[發明專利]一種基于機械狀態信號分析的GIS機械故障診斷方法

有效

• 申請號: 201811511042.6
• 申請日: 2018-12-11
• 公開（公告）號: CN109635428B
• 公開（公告）日: 2022-12-06
• 發明（設計）人: 艾春;林少漢;劉成寶;洪曉燕;洪鵬鵬
• 申請（專利權）人: 紅相股份有限公司
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G01H17/00;G06F111/08
• 代理公司: 泉州市博一專利事務所(普通合伙) 35213
• 代理人: 方傳榜

1.一種基于機械狀態信號分析的GIS機械故障診斷方法，其特征在于,包括以下步驟：

步驟1：對GIS運行狀態下的振動信號進行采集；

步驟2：利用極點對稱模態分解法ESMD對采集的振動信號進行分解，得到各模態函數IMF；

步驟3：利用相對熵從步驟2所得各IMF中選取若干真實IMF；首先計算各IMF與原始振動數據的相對熵值，選取相對熵值小于0.2的IMF作為真實IMF：

步驟3.1：對于X＝[x₁，x₂，x₃，…，x_n]和原始振動數據Y＝[y₁，y₂，y₃，…，y_n]兩組數據，X的真實概率密度函數為采用非參數核密度估計法求解數據概率密度，公式為：

式中，h為常數；K[·]為高斯核函數；同理，Y的真實概率密度函數可表示為則這兩組數據的接近程度可定義為：

由此這兩組數據的相對熵為：

步驟3.2：根據步驟3.1分別計算各IMF與原始振動數據Y的相對熵；

步驟3.3：選取相對熵不超過0.2對應的IMF作為真實IMF；

步驟4：利用Hilbert變換提取所篩選的各真實IMF中包含的特征向量；

步驟5：利用粗糙集理論對特征向量進行屬性約簡并建立診斷決策表；

步驟6：利用診斷決策表輔助神經網絡建立GIS機械故障智能診斷模型。

2.根據權利要求1所述的一種基于機械狀態信號分析的GIS機械故障診斷方法，其特征在于：所述步驟2包括：

步驟2.1：標記待處理的原始振動數據Y的所有局部極值點，用線段連接所有相鄰的極值點，標出它們的中點為F_j，j＝1,2,…,n’-1；n’為局部極值點總數，并補充左邊界中點F_j0與右邊界中點F_jn’，對各局部極值點對應線段構造插值曲線L；

步驟2.2：將Y減去L，重復步驟2.1，直至滿足終止條件，從而分解獲取模態分量M₁；

步驟2.3：把Y-M₁信號作為原信號進行所述步驟2.1，步驟2.2處理，可得M₁，M₂，M₃，…，M_i和余量R；

步驟2.4：篩選次數K在設定范圍內變換，重復上述步驟2.1至步驟2.3，計算與K值對應的Y-R的方差σ以及輸入信號的標準偏差σ₀，選取方差比率σ/σ₀最小時所對應的K值為最佳篩選次數，重復上述步驟2.1至步驟2.3，獲得ESMD最優分解結果所對應的全部IMF及余量R。

3.根據權利要求1所述的一種基于機械狀態信號分析的GIS機械故障診斷方法，其特征在于，所述步驟4中：將選取的各真實IMF分量進行Hilbert變換得到Hilbert邊際譜，求取Hilbert邊際譜的平方得到Hilbert邊際譜能量作為特征向量。

4.根據權利要求3所述的一種基于機械狀態信號分析的GIS機械故障診斷方法，其特征在于，包括：

步驟4.1：對每個IMF分量運用Hilbert變換進行頻譜分析，得到信號的瞬時頻率；

步驟4.2：將殘余函數省略，Re表示取實部，a_i(t)為幅值函數，φ_i(t)為相位函數，可得Hilbert譜：

步驟4.3：定義Hilbert邊際譜，取Hilbert邊際譜的平方得到Hilbert邊際譜能量作為特征向量，定義如下：

5.根據權利要求1所述的一種基于機械狀態信號分析的GIS機械故障診斷方法，其特征在于，所述步驟5中，根據待約簡空間的決策屬性給出粗糙近似度的定義以及條件屬性重要性程度量化方式，在此基礎上,依據條件屬性的重要性進行條件屬性快速約簡。