[发明专利]基于SVDD的开关设备机械故障诊断方法和系统

说明书

本发明提供一种基于SVDD的开关设备机械故障诊断方法和系统，该方法包括：采集开关设备在稳定运行状态下的多源信号作为待诊断样本信号；对待诊断样本信号进行截取、去噪、去趋势项的预处理操作；对预处理后的待诊断样本信号采用两步特征提取方法，提取典型特征量，形成一组特征向量；将特征向量输入至最优超球体故障诊断模型，得到诊断结果；该模型为通过SVDD方法对开关设备的稳定运行状态且机械正常状态下的正常样本进行训练得到的；进而最优超球体故障诊断模型中需要的训练样本少，易于实现、成本低、运算简单、耗时短、漏警率低、准确率高，不依赖机械故障样本，具有较强的适用性，尤其适用于机械故障早期征兆即机械缺陷的识别。

技术领域

本发明属于故障诊断技术领域，更具体的说，尤其涉及一种基于SVDD的开关设备机械故障诊断方法和系统。

背景技术

作为电力系统的关键组成部分，开关设备广泛应用于输配电的各个环节，其正常运行对于电力系统的可靠平稳安全运行具有十分重要的意义。在开关设备引发的非停运事件中，由于机械缺陷未得到及时预警而发展为机械故障甚至事故的案例占比将近40％。现有技术中，基于信号进行开关设备机械缺陷/故障诊断和机械状态评估是常用的方法，其中振动信号的非侵入式的采集方式不会影响开关设备的正常运行且包含丰富的设备状态信息，能够综合反映设备内部众多元件的机械变化，可以体现80％的机械特性类缺陷/故障，逐渐成为新的研究热点。

基于信号分析的开关设备机械故障诊断方法，通常流程为采集开关设备在正常状态和多种模拟故障状态下的信号作为样本，对预处理后的信号进行相关处理后提取一组特征量形成特征向量，将该特征向量输入神经网络或支持向量机等机器学习分类算法进行模型训练，再将待分析信号的特征向量输入训练好的模型进行故障识别，从而实现故障诊断。

目前，主流的基于振动信号的开关设备机械故障诊断方法存在以下问题：

采集单个位置或多个位置的振动信号或包含振动信号的多源信号，依赖于大量多种故障模拟的样本；在实际工况下，开关设备的机械故障种类多，动作次数少，进而其故障样本少，一般仅针对特定故障进行模拟，模拟故障困难、获取代价高。

单独针对振动信号全局提取特征量分析诊断，采用的振动信号全局处理方法包括局部均值分解、经验模态分解、总体平均经验模态分解、希尔伯特-黄变换、S变换等，运算量大、耗时久、硬件要求高；或针对包含振动信号的多源信号独立提取特征量再进行融合分析诊断。

应用机器学习多类分类算法进行故障模式分类时，容易导致面向缺陷或未知故障类型样本时漏警率高的问题，即错误把缺陷或故障样本诊断为正常样本。

发明内容

有鉴于此，本发明的目的在于提供一种基于SVDD的开关设备机械故障诊断方法和系统，易于实现、成本低、运算简单、耗时短、漏警率低、准确率高，不依赖机械故障样本，具有较强的适用性，尤其适用于机械故障早期征兆即机械缺陷的识别。

本发明第一方面公开了一种基于SVDD的开关设备机械故障诊断方法，包括：

采集并将所述开关设备在稳定运行状态下，其动作过程中的多源信号作为待诊断样本信号；

对所述待诊断样本信号进行截取，并对所述待诊断样本信号中的振动信号进行去噪、去趋势项的预处理操作；

对预处理后的待诊断样本信号采用两步特征提取方法，提取典型特征量，形成一组特征向量；其中，所述典型特征量包括：关键位置时刻的特征量以及，所述关键位置时刻对应的振动短时能量和行程短时积分的特征量；所述关键位置时刻为能够反映所述开关设备的机械状态的位置对应的时刻；

将所述特征向量输入至预先训练好的最优超球体故障诊断模型，得到所述待诊断样本信号的诊断结果；其中，所述最优超球体故障诊断模型为通过SVDD(SupportVectorData Description，支持向量数据描述)方法对所述开关设备的稳定运行状态下机械正常状态的正常样本进行训练得到的。