[发明专利]基于参数识别的高压断路器机械振动信号特征提取方法

说明书

本发明公开了一种基于参数识别的高压断路器机械振动信号特征提取方法，实施步骤包括：针对振动信号构造相应的Hankel矩阵并进行奇异值分解，根据奇异值范数及设定阈值确定信号的主要成分，实现信号的降噪处理；通过快速傅里叶变换得到信号的主要中心频率，由此确定模态个数，对降噪后的振动信号进行变分模态分解，获得对应中心频率的固有模态函数分量；采用总体最小二乘法—旋转矢量不变技术对各固有模态函数分量的主要参数，即振动事件的幅值、频率、衰减系数、起始时刻进行识别并将其作为振动信号特征数据集。本发明的方法能够有效降噪，准确展示出各主要振动事件，计算量小且提高了参数识别的精度，为高压断路器机械状态评估奠定了基础。

技术领域

本发明属于电力设备状态监测与故障诊断领域，具体涉及一种基于参数识别的高压断路器机械振动信号特征提取方法。

背景技术

高压断路器是电力系统中重要的控制和保护设备，其状态与电网安全稳定运行密切相关。统计结果表明，机械故障占高压断路器全部故障的一半以上，因此高压断路器机械状态的准确诊断和评估对于其可靠运行具有重要的现实意义。

高压断路器在分合闸过程中，由于零部件之间的机械撞击、摩擦，和机械力、电动力，会导致机械振动。高压断路器振动信号中包含有丰富的信息，能够反映脱扣失灵、卡涩、部件安装位置不当、铁芯松动、轴销断裂、部件变形等多种故障特征，可用于对其机械故障进行诊断。

目前，振动信号的采集技术相对比较成熟，如何对信号进行分析和处理则成为了关注的焦点，振动信号特征提取的实用算法有经验模态分解、希尔伯特-黄变换等方法等。经验模态分解可以自适应将信号分解为几个简单的振荡模式，对处理非平稳信号具有较好的作用，但它存在着端点效应和模态混叠等缺陷。希尔伯特-黄变换方法则是经验模态分解和希尔伯特变换两者的结合，对信号的时间变化反映较好，而对频率变化则较不敏感。为了提升高压断路器机械缺陷识别和状态评估的准确率，需要降噪和参数辨识效果好的振动信号特征提取方法。

发明内容

针对现有技术存在的上述问题，本发明提出了一种基于参数识别的高压断路器机械振动信号特征提取方法，针对振动信号构造相应的Hankel矩阵并进行奇异值分解，根据奇异值范数及设定阈值确定信号的主要成分，实现信号的降噪处理并得到信号的主要中心频率；对降噪后的振动信号进行变分模态分解，获得对应中心频率的固有模态函数分量；采用总体最小二乘法—旋转矢量不变技术对各模态函数分量的主要参数，即振动事件的幅值、频率、衰减系数、起始时刻进行识别并将其作为振动信号特征数据集。

本发明采用的技术方案为：

一种基于参数识别的高压断路器机械振动信号特征提取方法，包括如下步骤：

步骤(1)：针对由多个振动事件复合而成的高压断路器机械振动信号X，构造其相应的Hankel矩阵X1并进行奇异值分解(Singular Value Decomposition，简称SVD)，根据奇异值范数及设定阈值确定信号的主要成分并进行重构，实现信号的降噪处理，得到降噪后的振动信号x，通过快速傅里叶变换(Fast Fourier Transform，简称FFT)得到信号的主要中心频率的集合为{ω_k}＝{ω₁,ω₂,…,ω_K},K为中心频率个数。

步骤(2)：对降噪后的振动信号x进行变分模态分解(Variational ModeDecomposition，简称VMD)，即将降噪后的振动信号x分解为K个对应中心频率ω₁,ω₂,…,ω_K的固有模态函数(Intrinsic Mode Function,简称IMF)分量m₁,m₂,…,m_K，同时使各固有模态函数分量的估计带宽之和最小,构造降噪后的振动信号x的带约束变分模型：