【技术实现步骤摘要】
本申请属于断路器故障识别领域，具体涉及一种基于声纹信息的断路器多重故障辨识方法。
技术介绍
1、高压断路器机械故障主要包含：本体故障、操动机构故障和固件松动等，其中本体故障大多由气体泄漏引起，会对断路器的绝缘及灭弧能力产生不利影响；弹簧机构故障多为弹簧卡涩、疲劳等，导致分、合闸异于正常状态；固件松动大多为螺栓不紧，出现松动现象，由此可能会引发间隙故障。为了及早监测到故障，需要采取有效的检测手段，判断断路器的运行状态，是断路器故障诊断领域的关键。通过监测断路器的动作声纹信息，判断断路器的运行状态是一种非常有效的故障诊断方法，分、合闸声纹数据含有丰富的信息，信噪比高，可以利用该数据诊断故障。断路器发生故障时，可能是单一类型故障，也可能是多重故障同时发生，若发生多重故障，其声纹数据信息较为复杂，如采用较为常用的深度学习算法对其直接进行训练，很难提取到对应特征。
技术实现思路
1、基于上述问题，本申请提供一种的故障识别方法先将多重故障的声纹数据进行变量分离，将多重故障分解为含单一故障特征的分量，然后在此基础上提取故障特征，最终完成故障诊断。其技术方案为，
2、一种基于声纹信息的断路器多重故障辨识方法，步骤如下：
3、s1.利用声纹采集装置采集断路器的声纹混合信号，构建故障噪声矩阵b；
4、s2.将矩阵b分解为两个非负矩阵的乘积，分别称之为基矩阵v、系数矩阵e；数学表达式表示如下：
5、b＝ve (3)
6、式中：b∈rm×n，
7、s3.利用非负矩阵分解算法构建目标函数；
8、
9、式中：bik为矩阵b中的元素，待求参数(ve)ik为矩阵ve中的元素，i∈[1,m],k∈[1,n]；
10、s4.设置约束条件，基于散度偏差的矩阵分解算法分解矩阵b，得到优化目标函数；
11、s5.对优化目标函数进行迭代计算，当矩阵v、e达到最优点时，算法收敛；
12、s6.对矩阵v中的列进行聚类分析，分离出不同类型的故障信号。
13、优选的，步骤s3中，对目标函数进行迭代，
14、
15、
16、式中：η1、η2为选择学习速率，vik为矩阵v的元素，eik为矩阵e中的元素。
17、优选的，步骤s4中，对矩阵v、e加一定的约束准则，从而，得到新的优化目标函数，表示如下：
18、g(b||ve)＝α1d(b||ve)+α2p(v)+α3j(e)+α4r(e) (7)
19、s.t.p(v)＝det(vvt) (8)
20、j(e)＝||e||1 (9)
21、
22、式中：α1、α2、α3、α4分别为平衡参数，α4＝0.01，d为常数。
23、优选的，步骤s5中，最小化g(b||ve)能够得到v、e，由式(7)中，对于v是凸函数，对于e也是凸函数，得到(7)的优化目标函数后，计算中式(5)和式(6)的迭代更新规则变为如下：
24、
25、
26、其中：
27、
28、有：
29、
30、
31、ei为矩阵e的列，eik为矩阵e的元素；θ1、θ2分别为学习速率系数；学习速率系数θ1、θ2，按如下规则进行确定：
32、
33、
34、优选的，步骤s6中，将矩阵v的每一列作为基础特征，通过计算每个特征在所在列的权重，选择出权重之和最大的前l个特征作为重要特征，然后对矩阵v的列进行聚类，达到不同故障类型变量分离的目的；将单独采集每种故障的声纹信号和从矩阵v中聚类分离出的故障信号输入声纹特征识别系统中，进行对比，辨识出故障类型。
35、优选的，所述的声纹采集装置包括msp芯片和咪头传感器，所述咪头传感器通过搁直电容与差分放大器连接，所述差分放大器通过电压跟随器与msp芯片连接，所述msp芯片设有三个拨码开关和芯片复位电路。
36、优选的，声纹采集步骤如下：通过咪头传感器的鼓膜震动将声音信号转换成1.2v上下波动的模拟电压信号，在通过运算放大器将差分电压信号放大，最后通过跟随电压跟随器反向后输入给msp芯片。
37、与现有技术相比，本申请有益效果如下：
38、本专利采用多变量分离的方法，给出了发生多重故障时的故障分类辨识方法。高压断路器分、合闸过程中，产生的声纹信息包含大量的状态特征(如弹簧卡涩、部件松动等)，通过对断路器声纹数据的采集及处理分析，可以将多重故障分类辨识出单一故障，从而为断路器的状态监测与故障诊断提供重要参考。同时，研究中，本专利也给出了声纹数据采集装置的研制方法，利用专利中所研制的装置，对开合闸声纹数据进行采集，为后期多重故障的辨识提供基础。
本文档来自技高网...【技术保护点】
1.一种基于声纹信息的断路器多重故障辨识方法，其特征在于，步骤如下：
2.根据权利要求1所述的一种基于声纹信息的断路器多重故障辨识方法，其特征在于，步骤S3中，对目标函数进行迭代，
3.根据权利要求2所述的一种基于声纹信息的断路器多重故障辨识方法，其特征在于，步骤S4中，对矩阵V、E加一定的约束准则，从而，得到新的优化目标函数，表示如下：
4.根据权利要求3所述的一种基于声纹信息的断路器多重故障辨识方法，其特征在于，步骤S5中，最小化G(B||VE)能够得到V、E，由式(7)中，对于V是凸函数，对于E也是凸函数，得到(7)的优化目标函数后，计算中式(5)和式(6)的迭代更新规则变为如下：
5.根据权利要求1所述的一种基于声纹信息的断路器多重故障辨识方法，其特征在于，步骤S6中，将矩阵V的每一列作为基础特征，通过计算每个特征在所在列的权重，选择出权重之和最大的前l个特征作为重要特征，然后对矩阵V的列进行聚类，达到不同故障类型变量分离的目的；将单独采集每种故障的声纹信号和从矩阵V中聚类分离出的故障信号输入声纹特征识别系统中，进行对比，辨
6.根据权利要求1所述的一种基于声纹信息的断路器多重故障辨识方法，其特征在于，所述的声纹采集装置包括MSP芯片和咪头传感器，所述咪头传感器通过搁直电容与差分放大器连接，所述差分放大器通过电压跟随器与MSP芯片连接，所述MSP芯片设有三个拨码开关和芯片复位电路。
7.根据权利要求6所述的一种基于声纹信息的断路器多重故障辨识方法，其特征在于，声纹采集步骤如下：通过咪头传感器的鼓膜震动将声音信号转换成1.2V上下波动的模拟电压信号，在通过运算放大器将差分电压信号放大，最后通过跟随电压跟随器反向后输入给MSP芯片。
...【技术特征摘要】
1.一种基于声纹信息的断路器多重故障辨识方法，其特征在于，步骤如下：
2.根据权利要求1所述的一种基于声纹信息的断路器多重故障辨识方法，其特征在于，步骤s3中，对目标函数进行迭代，
3.根据权利要求2所述的一种基于声纹信息的断路器多重故障辨识方法，其特征在于，步骤s4中，对矩阵v、e加一定的约束准则，从而，得到新的优化目标函数，表示如下：
4.根据权利要求3所述的一种基于声纹信息的断路器多重故障辨识方法，其特征在于，步骤s5中，最小化g(b||ve)能够得到v、e，由式(7)中，对于v是凸函数，对于e也是凸函数，得到(7)的优化目标函数后，计算中式(5)和式(6)的迭代更新规则变为如下：
5.根据权利要求1所述的一种基于声纹信息的断路器多重故障辨识方法，其特征在于，步骤s6中，将矩阵v的每一列作为基础特征，通过计算每...
【专利技术属性】
技术研发人员：周永荣，伍小刚，严冰融，崔缙，赵彦，王思皓，马兆兴，刘金鑫，
申请(专利权)人：南瑞集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。