一种基于声振联合的GIS机械特性检测方法及系统与流程

一种基于声振联合的gis机械特性检测方法及系统
技术领域
1.本发明涉及智能变电站的智能开关状态监测领域，特别是涉及一种基于声振联合的gis机械特性检测方法及系统，用于智能变电站内gis机械状态的实时监测与故障预警。


背景技术：

2.随着超、特高压电网的建设，电力系统容量与能量的需求不断提高，对电力系统的可靠性和经济性也提出了越来越高的要求。气体绝缘金属封闭开关设备(gas insulated switchgear，gis)以其安全可靠性高、节省占地面积、检修周期长、易于维护、具有较强的环境适应能力等优点，在电网中的应用日益广泛。然而gis设备因其采用全金属封闭结构，其内部机械结构较为复杂和庞大，可能会出现安装缺陷、螺栓松动、触头接触不到位等机械故障，一旦发生故障，影响范围大且难以准确定位及快速抢修，影响故障后的设备投运，导致严重的经济损失。因此，及时有效发现gis设备内部潜伏性机械缺陷并准确研判缺陷类型及位置，对保障gis设备安全稳定运行具有重要意义。
3.gis运行时的振动信号可以有效反映其机械状态的固有特性，是表征gis机械特性的重要参量。振动信号具有不受电磁辐射干扰的优点，所以振动信号法是探究gis潜在机械缺陷特征并实现机械缺陷诊断有效方法，已经在设备机械缺陷诊断领域得到了成功应用。但是，由于gis体积较大，振动传感器为接触式检测，振动信号的采集对于布点位置的要求非常严格，较小的布点偏移将导致测量结果产生很大的变化，声音信号作为振动信号的同源信号，可通过非接触式传感器实现gis机械状态全天候监测，但其受环境噪声干扰较大，若仅利用单一的声音或振动信号对gis机械故障识别准率较低。


技术实现要素：

4.针对现有技术存在的问题，本发明提供一种基于声振联合的gis机械特性检测方法及系统，综合声音及振动信号优势，用于智能变电站内gis机械特性的实时监测与故障预警。
5.为了解决所述技术问题，本发明采用的技术方案是：第一方面，本发明提供一种基于声振联合的gis机械特性检测方法，包括以下步骤：s1：采集运行状态下gis的声音信号和振动信号；s2：对所述步骤si采集的声音信号进行去噪处理，滤除环境噪声；s3：将步骤s2得到声音信号和步骤s1得到的振动信号进行经验模态分解（emd），计算各本征模态分量（imf）的相关系数，保留主要分量；s4：通过希尔伯特算法提取imf包络线，并计算主要imf包络能量熵作为特征向量；s5：，将声音和振动信号特征向量分别输入到libsvm中，对gis进行局部诊断，依据其内部诊断原则形成基本概率分配（bpa）；s6：为了突出各信号在后续数据融合时的优势，并削弱数据融合时可能带来的冲突，将每个信号的总分类正确率作为权重系数与基本概率分配相结合，构成加权概率分配；
s7：通过d-s证据理论将各信号的加权概率分配融合，获得最终诊断结果。
6.进一步地，所述步骤s1中，采集声音信号所用的设备为非接触式声音传感器，采集振动信号所用设备为iepe加速度传感器；进一步地，所述步骤s2采用盲源分离法去除鸟鸣、说话等瞬时干扰；进一步地，所述步骤s3的emd分解包括以下步骤：a、令原始信号为x(t)，获取其所有极大值点和极小值点，对这两类点用插值的方式分别拟合原始信号的波形，分别连接x(t))所有极大值点、极小值点构造上包络线、下包络线；b、计算上下包络线的平均值，并计算差值，若满足imf分量的条件，则令为第一个imf，并进入下一个循环；c、若不满足条件，将x(t)=，并重复步骤a和步骤b，直到获得第一个imf，记作；d、为计算下一个imf分量，需要将从原始信号x(t)中分离出来，得到可以继续分解的信号：；e、将替代需要分解的信号，重复循环步骤a-d，循环至满足结束条件，得到第二个imf，记作。重复上述步骤，最终得到k个满足条件的imf分量和残差，原始信号x(t)表示为：，其中为第k阶imf分量，为残差。
7.更进一步地，步骤e中，所述的结束条件为的极值点数小于两个。
8.更进一步地，分解得到的imf分量需要满足以下两个条件：条件一、在所需要分解的信号中，极点数和过零点数的差值需要控制在一个以内；条件二、在任意时刻，信号中由极大值点插值所构建的上包络线和极小值点所构建的下包络线均值为零。
9.进一步地，所述步骤s4计算imf包络能量熵包括以下步骤：a、利用希尔伯特变换提取imf包络线，即，其中为imf分量的希尔伯特变换，a(t)为imf分量的包络线；b、将各imf包络线以同等时间长度分为n段，计算各分段能量：，其中为第l段的包络能量，l∈[1,n]，为各分段的端点；s43）、将各分段能量进行归一化处理，获得各分段包络能量占整个本征模态分量包络能量比为：；
s44）、计算本征模态分量包络能量熵为：，式中，hk为第k阶imf包络能量熵，第1～k阶imf包络能量熵构成gis机械状态特征向量：。
[0010]
进一步地，所述步骤s5中libsvm内部采用“一对一”的多分类策略，通过投票形式判断故障类型，具体为任意两类别间构造一个svm，个类别构造个。每个svm为输入其中的证据投票，记每个证据得到的票数为，设识别框架为，为的基元，其全部子集记作，其中，gis正常安装为，安装缺陷为，螺栓松动为，触头接触不到位为，对于，称为的基本概率分配，构造基本概率分配函数为：，式中，，{1安装正常，2安装缺陷，3螺栓松动，4触头接触不到位}，为第i个信号认为发生第j种故障的概率，即基本概率分配。
[0011]
进一步地，所述步骤s6重新构造加权概率分配包括以下步骤，：a、引入各信号总分类正确率作为权重系数，计算式为，式中:（i=1声音信号，i=2振动信号）为第i个信号的总分类正确率；为第i个信号正确诊断测试样本数；为第i个信号总测试样本数。
[0012]
b、对于重新构造的加权概率分配函数:，，。
[0013]
进一步地，所述步骤s7中两加权概率分配函数融合结果为：，式中:为声音信号的加权概率分配，为振动信号的加权概率分配。最后，通过比较概率值大小即可完成故障类型诊断，概率值越大，代表发生该故障的可能性越大。
[0014]
第二方面，本发明提供了一种基于声振联合的gis机械特性检测系统，包括：数据采集单元，用于采集gis的声音信号和振动信号，包括声音传感器和振动传感器。
[0015]
信号处理单元，用于gis声音和振动信号的数字化转化。
[0016]
分析诊断单元，支持对接收声音和振动信号的分析，包括声音和振动信号预处理、特征提取、异常诊断等。
[0017]
进一步地，所述数据采集单元将采集到的声音和振动信号通过有线或无线等方式传输给分析诊断单元。
[0018]
进一步地，所述分析诊断单元，包括特征提取单元、svm模型单元、数据存储单元和显示单元；所述的特征提取单元对采集到的声音和振动信号进行emd分解，并求取分解后
imf包络能量熵，所述的imf包络能量熵作为特征向量代入svm模型模块中形成基本概率分配，所述的基本概率分配重新构造各信号的加权概率分配，所述各信号的加权概率分配通过d-s证据理论融合，获得最终诊断结果。所述数据存储单元用于对原始声音和振动信号与诊断结果等信息存储，所述显示单元用于声音和振动信号图谱、诊断结果等信息的可视化处理，实现对存储信息的查看或操作。
[0019]
本发明的有益效果：本发明提供一种基于声振联合的gis机械特性检测方法及系统，对gis机械特性实现多参量动态联合分析，支持机理特征于与工智能无缝融合，由“传统人工评价”向“数据智能驱动”转变，实现智能辅助决策，提高gis运行可靠性。
附图说明
图1为实施例1所述检测方法的流程图；图2为实施例2所述检测系统的原理框图。
具体实施方式
[0020]
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0021]
实施例1：参照图1，一种基于声振联合的gis机械特性检测方法，其包括以下步骤：s1、采集运行状态下gis的声音信号和振动信号；s2、对所述步骤s1采集的声音信号采用盲源分离等方法进行去噪处理，滤除鸟声、说话声等环境噪声；s3、将步骤s2得到声音信号和步骤s1得到的振动信号进行emd分解，计算各本征模态分量（imf）的相关系数，保留主要分量；s4、通过希尔伯特算法提取声音信号和振动信号的imf包络线，并计算主要imf包络能量熵作为声音信号和振动信号的特征向量；s5、将声音和振动信号特征向量分别输入到libsvm中，对gis进行局部诊断，依据其内部诊断原则形成基本概率分配（bpa）；s6：为了突出各信号在后续数据融合时的优势，并削弱数据融合时可能带来的冲突，引入声音信号和振动信号的总分类正确率作为权重系数与基本概率分配相结合，构成加权概率分配；s7：通过d-s证据理论将声音信号和振动信号的加权概率分配融合，获得最终诊断结果。
[0022]
emd分解包括以下步骤：a、令原始的声音信号或者振动信号为x(t)，获取其所有极大值点和极小值点，对这两类点用插值的方式分别拟合原始声音信号或者振动信号的波形，分别连接x(t))所有极大值点、极小值点构造上包络线、下包络线；b、计算上下包络线的平均值，并计算差值，
若满足imf分量的条件，则令为第一个imf，并进入下一个循环；c、若不满足条件，将x(t)=，并重复步骤a和步骤b，直到获得第一个imf，记作；d、为计算下一个imf分量，需要将从原始信号x(t)中分离出来，得到可以继续分解的信号：；e、将替代需要分解的信号，重复循环步骤a-d，循环至满足结束条件，所述的结束条件为的极值点数小于两个，得到第二个imf，记作。重复上述步骤，最终得到k个满足条件的imf分量和残差，原始信号x(t)表示为：，其中为第k阶imf分量，为残差。
[0023]
本实施例中，分解得到的imf分量需要满足以下两个条件：条件一、在所需要分解的信号中，极点数和过零点数的差值需要控制在一个以内；条件二、在任意时刻，信号中由极大值点插值所构建的上包络线和极小值点所构建的下包络线均值为零。
[0024]
imf包络能量熵包括以下步骤：a、利用希尔伯特变换提取imf包络线，即，其中为imf分量的希尔伯特变换，a(t)为imf分量的包络线；b、将各imf包络线以同等时间长度分为n段，计算各分段能量：，其中为第l段的包络能量，为各分段的端点。
[0025]
c、将各分段能量进行归一化处理，获得各分段包络能量占整个imf 包络能量比为：d、计算imf包络能量熵为：式中，hk为第k阶imf包络能量熵。第1～k阶imf包络能量熵构成gis机械状态特征向量：。
[0026]
基本概率分配函数计算包括以下步骤：libsvm内部采用“一对一”的多分类策略，通过投票形式判断故障类型，具体为任意两类别间构造一个svm，个类别构造个。每个svm为输入其中的证据投票，记每个证据得到的票数为，设识别框架为，为的基元，其全部子集记作，其中，gis正常安装为，安装缺陷为，螺栓松动为，触头接触不到位为，对于，称为的基本概率分配，构造基本概率分配函数为：
，式中，，{1安装正常，2安装缺陷，3螺栓松动，4触头接触不到位}，e
ij
为第i个信号认为发生第j种故障的概率，即基本概率分配。
[0027]
重新构造加权概率分配函数包括以下步骤：a、引入各信号总分类正确率作为权重系数，计算式为，式中:（i=1声音信号，i=2振动信号）为第i个信号的总分类正确率；为第i个信号正确诊断测试样本数；为第i个信号总测试样本数。
[0028]
b、对于重新构造的加权概率分配函数:，。
[0029]
两加权概率分配函数融合结果为：，式中:为声音信号的加权概率分配，为振动信号的加权概率分配。最后，通过比较概率值大小即可完成故障类型诊断，概率值越大，代表发生该故障的可能性越大。
[0030]
在具体实施的过程中，选择正常运行的gis与已知故障类型的gis声音和振动信号作为样本集，并以3：1的比例划分训练样本和测试样本，训练支持向量机模型。在综合诊断正确率与计算量的情况下保留声音和振动信号前6阶imf做后续分析，将两种信号的imf包络能量熵作为特征向量，其中分段数量n选择10段，熵值大小反映该分量的能量分布均匀程度，数值越大代表能量分布越均匀。
[0031]
gis的声音和振动信号依次进行经过声音信号和振动信号处理、经验模式分解处理、imp包络能量熵处理和svm模型模块初步诊断，bpa权重分配，d-s证据理论融合分析，得到信号的故障类型。
[0032]
实施例2：参照图2，一种基于声振联合的gis机械特性检测系统，包括：数据采集单元1，用于采集gis的声音信号和振动信号。
[0033]
信号处理单元2，用于gis声音和振动信号的数字化转化。
[0034]
分析诊断单元3，支持对接收声音和振动信号的分析，包括声音和振动信号预处理、特征提取、异常诊断等。
[0035]
具体地，所述数据采集单元1包括声音传感器11和振动传感器12，声音传感器为非接触式，检测频带应至少涵盖50hz至20khz范围，振动传感器为iepe加速度传感器，灵敏度为10 mv/g，量程为
±
500 g。所述数据采集单元1将采集到的声音和振动信号通过有线或无线等方式经信号处理单元2传输给分析诊断单元3。
[0036]
具体地，所述信号处理单元应具备至少4个采样通道，每个通道采样率应不小于48khz。
[0037]
具体地，所述分析诊断单元3包括特征提取单元31、svm模型单元32、数据存储单元33、显示单元34。
[0038]
所述的特征提取单元31对采集到的声音和振动信号进行emd分解，并求取分解后
imf包络能量熵，所述的imf包络能量熵作为特征向量代入svm模型模块32中形成基本概率分配，所述的基本概率分配重新构造各信号的加权概率分配，所述各信号的加权概率分配通过d-s证据理论融合，获得最终诊断结果，并将该结果保存于所述存储单元33内，所述显示单元34用于声音和振动信号图谱、诊断结果等信息的可视化处理，实现对存储信息的查看或操作。
[0039]
以上，描述的仅是本发明的基本原理和优选实施例，本领域技术人员根据本发明做出的改进和替换，属于本发明的保护范围。

技术特征：
1.一种基于声振联合的gis机械特性检测方法，其特征在于：包括以下步骤：s01）、采集运行状态下gis的声音信号和振动信号；s02）、对步骤s01）采集的声音信号进行去噪处理，滤除环境噪声；s03）、将步骤s02）得到声音信号和步骤s01）得到的振动信号进行经验模态分解，计算各本征模态分量的相关系数，保留主要分量；s04）、通过希尔伯特算法提取本征模态分量包络线，并计算主要本征模态分量包络能量熵作为特征向量；s05）、将声音和振动信号特征向量分别输入到libsvm中，对gis进行局部诊断，依据其内部诊断原则形成基本概率分配；s06）、将每个信号的总分类正确率作为权重系数与基本概率分配相结合，构成加权概率分配；s07）、通过d-s证据理论将各信号的加权概率分配融合，获得最终诊断结果。2.根据权利要求1所述的基于声振联合的gis机械特性检测方法，其特征在于：步骤s03）的经验模态分解包括以下步骤：s31 ）、令原始声音信号或振动信号为x(t)，获取其所有极大值点和极小值点，对这两类点用插值的方式分别拟合原始声音信号或振动信号的波形，连接x(t)所有极大值点、极小值点构造上包络线、下包络线；s32）、计算上下包络线的平均值，并计算差值，若满足本征模态分量的条件，则令为第一个本征模态分量，并进入下一个循环；s33）、若不满足条件，将x(t)=，并重复步骤s31）和步骤s32），直到获得第一个本征模态分量，记作；s34）、为计算下一个本征模态分量，需要将从原始信号x(t)中分离出来，得到可以继续分解的信号：；s35）、将替代需要分解的信号，重复循环步骤s01）至s04），循环至满足结束条件，得到第二个本征模态分量，记作，重复上述步骤，最终得到k个满足条件的本征模态分量和残差，原始信号x(t)表示为：，其中为第k阶本征模态分量，为残差。3.根据权利要求2所述的基于声振联合的gis机械特性检测方法，其特征在于：步骤s35）中，所述的结束条件为的极值点数小于两个。4.根据权利要求2所述的基于声振联合的gis机械特性检测方法，其特征在于：分解得到的本征模态分量满足以下两个条件：条件一、在所需要分解的信号中，极点数和过零点数的差值控制在一个以内；条件二、在任意时刻，信号中由极大值点插值所构建的上包络线和极小值点所构建的下包络线均值为零。
5.根据权利要求2所述的基于声振联合的gis机械特性检测方法，其特征在于：步骤s04）计算本征模态分量包络能量熵包括以下步骤：s41）、利用希尔伯特变换提取本征模态分量包络线，即，其中为本征模态分量的希尔伯特变换，a(t)为本征模态分量的包络线；s42）、将各本征模态分量包络线以同等时间长度分为n段，计算各分段能量：，其中为第l段的包络能量，l∈[1,n]，为各分段的端点；s43）、将各分段能量进行归一化处理，获得各分段包络能量占整个本征模态分量包络能量比为：；s44）、计算本征模态分量包络能量熵为：，式中，h
k
为第k阶本征模态分量包络能量熵，第1～k阶本征模态分量包络能量熵构成gis机械状态特征向量：。6.根据权利要求1所述的基于声振联合的gis机械特性检测方法，其特征在于：步骤s05）中，libsvm内部采用一对一的多分类策略，通过投票形式判断故障类型，具体为任意两类别间构造一个svm，个类别构造个，每个svm为输入其中的证据投票，记每个证据得到的票数为，设识别框架为，为的基元，其全部子集记作，其中，gis正常安装为，安装缺陷为，螺栓松动为，触头接触不到位为，对于，称为的基本概率分配，构造基本概率分配函数为：，式中，，{1安装正常，2安装缺陷，3螺栓松动，4触头接触不到位}，为第i个信号认为发生第j种故障的概率，即基本概率分配。7.根据权利要求6所述的基于声振联合的gis机械特性检测方法，其特征在于：步骤s06）重新构造加权概率分配包括以下步骤；s61）、引入各信号总分类正确率作为权重系数，计算式为：，式中:（i=1声音信号，i=2振动信号）为第i个信号的总分类正确率；为第i个信号正确诊断测试样本数；为第i个信号总测试样本数；s62）、对于重新构造的加权概率分配函数:，。8.根据权利要求7所述的基于声振联合的gis机械特性检测方法，其特征在于：所述s07)中两加权概率分配函数融合结果为：
，式中:为声音信号的加权概率分配，为振动信号的加权概率分配，最后，通过比较概率值大小即可完成故障类型诊断，概率值越大，代表发生该故障的可能性越大。9.一种基于声振联合的gis机械特性检测系统，其特征在于：包括：数据采集单元，用于采集gis的声音信号和振动信号，包括声音传感器和振动传感器；信号处理单元，用于gis声音和振动信号的数字化转化；分析诊断单元，支持对接收声音和振动信号的分析，包括声音和振动信号预处理、特征提取、异常诊断；分析诊断单元包括特征提取单元、svm模型单元；特征提取单元对采集到的声音和振动信号进行经验模态分解，并求取分解后本征模态分量包络能量熵，本征模态分量包络能量熵作为特征向量代入svm模型模块中形成基本概率分配，所述的基本概率分配重新构造各信号的加权概率分配，所述各信号的加权概率分配通过d-s证据理论融合，获得最终诊断结果。10.根据权利要求9所述的基于声振联合的gis机械特性检测系统，其特征在于：数据采集单元将采集到的声音信号和振动信号通过有线或无线的方式传输给分析诊断单元。

技术总结
本发明公开一种基于声振联合的GIS机械特性检测方法及系统，采集GIS的声音信号和振动信号，依次经过声音信号和振动信号处理、经验模式分解处理、IMP包络能量熵处理和SVM模型模块初步诊断，BPA权重分配，D-S证据理论融合分析，得到信号的故障类型。本发明对GIS机械特性实现多参量动态联合分析，支持机理特征于与工智能无缝融合，由传统人工评价向数据智能驱动转变，实现智能辅助决策，提高GIS运行可靠性。提高GIS运行可靠性。提高GIS运行可靠性。


技术研发人员：刘子婷 姜良刚 吕腾飞 韩克俊 李军 傅春明 平阳乐 张国珍
受保护的技术使用者：国家电网有限公司 国网江苏省电力有限公司超高压分公司 山东电工电气集团数字科技有限公司
技术研发日：2023.03.15
技术公布日：2023/9/22