一种GIS/GIL设备机械缺陷诊断方法、评估方法及系统

一种gis/gil设备机械缺陷诊断方法、评估方法及系统
技术领域
1.本发明涉及gis/gil设备机械缺陷智能分析技术领域，具体而言，涉及一种gis/gil设备机械缺陷诊断方法、评估方法及系统。


背景技术：

2.气体绝缘金属封闭开关设备(gas insulated swicthgear,gis/gil)和气体绝缘金属封闭输电线路(gas insulated transmission line,gil)承担着电力系统负荷控制、安全保护、电力输送的重任，gis/gil的广泛推广有效的缓解了城市土地资源缺乏、用电负荷剧增、高可靠性需求带来的供电压力。但由于gis/gil设备采用全封闭式结构，内部状态信息难以探知，一旦设备发生故障将严重影响系统正常运转。据统计，gis/gil设备故障主要与生产、运输和运行过程中产生的绝缘和机械缺陷有关，而机械缺陷也是导致绝缘劣化的重要因素，其异响振动长期发展将导致局部过热、气体泄漏甚至引发闪络击穿。因此，如何有效实现运行gis/gil设备机械缺陷的有效诊断对保障设备安全稳定运行具有重要意义。
3.gis/gil设备机械缺陷存在负载随机性和工况复杂性，一方面是运行电流和内部缺陷状态实时变化，现有技术均未考虑负载电流对gis/gil设备机械缺陷诊断效果的影响，另一方面对于诊断过程中的环境噪音没有进行有效滤除，导致最终的诊断效果不够精准。


技术实现要素：

4.本发明的第一个目的在于提供一种gis/gil设备机械缺陷诊断方法及系统，该诊断方法及系统通过对gis/gil设备作业环境中的振动信号与背景信号进行分析对比，利用邻近模态噪声抑制的方式有效滤除环境噪声干扰，从而确保后续诊断结果的精准度；
5.本发明的第二个目的在于提供一种gis/gil设备机械缺陷评估方法，该评估方法利用上述的诊断方法，并基于负载电流划分的不同区间样本缺陷信息诊断目标，以实现不同运行电流下gis/gil设备机械缺陷类型和严重程度的同时判断。
6.本发明的实施例是这样实现的：
7.第一方面，一种gis/gil设备机械缺陷诊断方法，包括如下步骤：
8.获取gis/gil设备机械振动信号和背景噪声信号，对gis/gil设备机械振动信号和背景噪声信号进行多重分解，分别获取gis/gil设备机械振动信号的m个模态分量svmf和背景噪声信号的n个模态分量nvmf，其中，m与n均为正整数；
9.分别求解模态分量svmf和模态分量nvmf的重心频率sf＝{s
f1
,s
f2
,
…
,s
fm
}和nf＝{n
f1
,n
f2
,
…
,n
fn
}，确定每一个模态分量svmf重心频率最接近的模态分量nvmf并进行匹配；
10.对两两匹配的模态分量svmf和模态分量nvmf以各自重心频率为中心，分别求取领域γ
si
∈(s
fi-δ,s
fi
+δ)与γ
ni
∈(s
fi-δ,s
fi
+δ)内频域振动信号的幅值和峭度作为阈值滤波判据，利用阈值比较滤除干扰噪声模态信号，获得目标振动信号，其中，模态分量序号i＝1,2,3,
…
,k，k为模态分量总数；δ表示领域频率区间宽度；
11.利用卷积神经网络模型对目标振动信号进行识别，获得识别结果。
12.在可选地实施方式中，对gis/gil设备机械振动信号和背景噪声信号联合变分多模态分解算法进行多重分解，并通过引入拉格朗日乘法算子λ(t)和二次罚因子τ进行计算，其表达式(1)如下：
[0013][0014]
式(1)中，uk表示模态信号；ωk表示中心频率；λ表示拉格朗日乘法算子；表示梯度运算，δ(t)为单位脉冲函数；*表示卷积；t表示时间；k表示模态分量总数；k表示模态分量序号；j为复数符号；f(t)表示振动时域序列。
[0015]
在可选地实施方式中，还包括对频域模态uk(ω)和相应的中心频率ωk更新的步骤，其更新计算表达式分别如式(2)和式(3)：
[0016][0017][0018]
在可选地实施方式中，在利用阈值比较滤除干扰噪声模态信号之后还包括如下步骤：
[0019]
对进行滤波后的模态信号进行叠加，并对该叠加信号进行小波变换构建三维的时频图谱信号，基于时频图谱信号获得目标振动信号。
[0020]
在可选地实施方式中，对进行滤波后的模态信号进行叠加，并对该叠加信号进行小波变换构建三维的时频图谱信号包括如下步骤：
[0021]
确定一个信号x(t),x(t)∈l2(r)，基于x(t)确定小波变换变换wt
x
(a,b)，表达式为式(4)：
[0022][0023]
式(4)中，t为时间，a和b分别为尺度因子和平移参数，且a大于0；ψ
a,b
(t)是母小波函数ψ(t)经移位和伸缩产生的一族小波基函数。
[0024]
在可选地实施方式中，ψ
a,b
(t)与母小波函数ψ(t)的关系式表达如式(5)：
[0025][0026]
其中，ψ(t)的约束条件为：
[0027][0028]
在可选地实施方式中，卷积神经网络神经模型的算法架构表达式如式(7)：
[0029]
z＝f(x|θ)＝f
l
(...f2(f1(x|θ1)|θ2|θ
l
)
ꢀꢀꢀꢀꢀꢀ
(7)
[0030]
式(7)中，f(x|θ)表示多层非线性映射模型；f(.|θ
l
)为映射函数；θ＝{θ
l
,θ2…
θ
l
}为网络参数集。
[0031]
在可选地实施方式中，卷积神经网络神经模型中，采用fire网络堆栈模块提取样本特征，个fire模块包含压缩层、扩展层和合并层；其中，压缩层采用1
×
1的卷积滤波器对上一层输入特征矩阵数据集c
l
进行卷积；扩展层采用1
×
1和3
×
3的卷积滤波器进行分组卷积以形成稀疏通道域的连接；合并层融合通道间的信息。
[0032]
第二方面，一种gis/gil设备机械缺陷评估方法，应用上述的gis/gil设备机械缺陷诊断方法，该评估方法包括如下步骤：
[0033]
基于负载率lor将对训练样本集进行划分，并将训练样本集划分为第一评价区间、第二评价区间和第三评价区间，其中，第一评价区间表示lor≤33％，第二评价区间表示33％《lor≤66％，第三评价区间表示lor＞66％；负载率lor为设备运行电流i
om
与设备额定电流i
rm
的比值；
[0034]
基于训练样本集对卷积神经网络神经模型进行算法训练。
[0035]
第三方面，一种gis/gil设备机械缺陷诊断系统，包括：
[0036]
分解模块，其用于获取gis/gil设备机械振动信号和背景噪声信号，对gis/gil设备机械振动信号和背景噪声信号进行多重分解，分别获取gis/gil设备机械振动信号的m个模态分量svmf和背景噪声信号的n个模态分量nvmf，其中，m与n均为正整数；
[0037]
计算模块，其用于分别求解模态分量svmf和模态分量nvmf的重心频率sf＝{s
f1
,s
f2
,
…
,s
fm
}和nf＝{n
f1
,n
f2
,
…
,n
fn
}，确定每一个模态分量svmf重心频率最接近的模态分量nvmf并进行匹配；
[0038]
判断模块，其用于对两两匹配的模态分量svmf和模态分量nvmf以各自重心频率为中心，分别求取领域γ
si
∈(s
fi-δ,s
fi
+δ)与γ
ni
∈(s
fi-δ,s
fi
+δ)内频域振动信号的幅值和峭度作为阈值滤波判据，利用阈值比较滤除干扰噪声模态信号，获得目标振动信号，其中，模态分量序号i＝1,2,3,
…
,k，k为模态分量总数；δ表示领域频率区间宽度；
[0039]
识别模块，其用于利用卷积神经网络模型对目标振动信号进行识别，获得识别结果。
[0040]
本发明实施例的有益效果是：
[0041]
本发明实施例提供的gis/gil设备机械缺陷诊断方法及系统通过将gis/gil设备工作环境中的振动信号和背景噪声信号进行提取，再分别进行多重分解，获得两种信号的多个模态分量，依据重心频率相近程度进行两两匹配，将匹配完成的模态分量以其重心频率为中心，再计算出振动信号幅值和峭度作为判断阈值，进行比较后便能够对干扰噪声的模态信号进行有效滤除，从而获得更加清晰的目标振动信号，以作为后续神经网络模型输入参数，来保证输出结果的精确度；
[0042]
本发明实施例提供的gis/gil设备机械缺陷评估方法利用上述的gis/gil设备机
械缺陷诊断方法，并基于三个区间对样本集进行划分，从而对选择的算法模型进行训练，以输出能够对负载电流进行评价的结果，即考虑负载电流划分的不同区间样本缺陷信息对gis/gil设备进行机械缺陷诊断，并输出缺陷类型以及严重程度的评估结果。
附图说明
[0043]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0044]
图1为本发明实施例提供的诊断方法的主要步骤的流程示意图；
[0045]
图2为本发明另一实施例提供的诊断方法的主要步骤的流程示意图；
[0046]
图3为本发明实施例提供的评估方法的主要步骤的流程示意图；
[0047]
图4为本发明实施例提供的不同负载电流下的正常和典型机械缺陷样本示意图；
[0048]
图5为本发明实施例提供的gis/gil设备正常和接触不良机械缺陷两种信号滤波前后的时频对比分析图；
[0049]
图6为本发明实施例提供的不同负载电流下的gis/gil机械缺陷诊断和严重程度评估结果示意图；
[0050]
图7为本发明实施例提供的诊断系统的示例性模块图。
具体实施方式
[0051]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0052]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0053]
应当理解，本发明使用的“系统”、“装置”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其它词语可实现相同的目的，则可通过其他表达来替换所述词语。
[0054]
如本发明和权利要求书所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般来说，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
[0055]
本发明中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或者同时处理各个步骤。同时，也可以将其它操作添加到这些过程中，或从这些过程移除某一步或数步操作。
[0056]
实施例1
[0057]
对于gis/gil设备机械缺陷识别技术中，此前围绕其振动信号进行特征分析，例如采用摄像头获取隔离开关触头接触状态和螺栓松动图像，进一步采用麻雀觅食算法优化的支撑向量机实现机械缺陷诊断，但存在图像获取与识别精度不易操作的问题，为此我们采用能够方便获取的振动时频信号来作为出发点，同时将环境噪声信号进行有效滤除，达到振动信号获取清晰的目的。
[0058]
请参阅图1，本实施例提供的一种gis/gil设备机械缺陷诊断方法包括如下步骤：
[0059]
s100：获取gis/gil设备机械振动信号和背景噪声信号，对所述gis/gil设备机械振动信号和所述背景噪声信号进行多重分解，分别获取所述gis/gil设备机械振动信号的m个模态分量svmf和所述背景噪声信号的n个模态分量nvmf，其中，m与n均为正整数；该步骤表示将振动信号和背景噪声信号进行多模态分解，以更小维度的模态分量作为对比计算的基础。
[0060]
s200：分别求解所述模态分量svmf和所述模态分量nvmf的重心频率sf＝{s
f1
,s
f2
,
…
,s
fm
}和nf＝{n
f1
,n
f2
,
…
,n
fn
}，确定每一个所述模态分量svmf重心频率最接近的所述模态分量nvmf并进行匹配；该步骤表示确定每组模态分量svmf以及每组模态分量nvmf的数据重心，例如数据出现的频次或者数据的集中参数，然后对重心频率最接近的模态分量svmf和模态分量nvmf进行配对，该配对的模态分量svmf和模态分量nvmf能够还原出的信号为gis/gil设备机械振动信号或者在环境中与gis/gil设备机械振动信号一致或高度相似的信号。
[0061]
s300：对两两匹配的所述模态分量svmf和所述模态分量nvmf以各自重心频率为中心，分别求取领域γ
si
∈(s
fi-δ,s
fi
+δ)与γ
ni
∈(s
fi-δ,s
fi
+δ)内频域振动信号的幅值和峭度作为阈值滤波判据，利用阈值比较滤除干扰噪声模态信号，获得目标振动信号，其中，模态分量序号i＝1,2,3,
…
,k，k为模态分量总数；δ表示领域频率区间宽度。该步骤表示以配对好的模态分量svmf和模态分量nvmf作为基准，并以其重心频率构建振动信号的时频图谱，从而将时频图谱内的幅值和峭度作为判断阈值并进行滤波的基础，然后将阈值之外的模态信号(由模态分量还原)进行滤除，最终获得的振动信号即为滤波后的高精度目标振动信号。然后进行步骤s500：利用卷积神经网络模型对所述目标振动信号进行识别，获得识别结果，从而为后续机械缺陷诊断提供数据输出。
[0062]
由于gis/gil机械振动信号具有时域波动性和频域复杂性，时频图谱更能体现gis/gil设备内部机械缺陷的非线性振动特性，并且现场运行的gis/gil设备存在变压器、电抗器等设备运行、鸟鸣、汽车行驶等环境振动噪声，这些噪声成分与存在随机性，有效抑制噪声干扰才能有效提取特征信息，通过以上技术方案，采用了邻近模态噪声抑制的gis/gil设备机械振动时频信号分析技术，有效滤除了环境噪声干扰，实现在时频域角度分析gis/gil设备振动信号的目的。
[0063]
在本实施例中，对所述gis/gil设备机械振动信号和所述背景噪声信号联合变分多模态分解算法(variational mode decomposition,vmd)进行多重分解，其中，vmd方法是一种是经典维纳滤波器在多个自适应频带上的推广，是获取振动信号不同振动信息的有效手段。vmd算法可非递归地将输入信号分解为一系列标准正交的本征模态序列imfs信号{uk},频谱具有一定的稀疏性，每个模态信号uk均紧密围绕其中心频率ωk，并通过高斯平滑
度计算其带宽。vmd算法本质上为约束变分问题，从而使每个模态的估计带宽之和最小，通过引入拉格朗日乘法算子λ(t)和二次罚因子τ转换为非约束变分问题，如式(1)所示：
[0064][0065]
式(1)中，uk表示模态信号；ωk表示中心频率；λ表示拉格朗日乘法算子；表示梯度运算，δ(t)为单位脉冲函数；*表示卷积；t表示时间；k表示模态分量总数；k表示模态分量序号；j为复数符号；f(t)表示振动时域序列。
[0066]
式(1)可通过交替方向乘数法对uk、ωk和λ进行迭代更新，实现将信号通过最优变分模型分解为预先设定的k个最优模态分量。即本实施例中还包括对频域模态uk(ω)和相应的中心频率ωk更新的步骤，其更新计算表达式分别如式(2)和式(3)：
[0067][0068][0069]
在以上方案的基础上，请参阅图2，在所述利用阈值比较滤除干扰噪声模态信号之后还包括如下步骤s400：对进行滤波后的模态信号进行叠加，并对该叠加信号进行小波变换构建三维的时频图谱信号，基于所述时频图谱信号获得所述目标振动信号。其中，小波变换算法基于随频率改变的时-频分析窗口，具备在高频处较高的时间分辨率和在低频处较高的频率分别率。
[0070]
在本实施例中，所述对进行滤波后的模态信号进行叠加，并对该叠加信号进行小波变换构建三维的时频图谱信号包括如下步骤：确定一个信号x(t),x(t)∈l2(r)，基于所述x(t)确定小波变换变换wt
x
(a,b)，表达式为式(4)：
[0071][0072]
式(4)中，t为时间，a和b分别为尺度因子和平移参数，且a大于0；ψ
a,b
(t)是母小波函数ψ(t)经移位和伸缩产生的一族小波基函数。在本实施例中，例如关系式采用式(5)：
[0073][0074]
其中，ψ(t)的约束条件为：
[0075][0076]
通过以上技术方案，采用时域和频域上均具有较高的局部化特性以及分析性的
morlet小波对信号进行时频分析，而小波变换系数幅度的平方即为小波时频谱。
[0077]
深度卷积神经网络算法具有强大的特征提取和模式识别能力，在图像分类、图像分割、目标检测等领域获得广泛应用，squeezenet、mobilenet等轻量化卷积神经网络算法具有参数少，分布训练效率高优势，但能单模式输出。本实施例采用随机森林算法和双通道并联结构对传统的轻量化squeezenet算法的架构进行改进，其中的squeezenet算法的计算式如下，即所述卷积神经网络神经模型的算法架构表达式如式(7)：
[0078]
z＝f(x|θ)＝f
l
(...f2(f1(x|θ1)|θ2)|θ
l
)
ꢀꢀꢀ
(7)
[0079]
式(7)中，f(x|θ)表示多层非线性映射模型；f(.|θ
l
)为映射函数；θ＝{θ
l
,θ2…
θ
l
}为网络参数集。
[0080]
在以上方案的基础上，改进的squeezenet网络采用卷积层(conv1)作为输入模块，然后采用fire网络堆栈模块提取样本特征。fire堆栈网络模块相比传统卷积模块具备更少的参数和更快的计算能力，每个fire模块包含压缩层、扩展层和合并层3个核心层。压缩层采用1
×
1的卷积滤波器替代3
×
3的滤波器对上一层输入特征矩阵数据集c
l
进行卷积，其表达式如式(8)：
[0081][0082]
其中l为网络序列号，c
in
是数据集c
l
的特征图谱数，是第j个输出窗口矩阵图，f(.)是卷积计算函数，x
l-1j
是输入窗口矩阵，是权重，是基准。然后在扩展层采用1
×
1和3
×
3的卷积滤波器进行分组卷积以形成稀疏通道域的连接，最后采用合并层融合通道间的信息。层与层之间采用relu池化进行下采样，改善模型过拟合效应：
[0083][0084]
其中d(.)为下采样运算，为权重。fire模块在特殊层之间采用最大池化进行步进欠采样(本专利为第1,4,8,10层)，保留激活信息以提高模型准确率。
[0085]
在本实施例中，网络最后采用双通道并联结构的最终卷积层对gis/gil设备机械缺陷类型与严重程度进行多目标识别输出。具体而言，缺陷类型识别通道由卷积层、全局池化层、softmax层和分类器层组成，并串联缺陷匹配层实现严重程度模式识别通道的模型匹配。严重程度识别通道对输出卷积层串联最大池化层和压平层将输入特征矩阵转化为一维张量，作为随机森林(random forest，rf)分类器的数据输入，进而联合缺陷匹配层进行模型选型和训练，实现严重程度的鉴别，rf算法是一种将bagging集成学习技术与随机子空间理论结合的机器学习算法，通过构造不同训练集增加分类模型间的差异，提高组合分类模型的外推预测能力，具体步骤如下：
[0086]
步骤一：使用bootstrap重采样方法从原始训练集生成数据集s：
[0087]
s＝{(ci,li),i＝1,2,...,n}
ꢀꢀ
(10)
[0088]
其中(ci,li)∈rd×
r，ci,li分别表示第i次采样的源域和目标域样本集；
[0089]
步骤二：从每个节点的d个特征属性值中随机选择m个特征属性值，并采用基尼指数的分类回归树(cart)算法构建一个决策树hk；
[0090]
步骤三：重复步骤一，训练获取k个分类模型序列{h1(c),h2(c),
…
,hk(c)}并构建分类模型，每个树的输出都是一个特定的标签或类，多数投票规则定义如式(11)：
[0091][0092]
其中arg为组合分类模型，i(ci)为示性函数，hi是单个决策树分类模型，arg函数求解测试样本分类为第k类的决策树的数量。
[0093]
通过以上技术方案，提出了随机森林优化的squeezenet轻量化深度学习算法，即建立了gis/gil振动特征自提取与多取标输出的改进轻量化卷积神经网络在提升模型运算速率的同时也实现了缺陷特征信息的自动提取。
[0094]
实施例2
[0095]
本实施例提供了一种gis/gil设备机械缺陷评估方法，应用实施例1所述的gis/gil设备机械缺陷诊断方法，该评估方法还包括如下步骤：
[0096]
基于负载率lor将对训练样本集进行划分，并将训练样本集划分为第一评价区间、第二评价区间和第三评价区间，其中，所述第一评价区间表示lor≤33％，所述第二评价区间表示33％《lor≤66％，所述第三评价区间表示lor＞66％；负载率lor为设备运行电流i
om
与设备额定电流i
rm
的比值；基于所述训练样本集对所述所述卷积神经网络神经模型进行算法训练。
[0097]
通过以上技术方案，根据负载率lor将振动样本划分为3个区间，负载率计算式如式(12)：
[0098]
lor＝i
omirm
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0099]
式(12)中，i
om
为设备运行电流，i
rm
为设备额定电流。
[0100]
其中，根据lor大小将源域的训练样本集划分为区间(lor≤33％)、区间2(33％《lor≤66％)、区间3(lor＞66％)三个区间，联合改进的轻量化深度squeezenet网络算法经负载分区后基于源域样本集训练并构建负载自适应匹配的gis/gil设备三阶段机械缺陷诊断模型。最后，对目标域的测试样本集执行负载匹配后输入至对应的缺陷辨识网络，并网络内部将缺陷辨识结果匹配至随机森林模型进行严重程度评估，获取缺陷类型和严重程度的多目标诊断结果，从而达到利用负载自适应的卷积神经网络模型对匹配的gis/gil设备机械缺陷进行缺陷状态诊断，获得缺陷类型与严重程度识别目的。
[0101]
请参阅图3，通过以上技术方案，整个评估方法首先联合变分模态分解、小波变换算法，基于样本振动信号和背景噪声信号进行步骤s10：开展了邻近模态噪声抑制的gis/gil设备机械振动时频分析流程，然后采用随机森林算法和双通道并联结构对传统的轻量化squeezenet算法的架构进行改进，即进行步骤s20：实现gis/gil振动样本缺陷特征自提取和网络多目标输出的改进轻量化卷积神经网络，最后根据负载率大小将振动样本划分为3个区间，进行步骤s30：并基于源域样本集训练并构建负载自适应匹配的gis/gil设备三阶段机械缺陷诊断与严重程度模型，将测试样本集执行负载匹配后输入至对应的缺陷诊断网络，获取缺陷类型和严重程度的多目标诊断结果，最终实现不同负载小gis/gil设备机械缺陷的有效诊断。
[0102]
为开展模型有效性验证，本实施例以110kv gis/gil设备0～3000a的不同运行条
件下正常状态及母线底座螺栓松动、隔离开关底座螺栓松动与梅花触指接触不良3种典型机械缺陷的振动信号为例开展机械缺陷诊断，每种缺陷分别拥有轻微、一般、中度和严重四种严重程度。进一步分别构建具有不同类型和严重程度gis/gil设备机械缺陷在不同负载区间的机械缺陷振动数据集，按照2:1的比例对数据集随机筛选划分为训练样本集和测试样本集，其中训练样本及根据负载区间分别划分为样本集s1～s3，测试集为s4，不同负载电流下的正常和典型机械缺陷样本如图4所示。
[0103]
请参阅图5，gis/gil设备正常和接触不良机械缺陷两种信号滤波前后的时频对比分析图，可以发现，原始信号含有较多的噪声，在时频图中存在明显的幅值分布，这些噪声将影响缺陷信息的准确特征提取。而经过滤波后，正常信号的主要为100hz频带的振动幅值，而缺陷信号的700hz和2000hz频带的特征信息也得到进一步的突出，剔除了背景噪声的干扰，有利于提高缺陷识别的准确度。
[0104]
进一步可带入不同负载下gis/gil设备机械缺陷目标域测试样本集带入自适应的三阶段机械缺陷辨识和状态评估模型进行诊断分析。缺陷类型辨识和严重程度评估结果如图6所示。可以发现，在负载较小时，训练和测试样本集的识别准确率整体较低，在300a条件时训练准确率和测试准确率分别仅为0.893和0.928。随着电流的增大，对不同缺陷样本的识别准确率整体逐渐增加，在1200a及以上电流情况下对不同机械缺陷的识别准确率整体均达到了0.992以上。
[0105]
与此同时，在缺陷严重程度评估方面，在负载较小时(区间)对不同机械缺陷健康状态的评估准确率也相对较低。随着电流的增大，在1200a及以上负载条件对不同缺陷健康状态的识别准确率均在0.93及以上，模型有效实现了不同负载电流下gis/gil设备机械缺陷的准确诊断和评估。
[0106]
综上所述，该评估方法基于改进轻量化卷积神经网络和负载自适应匹配的gis/gil设备机械缺陷诊断和状态评估方法是针对现场工程实际提出的缺陷诊断技术，有效克服了现场环境噪声干扰、动态运行电流带来了的缺陷特征信息难提取、诊断精准度低下等问题，可直接运用于变电站现场gis/gil设备机械缺陷的缺陷辨识和状态评估，制定合理的运维检修计划，及早发现并排查内部机械缺陷，具有重要工程应用价值。
[0107]
实施例3
[0108]
本实施例中还提供一种gis/gil设备机械缺陷诊断系统600，请参阅图7中该gis/gil设备机械缺陷诊断系统600的模块化示意图，主要用于根据上述方法的实施例对gis/gil设备机械缺陷诊断系统600进行功能模块的划分。例如可以划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本发明中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。比如，在采用对应各个功能划分各个功能模块的情况下，图7示出的只是一种系统/装置示意图，其中，该gis/gil设备机械缺陷诊断系统600可以包括分解模块610、计算模块620、判断模块630和识别模块650。下面对各个单元模块的功能进行阐述。
[0109]
分解模块610，其用于获取gis/gil设备机械振动信号和背景噪声信号，对所述gis/gil设备机械振动信号和所述背景噪声信号进行多重分解，分别获取所述gis/gil设备机械振动信号的m个模态分量svmf和所述背景噪声信号的n个模态分量nvmf，其中，m与n均
为正整数；
[0110]
计算模块620，其用于分别求解所述模态分量svmf和所述模态分量nvmf的重心频率sf＝{s
f1
,s
f2
,
…
,s
fm
}和nf＝{n
f1
,n
f2
,
…
,n
fn
}，确定每一个所述模态分量svmf重心频率最接近的所述模态分量nvmf并进行匹配；
[0111]
判断模块630，其用于对两两匹配的所述模态分量svmf和所述模态分量nvmf以各自重心频率为中心，分别求取领域γ
si
∈(s
fi-δ,s
fi
+δ)与γ
ni
∈(s
fi-δ,s
fi
+δ)内频域振动信号的幅值和峭度作为阈值滤波判据，利用阈值比较滤除干扰噪声模态信号，获得目标振动信号，其中，模态分量序号i＝1,2,3,
…
,k，k为模态分量总数；δ表示领域频率区间宽度；
[0112]
识别模块650，其用于利用卷积神经网络模型对所述目标振动信号进行识别，获得识别结果。
[0113]
在一些实施方式中，该gis/gil设备机械缺陷诊断系统600还包括叠加模块640，叠加模块640用于对进行滤波后的模态信号进行叠加，并对该叠加信号进行小波变换构建三维的时频图谱信号，基于所述时频图谱信号获得所述目标振动信号。
[0114]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(sol标识state disk，ssd))等。
[0115]
本技术实施例是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0116]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0117]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0118]
显然，本领域的技术人员可以对本技术实施例进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术实施例的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：
1.一种gis/gil设备机械缺陷诊断方法，其特征在于，包括如下步骤：获取gis/gil设备机械振动信号和背景噪声信号，对所述gis/gil设备机械振动信号和所述背景噪声信号进行多重分解，分别获取所述gis/gil设备机械振动信号的m个模态分量svmf和所述背景噪声信号的n个模态分量nvmf，其中，m与n均为正整数；分别求解所述模态分量svmf和所述模态分量nvmf的重心频率s
f
＝{s
f1
,s
f2
,
…
,s
fm
}和n
f
＝{n
f1
,n
f2
,
…
,n
fn
}，确定每一个所述模态分量svmf重心频率最接近的所述模态分量nvmf并进行匹配；对两两匹配的所述模态分量svmf和所述模态分量nvmf以各自重心频率为中心，分别求取领域γ
si
∈(s
fi-δ,s
fi
+δ)与γ
ni
∈(s
fi-δ,s
fi
+δ)内频域振动信号的幅值和峭度作为阈值滤波判据，利用阈值比较滤除干扰噪声模态信号，获得目标振动信号，其中，模态分量序号i＝1,2,3,
…
,k，k为模态分量总数；δ表示领域频率区间宽度；利用卷积神经网络模型对所述目标振动信号进行识别，获得识别结果。2.根据权利要求1所述的gis/gil设备机械缺陷诊断方法，其特征在于，对所述gis/gil设备机械振动信号和所述背景噪声信号采用联合变分多模态分解算法进行多重分解，并通过引入拉格朗日乘法算子λ(t)和二次罚因子τ进行计算，其表达式(1)如下：式(1)中，u
k
表示模态信号；ω
k
表示中心频率；λ表示拉格朗日乘法算子；表示梯度运算，δ(t)为单位脉冲函数；*表示卷积；t表示时间；k表示模态分量总数；k表示模态分量序号；j为复数符号；f(t)表示振动时域序列。3.根据权利要求2所述的gis/gil设备机械缺陷诊断方法，其特征在于，还包括对频域模态u
k
(ω)和相应的中心频率ω
k
更新的步骤，其更新计算表达式分别如式(2)和式(3)：更新的步骤，其更新计算表达式分别如式(2)和式(3)：4.根据权利要求2所述的gis/gil设备机械缺陷诊断方法，其特征在于，在所述利用阈值比较滤除干扰噪声模态信号之后还包括如下步骤：对进行滤波后的模态信号进行叠加，并对该叠加信号进行小波变换构建三维的时频图谱信号，基于所述时频图谱信号获得所述目标振动信号。5.根据权利要求4所述的gis/gil设备机械缺陷诊断方法，其特征在于，所述对进行滤波后的模态信号进行叠加，并对该叠加信号进行小波变换构建三维的时频图谱信号包括如下步骤：
确定一个信号x(t),x(t)∈l2(r)，基于所述x(t)确定小波变换变换wt
x
(a,b)，表达式为式(4)：式(4)中，t为时间，a和b分别为尺度因子和平移参数，且a大于0；ψ
a,b
(t)是母小波函数ψ(t)经移位和伸缩产生的一族小波基函数。6.根据权利要求5所述的gis/gil设备机械缺陷诊断方法，其特征在于，ψ
a,b
(t)与母小波函数ψ(t)的关系式表达如式(5)：其中，ψ(t)的约束条件为：7.根据权利要求2所述的gis/gil设备机械缺陷诊断方法，其特征在于，所述卷积神经网络神经模型的算法架构表达式如式(7)：z＝f(x|θ)＝f
l
(...f2(f1(x|θ1)|θ2)|θ
l
)
ꢀꢀ
(7)式(7)中，f(x|θ)表示多层非线性映射模型；f(.|θ
l
)为映射函数；θ＝{θ
l
,θ2…
θ
l
}为网络参数集。8.根据权利要求7所述的gis/gil设备机械缺陷诊断方法，其特征在于，所述卷积神经网络神经模型中，采用fire网络堆栈模块提取样本特征，所述个fire模块包含压缩层、扩展层和合并层；其中，所述压缩层采用1
×
1的卷积滤波器对上一层输入特征矩阵数据集c
l
进行卷积；所述扩展层采用1
×
1和3
×
3的卷积滤波器进行分组卷积以形成稀疏通道域的连接；所述合并层融合通道间的信息。9.一种gis/gil设备机械缺陷评估方法，其特征在于，应用如权利要求1-8中任一项权利要求所述的gis/gil设备机械缺陷诊断方法，该评估方法还包括如下步骤：基于负载率lo
r
将对训练样本集进行划分，并将训练样本集划分为第一评价区间、第二评价区间和第三评价区间，其中，所述第一评价区间表示lo
r
≤33％，所述第二评价区间表示33％<lo
r
≤66％，所述第三评价区间表示lo
r
＞66％；负载率lo
r
为设备运行电流i
om
与设备额定电流i
rm
的比值；基于所述训练样本集对所述所述卷积神经网络神经模型进行算法训练。10.一种gis/gil设备机械缺陷诊断系统，其特征在于，包括：分解模块，其用于获取gis/gil设备机械振动信号和背景噪声信号，对所述gis/gil设备机械振动信号和所述背景噪声信号进行多重分解，分别获取所述gis/gil设备机械振动信号的m个模态分量svmf和所述背景噪声信号的n个模态分量nvmf，其中，m与n均为正整数；计算模块，其用于分别求解所述模态分量svmf和所述模态分量nvmf的重心频率s
f
＝{s
f1
,s
f2
,
…
,s
fm
}和n
f
＝{n
f1
,n
f2
,
…
,n
fn
}，确定每一个所述模态分量svmf重心频率最接近的所述模态分量nvmf并进行匹配；判断模块，其用于对两两匹配的所述模态分量svmf和所述模态分量nvmf以各自重心频
率为中心，分别求取领域γ
si
∈(s
fi-δ,s
fi
+δ)与γ
ni
∈(s
fi-δ,s
fi
+δ)内频域振动信号的幅值和峭度作为阈值滤波判据，利用阈值比较滤除干扰噪声模态信号，获得目标振动信号，其中，模态分量序号i＝1,2,3,
…
,k，k为模态分量总数；δ表示领域频率区间宽度；识别模块，其用于利用卷积神经网络模型对所述目标振动信号进行识别，获得识别结果。

技术总结
本发明公开了一种涉及GIS/GIL设备机械缺陷诊断方法、评估方法及系统，涉及GIS/GIL设备机械缺陷智能分析技术领域，通过开展邻近模态噪声抑制的GIS/GIL设备机械振动信号视时频分析，然后建立GIS/GIL振动特征自提取与多取标输出的改进轻量化卷积神经网络，最后进行负载自适应匹配的GIS/GIL设备机械缺陷诊断与严重程度评估。该诊断、评估方法是针对现场工程实际提出的缺陷诊断技术，有效克服了现场环境噪声干扰、动态运行电流带来了的缺陷特征信息难提取、诊断精准度低下等问题，可直接运用于变电站现场GIS/GIL设备机械缺陷的缺陷辨识和状态评估，制定合理的运维检修计划，及早发现并排查内部机械缺陷，具有重要工程应用价值。具有重要工程应用价值。具有重要工程应用价值。


技术研发人员：郝建 钟尧 李旭 李滢 刘清松 邵子琦 丁屹林 廖瑞金
受保护的技术使用者：重庆大学
技术研发日：2023.04.06
技术公布日：2023/7/28