态信息,针对其振动信号展开分析可发现断路器操作机构的故障信息,现已有大量文献提出利用振动信号来对断路器进行故障诊断[2-4]。实践证明,通过对高压断路器的振动信号进行采集、提取和分析来对高压断路器进行故障诊断是一种有效的方法。然而,断路器在分合闸过程中所产生的振动信号是一种非线性、非平稳的信号,夹杂着大量的噪声和干扰,很难提取到有效的故障特征信息[5]。而现有的传统信号分析方法都或多或少的存在着很大的局限性和不足,小波分析需要预先设定基函数和分解尺度,其本质是窗口可调傅里叶变换,易受临近谐波分量影响[6]。经验模态分解(Empirical Mode Decomposition, EMD)是二十世纪末期提出的一种分析非线性、非平稳信号的方法,能够根据原始信号本身特性通过迭代的方式自适应地获取基函数与分解层次,但存在如模态混叠、端点效应等缺点[7]。鉴于此,文献[8]提出了一种新的非递归式自适应模态分解算法——变分模态分解(Variational Mode Decomposition, VMD)。文献[9]将VMD应用于转子故障特征提取中。文献[10]将VMD和1.5维谱相结合,应用到滚动轴承的故障诊断中。

熵是一种度量时间序列复杂度的非线性动力学参数,时间序列产生新模式的概率越大,其复杂度越高,其熵值也越大[11]。对于断路器而言,断路器不同运行状态下振动信号的复杂性不同,产生新模式的概率不同,因此其熵值也不同。可以考虑将断路器不同运行状态下振动信号的熵值作为特征量。模糊熵是文献[12]在样本熵的基础上所提出的改进算法,它采用模糊隶属度函数代替了单位

阶跃函数作为阈值判据,并在时间序列的重构过程中添加了去均值处理过程,解决了基线漂移的干扰,增强了统计结果的稳定性[13]。模糊熵已经广泛应用于故障诊断领域中,所以本文采用模糊熵作为断路器振动信号的特征向量。支持向量机(Support Vector Machine, SVM)在解决小样本、非线性及高维数等模式识别问题时具有明显优势,已广泛应用于故障诊断领域中,所以本文采用SVM对断路器的运行状态进行识别。由于单一维数的模糊熵无法全面准确地反映断路器的运行状态,本文提出了一种基于VMD模糊熵和SVM的特征向量提取及模式识别方法。首先,利用将断路器的振动信号进行分解,得到若干个模态分量;然后,计算各个模态分量的模糊熵并将其进行组合,作为表征断路器振动信号特征的特征向量;最后,将得到的特征向量输入SVM中,进行模式识别。

1 变分模态分解

VMD通过构造并求解约束变分问题实现原始信号的分解,有效缓解或避免了EMD算法在递归模式分解过程中存在的一系列问题,具有较高的运算效率以及良好的噪声鲁棒性[14]。VMD的分解过程即变分问题的构造和求解,其中变分问题的构造步骤为:①对于每一个模态分量uk,通过Hilbert变换得到其解析信号;②对各解析信号一个预估中心频率,将各解析信号的频谱变换到基频带上;③利用频移信号的高斯平滑指标估计各模态分量的带宽。 (1)

式中:{uk}={u1,u2,…,uK}为分解得到的K个模态分量;{ωk}={ω1,ω2,…,ωK}为各模态分量的频率中心。

为求解上述变分问题,引入二次惩罚因子α和拉格朗日乘法算子λ(t),将约束

基于VMD模糊熵和SVM的高压断路器故障诊断

基于VMD模糊熵和SVM的高压断路器故障诊断张燕珂1,王萱2,万书亭2【摘要】为了有效提取高压断路器振动信号的特征,提出了一种基于变分模态分解(VariationalModeDecomposition,VMD)模糊熵和支持向量机(SupportVectorMachine,SVM)的特征向量提取方法,并采用SVM
推荐度:
点击下载文档文档为doc格式
4kpvv3uu9n9vfqx3d4pq7px008twst015dh
领取福利

微信扫码领取福利

微信扫码分享