[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN118568653A - 基于多特征参量的组合电器开关设备状态感知与故障诊断方法 - Google Patents

基于多特征参量的组合电器开关设备状态感知与故障诊断方法 Download PDF

Info

Publication number
CN118568653A
CN118568653A CN202411063446.9A CN202411063446A CN118568653A CN 118568653 A CN118568653 A CN 118568653A CN 202411063446 A CN202411063446 A CN 202411063446A CN 118568653 A CN118568653 A CN 118568653A
Authority
CN
China
Prior art keywords
stage
signal
lightgbm
value
gis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202411063446.9A
Other languages
English (en)
Inventor
赵彤
曹什
王晓龙
张远涛
孙滢
刘亚迪
孟硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202411063446.9A priority Critical patent/CN118568653A/zh
Publication of CN118568653A publication Critical patent/CN118568653A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
    • G01R31/3275—Fault detection or status indication
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

基于多特征参量的组合电器开关设备状态感知与故障诊断方法，涉及组合电器开关设备的故障诊断技术领域，根据GIS设备的振动、电流和声音信号的联合特征值对机械故障进行精确诊断。通过计算振动信号子阶段特征值异常率的方法，确定机械缺陷所在振动子阶段，从而缩小故障搜索范围，定位机械故障，实现对机械故障的初步判断。通过SSA‑LightGBM聚类学习算法，融合电流信号、振动信号和声音信号的多维特征信号的特征向量导入SSA‑LightGBM故障诊断模型，相较于传统的机器学习算法，精确率高、分类效果好，实现对GIS不同分合闸机械状态的有效识别。

Description

基于多特征参量的组合电器开关设备状态感知与故障诊断 方法
技术领域
本发明涉及组合电器开关设备的故障诊断技术领域，具体地说是一种基于多特征参量的组合电器开关设备状态感知与故障诊断方法。
背景技术
自GIS设备进入电力市场，学者们进行了大量的GIS放电性故障诊断研究，近些年才开始对GIS设备机械故障进行研究。主要的研究方法是在实验室的GIS设备上模拟GIS常见的机械缺陷，并通过采集GIS的振动或者声音信号对其进行分析，进而判断GIS的机械故障类型。常见的检测方法包括振动信号检测法和声音信号检测法。（1）振动信号检测法；振动信号是设备机械状态的重要表征。GIS在正常运行时，由于电动力的作用，其外壳会产生基频为100Hz的振动信号，当GIS设备存在安装不当、元器件磨损等机械缺陷时，GIS会产生长期的异常机械振动，可以通过对外壳振动信号的采集和分析检测到异常振动的存在。（2）声音信号检测法：GIS内部存在机械故障时，不仅会产生异常振动，还会引起设备异响。经验丰富的现场工作人员往往可以通过听设备的声音判断设备的机械故障，声音信号检测法就是用声音传感器替代人耳采集设备声音，通过信号特征提取及故障诊断模型进行设备机械状态的识别。与振动信号检测方法相比，声音信号检测不易受传感器安装位置的影响，且为非接触式安装，实际应用中更加方便。尽管振动信号和声音信号在GIS设备机械故障诊断领域有较多的应用，但振动信号检测法存在安装不方便，检测结果受传感器安装位置影响较大等缺点，而声音信号检测法存在易受环境噪声干扰的缺点。因此，通过把振动和声音信号结合进行故障诊断能够取得更好的诊断效果。
目前针对GIS绝缘故障的诊断方法很多，且较为成熟。机械故障作为GIS设备的主要故障，目前相关的研究却不够充分。机械故障在初期往往是不容易被发现的，但随着故障的演化，可能会导致设备发生绝缘放电，从而引发更大的设备故障。所以，GIS机械缺陷是不容忽视的，虽然机械缺陷前期不会引起任何故障，但长期发展下去就会演变为严重的电气故障，危害电网的安全稳定运行。因此，对GIS设备的各种机械故障进行系统性的研究并根据机械故障特点提出合适的故障诊断方法是至关重要的。
在故障诊断领域，利用多传感信息融合技术比单一信号的故障诊断结果更加精确，近年来，在电气设备的状态监测中得到了广泛应用。例如，目前对GIS断路器机械故障进行诊断存在的缺陷是：
（1）目前的断路器机械故障诊断方法都是针对常规断路器的，很少有对GIS内部断路器的机械故障诊断的研究。
（2）对断路器操动机构早期机械缺陷的定位与识别问题尚缺乏深入研究，针对断路器振动信号的分析大多数方法都是传统的线性时间序列分析方法，而非线性时间序列分析方法（例如混沌理论的相空间重构技术）对断路器振动信号更加适用。目前对断路器振动信号进行相空间重构提取故障特征的方法，在对断路器缺陷进行定位方面尚不够精确。
（3）目前对断路器的监测大多是单一信号的监测与分析，对断路器机械故障的监测不够全面，且容易受到现场环境的干扰导致诊断结果不准，可靠性不高。
发明内容
本发明的目的在于提供一种基于多特征参量的组合电器开关设备状态感知与故障诊断方法，首先通过对比振动信号特征值异常率和基准值对机械缺陷所在振动子阶段进行定位和初步识别，然后根据GIS设备的振动、电流和声音信号的联合特征值对GIS机械故障进行精确诊断。
本发明解决其技术问题所采取的技术方案是：基于多特征参量的组合电器开关设备状态感知与故障诊断方法，包括以下步骤：
S1、多维信号特征采集
S1.1、采集GIS设备分合闸状态的振动信号、电流信号和声音信号；
S1.2、GIS设备振动子阶段划分
根据GIS设备操动机构零部件动作时序，对振动信号分时分割处理，得到四个振动子阶段，分别为：阶段1-掣子脱扣阶段、阶段2-弹簧释放阶段、阶段3-机构传动阶段和阶段4-机构制动阶段；
S1.3、构建故障数据集
提取振动信号、电流信号和声音信号的特征参量并联合得到多维信号特征向量E；
S2、GIS设备缺陷定位
S2.1、提取步骤S1.2中各子阶段的振动信号；
S2.2、对振动子阶段的振动信号按照相空间重构的方法计算其混沌特征LLE及相轨迹特征ACD、VDO；
S2.3、计算特征值异常率k，即未知信号振动子阶段的特征值与正常信号相应振动子阶段的特征值的偏差的百分比；
（1）
其中，表示待测信号特征值，表示正常信号的特征值。
比较特征值异常率k和异常率界限值的大小，当某一振动子阶段的特征值异常率k大于异常率界限值时，表明故障位于该振动子阶段内；
S3、基于LightGBM模型计算F1得分指标优化LightGBM模型
S3.1、构建LightGBM模型
通过单边梯度采样算法、互斥特征捆绑算法、直方图算法和具有深度限制的按叶增长策略对梯度提升树算法优化得到LightGBM模型；
S3.2、选择F1得分指标作为LightGBM模型参数优化的指标
S3.3、优化LightGBM模型参数
使用麻雀搜索算法对LightGBM的超参数：学习率learning_rate、树的深度max_depth、叶子节点的个数num_leaves和subsample进行优化，subsample用于训练弱学习器，得到各参数的最优值；
S4、基于SSA-LightGBM故障诊断模型对GIS机械故障进行诊断
将振动信号、电流信号和声音信号输入SSA-LightGBM故障诊断模型，获得GIS断路器状态。
进一步地，步骤S1.3的具体步骤为：
S1.3.1、将提取的GIS设备分合闸线圈电流信号的7个时域特征作为特征向量E1；
S1.3.2、将GIS设备振动信号四个子阶段的混沌特征和相轨迹特征共12维特征作为特征向量E2；
S1.3.3、将PCA降维处理后的声音信号的9维F-GFCC系数作为特征向量E3；
S1.3.4、最后，将电流信号、振动信号和声音信号的特征向量联合得到多维信号特征向量E。
进一步地，梯度提升树算法的步骤包括：
输入一个给定的训练集，最大迭代次数为M，损失函数为；
（1）初始化模型，c为常量
(1)
（2）对于迭代次数时：
a、计算当前迭代次数的负梯度：
(2)
b、根据训练集构建一棵CART决策树，对于第t棵决策树的每一个叶节 点，损失函数的最小输出值根据以下公式计算：
(3)
其中，表示第m棵CART决策树的叶结点区域，J为叶结点的个数；
c、更新模型的计算公式如下：
(4)
I为指示函数，当数据属于Rm j时I=1，否则I=0；
（3）计算得到最终的强化学习器
。 (5)
进一步地，根据样本的真实类别和故障诊断模型的预测结果类别划分为真正例（TP）、假正例（FP）、真反例（TN）和假反例（FN）四种情况，F1得分指标F_score为精准率和召回率的调和平均值，计算公式如下：
(6)
其中，P为精准率，R为召回率；
精准率是某一种类别的预测结果中，分类正确的数量与该类别所有分类结果的比值，计算公式如下：
(7)
召回率是某一实际类别中，分类正确的样本数与该类别所有分类结果的比值，计算公式如下：
。(8)
进一步地，麻雀搜索算法对参数的优化方式为：
发现者的位置更新如下：
(9)
式中，t表示当前的迭代次数；T为最大迭代次数；α是(0,1)之间的均匀随机数；Q是服从标准正态分布的随机数；L是1×d且元素全部为1的矩阵；R2∈[0,1]表示警告值；ST∈[0.5,1]表示安全值；
加入者位置更新如下：
(10)
式中，表示第t次迭代时的全局最差位置；表示第t+1次迭代时发现者的最 佳位置；N表示种群规模；A表示一个1×d且每个元素随机赋值为1或者-1的矩阵，且满足；
侦察者位置更新如下：
(11)
式中，表示第t次迭代时的全局最佳位置；β表示步长控制参数，它是一个正态分 布的随机数，均值为0，方差为1；K为[-1,1]之间的随机数；fi代表当前麻雀的适应度；fg代表 当前麻雀种群的最佳适应度；fw代表当前麻雀种群最差的适应度。
本发明的有益效果是：通过计算振动信号子阶段特征值异常率的方法，确定机械缺陷所在振动子阶段，从而缩小故障搜索范围，定位机械故障，实现对机械故障的初步判断。通过SSA-LightGBM聚类学习算法，融合电流信号、振动信号和声音信号的多维特征信号的特征向量导入SSA-LightGBM故障诊断模型，相较于传统的机器学习算法，精确率高、分类效果好，实现对GIS不同分合闸机械状态的有效识别。
附图说明
图1为合闸阶段电磁铁松动故障各阶段计算特征值异常率图；
图2为分闸机械缺陷信号各阶段特征值异常率图；
图3为直方图算法图；
图4为按层生长策略图；
图5为按叶生长策略图；
图6为采用SSA算法寻找LightGBM最优参数构建基于SSA-LightGBM的GIS机械故障诊断模型，对GIS设备不同分合闸机械状态进行故障类型识别的流程图；
图7为测试集分类结果图；
图8为SSA-LightGBM故障诊断模型分类混淆矩阵图；
图9为LightGBM模型主要超参数及最优值图；
图10为不同类型样本标签图；
图11为测试集样本诊断结果图；
图12为不同模型诊断准确率图。
具体实施方式
下面结合附图，以GIS断路器为例，对本发明的基于多特征参量的组合电器开关设备状态感知与故障诊断方法进行详细描述：
S1、多维信号特征采集
S1.1、采集GIS断路器分合闸状态的振动信号、电流信号和声音信号。
S1.2、GIS断路器振动子阶段划分
根据GIS操动机构零部件动作时序，对振动信号分时分割处理，得到四个振动子阶段。
阶段1：掣子脱扣阶段（0～10ms）
掣子脱扣阶段包含的事件为断路器收到分闸命令，分闸电磁铁动铁心吸合，带动分闸导杆撞击分闸掣子；
阶段2：弹簧释放阶段（10～50ms）
弹簧释放阶段分闸掣子脱扣后，分闸弹簧能量释放，机构解列；
阶段3：机构传动阶段（50～60ms）
机构传动阶段弹簧释放的能量通过拐臂使得主轴传动轴转动，带动断路器触头分离；
阶段4：机构制动阶段（60～200ms）
机构制动阶段动触头运动到最低位置后，在缓冲器及分闸弹簧的共同作下不断震荡，动触头逐渐恢复平稳，分闸操作完成。
S1.3、构建故障数据集
提取振动信号、电流信号和声音信号的特征参量。
S1.3.1、将提取的断路器分合闸线圈电流信号的7个时域特征作为特征向量E1；
S1.3.2、将GIS断路器振动信号四个子阶段的混沌特征和相轨迹特征共12维特征作为特征向量E2；
S1.3.3、将PCA（主成分分析算法Principle Component Analysis）降维处理后的声音信号的9维F-GFCC（Fisher weighted Gammatone Filter Cepstral Coefficient，费舍尔加权伽马通滤波器倒谱系数）系数作为特征向量E3；
S1.3.4、最后，将电流信号、振动信号和声音信号的特征向量联合得到多维信号特征向量E。
S2、GIS断路器缺陷定位
S2.1、提取步骤S1.2中各子阶段的振动信号；
S2.2、对振动子阶段的振动信号按照相空间重构的方法计算其混沌特征LLE及相轨迹特征ACD、VDO。
S2.3、计算特征值异常率k，即，未知信号振动子阶段的特征值与正常信号相应振动子阶段的特征值的偏差的百分比；
（1）
其中，表示待测信号特征值，表示正常信号的特征值。
比较特征值异常率k和异常率界限值的大小，当某一振动子阶段的特征值异常率k大于异常率界限值时，表明故障位于该振动子阶段内。
例如，对合闸阶段电磁铁松动故障各阶段计算特征值异常率，如图1所示。从图1中可以看出阶段1的三个特征值异常率都在20%以上，而其它几个阶段下的特征值异常率都在10%以下。将异常率界限值设定为15%，如果特征值异常率超过15%，则认为该子阶段信号异常，从而实现对机械缺陷的定位。在工程实际应用时，可对振动信号分时分割处理后，计算各振动子阶段的特征值异常率，从而确定机械缺陷所发生的子阶段，再对该子阶段动作的机械零部件进行检查，从而可以快速准确地定位机械故障零部件。
再如，对分闸信号分阶段处理提取特征值之后发现，操动机构卡涩缺陷下的振动信号，机构传动阶段的特征值与正常状态差异较大，而对于分闸缓冲器松动缺陷下的振动信号，机构制动阶段的特征值与正常状态差异较大，计算两种运行状态下的各振动子阶段的特征值异常率k，如图2所示。由特征值异常率变化图可以看出，对于操动机构卡涩缺陷下的振动信号，机构传动阶段的特征值异常率最大且大于15%，而其它阶段都在界限值15%以下，因此，可以定位机械缺陷发生在机构传动阶段。而对于分闸缓冲器松动缺陷下的振动信号，只有机构制动阶段的特征值异常率在界限值之上，可以定位机械缺陷发生在机构制动阶段。而缓冲器是机构制动阶段的主要动作部件，因此，现场工作人员据此可快速定位是分闸缓冲器发生了异常。操动机构卡涩缺陷主要影响分闸机构传动阶段的混沌特性及吸引子形态，而缓冲器松动缺陷主要影响分闸机构制动阶段的混沌特性及吸引子形态，这与断路器的机械零部件动作特点相符合。
通过提取振动信号各个阶段的吸引子形态特征与正常运行时对比，计算各振动子阶段的特征值异常率的方法，有助于快速确定异常信号所在的振动子阶段。根据断路器零部件的动作过程，初步定位发生故障的零部件。但，此种根据特征值异常率定位振动子阶段的判别方式只是一种对故障初步定位的方法，且定位仅使用了振动信号，能够识别的GIS断路器机械故障类型及识别的准确率比较有限。因此，为了提高故障诊断结果的准确性，得到较为可靠的识别结果，仍然需要建立多特征参量融合特征向量，并通过机器学习算法建立可靠的故障诊断模型，实现对GIS机械故障的全面准确的诊断。
S3、基于LightGBM（Light Gradient Boosting Machine）模型计算F1（平衡F分数）得分指标优化LightGBM模型
S3.1、构建LightGBM模型
在机器学习算法中，为了提升单一学习器的性能，提出了通过构建多个单一学习器来完成学习任务，从而获得更加优越的性能，这种方法就是集成学习（ensemblelearning）。集成学习的思想是即便其中一个弱分类器的预测结果出现了错误，也可以由其它分类器对其进行纠正，从而得到正确的分类结果。集成学习主要分为两大类，Bagging（套袋法）和Boosting（提升法）。
Bagging的本质是对一个样本空间进行随机有放回的抽样，从而得到一些独立的训练样本，这样能增强样本的扰动性，经过多轮抽样训练后会形成多个估计，对多个估计进行平均，从而降低估计的方差，使得学习器的泛化特性增强。
Boosting的主要思想是将弱分类器组装成一个强分类器，通过初始训练集训练出一个基学习器，根据基学习器的表现对训练样本分布进行调整，得到最终的强化学习器。Boosting的应用广泛，其中自适应增强（Adaptive Boosting，AdaBoost）、梯度提升树（Gradient Boosting Decision Tree，GBDT）和极端梯度提升（Extreme GradientBoosting，XGBoost）应用较多。而GBDT作为一种迭代的决策树算法，由多颗决策树组成，通常是CART（classification and regression tree，分类回归树）回归树，也称为GBDT的基学习器，GBDT通过把所有树的结论累加起来做出最终结论，它在被提出之初就和SVM（Support Vector Machines,支持向量机）一起被认为是泛化能力较强的算法。
GBDT的基本思路是：在迭代过程中，每轮迭代产生一个弱分类器，每个分类器在上 一轮分类器的残差基础上进行训练。假设前一轮迭代得到的强学习器是，损失函数 是，本轮迭代的目标是找到一个CART回归树模型的弱分类器，使得本轮 的损失函数最小。hm(x)是第m棵决策树，fm（x）=fm-1（x）+hm （x）。
对于损失函数的拟合问题，GBDT算法提出通过损失函数的负梯度值来 拟合损失的近似值，进而拟合CART回归树。在迭代过程中，第m轮迭代时，第i个输入样本损 失函数的负梯度由以下公式表示：
(2)
gm k是负梯度。
GBDT算法的流程如下：
输入一个给定的训练集，最大迭代次数为M，损失函数为。
（1）初始化模型，C是所有训练样本标签值的均值，为常量；fo（x）是初始学习器。
(3)
（2）对于迭代次数时：
a、计算当前迭代次数的负梯度：
(4)
b、根据训练集构建一棵CART决策树，对于第m棵决策树的第j个叶节点， 叶节点参数根据以下公式计算：
(5)
其中，表示第m棵CART决策树的叶结点区域，J为叶结点的个数，Cm j 为第m棵决策树第j个叶节点的参数。
c、更新模型的计算公式如下：
(6)
I为指示函数，当数据属于Rm j时I=1，否则I=0。
（3）计算得到最终的强化学习器
(7)
LightGBM（Light Gradient Boosting Machine）是基于集成学习中的GBDT算法的改进。LightGBM通过单边梯度采样(Gradient-based One-Side Sampling，GOSS)算法、互斥特征捆绑(Exclusive Feature Bundling，EFB)算法、直方图算法和具有深度限制的按叶增长策略实现对GBDT算法的优化。
GOSS算法的基本思想是保留梯度大的样本，对梯度小的样本进行随机抽样。首先， 根据损失函数梯度绝对值对样本排序，取前a%的大梯度数据作为一个子集A，然后在剩余的 小梯度样本中随机抽取b%的数据作为子集B；接着，对小梯度样本乘以常数，这样 算法对训练不足的样本关注度会提高，从而不需要改变太多原始数据的分布。高维数据通 常非常稀疏，特征之间存在互斥性，对模型的有效性和运行速度有一定的影响。
EFB算法的基本思想是通过将相互排斥的特征捆绑为单个特征来降低特征维数，从而解决高维数据的稀疏性问题。
为了解决GBDT算法寻找合适的分割点时需要遍历所有数据的信息增益从而导致的效率低下、可扩展性差问题，LightGBM使用直方图搜索最优分割点集具有深度限制的按叶生长策略。
（1）GBDT算法寻找最优分割点，先对数据预排序，在排序后的特征上枚举所有特征点，再根据信息增益搜索最优分割点，效率较低。而直方图算法的基本思想是将连续的特征值离散化为K个整数，同时构造一个宽度为K的直方图，如图3所示。在遍历数据的过程中，将离散化后的值作为索引在直方图中累积统计量，在遍历一次数据后，直方图累积了需要的统计量，再根据直方图的离散值，寻找最优分割点。直方图的数量远小于数据的数量，通过直方图算法寻找最优分割点耗费的时间及内存更小。
（2）GBDT算法采用按层生长策略，对同一层的叶子同时进行分割，虽然这样可以避免过拟合问题，但由于按层生长策略对同一层级的叶子处理时不加区分，导致增加了数据处理的难度，降低了算法的计算效率。LightGBM算法采用叶状生长策略，每次只对所有叶子中信息增益最大的叶节点进行分裂，而其它的叶子节点不分裂。这种分裂方式相比于传统的按层分裂误差更小，算法的学习速度更快，提高了算法的分类精度，防止了过拟合现象的发生，并且LightGBM算法通过在训练过程中加入最大深度参数来限制最大深度参数。按层生长策略如图4所示，按叶生长策略如图5所示。
假设一个由N个样本组成的训练集，其中表示 输入的数据，表示输出结果。LightGBM算法的目的是找到一个映射关系来近似函数，从而使损失函数最小。目标函数表示为：
(8)
其中，是损失函数，表示正则项，不同于GBDT的快速下 降法，LightGBM使用牛顿法快速逼近目标函数，公式（8）推导为：
(9)
其中，代表一阶损失函数，代表二阶损失函数。公式如下：
(10)
(11)
LightGBM中的信息增益如下：
-γ(12)
H-γ为信息增益，γ为分裂节点的复杂度惩罚项，防止生成过多节点；λ是是正则化参数，用于防止过拟合，IR是左侧叶节点集合，IL是右侧叶节点集合。
S3.2、选择LightGBM模型参数优化的指标
以二分类问题为例介绍LightGBM模型的各评价指标，对于二分类问题，根据样本的真实类别和故障诊断模型的预测结果类别划分为真正例（TP）、假正例（FP）、真反例（TN）、假反例（FN）四种情况，四种情况的样本之和为样本总数。下面对精准率、召回率及F1得分三种常用模型性能评价指标介绍如下：
（1）精准率(Precision，P)
精准率是某一种类别的预测结果中，分类正确的数量与该类别所有分类结果的比值，计算公式如下：
(13)
（2）召回率(Recall，R)
召回率是某一实际类别中，分类正确的样本数与该类别所有分类结果的比值，计算公式如下：
(14)
（3）F1得分指标(F_score)
F1得分综合了精准率和召回率指标，为精准率和召回率的调和平均值，计算公式如下：
(15)
其中，F1得分指标综合考虑了精准率和召回率，能够更加全面的评估模型的性能，F1得分越高则说明模型的性能越好，因此选择F1得分指标作为LightGBM模型参数优化的适应度函数。
S3.3、优化LightGBM模型参数
LightGBM模型有很多超参数，超参数的取值会影响模型的诊断效果，因此需要对参数进行寻优从而得到最佳的故障诊断模型。选择优化如下的LightGBM模型超参数：
（1）learning_rate表示学习率，设置过小会导致梯度下降很慢，设置过大会跨过最优值；
（2）max_depth代表树的深度，设置合理的数值，避免生成的树过深；
（3）num_leaves表示叶子节点的个数，在调节树的复杂程度时使用；
（4）subsample用于训练弱学习器，如果取值太小易出现过拟合现象。
使用麻雀搜索算法对LightGBM的以上四个超参数寻优后，得到各参数的最优值如图9所示。
麻雀搜索算法(Sparrow Search Algorithm，SSA)是通过模仿麻雀的群体觅食、反捕食等生物学行为而提出的一种智能群优化算法。麻雀搜索算法的原理如下：麻雀的觅食过程可以认为是一个发现者-加入者模型，且还在其中并加入侦察预警机制，即选取部分麻雀作为警戒者。种群中每只麻雀的位置对应于一个解。麻雀的觅食过程存在三种行为：
①为适应度较高的发现者，寻找食物，引导种群搜索、觅食；
②加入者为了获得更高的适应度，跟随发现者觅食；
③警戒者为了种群的安全，在危险出现时提醒种群做出反捕食行为。
发现者的位置更新如下：
(16)
式中，t表示当前的迭代次数；T为最大迭代次数；α是(0,1)之间的均匀随机数；Q是服从标准正态分布的随机数；L是1×d且元素全部为1的矩阵；R2∈[0,1]表示警告值；ST∈[0.5,1]表示安全值。
加入者位置更新如下：
(17)
式中，表示第t次迭代时的全局最差位置；表示第t+1次迭代时发现者的最 佳位置；N表示种群规模；A表示一个1×d且每个元素随机赋值为1或者-1的矩阵，且满足。
侦察者位置更新如下：
(18)
式中，表示第t次迭代时的全局最佳位置；β表示步长控制参数，它是一个正态分 布的随机数，均值为0，方差为1；K为[-1,1]之间的随机数；fi代表当前麻雀的适应度；fg代表 当前麻雀种群的最佳适应度；fw代表当前麻雀种群最差的适应度。ε是很小的不影响计算结 果的常数，用来确保分母不为0。
S4、基于SSA-LightGBM故障诊断模型对GIS机械故障进行诊断
将振动信号、电流信号和声音信号输入SSA-LightGBM（Sparrow SearchAlgorithm-Light Gradient Boosting Machine麻雀搜索算法优化的轻量梯度提升器）故障诊断模型，获得GIS断路器状态。下面以具体实验为实施例说明SSA-LightGBM故障诊断模型的优越性：
实验采集正常合闸、正常分闸、合闸电磁铁松动、操动机构卡涩、缓冲器松动五种GIS工作状态下的电流信号、振动信号和声音信号，每种工作状态下采集60组数据，共300组数据。对数据进行编号，其中1-60组为正常合闸数据，61-120为正常分闸数据，121-180为合闸电磁铁松动数据，181-240为分闸机构卡涩数据，241-300为分闸缓冲器松动数据。将各组数据按照1-5的顺序进行标记，五组样本标记后的标签如图10所示。
将所有数据的特征向量混合，随机选取80%作为训练集，剩下20%作为测试集，即训练集240组数据，测试集60组数据。其中正常合闸状态测试样本10组、正常分闸状态测试样本18组、合闸电磁铁松动状态测试样本11组、分闸机构卡涩状态测试样本12组、分闸缓冲器松动状态测试样本9组，各种工作状态下，测试集的故障诊断结果见图11，分类结果如图7所示。
为了更好地评估SSA-LightGBM故障诊断模型的性能，将模型分类的混淆矩阵展示如图8所示。混淆矩阵的横轴为GIS工作状态的预测值，纵轴为GIS工作状态的真实值，主对角线为预测值与实际值相同的样本所占的比例。由混淆矩阵可知，有1例正常分闸样本被错误识别为分闸机构卡涩，1例合闸电磁铁松动样本被识别为正常合闸状态，1例分闸机构卡涩样本被识别为正常分闸状态，其它样本都能够准确识别，计算测试集样本总的故障识别准确率达到了95%，取得了良好的诊断结果。
最后，通过五折交叉验证原理对SSA-LightGBM故障诊断模型进行训练与测试，将五次测试的准确率结果求取平均值计算结果为95.3%。可见，SSA-LightGBM故障诊断模型能够有效的识别GIS的不同工作状态。
为了验证SSA-LightGBM故障诊断模型的优越性，对GBDT、未优化参数的LightGBM也使用五折交叉验证进行了训练和测试，得到的准确率结果和SSA-LightGBM诊断准确率结果对比结果如图12所示。由诊断对比结果可知SSA-LightGBM故障诊断模型对多特征参量下的GIS设备分合闸机械状态的识别准确率更高，LightGBM算法相比于GBDT算法，模型的性能得到了提升，对样本的识别准确率也得到了提高。而SSA-LightGBM故障诊断模型，通过麻雀算法优化了LightGBM的参数，使得模型对实验样本的识别准确率得到了进一步的提升，能够满足区分不同GIS机械缺陷的需求。
本发明通过计算振动信号子阶段特征值异常率的方法，确定机械缺陷所在振动子阶段，从而缩小故障搜索范围，定位机械故障，实现对机械故障的初步判断。通过SSA-LightGBM聚类学习算法，融合电流信号、振动信号和声音信号的多维特征信号的特征向量导入SSA-LightGBM故障诊断模型，相较于传统的机器学习算法，精确率高、分类效果好，实现对GIS不同分合闸机械状态的有效识别。

Claims (5)

1.基于多特征参量的组合电器开关设备状态感知与故障诊断方法，其特征在于，包括以下步骤：
S1、多维信号特征采集
S1.1、采集GIS设备分合闸状态的振动信号、电流信号和声音信号；
S1.2、GIS设备振动子阶段划分
根据GIS设备操动机构零部件动作时序，对振动信号分时分割处理，得到四个振动子阶段，分别为：阶段1-掣子脱扣阶段、阶段2-弹簧释放阶段、阶段3-机构传动阶段和阶段4-机构制动阶段；
S1.3、构建故障数据集
提取振动信号、电流信号和声音信号的特征参量并联合得到多维信号特征向量E；
S2、GIS设备缺陷定位
S2.1、提取步骤S1.2中各子阶段的振动信号；
S2.2、对振动子阶段信号按照相空间重构的方法计算其混沌特征LLE及相轨迹特征ACD、VDO；
S2.3、计算特征值异常率k，即未知信号振动子阶段的特征值与正常信号相应振动子阶段的特征值的偏差的百分比；
（1）
其中，表示待测信号特征值，表示正常信号的特征值；
比较特征值异常率k和异常率界限值的大小，当某一振动子阶段的特征值异常率k大于异常率界限值时，表明故障位于该振动子阶段内；
S3、基于LightGBM模型计算F1得分指标优化LightGBM模型
S3.1、构建LightGBM模型
通过单边梯度采样算法、互斥特征捆绑算法、直方图算法和具有深度限制的按叶增长策略对梯度提升树算法优化得到LightGBM模型；
S3.2、选择F1得分指标作为LightGBM模型参数优化的指标
S3.3、优化LightGBM模型参数
使用麻雀搜索算法对LightGBM的超参数：学习率learning_rate、树的深度max_depth、叶子节点的个数num_leaves和subsample进行优化，subsample用于训练弱学习器，得到各参数的最优值；
S4、基于SSA-LightGBM故障诊断模型对GIS机械故障进行诊断
将振动信号、电流信号和声音信号输入SSA-LightGBM故障诊断模型，获得GIS断路器状态。
2.根据权利要求1所述的基于多特征参量的组合电器开关设备状态感知与故障诊断方法，其特征在于，步骤S1.3的具体步骤为：
S1.3.1、将提取的GIS设备分合闸线圈电流信号的7个时域特征作为特征向量E1；
S1.3.2、将GIS设备振动信号四个子阶段的混沌特征和相轨迹特征共12维特征作为特征向量E2；
S1.3.3、将PCA降维处理后的声音信号的9维F-GFCC系数作为特征向量E3；
S1.3.4、最后，将电流信号、振动信号和声音信号的特征向量联合得到多维信号特征向量E。
3.根据权利要求1所述的基于多特征参量的组合电器开关设备状态感知与故障诊断方法，其特征在于，梯度提升树算法的步骤包括：
输入一个给定的训练集，最大迭代次数为M，损失函数为；
（1）初始化模型，C是所有训练样本标签值的均值，为常量；
(2)
（2）对于迭代次数时：
a、计算当前迭代次数的负梯度：
(3)
b、根据训练集构建一棵CART决策树，对于第t棵决策树的每一个叶节点，损失函数的最小输出值根据以下公式计算：
(4)
其中，表示第m棵CART决策树的叶结点区域，J为叶结点的个数；
c、更新模型的计算公式如下：
(5)
I为指示函数，当数据属于Rm j时I=1，否则I=0；
（3）计算得到最终的强化学习器
(6)。
4.根据权利要求1所述的基于多特征参量的组合电器开关设备状态感知与故障诊断方法，其特征在于，根据样本的真实类别和故障诊断模型的预测结果类别划分为真正例（TP）、假正例（FP）、真反例（TN）和假反例（FN）四种情况，F1得分指标F_score为精准率和召回率的调和平均值，计算公式如下：
(7)
其中，P为精准率，R为召回率；
精准率是某一种类别的预测结果中，分类正确的数量与该类别所有分类结果的比值，计算公式如下：
(8)
召回率是某一实际类别中，分类正确的样本数与该类别所有分类结果的比值，计算公式如下：
(9)。
5.根据权利要求1所述的基于多特征参量的组合电器开关设备状态感知与故障诊断方法，其特征在于，麻雀搜索算法对参数的优化方式为：
发现者的位置更新如下：
(10)
式中，t表示当前的迭代次数；T为最大迭代次数；α是(0,1)之间的均匀随机数；Q是服从标准正态分布的随机数；L是1×d且元素全部为1的矩阵；R2∈[0,1]表示警告值；ST∈[0.5,1]表示安全值；
加入者位置更新如下：
(11)
式中，表示第t次迭代时的全局最差位置；表示第t+1次迭代时发现者的最佳位置；N表示种群规模；A表示一个1×d且每个元素随机赋值为1或者-1的矩阵，且满足；
侦察者位置更新如下：
(12)
式中，表示第t次迭代时的全局最佳位置；β表示步长控制参数，它是一个正态分布的随机数，均值为0，方差为1；K为[-1,1]之间的随机数；fi代表当前麻雀的适应度；fg代表当前麻雀种群的最佳适应度；fw代表当前麻雀种群最差的适应度。
CN202411063446.9A 2024-08-05 2024-08-05 基于多特征参量的组合电器开关设备状态感知与故障诊断方法 Pending CN118568653A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411063446.9A CN118568653A (zh) 2024-08-05 2024-08-05 基于多特征参量的组合电器开关设备状态感知与故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411063446.9A CN118568653A (zh) 2024-08-05 2024-08-05 基于多特征参量的组合电器开关设备状态感知与故障诊断方法

Publications (1)

Publication Number Publication Date
CN118568653A true CN118568653A (zh) 2024-08-30

Family

ID=92475378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411063446.9A Pending CN118568653A (zh) 2024-08-05 2024-08-05 基于多特征参量的组合电器开关设备状态感知与故障诊断方法

Country Status (1)

Country Link
CN (1) CN118568653A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990066119A (ko) * 1998-01-21 1999-08-16 이해규 퍼지논리를이용한회전기계의이상진단방법
CN112052871A (zh) * 2020-07-21 2020-12-08 上海宇航系统工程研究所 一种基于支持向量机的火箭发动机健康诊断方法及系统
WO2021130520A1 (en) * 2019-12-23 2021-07-01 Embraer S.A. Systems and methods for an agnostic system functional status determination and automatic management of failures
CN113869145A (zh) * 2021-09-10 2021-12-31 武汉大学 轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统
CN116010884A (zh) * 2022-11-21 2023-04-25 杭州电力设备制造有限公司 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法
CN116304808A (zh) * 2023-02-23 2023-06-23 成都师范学院 基于分数阶随机共振的旋转机械故障诊断方法
CN117406689A (zh) * 2023-10-13 2024-01-16 中国电子科技集团公司第十四研究所 一种数据驱动与知识引导的故障诊断方法及系统
WO2024016623A1 (zh) * 2022-07-22 2024-01-25 贵州电网有限责任公司 一种基于ssa-svm的gis故障模式识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990066119A (ko) * 1998-01-21 1999-08-16 이해규 퍼지논리를이용한회전기계의이상진단방법
WO2021130520A1 (en) * 2019-12-23 2021-07-01 Embraer S.A. Systems and methods for an agnostic system functional status determination and automatic management of failures
CN112052871A (zh) * 2020-07-21 2020-12-08 上海宇航系统工程研究所 一种基于支持向量机的火箭发动机健康诊断方法及系统
CN113869145A (zh) * 2021-09-10 2021-12-31 武汉大学 轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统
WO2024016623A1 (zh) * 2022-07-22 2024-01-25 贵州电网有限责任公司 一种基于ssa-svm的gis故障模式识别方法
CN116010884A (zh) * 2022-11-21 2023-04-25 杭州电力设备制造有限公司 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法
CN116304808A (zh) * 2023-02-23 2023-06-23 成都师范学院 基于分数阶随机共振的旋转机械故障诊断方法
CN117406689A (zh) * 2023-10-13 2024-01-16 中国电子科技集团公司第十四研究所 一种数据驱动与知识引导的故障诊断方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
周勃;陈长征;赵新光;谷艳玲;: "混合信号振声源分离与多机组故障诊断", 振动.测试与诊断, no. 04, 15 August 2012 (2012-08-15) *
柳青秀;马红占;褚学宁;马斌彬;王峥;: "基于长短时记忆―自编码神经网络的风电机组性能评估及异常检测", 计算机集成制造系统, no. 12, 15 December 2019 (2019-12-15) *
樊浩;苏海博;陈立;史宗谦;李兴文;: "随机森林集成学习模型在高压真空断路器振动信号分析中的应用", 电器与能效管理技术, no. 23, 15 December 2019 (2019-12-15) *

Similar Documents

Publication Publication Date Title
CN105759201B (zh) 基于异常样本识别的高压断路器自诊断方法
CN103336243B (zh) 基于分合闸线圈电流信号的断路器故障诊断方法
CN112364756B (zh) 一种基于天牛须和随机森林的gis故障分类方法
CN116625438A (zh) 燃气管网安全在线监测系统及其方法
Dinkel et al. Voice activity detection in the wild via weakly supervised sound event detection
CN113376516A (zh) 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法
CN110119758A (zh) 一种用电数据异常检测及模型训练方法、装置
CN106019138A (zh) 一种高压断路器机械故障的在线诊断方法
CN112183590A (zh) 一种基于OneclassSVM算法的变压器故障诊断方法
Afrasiabi et al. Fast GRNN-based method for distinguishing inrush currents in power transformers
Zhang et al. Improved GWO-MCSVM algorithm based on nonlinear convergence factor and tent chaotic mapping and its application in transformer condition assessment
CN118051827A (zh) 基于深度学习的电网故障预测方法
CN115859837A (zh) 基于数字孪生建模的风机叶片动态冲击检测方法及系统
CN111398798A (zh) 基于振动信号区间特征提取的断路器储能状态辨识方法
CN108919104B (zh) 一种基于Fisher判别分类法的断路器故障诊断方法
CN118013361B (zh) 铁路上供电设备智能诊断与评估系统
CN118244110B (zh) 一种工业机器人电机故障预警方法及系统
CN118568653A (zh) 基于多特征参量的组合电器开关设备状态感知与故障诊断方法
CN107067024A (zh) 高压断路器机械状态识别方法
CN115238733A (zh) 一种高压断路器合分闸线圈运行状态评估方法及相关设备
CN115130767A (zh) 特征选择改进门控循环单元的交流接触器电寿命预测方法
Zhao et al. Fault Diagnosis of Rolling Bearings based on GA-SVM model
CN114355182A (zh) 高压断路器在线监测与故障诊断方法
Gao et al. Fault detection of electric vehicle charging piles based on extreme learning machine algorithm
CN115456106A (zh) 一种高压断路器故障诊断模型优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination