基于混合特征和集成极限学习机的高压断路器机械故障检测_田园.pdf

第 46 卷 第 1 期2023 年 2 月电 子 器 件Chinese Journal of Electron DevicesVol.46No.1Feb 2023项目来源:云南电网有限责任公司科技项目(059300KK52190006)收稿日期:20210427修改日期:20211221Mechanical Fault Detection Method in High Voltage Circuit Breakers byUsing Hybrid Features and Integrated Extreme Learning Machine*TIAN Yuan*，HUANG Zuyuan，ZHANG Hang，SU Wenwei，GENG Zhenwei，GAO Yudou(Information center of Yunnan Power Grid Co，Ltd，Kunming Yunnan 650011，China)Abstract:A mechanical fault detection method for high voltage circuit breaker based on hybrid feature extraction and integrated extremelearning machine(IELM)is proposed Firstly，the vibration signal is decomposed by using fully integrated adaptive noise empirical modedecomposition(CEEMDAN)to obtain the intrinsic mode function(IMF)Then，the time-frequency matrix is obtained through sub-band re-construction of each order IMF component combined with Hilbert transform and band-pass filter The time-frequency matrix is transformedinto energy matrix，the frequency band is normalized by using normal cumulative distribution function(NCDF)，and the time-frequency en-tropy and singular entropy are extracted to form the mechanical fault feature vector In addition，a fault classification system is establishedThe advantage of CEEMDAN scheme combined with band-pass filtering is that it can eliminate modal aliasing，reduce the addition of aux-iliary noise and improve the decomposition efficiency In addition，the normalized singular entropy of NCDF has more stable performanceIELM composed of multiple weak classes can solve the shortcomings of traditional extreme learning machines Experimental results basedon measured data show that mechanical faults can be effectively detected by using this method through small samplesKey words:high-voltage circuit breakers;vibration signals;empirical mode decomposition;time-frequency entropy;singular entropy;ex-treme learning machineEEACC:1210;7220doi:103969/jissn10059490202301034基于混合特征和集成极限学习机的高压断路器机械故障检测*田园*，黄祖源，张航，苏文伟，耿贞伟，高宇豆(云南电网有限责任公司信息中心，云南 昆明 650011)摘要:提出了一种基于混合特征提取和集成极限学习机(IELM)的高压断路器机械故障检测方法。首先，采用全集成自适应噪声经验模态分解(CEEMDAN)对振动信号进行分解，得到固有模态函数(IMF)。然后结合 Hilbert 变换和带通滤波器对各阶IMF 分量进行子带重构，得到时频矩阵。将时频矩阵转化为能量矩阵，利用正态累积分布函数(NCDF)对频带进行归一化，提取出时频熵和奇异熵，形成机械故障特征向量。此外，还建立了故障分类系统。结合带通滤波的 CEEMDAN 方案优点是可以消除模态混叠，减少辅助噪声的加入，并提高分解效率。此外，NCDF 归一化的奇异熵具有更稳定的性能。由多个弱类组成的IELM 可以解决传统极限学习机的不足。基于实测数据的实验结果表明，该方法能有效地通过小样本进行机械故障检测。关键词:高压断路器;振动信号;经验模态分解;时频熵;奇异熵;集成极限学习机中图分类号:TP206+3文献标识码:A文章编号:10059490(2023)01020307高压断路器作为电力系统中的重要电气设备，具有优化电网结构和保护电网安全的双重作用。高压断路器一旦损坏，可能会导致极大的经济损失，甚至危及系统安全。因此，准确识别高压断路器的缺陷和故障显得尤为重要。随着人工智能的发展，机械故障诊断方法逐渐与人工智能技术相结合13。在许多新兴的诊断方法中，振动信号、接触行程位移和电磁线圈电流等逐渐成为典型诊断方法46。基于振动信号的非侵入式故障诊断方法由于在数据采集方面十分便捷，逐渐受到重点关注78。其中，常用的时频分析方法主要有小波变换、小波包变换、傅里叶变换等910。文献 11 提出一种基于 elief-F 算法和灰色关联分析的故障诊断方法，可以降低模型复杂度并提高识别精度。文献 12 提出一种自适应白噪声完整集合经验模态分解(Complete Ensemble Empirical Mode Decom-电子器件第 46 卷position with Adaptive Noise，CEEMDAN)与样本熵相结合的故障特征提取方法。文献 13 提出了一种基于 核 主 成 分 分 析(Kernel Principal ComponentAnalysis，KPCA)的 SoftMax 故障诊断模型。采用基于SoftMax 的分类算法对故障进行定位再识别。文献 14 提取信号的多层 IMF 特征，输入支持向量机来训练分类模型。然而现有很多算法的识别精度都不高。为了解决这个问题，本文提出了一种新的高压断路器机械故障诊断方法。首先，采用 CEEMDAN算法进行振动信号的时频分析，结合 Hilbert 变换和带通滤波器对各阶内涵模态分量(Intrinsic ModeFunctions，IMF)分量进行重构，然后提取能量矩阵的时频熵和正态累积分布函数(Normal CumulativeDistribution Function，NCDF)归一化后的奇异熵，利用混 合 特 征 训 练 集 成 极 限 学 习 机(IntegratedExtreme Learning Machine，IELM)，并将其用于高压断路器小故障样本的分类。实验结果证实了本文提出的高压断路器机械故障检测方法的优越性。1信号的特征提取11基于 CEEMDAN 的波形分解方法已知要处理的信号 x(t)，则 CEEMDAN 算法可以表示为以下步骤:通过 EMD 分解 x(t)和 0wi(t)，得到第一层的IMF 分量:c1(t)=1IIi=1E1(x(t)+0i(t)(1)式中:i=1，2，I，I 为辅助噪声的相加次数。于是可以得到第一边距为:r1(t)=x(t)c1(t)(2)通过 EMD 分解 r1(t)和 1E1(wi(t)，得到第二层的 IMF 分量:c2(t)=1IIi=1E1(r1(t)+1E1(i(t)(3)与式(2)和(3)相似，(k+1)阶 IMF 分量可以表示为:ck+1(t)=1IIi=1E1(rk(t)+kEk(i(t)(4)在边距满足残差分量的终止条件之前，可以将原始信号 x(t)分解为:x(t)=Kk=1ck(t)+r(t)(5)式中:K 是 IMF 分量的总阶数，r(t)是残差分量。12基于希尔伯特变换和带通滤波的波形重构本文采用基于希尔伯特变换和带通滤波器的波形重构方法，将分解后的波形重构到各个频带，提取同一类别信号的一般特征，并研究不同类型信号之间的差异。波形重构和带通滤波过程表示为:首先各阶的 IMF 分量 ck(t)通过希尔伯特变换可以表示为:H ck(t)=1+ck()td(6)然后解析信号可以构造为:zk(t)=ck(t)+jH ck(t)=k(t)ejk(t)(7)因此，对应的相函数可以表示为:k(t)=arctanH ck(t)ck(t)(8)此外，相位函数的瞬时频率表示为:fk(t)=12dk(t)dt(9)假设预先划分的频带数为 M。(Fm1，Fm)|m=1，2，M频带的重构信号可以通过遍历每个 IMF分量 ck(t)得到。当 ck(t)中各数据点的瞬时频率在该频带内时，保持该数据点;否则，它将被清除。最后可以形成一个新的序列。通过计算新的序列D(t)=Kk=1ck(t)可以获得位于(Fm1，Fm)|m=1，2，M频带的波形。原始波形可以分解为每个指定的频带。通过分析振动信号在同一尺度上的变化，方便了 IMF 分量在不同频段的划分。13基于熵的混合特征提取本文采用两个熵特征来表征高压断路器的机械状态。时频熵以能量矩阵为分析对象，分别统计计算各时间段和各频带的能量分布。时频熵在时频域揭示了振动信号在不同力学状态下的能量分布特征;奇异熵主要描述了时频矩阵奇异值的分布统计量。奇异值分解可以提取信号在干扰和噪声发生时的稳定性特征，以及振幅由大到小的顺序分布。由于奇异值分布在不同时间段的下降程度不同，因此奇异值的概率分布也不同。时频熵在频域上，将重构波形分成 M 个不同频段的子波形，形成 MN 大小的时频矩阵。在时域中，将时频矩阵等分为 L 个时间段，形成 ML 个分块时频矩阵，其中每个分块矩阵的长度为 N/L。令 Dml(t)(l=1，2，L;m=1，2，M)为第 M 个频带内第 l 个周期所对应的时间序列。其能量值 El，m的计算公式表示为:El，m=N/Lt=1Dml(t)槡2(10)402第 1 期田园，黄祖源等:基于混合特征和集成极限学习机的高压断路器机械故障检测由式(10)可将分块时频矩阵转换为分块能量矩阵。然后，将能量矩阵按下式归一化:Pl，m=El，m/E(11)式中:E 为矩阵的总能量;Pl，m为 El，m在 E 中的比例。作为评价时间序列复杂性的指标，香农熵常用来表征信号的不确定性。不确定性越大，熵就越大。熵 可以表示为:=i=1iln i(12)本文采用香农熵其作为特征属性。在能量矩阵中提取时频域方向的时频熵特征。计算公式可表示为:Wtl=Mk=1(Pl，k ln(Pl，k)Wfm=Lk=1(Pk，m ln(Pk，m)(13)上式中，Wlt是时域第 l 个时间段的特征值，反映了这一时间段内不同频带的能量分布，简称为时域熵(Time-domain Entropy，TE)