基于LMD和DE-PNN的高压断路器机械故障识别方法

陈佳豪 吴 浩,2* 胡潇涛 顾小平 宋 弘,2

1(四川轻化工大学自动化与信息工程学院 四川 自贡 643000) 2(人工智能四川省重点实验室 四川 自贡 643000)

0 引 言

高压断路器是与日俱增的电力生产生活活动的重要保障,断路器运行的稳定需要密切关注,而据调查分析表明,发现高压断路器故障当中主要是以机械故障(包括操动机构和控制回路)为主[1]。及时地诊断故障类型能有效避免事故的扩大化,于是需要对故障诊断方法进行研究。

高压断路器机械故障诊断方法主要基于振动信号进行故障诊断[2-3]。声音信号与振动信号属于同源信号,由于传播介质的不同,声音信号在采集过程中很大程度上会受到外界噪声干扰。而且基于声音信号进行故障诊断的诊断机理并未形成统一的研究标准,所以研究存在一定的局限性[4]。

现阶段基于声音信号进行断路器故障诊断研究较少,文献[4]通过筛选和标记正常信号与故障信号的声音信号幅值分布差异性来实现故障诊断。文献[5]针对断路器诊断中声音信号与外界噪声难以分离的难题,通过信号的分解重构,利用快速独立主成分分析法实现对有效信号的分离。近年来也出现一些以振声信号联合分析对断路器故障进行诊断的研究。文献[6]分别将振动信号和声音信号进行小波包分解提取能量熵特征,将特征输入Libsvm进行可信度分配,最后利用D-S证据融合理论进行故障诊断。文献[7]提出利用声振信号的特征熵矩阵偏差来诊断故障。文献[8]通过对振声信号的去噪以及分解,提取多个特征,利用多特征融合的方式提升特征识别的效果,相较于单一特征能有效提升故障诊断的稳定性以及准确性。

局域均值分解(Local Mean Decomposition,LMD)是Smith提出的一种自适应信号分解方法,可将非平稳信号自适应地分解为若干单分量纯调幅-调频信号之和,在信号处理中应用广泛[9-10]。LMD与EMD方法相比,具有迭代次数少、端点效应抑制效果好等优点[11-12]。

概率神经网络(Probabilistic Neural Network,PNN)是于1989年由Specht提出,因为其训练时间短、扩充性能好、收敛速度快、分类能力强的性能特点在故障诊断领域得到了广泛的应用[13-14]。但需要对参数进行经验选取,差分进化算法(Differential Evolution,DE)是一种高效的全局优化算法,具有收敛快、控制参数少且设置简单等优点[15],利用差分进化优化算法对PNN参数进行优化,能有效地提高故障诊断效果[16]。

本文提出一种基于LMD分解和DE优化概率神经网络的断路器机械故障诊断方法。对声音信号进行LMD分解,选取PF分量与原信号的相关系数进行信号重构,计算重构信号的分段能量熵作为故障的特征向量,将特征向量集输入DE优化的PNN故障诊断模型进行故障诊断,对断路器机械故障具有较好的诊断效果,实验结果表明,相较于传统PNN算法,本文提出的基于差分进化优化的概率神经网络算法具有更好的诊断效果,对能量熵的分段处理也能有效提升故障特征提取效果。

1 特征选取

1.1 LMD分解

LMD方法的实质是将复杂的非平稳信号由高频到低频自适应分解成多个纯调频信号和包络信号的乘积,即PF分量和一个单调函数,对于信号具有更好的自适应性。其分解过程如下:

(1) 找出待分解信号x(t)的所有极值点pi,并对任意两相邻极值点pi和pi+1取平均值,第i段的平均值即局域均值可以表示为:

(1)

第i段的包络估计值可以表示为:

(2)

用滑动平均法求取对应的局域均值函数m11以及包络估计函数a11(t)。

(2) 从信号x(t)中剔除m11(t),得到信号h11(t):

h11(t)=x(t)-m11(t)

(3)

(3) 对h11(t)解调,得到解调信号s11(t):

(4)

重复步骤(1)和步骤(2),对获得的解调信号s11(t)求局部包络函数a12(t)。如果a12(t)等于1,则说明解调信号a11(t)是一个纯调频信号,信号分解完毕;如果a12(t)不等于1,则把s11(t)作为待分解数据重复步骤(1)和步骤(2)q次,直到获得一个纯调频信号s1q(t)时,迭代终止,此时包络估计函数a1(q+1)(t)等于1。

公式说明如下:

(5)

迭代终止条件为:

(6)

1.2 分段能量熵

LMD分解后的PF分量并不是每个分量都存在利用价值,部分分量可能只包含背景噪声以及无用的特征信息,与需求的信号特征不同,需要进行筛选。

皮尔逊相关系数是统计学概念,用来描述随机变量之间的线性相关性,在一般的相关系数准则当中相关系数在0.00～±0.30表示两列数据微相关,±0.30～±0.50表示实相关,±0.50～±0.80表示显著相关,±0.80～±1.00表示高度相关。

表1表示每一种状态的部分特征向量集。其中:CD表示传动机构卡涩;SD表示基座螺丝松动;TH表示合闸弹簧储能不足;ZC表示正常状态。

表1 LMD分解7个分量与原始信号的相关系数

依据表1中各分量与原始信号的相关系数值,选取相关系数大于0.3的前3个IMF分量来重构信号。

以传动机构卡涩为例,图1是传动机构卡涩故障的重构前后波形,可以看出经过重构,能有效地剔除一部分干扰,保留更多的有用信息。

图1 传动机构卡涩故障的重构前后波形

能量熵作为描述序列未知程度的一种信息度量,对于不同类型的序列能有一个直观化的区别。图2为四种状态信号的重构信号。

图2 四种状态信号的重构信号

可以看出,四种状态之间的数据序列能量分布差异较为明显,可以依据不同序列长度的能量差异性实现故障分类。本文将重构信号以每500个采样点长度截取一次的方式将信号截取成20段,并分别求取每一段的能量熵分布作为特征量。

由能量熵定义公式计算各个分段的能量熵:

(7)

式中:q(i)表示信号i的发生概率。

2 差分进化算法优化概率神经网络(DE-PNN)

2.1 差分进化算法

差分进化优化算法(DE)是一种非线性全局优化算法,其基本操作主要由种群初始化、变异、交叉和选择组成。本文选取DE/rand/1/bin差分进化策略进行模型搭建[17-18]。

具体步骤如下:

(1) 初始化种群。在目标搜索空间中随机均匀地产生m个个体,每个个体是一个n维的向量:

Xi,0=(xi1,0,xi2,0,…,xin,0)

(8)

式中:i=1,2,…,N,N为向量数量;群体种群规模取值5n～10n,n为优化参数数量。

(2) 变异。在第G次迭代中,从种群中随机抽取3个个体Xc1,G,Xc2,G,Xc3,G,其中c1≠c2≠c3≠i,则第G代参数向量的子代扰动向量:

Si,G=Xc1,G+F·(Xc2,G-Xc3,G)

(9)

式中:F为加权系数,采用自适应变异算法进行更新,增加算法搜索性能。

F=F0·2λ

(10)

其中:

(11)

式中:Gm表示设定的最大迭代次数。

(3) 交叉。经过交叉后的第G+1代的实验向量Ui,G+1=(u1,i,G+1,u2,i,G+1,…,un,i,G+1),其中每个分量取值如下:

(12)

式中:cri为交叉概率,且cri∈[0,1]。

(4) 选择。比较实验向量和预定向量的目标函数值,如果实验向量具有更优的目标函数值,就用实验向量代替预定向量;否则,保留预定向量。其更新公式为:

(13)

本文采用测试样本在概率神经网络中诊断结果的均方误差作为DE算法的适应度函数。

2.2 概率神经网络(PNN)

概率神经网络是Specht提出的一种前馈型神经网络。因为其结构简单、分类效果好、不存在局部最优值问题等优点,如今已广泛应用于故障诊断领域。

概率神经网络结构如图3所示。

图3 概率神经网络的基本结构

(1) 模式层的神经元个数与训练样本总数相等,输入层将输入的特征向量X与加权系数Wi相乘的标量积Zi传递至模式层。选择exp[(Zi-1)/σ2]作为激活函数,则模式层中第i类的第j个神经元输出的概率:

(14)

式中:p为训练样本的维度;σ为平滑因子;Xij为中心向量。

(2) 求和层的神经元个数与故障类别数相同,第i类类别的概率密度函数fi由模式层中属于同类别的隐含神经元的输出加权平均,由Parzen窗方法计算得出:

(15)

式中:Li为类别i的训练样本数。

(3) 输出层采用Bayes分类规则,选出具有最大后验概率的类别作为输出的类别。

判定规则如式(16)所示。

Hilifi(X)>Hjljfj(X),则X∈Mi

Hilifi(X)

(16)

式中:Hi、Hj为故障类型Mi、Mj的先验概率,Hi=li/L,Hj=lj/L;li、lj为Mi、Mj的训练样本数。

2.3 DE优化PNN参数

DE算法优化PNN参数是将PNN测试样本的均方误差作为DE算法的适应度函数(RMSE),得到最优的平滑因子,优化步骤如下:

(1) 设置差分进化算法参数,进化代数、交叉概率、变异概率等相关参数。

(2) 选取PNN输出结果的均方误差(RMSE)作为适应度函数,随机生成群空间个体。

(3) 实现变异、交叉操作。

(4) 实现选择操作、比较适应度值,并更新参数代数。

(5) 如果没有满足终止条件(未达到最大迭代次数或结果小于预定结果),则代数加1,并返回步骤(2);否则,继续执行下列步骤。

(6) 得出最小均方误差时对应的最优平滑因子参数并输出。

(7) 得到最优平滑因子参数下的故障诊断结果。

3 基于LMD和DE-PNN的故障诊断方法

本文利用LMD算法分解原始信号,计算LMD分解后的每个PF分量与原始信号的相关系数,筛选多余分量并进行信号重构,通过计算重构信号的分段能量熵组成特征向量,并且输入到DE优化的PNN模型进行故障诊断。其识别过程如图4所示。

图4 故障诊断总体流程

(1) 模拟断路器故障,利用拾音器采集动作时的音频数据,归一化处理后取故障后的10 000个点作为故障数据。

(2) 对于选中的数据进行LMD分解。

(3) 计算每个PF分量与原始信号的相关系数参数,选取适当的分量重构信号。

(4) 计算重构信号的分段能量熵,并按照顺序排列作为故障特征向量W,建立故障特征向量样本集。

(5) 利用DE优化概率神经网络(PNN)并对断路器机械故障样本集进行训练与测试,并得到测试结果。

4 实验分析

在实验室10 kV户内真空高压断路器(ZN-63A)上采集数据,如图5所示。模拟合闸动作时的螺丝松动、传动机构卡涩和合闸弹簧储能不足三种故障状态与正常合闸动作状态,采集相应各个状态声音信号数据。

图5 10 kV户内高压真空断路器故障采集平台

文献[8]中指出断路器声音信号的主要频段分布在0～2 kHz之间。拾音器采用高性能心型电容话筒得胜CM-63(频率范围30～20 000 Hz)进行音频数据采集,采样频率44 100 Hz。四种状态数据在MATLAB中归一化之后的波形如图6所示。

图6 四种状态原始数据归一化波形

4.1 DE-PNN模型训练与测试

实验采用螺丝松动、传动机构卡涩和合闸弹簧储能不足与正常合闸动作四种状态数据进行分析,每种状态采集30组实验数据,并将样本数据中的20组作为训练集,10组作为测试集,利用DE优化后的PNN对训练集进行模型训练与测试。DE算法参数最大进化次数为100,变异因子为0.4,交叉因子为0.2。

DE优化得到的参数平滑因子spread为0.919 4。将四种状态共80组训练样本集输入概率神经网络进行模型训练。

将四种状态的数据测试样本集输入断路器机械故障诊断模型,进行故障诊断。故障诊断结果如图7所示。

图7 测试集测试结果

可以看出,DE-PNN算法对传动机构卡涩、合闸弹簧储能不足、螺丝松动三种状态能够准确地诊断故障类型,此时平均识别准确率能达到100%,实验证明本文算法对于断路器声音信号能有良好的诊断效果。

4.2 分类算法性能分析

为了验证DE-PNN相较于其他分类方法的优势,选取选用未改进的PNN、极限学习机(Extreme Learning Machine,ELM)和BP神经网络对同等数据特征样本集进行模型训练与测试。

多次实验选择PNN的平滑因子参数为0.91,ELM隐含层参数为50,BP神经网络隐含层节点数为34。诊断结果如表2所示。

表2 四种分类算法的性能对比

可以看出,在对同等故障特征样本集进行测试时,DE优化后的PNN相较于传统PNN算法提升了5百分点的故障识别准确率,验证了DE优化算法的性能,相较于ELM和BP算法分别提升了20百分点以及5百分点的算法准确率,验证了本文提出的DE优化PNN方法的优势。

4.3 特征提取算法分析对比

为验证本文提取算法的有效性,选取文献[19-20]中的特征提取算法与本文提出的算法作对比,利用DE优化后的PNN模型对故障进行诊断。结果如表3所示。

表3 各种常见算法与本文算法对比结果

可以看出,本文算法相较于其他常见的算法来说,具有更好的特征提取效果,在对于故障样本集进行测试时得到更高的故障诊断准确率,验证了本文算法的有效性。

5 结 语

本文提出一种基于LMD和DE-PNN的高压断路器机械故障诊断方法。通过对高压断路器合闸时的故障声音信号进行LMD分解,依据各个PF分量与原信号的相关系数选取合适的PF分量进行重构,计算重构后的信号的分段能量熵并按顺序排列作为断路器故障特征向量构建故障特征样本集,建立基于DE-PNN故障诊断模型并进行训练与测试,实现了高压断路器机械故障诊断。实验结果表明:

(1) 基于LMD-DE-PNN的断路器机械故障诊断方法,能一定程度上抑制信号背景噪声、滤除多余干扰、提升特征提取效果、得到较好的故障诊断正确率。

(2) DE-PNN相较于未改进的PNN时,提升了5百分点的故障诊断正确率,验证了差分进化算法的优化性能,相较于ELM和BP算法,在断路器机械故障诊断时分别提高20百分点和5百分点的故障诊断正确率,并且诊断速度较快,适用于断路器声音诊断领域。

(3) 本文提出的LMD分段能量熵相较于EEMD-样本熵和LMD-能量熵分别提高了7.5百分点与10百分点的故障诊断准确率,验证了本文算法的有效性。

本文描述了非线性非平稳的断路器故障声音数据分析方法与故障诊断模型的建立过程,实验验证本文方法具有较好的故障诊断效果,为基于声音信号的断路器机械故障诊断提供了一种新的思路。