一种基于时频域建模与特征选择的路灯故障诊断方法技术

本发明专利技术公开一种基于时频域建模与特征选择的路灯故障诊断方法，依据路灯运行数据为故障诊断模型训练提供数据支持；将路灯运行数据的电流、电压、功率参数进行改进变分模态分解，分解成多阶不同频率成分时频域特征的IMF分量，得到故障时间窗内运行参数的变化趋势；计算Person相关系数筛选与变分模态分解信号高度相关的IMF分量，并计算其样本熵与峭度值作为时频域故障特征向量；将不同故障类别对应不同数字标签构建路灯故障特征向量集，输入故障诊断模型，根据模型输出的数字标签实现故障类型的诊断；本发明专利技术能有效利用路灯不同故障下时间序列数据在时频域中的趋势性与相关特性，具有较高的故障辨识率，简单易行，具有工程应用价值和现实意义。价值和现实意义。价值和现实意义。

【技术实现步骤摘要】
一种基于时频域建模与特征选择的路灯故障诊断方法


[0001]本专利技术涉及路灯故障诊断
，具体是一种基于时频域建模与特征选择的路灯故障诊断方法。

技术介绍

[0002]随着我国路灯设施大规模应用及智慧城市的不断发展，路灯故障的日常维护与检修是城市照明能否正常运作的关键。传统的路灯维护和检修方法主要依靠人工排查检修，需投入大量人力资源和成本。
[0003]目前在实际应用中的路灯故障诊断主要采用物联网技术搭建路灯监控与数据采集系统，并构建阈值规则、故障树等进行初步的故障诊断。以上诊断方法仅反馈负载过低、负载过高、终端离线等初步的故障现象，无法区分具体的故障类别，对路灯故障的排查检修指导存在一定局限性。因此，在初步故障现象识别的基础上实现更为具体的故障诊断是亟待解决的问题。
[0004]针对路灯常见故障整理分析，路灯监控与数据采集系统的路灯运行数据属于时间序列数据，故障的发生在当前时间窗口与历史时间窗口中运行数据会表现出相关性，如相同故障的路灯运行时，电流、电压等电气参数数据表现出的周期特性与长期趋势特性。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，而提供一种基于时频域建模与特征选择的路灯故障诊断方法，实现路灯的具体故障类别诊断。
[0006]实现本专利技术目的的技术方案是：
[0007]一种基于时频域建模与特征选择的路灯故障诊断方法，包括如下步骤：
[0008]步骤1：依据路灯监控与数据采集系统报警信息和人工检修记录相结合，收集路灯电源故障、保险故障、线路故障的运行数据作为故障诊断模型的训练样本集，从训练样本集中提取运行数据的电压、电流、功率参数进行变分模态分解；
[0009]步骤2：在变分模态分解过程中，采用鲸鱼优化算法对变分模态分解的分解参数k和α进行全局搜索，使用基于鲸鱼优化算法改进的变分模态分解，得到不同故障类别路灯节点电压、电流、功率运行参数的最佳分解参数组合K＝{[k
11
,α
11
]、[k
12
,α
12
]、[k
13
,α
13
]…
[k
ab
,α
ab
]}，依据最佳分解参数进行变分模态分解，得到k个不同频率成分时频域故障特征信息的IMF分量图，并对其进行Hilbert变换得到频谱图；
[0010]步骤3：计算Person相关系数，依据相关系数阈值对变分模态分解得到的IMF分量进行筛选，得到各故障类别的电流f
a
、电压f
b
、功率f
c
运行参数高度相关的时频域故障特征信息IMF分量u
k
＝{u1,u2,
…
,u
k
}，并对其取Hilbert变换，得到IMF分量u
k
的频谱图h
k
＝{h1,h2,
…
,h
k
‑1}；
[0011]步骤4：对步骤3筛选得到的IMF分量计算样本熵值SampE＝{(S
a1
,S
a2,
…
S
k
),(S
b1
,S
b2,
…
S
k
),(S
c1
,S
c2,
…
S
k
)}，对IMF分量u
k
的频谱图h
k
计算峭度值，选取最高峭度值与样本熵结
合得到SK＝{(S
a1
,S
a2,
…
S
k,
,k1),(S
b1
,S
b2,
…
S
k
,k2),(S
c1
,S
c2,
…
S
k
,k3)},按照不同故障类别对应好数字标签制作故障特征向量集[SK,L]＝{(S
a
,S
b
,S
c
),(1,2,3)}，其中电源故障对应数字标签1，线路故障对应数字标签2，保险故障对应数字标签3；
[0012]步骤5：将故障特征向量集[SK,L]＝{(S
a
,S
b
,S
c
),(1,2,3)}输入极限梯度提升故障诊断模型进行模型训练，根据模型输出的数字标签实现路灯电源故障、保险故障、线路故障的诊断。
[0013]步骤2中，所述的变分模态分解，是将电流f
a
、电压f
b
、功率f
c
参数作为输入信号进行变分模态分解，提取不同故障下运行参数在时频域中的周期性与趋势性，对3种参数构建变分约束模型，求解变分模态分解其分别过程为：
[0014][0015]上述公式(1)中，δ
t
表示冲激函数，f表示不同参数运行数据，k表示需要分解模态分量的个数，ω
k
表示各模态中心频率，u
k
表示变分模态分解的IMF模态分量；j为频域中复指数信号e
jwt
的虚数单位，为偏微分；
[0016]引入二次罚项α和拉格朗日算子λ求解约束变分模型的最优解，如下式所示：
[0017][0018]结合Parseval定理迭代更新各模式中的各模态分量u
k
、中心频率ω
k
及拉格朗日算子迭代更新过程如下式所示：
[0019][0020][0021][0022]当满足精度ε要求时，迭代停止，分解过程结束，最终输出分解后的所有IMF模态分量，中心频率及精度ε的判别式如下式所示：
[0023][0024]步骤2中，在变分模态分别过程中，具体包括如下步骤：
[0025]2‑
1)通过数学建模模拟鲸鱼捕食过程优化变分模态分解参数k和α，采用鲸鱼优化算法结合包络熵改进变模态分解，利用螺旋方程模拟鲸鱼通过螺旋运动包围猎物如下式：
[0026][0027][0028]A＝2
·
a
·
r
‑
a
[0029]C＝2
·
r
[0030]其中：是鲸鱼的位置，是当前目标猎物的位置，表示步长，A表示鲸鱼游动的距离，t是迭代次数，a在迭代过程中从2逐渐减少到0，r是在[0,1]范围内均匀分布的随机数；
[0031]2‑
2)在鲸鱼通过螺旋运动包围猎物过程中，同时以数学模型模拟收缩包围、更新螺旋位置策略，构建鲸鱼与猎物之间的位置公式，模拟鲸鱼的螺旋运动，如下式所示：
[0032][0033][0034]其中：表示包围步长，b表示螺旋线形状，l表示为[
‑
1,1]的随机量；
[0035]2‑
3)在步骤2...

【技术保护点】

【技术特征摘要】
1.一种基于时频域建模与特征选择的路灯故障诊断方法，其特征在于，包括如下步骤：步骤1：依据路灯监控与数据采集系统报警信息和人工检修记录相结合，收集路灯电源故障、保险故障、线路故障的运行数据作为故障诊断模型的训练样本集，从训练样本集中提取运行数据的电压、电流、功率参数进行变分模态分解；步骤2：在变分模态分解过程中，采用鲸鱼优化算法对变分模态分解的分解参数k和α进行全局搜索，使用基于鲸鱼优化算法改进的变分模态分解，得到不同故障类别路灯节点电压、电流、功率运行参数的最佳分解参数组合K＝{[k
11
,α
11
]、[k
12
,α
12
]、[k
13
,α
13
]
…
[k
ab
,α
ab
]}，依据最佳分解参数组合对电压、电流、功率参数进行变分模态分解，得到k个不同频率成分时频域故障特征信息的IMF分量图；步骤3：计算Person相关系数，依据相关系数阈值对变分模态分解IMF分量进行筛选，得到各故障类别的电流f
a
、电压f
b
、功率f
c
运行参数高度相关的时频域故障特征信息IMF分量u
k
＝{u1,u2,
…
,u
k
‑1}，并对其取Hilbert变换，得到IMF分量u
k
的频谱图h
k
＝{h1,h2,
…
,h
k
‑1}；步骤4：对步骤3筛选得到的IMF分量计算样本熵值SampE＝{(S
a1
,S
a2
,
…
S
k
),(S
b1
,S
b2
,
…
S
k
),(S
c1
,S
c2
,
…
S
k
)}，对IMF分量u
k
的频谱图h
k
计算峭度值，选取最高峭度值与样本熵结合得到SK＝{(S
a1
,S
a2
,
…
S
k
,,k1),(S
b1
,S
b2
,
…
S
k
,k2),(S
c1
,S
c2
,
…
S
k
,k3)},按照不同故障类别对应好数字标签制作故障特征向量集[SK,L]＝{(S
a
,S
b
,S
c
),(1,2,3)}，其中电源故障对应数字标签1，线路故障对应数字标签2，保险故障对应数字标签3；步骤5：将故障特征向量集[SK,L]＝{(S
a
,S
b
,S
c
),(1,2,3)}输入极限梯度提升故障诊断模型进行模型训练，根据模型输出的数字标签实现路灯电源故障、保险故障、线路故障的诊断。2.根据权利要求1所述的一种基于时频域建模与特征选择的路灯故障诊断方法，其特征在于，步骤2中，所述的变分模态分解，是将电流f
a
、电压f
b
、功率f
c
参数作为输入信号进行变分模态分解，提取不同故障下运行参数在时频域中的周期性与趋势性，对3种参数构建变分约束模型，求解变分模态分解其分别过程为：上述公式(1)中，δ
t
表示冲激函数，f表示不同参数运行数据，k表示需要分解模态分量的个数，ω
k
表示各模态中心频率，u
k
表示变分模态分解的IMF模态分量；j为频域中复指数信号e
jwt
的虚数单位，为偏微分；引入二次罚项α和拉格朗日算子λ求解约束变分模型的最优解，如下式所示：结合Parseval定理迭代更新各模式中的各模态分量u
k
、中心频率ω
k
及拉格朗日算子依据下式更新值迭代更新过程如下式所示：
当满足精度ε要求时，迭代停止，分解过程结束，最终输出分解后的所有IMF模态分量，中心频率及精度ε的判别式如下式所示：3.根据权利要求2所述的一种基于时频域建模与特征选择的路灯故障诊断方法，其特征在于，步骤2中，在变分模态分别过程中，具体包括如下步骤：2
‑
1)通过数学建模模拟鲸鱼捕食过程优化变分模态分解参数k和α，采用鲸鱼优化算法结合包络熵改进变模态分解，利用螺旋方程模拟鲸鱼通过螺旋运动包围猎物如下式：旋方程模拟鲸鱼通过螺旋运动包围猎物如下式：A＝2
·
a
·
r
‑
aC＝2
·
r其中：是鲸鱼的位置，是当前目标猎物的位置，表示步长，A表示鲸鱼游动的距离，t是迭代次数，a在迭代过程中从...

【专利技术属性】
技术研发人员：胡迎春，王建卫，覃尚昊，杨拓，刘晓幸，周明，
申请(专利权)人：广西师范大学，
类型：发明
国别省市：