基于声振信号的GCB分合闸状态感知数据采集分析方法与流程

基于声振信号的gcb分合闸状态感知数据采集分析方法
技术领域
1.本发明属于发电机出口高压断路器在线监测技术领域，特别涉及一种基于声振信号的gcb分合闸状态感知数据采集分析方法。


背景技术：

2.gcb是安装于发电机和主变压器之间的一种高压断路器，可实现发电机-变压器单元快速短路保护，同时可增加电厂运行调度的灵活性，可确保厂用电供电的连续性、可靠性和灵活性，此外可完成发电机侧同期操作。近年来，国内多个电站陆续发生gcb分合闸异常。经分析研究，以上故障均是由断路器操作连杆回路机械故障引发。上述机械故障发生时及发生前，传动连杆、电源电流等均有明显异常信号。
3.目前，对gcb比较成熟的在线监测方法主要是灭弧室温度、压力监测，以上参量对设备故障反应迟缓，无法及时预警。另外一种监测方法是使用限位传感器来监测分合闸状态，即动作开始和结束时的状态。此外，一种发电机出口断路器的合闸分闸状态监测方法(cn111157882a)，是通过振动传感器，得到振动位移、速度、加速度、振动频率、阻尼、衰减系数，然后通过多个深度神经网络的隐藏层，得到输出层开关合闸或分闸状态。
4.分合闸的暂态过程由反应了不同部件的响应特征，上述三种方法对其中细节均不能识别。分合闸暂态过程处理对实时性要求很高，因此数据需要使用较小模型和本地计算硬件处理。因此，如何在较小数据模型下，实现gcb分合闸暂态过程的提前感知和预警分析，是亟待解决的问题。


技术实现要素：

5.鉴于背景技术所存在的技术问题，本发明所提供的基于声振信号的gcb分合闸状态感知数据采集分析方法，采用dsp现地处理器下载的模型，直接对每一次操作信号进行判别，数据处理工作量大幅减小，实现了小模型下的快速判断；采用的分合闸暂态标准参考模型，是利用oneclasssvm方法驯化n组信号特征向量得到，具有强大的机器自学习能力，可在后期操作信号样本积累基础上，持续优化标准参考模型，不断提高信号判别的精确度；本发明的数据判别结果具有现地和远方两种输出方式，保证了异常信号的及时预警。
6.为了解决上述技术问题，本发明采取了如下技术方案来实现：
7.一种基于声振信号的gcb分合闸状态感知数据采集分析方法，步骤为：
8.步骤1，安装用于获取声振信号的采集回路：声振信号由振动传感器采集，振动传感器安装在gcb断路器拐臂端部；振动传感器与处理器电连接，处理器与远程服务器通讯连接，处理器与报警信号指示灯电连接；
9.步骤2，建立参考模型：
10.步骤2.1：建立合闸暂态参考模型；
11.步骤2.2：建立分闸暂态参考模型；
12.步骤3，进行动作信号分析：待分闸暂态参考模型和合闸暂态参考模型建立以后，
对每一次分合闸声振信号进行分析判定；
13.步骤4，进行信号判别输出。
14.优选地，振动传感器包括a相振动传感器、b相振动传感器和c相振动传感器采集，a相振动传感器用于安装在a相gcb断路器拐臂端部，b相振动传感器用于安装在b相gcb断路器拐臂端部，c相振动传感器用于安装在c相gcb断路器拐臂端部。
15.优选地，步骤2.1的建立方法为：记录n次合闸过程的振动平均最大值s
max
，选择该值的85％为基准值，并记录该时刻t
base_start
，作为模型数据帧的开始时间；
16.对每一个信号执行如下操作：
17.设置移动检测帧signal
move
，signal
move
长度为0.1ms，signal
move
平均值小于s
min
，所述的s
min
表示一个振动信号的平均最小值；记录signal
move
第一次出现的时刻t
base_end
，作为模型数据帧的截止时间；
18.得到一个时长为t
base_length
，且有一定幅值的信号图谱模型数据帧signal
window
；
19.计算模型数据帧的最大值、最小值、均值和方差，特征编号分别为：1-4；
20.计算模型数据帧的0～12阶梅尔倒谱参数，得到13组信号；再分别求取这13组信号的最大值、最小值、均值和方差，得到52个特性信号，这些特征信号依次编号为：5-56；
21.将模型数据帧signal
window
分成10个分割数据帧；每个分割数据帧进行变分模态分解，得到k个分量，表达式为：
[0022][0023]
uk表示k个模态信号，ε表示残差，得到每一个模态的排列熵v(uk)，得到10k个信号，将10k个信号继续编号，编号为：57-(56+10k)；
[0024]
经过上述步骤，最终得到n个(56+10k)维的v
train
模型特征向量，并应用oneclasssvm对这n个模型特征向量进行离群点训练，得到合闸暂态标准参考模型model
close
。
[0025]
优选地，步骤2.2中，采集n次分闸动作信号，按照合闸信号处理方法，得到分闸暂态标准参考模型model
open
。
[0026]
优选地，步骤3的分析过程如下：操作断路器，得到1个待分析信号；如果待分析动作信号达到85％s
max
，选择该时刻为待测数据帧的开始时间t
test_start
；
[0027]
设置移动帧frame
move
，长度为0.1ms，移动帧的平均值小于s
min，
；将该帧首次出现的时刻，作为待测数据帧的截止时间t
test_end
；
[0028]
计算待测数据帧的长度t
test_length
，得到待测数据帧testsignal
window
；
[0029]
计算testsignal
window
的最大值、最小值、均值和方差，特征编号：t1-t4；
[0030]
计算testsignal
window
0～12阶梅尔倒谱参数的最大值、最小值、均值和方差，特征编号：t5-t56；
[0031]
将testsignal
window
分成十个分割数据帧，进行变分模态分解，得到k个分量并得到每一个分量模态的排列熵v(u
k+1
)，特征编号：t57-t(56+10k)；
[0032]
最终得到1个(56+10k)维的待测特征向量v
test
，将合闸特征向量输入到模型model
close
，若是分闸特征则向量输入到模型model
open
，进行预测并得到分值s。
[0033]
优选地，信号输出的判断规则为：
[0034]
tδ
sound
＝|t
base_length-t
test_length
|，
[0035]
所述的tδ
sound
表示信号是否异常的一个判定条件，t
base_length
表示算法设定的标准时长，t
test_length
表示一个测试信号的实际时长；该偏差如果超出设定阈值tδ
th
，则输出本地io报警信号和向服务器输出报警信号；
[0036]
设定模型得分阈值threshhold，如果s大于threshhold，则输出本地io报警信号和向远程服务器输出报警信号；如果s小于threshhold，则输出本地io正常信号和向远程服务器输出正常信号。
[0037]
本专利可达到以下有益效果：
[0038]
1、与现有技术对比，本发明采用声振一体检测传感器，实现了声音信号和3个维度的振动信号的同步采集，数据量更丰富；
[0039]
2、与现有技术对比，本发明采用的声振一体检测传感器直接利用断路器拐臂现有螺孔进行安装，安装和拆除更为简单便捷，同时不影响被检测设备自身的安全稳定运行；
[0040]
3、本发明采用dsp现地处理器下载的模型，直接对每一次操作信号进行判别，数据处理工作量大幅减小，实现了小模型下的快速判断；
[0041]
4、本发明采用的分合闸暂态标准参考模型，是利用oneclasssvm方法驯化n组信号特征向量得到，具有强大的机器自学习能力，可在后期操作信号样本积累基础上，持续优化标准参考模型，不断提高信号判别的精确度；
[0042]
5、本发明的数据判别结果具有现地和远方两种输出方式，保证了异常信号的及时预警；
[0043]
6、本发明使用后，可以采集gcb封闭核心电气设备的机械传动部件的声振信号，可以监测早期的异常信号，优化设备状态评估算法，支持设备状态检修策略，及早检查处理设备隐患。
附图说明
[0044]
下面结合附图和实施例对本发明作进一步说明：
[0045]
图1为本发明信号采集和通讯系统图；
[0046]
图2为本发明断路器合闸过程a相声振波形图；
[0047]
图3为本发明断路器合闸过程b相声振波形图；
[0048]
图4为本发明断路器合闸过程c相声振波形图；
[0049]
图5为本发明断路器分闸过程a相声振波形图；
[0050]
图6为本发明断路器分闸过程b相声振波形图；
[0051]
图7为本发明断路器分闸过程c相声振波形图。
具体实施方式
[0052]
实施例1：
[0053]
优选的方案如图1至图7所示，一种基于声振信号的gcb分合闸状态感知数据采集分析方法，步骤为：
[0054]
步骤1，安装用于获取声振信号的采集回路：声振信号由振动传感器采集，振动传感器安装在gcb断路器拐臂端部；振动传感器与处理器电连接，处理器与远程服务器通讯连
接，处理器与报警信号指示灯电连接；
[0055]
具体地，振动传感器包括a相振动传感器、b相振动传感器和c相振动传感器采集，a相振动传感器用于安装在a相gcb断路器拐臂端部，b相振动传感器用于安装在b相gcb断路器拐臂端部，c相振动传感器用于安装在c相gcb断路器拐臂端部。振动传感器安装方式包括螺纹紧固、磁铁吸附或硬质粘胶连接。处理器为32位dsp处理器。
[0056]
本发明采用的声振信号传感器为x、y、z 3轴检测型，振动量程：
±
200g，振动频率范围：0.1hz～1600hz、振动灵敏度：4mg，通过螺纹紧固、强磁、硬质胶粘结合的方案，安装在gcb断路器拐臂端部。
[0057]
声振信号经32位dsp处理单元传送至远程服务器内，经过一系列分析处理，驯化得到标准参考样本模型，并返送至dsp处理单元。系统正式运行期间，每一次分合闸声振信号的数据直接在dsp处理，并与标准参考样本模型对比，若有预警和报警信号，可就地显示并上送至远程服务器。信号采集和通讯系统见图1。
[0058]
步骤2，建立参考模型：
[0059]
步骤2.1：建立合闸暂态参考模型；
[0060]
建立方法为：记录n次合闸过程的振动平均最大值s
max
，选择该值的85％为基准值，并记录该时刻t
base_start
，作为模型数据帧的开始时间；
[0061]
对每一个信号执行如下操作：
[0062]
设置移动检测帧signal
move
，该帧长度为0.1ms，平均值小于s
min
，s
min
表示一个振动信号的平均最小值，是人为设定的；记录该帧第一次出现的时刻t
base_end
，作为模型数据帧的截止时间；
[0063]
模型数据帧的长度t
base_length
(该值作为模板标准值，并允许一定的偏差tδsound)；得到模型数据帧signal
window
：signal
window
是一个时长为t
base_length
，有一定幅值的信号图谱。
[0064]
以上步骤目的在于：得到一个时长为t
base_length
(t
base_end-t
base_start
)，振幅介于85％s
max
和s
min
之间的信号。
[0065]
计算模型数据帧的最大值、最小值、均值和方差，特征编号分别为：1-4；
[0066]
计算模型数据帧的0～12阶梅尔倒谱参数，得到13组信号。再分别求取这13组信号的最大值、最小值、均值和方差，得到52个特性信号，这些特征信号依次编号为：5-56；
[0067]
将模型数据帧signal
window
分成10个分割数据帧；每个分割数据帧进行变分模态分解，得到k个分量，表达式为：
[0068][0069]
uk表示k个模态信号，ε表示残差，得到每一个模态的排列熵v(uk)，得到10k个信号。这10k个信号继续编号，编号为：57-(56+10k)；
[0070]
经过上述步骤，最终得到n个(56+10k)维的v
train
模型特征向量，并应用oneclasssvm对这n个模型特征向量进行离群点训练，得到合闸暂态标准参考模型model
close
。
[0071]
步骤2.2：建立分闸暂态参考模型；
[0072]
骤2.2中，采集n次分闸动作信号，按照合闸信号处理方法，得到分闸暂态标准参考
模型model
open
。
[0073]
步骤3，进行动作信号分析：待分闸暂态参考模型和合闸暂态参考模型建立以后，对每一次分合闸声振信号进行分析判定；
[0074]
操作断路器，得到1个待分析信号；如果待分析动作信号达到85％s
max
，选择该时刻为待测数据帧的开始时间t
test_start
；
[0075]
设置移动帧frame
move
，长度为0.1ms，移动帧的平均值小于s
min
；将该帧首次出现的时刻，作为待测数据帧的截止时间t
test_end
；
[0076]
计算待测数据帧的长度t
test_length
，得到待测数据帧testsignal
window
；
[0077]
计算testsignal
window
的最大值、最小值、均值和方差，特征编号：t1-t4。
[0078]
testsignalwindow最终的56+10k个信号可以换个编号。
[0079]
计算testsignal
window
0～12阶梅尔倒谱参数的最大值、最小值、均值和方差，特征编号：t5-t56；
[0080]
将testsignal
window
分成十个分割数据帧，进行变分模态分解，得到k个分量并得到每一个分量模态的排列熵v(u
k+1
)，特征编号：t57-t(56+10k)。
[0081]
最终得到1个(56+10k)维的待测特征向量v
test
，将合闸特征向量输入到模型model
close
(分闸特征向量输入到模型model
open
)，进行预测并得到分值s。
[0082]
另外，从步骤3以后，数据帧只有待测数据帧和移动数据帧，待测数据帧和移动数据帧为两个不同的信号。其中，移动数据帧是一个标准检测信号，设备动作采集到原始信号后，需要用移动数据帧来检测原始信号，最终得到一个待测数据帧。
[0083]
步骤4，进行信号判别输出。
[0084]
信号输出的判断规则为：
[0085]
tδ
sound
＝|t
base_length-t
test_length
|
[0086]
tδ
sound
是信号是否异常的一个判定条件，t
base_length
表示算法设定的标准时长，t
test_length
表示一个测试信号的实际时长。两个时间相减取绝对值为tδ
sound
。该偏差如果超出设定阈值tδ
th
，则输出本地io报警信号和向服务器输出报警信号；
[0087]
设定模型得分阈值threshhold，如果s大于threshhold，则输出本地io报警信号和向远程服务器输出报警信号；如果s小于threshhold，则输出本地io正常信号和向远程服务器输出正常信号。
[0088]
如图2-7所示，采用本发明提供的数据采集分析方法，使用高频高灵敏度的振动传感器采集信号，得到了合闸、分闸的声振信号的波形图。本发明在较小模型(通常10mb以下的为小模型，适用于嵌入式系统)上求取梅尔倒谱系数及短时能量特征，并基于分割数据帧，采用经验模态分解和样本熵的方法得到特征向量，以此特征参量评价gcb分合闸状态，同时采用在线监测分级报警策略，将异常信息反馈至监控系统和大数据系统，优化设备状态评估，提升设备故障快速反应能力，支持设备状态检修策略。
[0089]
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

技术特征：
1.一种基于声振信号的gcb分合闸状态感知数据采集分析方法，其特征在于包括以下步骤：步骤1，安装用于获取声振信号的采集回路：声振信号由振动传感器采集，振动传感器安装在gcb断路器拐臂端部；振动传感器与处理器电连接，处理器与远程服务器通讯连接，处理器与报警信号指示灯电连接；步骤2，建立参考模型：步骤2.1：建立合闸暂态参考模型；步骤2.2：建立分闸暂态参考模型；步骤3，进行动作信号分析：待分闸暂态参考模型和合闸暂态参考模型建立以后，对每一次分合闸声振信号进行分析判定；步骤4，进行信号判别输出。2.根据权利要求1所述的基于声振信号的gcb分合闸状态感知数据采集分析方法，其特征在于：振动传感器包括a相振动传感器、b相振动传感器和c相振动传感器采集，a相振动传感器用于安装在a相gcb断路器拐臂端部，b相振动传感器用于安装在b相gcb断路器拐臂端部，c相振动传感器用于安装在c相gcb断路器拐臂端部。3.根据权利要求1所述的基于声振信号的gcb分合闸状态感知数据采集分析方法，其特征在于：步骤2.1的建立方法为：记录n次合闸过程的振动平均最大值s
max
，选择该值的85％为基准值，并记录该时刻t
base_start
，作为模型数据帧的开始时间；对每一个信号执行如下操作：设置移动检测帧signal
move
，signal
move
长度为0.1ms，signal
move
平均值小于s
min
，所述的s
min
表示一个振动信号的平均最小值；记录signal
move
第一次出现的时刻t
base_end
，作为模型数据帧的截止时间；从而得到一个时长为t
base_length
，且有一定幅值的信号图谱模型数据帧signal
window
；计算模型数据帧的最大值、最小值、均值和方差，特征编号分别为：1-4；计算模型数据帧的0～12阶梅尔倒谱参数，得到13组信号；再分别求取这13组信号的最大值、最小值、均值和方差，得到52个特性信号，这些特征信号依次编号为：5-56；将模型数据帧signal
window
分成10个分割数据帧；每个分割数据帧进行变分模态分解，得到k个分量，表达式为：u
k
表示k个模态信号，ε表示残差，得到每一个模态的排列熵v(u
k
)，得到10k个信号，将10k个信号继续编号，编号为：57-(56+10k)；经过上述步骤，最终得到n个(56+10k)维的v
train
模型特征向量，并应用oneclasssvm对这n个模型特征向量进行离群点训练，得到合闸暂态标准参考模型model
close
。4.根据权利要求3所述的基于声振信号的gcb分合闸状态感知数据采集分析方法，其特征在于：步骤2.2中，采集n次分闸动作信号，按照合闸信号处理方法，得到分闸暂态标准参考模型model
open
。5.根据权利要求1所述的基于声振信号的gcb分合闸状态感知数据采集分析方法，其特征在于：步骤3的分析过程如下：操作断路器，得到1个待分析信号；如果待分析动作信号达
到85％s
max
，选择该时刻为待测数据帧的开始时间t
test_start
；设置移动帧frame
move
，长度为0.1ms，移动帧的平均值小于s
min
，；将该帧首次出现的时刻，作为待测数据帧的截止时间t
test_end
；计算待测数据帧的长度t
test_length
，得到待测数据帧testsignal
window
；计算testsignal
window
的最大值、最小值、均值和方差，特征编号：t1-t4；计算testsignal
window
0～12阶梅尔倒谱参数的最大值、最小值、均值和方差，特征编号：t5-t56；将testsignal
window
分成十个分割数据帧，进行变分模态分解，得到k个分量并得到每一个分量模态的排列熵v(u
k+1
)，特征编号：t57-t(56+10k)；最终得到1个(56+10k)维的待测特征向量v
test
，将合闸特征向量输入到模型model
close
，若是分闸特征则向量输入到模型model
open
，进行预测并得到分值s。6.根据权利要求1所述的基于声振信号的gcb分合闸状态感知数据采集分析方法，其特征在于：信号输出的判断规则为：tδ
sound
＝
│
t
base_length-t
test_length
│
所述的tδ
sound
表示信号是否异常的一个判定条件，t
base_length
表示算法设定的标准时长；t
test_length
表示一个测试信号的实际时长；该偏差如果超出设定阈值tδ
th
，则输出本地io报警信号和向服务器输出报警信号；设定模型得分阈值threshhold，如果s大于threshhold，则输出本地io报警信号和向远程服务器输出报警信号；如果s小于threshhold，则输出本地io正常信号和向远程服务器输出正常信号。

技术总结
一种基于声振信号的GCB分合闸状态感知数据采集分析方法，使用高频高灵敏度的振动传感器采集信号，求取梅尔倒谱系数及短时能量特征，并基于分割数据帧，采用经验模态分解和样本熵的方法得到特征向量，进一步应用OneClassSVM方法驯化得到标准参考样本模型。以该模型为参考，判断每一次的分合闸动作是否正常。本发明实现了小模型下的快速判断；采用的分合闸暂态标准参考模型，是利用OneClassSVM方法驯化N组信号特征向量得到，具有强大的机器自学习能力，可在后期操作信号样本积累基础上，持续优化标准参考模型，不断提高信号判别的精确度；本发明的数据判别结果具有现地和远方两种输出方式，保证了异常信号的及时预警。及时预警。及时预警。


技术研发人员：冉帅 张舸 肖江滔 张兆闯 杨树锋 屈文锋 翁利听 舒强 曹宏 刘豪睿
受保护的技术使用者：北京华控智加科技有限公司
技术研发日：2023.03.31
技术公布日：2023/7/12