一种基于振动信号聚类识别的变压器故障诊断方法技术

本发明专利技术公开了一种基于振动信号聚类识别的变压器故障诊断方法，包括获取不同负载下的振动信号特征作为样本数据；通过平均经验模态分解方法对样本数据进行测量，得到多组振动加速度数据自适应分解得到本征模态函数序列；对本征模态函数序列通过频域窗口、峰度和振幅准则选择样本数据的独立本征模函数，并从源域构造一个组合特征矩阵；基于K

【技术实现步骤摘要】
一种基于振动信号聚类识别的变压器故障诊断方法


[0001]本专利技术涉及变压器故障检测
，具体涉及一种基于振动信号聚类识别的变压器故障诊断方法。

技术介绍

[0002]机械振动检测对于电力设备的可靠性和运行状态评估具有重要意义，目前已广泛应用于电力设备的运行监测及故障诊断。对设备振动信号的测量能够得到设备工作时的状态信息，通过提取信号中反映的设备运行特征，实现对设备机械状态的检测与分析。
[0003]实际的电力变压器在运行过程中承受着机械应力，由于磁致伸缩和硅钢片与叠片之间的漏磁会引起铁芯振动。基于振动信号的变压器监测方法通过吸附在变压器的振动加速度传感器进行数据采样，振动信号采集系统与变压器本身不存在电气连接。振动信号包含的变压器状态特征十分丰富，变压器存在故障时能够通过振动信号获得较为全面的设备运行状态信息，具有广阔的应用前景。
[0004]基于振动信号的变压器故障检测的关键在于对信号中有效信息的特征提取，从而建立起与故障特征之间的联系。平均经验模态分解方法能够实现振动信号的自适应分解，改善了其他分解方法中存在的模态混叠问题。聚类识别方法将同一类元素的同质性最大化，将不同类元素的异质性最大化。基于以上方法能够根据信号特征对变压器故障进行分类诊断。针对上述实际需求，本专利技术提出了一种基于振动信号聚类识别的变压器故障诊断方法，将经验模态分解方法和聚类算法相结合用于变压器故障的有效诊断。

技术实现思路

[0005]本专利技术的目的在于提供一种基于振动信号聚类识别的变压器故障诊断方法，以实现实现变压器振动信号特征提取及变压器故障的自适应分类。
[0006]本专利技术的目的是通过以下技术方案实现的：
[0007]本专利技术提供一种基于振动信号聚类识别的变压器故障诊断方法，包括以下步骤：
[0008]获取不同负载下的振动信号特征作为样本数据；
[0009]通过平均经验模态分解方法对样本数据进行测量，得到多组振动加速度数据自适应分解得到本征模态函数序列；
[0010]对本征模态函数序列通过频域窗口、峰度和振幅准则选择样本数据的独立本征模函数，并从源域构造一个组合特征矩阵；
[0011]基于K
‑
Means聚类算法构建聚类识别模型，并结合处理后的样本数据进行训练与测试，得到变压器振动信号聚类识别模型；
[0012]利用振动信号聚类识别模型对变压器的故障进行分类诊断。
[0013]进一步的，所述通过平均经验模态分解方法对样本数据进行测量，得到多组振动加速度数据自适应分解得到本征模态函数序列具体包括以下步骤：
[0014]步骤201、在样本数据的原始振动信号中加入高斯白噪声，得到新的振动信号；
[0015]原始振动信号记为x(t),初始化总体平均次数i，并使得i＝1，第i次在信号x(t)中加入高斯白噪声n
i
(t)，得到新信号为x
i
(t)＝x(t)+n
i
(t)。
[0016]步骤202、拟合新的振动信号上、下包络线，求得上、下包络线的均值；
[0017]令r＝x(t)，k＝1；确定x(t)局部极值点，拟合上下包络线，求包络线均值m1。
[0018]步骤203、用新的振动信号减去包络线的均值得到一个去掉低频的新信号，记新信号为得到h1，则h1＝x(t)
‑
m1；
[0019]判定所述新信号h1是否满足本征模态函数条件，若不满足，将所述新信号h1作为新的振动信号返回至步骤202，此时h1＝x(t)。
[0020]步骤204、将满足本征模态函数条件的新信号h1作为本征模态函数分量，求取残差r，表示为：k＝k+1,c(k)＝h1,r＝r
‑
c(k)；
[0021]若残差r不是单调函数，将残差作为新的振动信号返回至步骤202，此时r＝x(t)。
[0022]步骤205、若残差r为单调函数，则得到一组本征模态函数分量，记为步骤205、若残差r为单调函数，则得到一组本征模态函数分量，记为判断步骤i是否等于I,若i≠I，取i＝i+1，并重复步骤201至步骤205；
[0023]若若i＝I,此时，得到多组本征模态函数分量，求取均值m1后得到最终的本征模态函数序列y
n
，并记为：
[0024][0025]进一步的，所述对本征模态函数序列通过频域窗口、峰度和振幅准则选择样本数据的独立本征模函数，并从源域构造一个组合特征矩阵具体包括以下步骤：
[0026]步骤301、通过平均经验模态分解得到L个本征模态函数序列IMF；
[0027]步骤302、针对每个本征模态函数序列IMF，构造带通滤波器对本征模态函数序列进行频域加窗；
[0028]设置幅值阈值A
th
和峰度阈值K
th
，令i＝1，构造M个带通滤波器，记为H
m
(jω)(1,2,
…
,M)；
[0029]使用第M个带通滤波器对第i个本征模态函数序列IMF
i
频域加窗，表示为：
[0030]IMF'
i
＝H
m
(jω)*IMF
i
[0031]步骤303、通过幅值阈值A
th
和峰度阈值K
th
筛选出独立本征模态函数；
[0032]若IMF'
i
的幅度值A
i
>A
th
，且IMF'
i
的峰度值k
i
>k
th
；计算IIMF
m
的幅度值A
m
，并判断A
i
>A
m
，若满足，则IIMF
m
＝IMF'
i
；
[0033]比较m和M，若M＞m时，令m＝m+1，重复步骤302直到M≤m。
[0034]步骤304、当M≤m时，对IIMF
m
对独立本征模态函数进行边际谱变换，根据n种特征对每个独立本征模态函数序列构造特征向量D
i
。
[0035]步骤305、通过特征向量构造组合特征矩阵，表示为D
i
＝[D1,D2,
…
D
i
]。
[0036]进一步的，所述利用振动信号聚类识别模型对变压器的故障进行分类诊断包括：
[0037]步骤401、根据变压器故障类型，从样本数据中随机选择k个对象作为初始聚类中心；
[0038]样本数据的振动信号记为D＝{x1,x2,
…
,x
i
}；
[0039]定义最大迭代次数N，迭代次数i＝1；
[0040]随机选择k个样本作为初始聚类中心,记为{μ1,μ2,
…<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于振动信号聚类识别的变压器故障诊断方法，其特征在于，包括以下步骤：获取不同负载下的振动信号特征作为样本数据；通过平均经验模态分解方法对样本数据进行测量，得到多组振动加速度数据自适应分解得到本征模态函数序列；对本征模态函数序列通过频域窗口、峰度和振幅准则选择样本数据的独立本征模函数，并从源域构造一个组合特征矩阵；基于K
‑
Means聚类算法构建聚类识别模型，并结合处理后的样本数据进行训练与测试，得到变压器振动信号聚类识别模型；利用振动信号聚类识别模型对变压器的故障进行分类诊断。2.根据权利要求1所述的基于振动信号聚类识别的变压器故障诊断方法，其特征在于，所述通过平均经验模态分解方法对样本数据进行测量，得到多组振动加速度数据自适应分解得到本征模态函数序列具体包括以下步骤：步骤201、在样本数据的原始振动信号中加入高斯白噪声，得到新的振动信号；步骤202、拟合新的振动信号上、下包络线，求得上、下包络线的均值；步骤203、用新的振动信号减去包络线的均值得到一个去掉低频的新信号，判定所述新信号是否满足本征模态函数条件，若不满足，将所述新信号作为新的振动信号返回至步骤202；步骤204、将满足本征模态函数条件的新信号作为本征模态函数分量，求取残差，若残差不是单调函数，将残差作为新的振动信号返回至步骤202；步骤205、若残差为单调函数，则得到一组本征模态函...

【专利技术属性】
技术研发人员：谢植飚，蒙正朝，韦雅荣，朱声涛，李辉杰，
申请(专利权)人：广西电网有限责任公司河池供电局，
类型：发明
国别省市：