[发明专利]基于MPE与SVM的OLTC机械故障诊断方法

说明书

本发明公开了一种基于MPE和SVM的OLTC机械故障诊断方法，包括以下步骤：1）通过加速度传感器对有载分接开关OLTC正常状态下的振动信号、故障状态下的振动信号进行采集，并对振动信号做预处理；2）对采集到的振动信号进行多尺度排列熵MPE计算，构造特征向量，作为支持向量机SVM的输入；3）将步骤2）得到的特征向量输入到支持向量机SVM中，对支持向量机SVM进行训练，将测试数据输入到训练好的SVM，从而判断OLTC的故障模式，本发明不需要大量数据进行SVM的训练，诊断精度更高；对OLTC的诊断效果明显优于BP神经网络。

技术领域

本发明涉及有载分接开关故障诊断技术领域，具体涉及一种基于MPE与SVM的有载分接开关OLTC机械故障诊断方法。

背景技术

随着对电能质量要求的提高，电网大量应用自动电压控制等系统，现有有载分接开关(OLTC)调节相当频繁，故障发生率很高。据国内外资料统计，分接开关故障占变压器故障的20％以上，且主要为机械故障，若不及时发现和处理，其故障会严重破坏OLTC和变压器的固有结构，影响电力设备和系统的正常安全运行并造成严重后果。因此，为了确保分接开关安全可靠地运行，有必要开展分接开关机械故障诊断方法的相关研究。

在有载分接开关操作过程中，机构零部件之间的碰撞或摩擦会产生振动信号，这些振动信号包含着丰富的设备状态信息。目前，基于振动信号分析已成为有载分接开关机械故障诊断的重要手段。已有的振动信号分析方法有小波奇异性检测、自组织映射法、EMD(经验模态分解)和小波包等。这些方法大多是将非平稳信号分解为若干个简单的平稳信号之和，然后对每个分量进行处理，提取时频特征。然而，研究表明，OLTC切换过程中的振动信号表现出明显的非线性行为，采用时频分析的方法，将信号分解为平稳信号，难免有一定的局限性。因此，本发明采用多尺度排列熵非线性分析方法来进行OLTC机械故障诊断，能够直接提取机械振动信号中其他方法无法提取的故障信息。

针对OLTC机械振动信号的非线性特点，本发明从OLTC振动信号的时间序列随机性和动力学突变特性出发，将多尺度排列熵(MPE)应用于OLTC的故障特征的提取。由于支持向量机(SVM)分析在小样本数据故障诊断中具有良好的诊断效果，因此，在MPE提取故障特征的基础上，结合SVM作为故障类型判断，提出一种基于MPE和SVM的有载分接开关机械故障诊断方法，并将其应用于OLTC实验数据的分析。结果表明，此方法能够有效地诊断OLTC机械故障类型。

发明内容

为解决现有技术中的不足，本发明提供一种基于MPE与SVM的有载分接开关机械故障诊断方法，诊断结果确实精度高，结构简单，可操作性强。

为了实现上述目标，本发明采用如下技术方案：一种基于MPE和SVM的OLTC机械故障诊断方法，其特征在于：包括以下步骤：

1)通过加速度传感器对有载分接开关OLTC正常状态下的振动信号、故障状态下的振动信号进行采集，并对振动信号做预处理；

2)对采集到的振动信号进行多尺度排列熵MPE计算，构造特征向量，作为支持向量机SVM的输入；

3)将步骤2)得到的特征向量输入到支持向量机SVM中，对支持向量机SVM进行训练，将测试数据输入到训练好的SVM，从而判断OLTC的故障模式。

前述的一种基于MPE和SVM的OLTC机械故障诊断方法，其特征是：所述预处理具体为：对采集到的振动信号进行降噪处理。

前述的一种基于MPE和SVM的OLTC机械故障诊断方法，其特征是：所述故障状态包括有载分接开关OLTC触头松动以及弹簧性能下降。

前述的一种基于MPE和SVM的OLTC机械故障诊断方法，其特征是：所述加速度传感器安装在分接开关的顶端。

前述的一种基于MPE和SVM的OLTC机械故障诊断方法，其特征是：所述多尺度排列熵MPE计算具体步骤为：