[發明專利]一種真空開關機械故障診斷方法、系統、設備及可讀存儲介質

在審

• 申請號: 202110732873.1
• 申請日: 2021-06-29
• 公開（公告）號: CN113435351A
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 王勇;蘇海博;鄭方晴;張宇;劉俊翔;顧樂;王紅斌;黃慧紅;葉建斌;曹浩恩
• 申請（專利權）人: 廣東電網有限責任公司廣州供電局
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G01M13/00
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 朱海臨

本發明公開了一種真空開關機械故障診斷方法、系統、設備及可讀存儲介質，通過獲取不同真空快速開關的不同機械故障狀態下的分閘振動信號，對獲取的分閘振動信號進行S變換，得到S變換二維復數時頻矩陣，然后對S變換二維復數時頻矩陣進行求模運算得到S變換模矩陣，對模矩陣進行劃分后對子矩陣進行奇異值分解，將S變換、奇異值分解及信息熵理論相結合，計算最大奇異值能量熵，最后采用隨機森林集成學習算法作為分類器，將特征向量輸入隨機森林模型中進行故障分類和診斷，與不同特征量和分類器比較后的結果表明，本文提出的真空快速開關機械故障診斷方法特征一致性好，分類準確率高、速度快。

技術領域

本發明屬于高壓電器故障檢測技術領域，具體涉及一種真空開關機械故障診斷方法、系統、設備及可讀存儲介質。

背景技術

近年來，隨著直流電網的發展，高壓真空斷路器在電網中的應用越來越廣泛。然而，傳統的斷路器操動機構無法滿足直流電網的快速開斷要求。因此，一種基于渦流斥力原理的新型電磁斥力機構真空快速開關應運而生。目前，對該機構的研究主要集中在特性分析、結構優化以及能量轉化效率方面。然而，電磁斥力機構由于動作時間短、速度快、沖擊力大，很容易對其緩沖裝置以及斷路器造成破壞而發生機械故障，但其故障診斷方面的研究還比較少。

目前，高壓電器設備的故障診斷主要是利用易采集、信噪比較高、傳感器安裝簡便的振動信號。故障診斷包括三個步驟：首先對振動信號進行時頻分析，然后從中提取有效特征量，最后經過機器學習方法進行分類。目前使用較多的時頻分析方法包括小波包分解(WPD)和經驗模態分解(EMD)。然而WPD分解易受噪聲干擾并且難以選擇小波基函數，同時對信號的分解沒有自適應性；另外，小波包還存在頻帶能量泄露的問題。EMD是一種自適應的時頻局部化分析方法，卻存在模態混疊和端點效應現象，影響特征量的有效性；對其進行的集合經驗模態分解(EEMD)能夠在一定程度上抑制模態混疊，但添加的白噪聲不能被完全中和，不具有完備性。S變換是一種新興的時頻分析方法，目前在斷路器故障診斷領域已有應用。然而，S變換中相對固定的高斯窗限制了其時頻分辨率。已有研究中所用振動信號特征量主要包括信號包絡、能量和時頻熵等。然而這些特征量都不能完全反映振動信號本身的特征。故障分類使用的機器學習方法主要包括神經網絡(ANN)、支持向量機(SVM)和相關向量機(RVM)。但ANN所需訓練樣本過大，且容易出現過學習和局部最優；SVM的分類效果取決于核函數的選擇，不同的參數尋優算法也對結果有較大影響；而RVM樣本訓練時間相比SVM較長，且核函數選擇缺乏理論指導。因此，有必要尋找一種新的故障診斷模型，以實現對真空快速開關中的機械故障進行快速、準確的判斷。

發明內容

本發明的目的在于提供一種真空開關機械故障診斷方法、系統、設備及可讀存儲介質，以克服現有技術的不足。

為達到上述目的，本發明采用如下技術方案：

一種真空開關機械故障診斷方法，包括以下步驟：

S1，獲取不同真空快速開關的不同機械故障狀態下的分閘振動信號，對獲取的分閘振動信號進行S變換，得到S變換二維復數時頻矩陣，然后對S變換二維復數時頻矩陣進行求模運算得到S變換模矩陣；

S2，對S變換模矩陣進行矩陣分割得到多個子矩陣；

S3，對每個子矩陣進行奇異值分解，得到奇異值矩陣，將S變換模矩陣中第i行、第j列對應的子矩陣的最大奇異值進行歸一化處理，得到最大奇異值能量熵，以求得的最大奇異值能量熵作為輸入向量輸入隨機森林集成學習模型進行故障快速診斷。

進一步的，通過加速度傳感器對真空快速開關分閘時產生的振動信號按采樣時間t、采樣頻率f進行采樣，得到不同狀態的分閘振動信號。

進一步的，對得到的振動信號進行S變換時頻分析，公式為：

其中，x(t)為輸入信號，τ為位移因子，f為頻率，a和b共同控制高斯窗的窗寬。