陳佳豪 吳 浩,2* 胡瀟濤 顧小平 宋 弘,2

1(四川輕化工大學(xué)自動(dòng)化與信息工程學(xué)院 四川 自貢 643000) 2(人工智能四川省重點(diǎn)實(shí)驗(yàn)室 四川 自貢 643000)

0 引 言

高壓斷路器是與日俱增的電力生產(chǎn)生活活動(dòng)的重要保障,斷路器運(yùn)行的穩(wěn)定需要密切關(guān)注,而據(jù)調(diào)查分析表明,發(fā)現(xiàn)高壓斷路器故障當(dāng)中主要是以機(jī)械故障(包括操動(dòng)機(jī)構(gòu)和控制回路)為主[1]。及時(shí)地診斷故障類型能有效避免事故的擴(kuò)大化,于是需要對(duì)故障診斷方法進(jìn)行研究。

高壓斷路器機(jī)械故障診斷方法主要基于振動(dòng)信號(hào)進(jìn)行故障診斷[2-3]。聲音信號(hào)與振動(dòng)信號(hào)屬于同源信號(hào),由于傳播介質(zhì)的不同,聲音信號(hào)在采集過程中很大程度上會(huì)受到外界噪聲干擾。而且基于聲音信號(hào)進(jìn)行故障診斷的診斷機(jī)理并未形成統(tǒng)一的研究標(biāo)準(zhǔn),所以研究存在一定的局限性[4]。

現(xiàn)階段基于聲音信號(hào)進(jìn)行斷路器故障診斷研究較少,文獻(xiàn)[4]通過篩選和標(biāo)記正常信號(hào)與故障信號(hào)的聲音信號(hào)幅值分布差異性來實(shí)現(xiàn)故障診斷。文獻(xiàn)[5]針對(duì)斷路器診斷中聲音信號(hào)與外界噪聲難以分離的難題,通過信號(hào)的分解重構(gòu),利用快速獨(dú)立主成分分析法實(shí)現(xiàn)對(duì)有效信號(hào)的分離。近年來也出現(xiàn)一些以振聲信號(hào)聯(lián)合分析對(duì)斷路器故障進(jìn)行診斷的研究。文獻(xiàn)[6]分別將振動(dòng)信號(hào)和聲音信號(hào)進(jìn)行小波包分解提取能量熵特征,將特征輸入Libsvm進(jìn)行可信度分配,最后利用D-S證據(jù)融合理論進(jìn)行故障診斷。文獻(xiàn)[7]提出利用聲振信號(hào)的特征熵矩陣偏差來診斷故障。文獻(xiàn)[8]通過對(duì)振聲信號(hào)的去噪以及分解,提取多個(gè)特征,利用多特征融合的方式提升特征識(shí)別的效果,相較于單一特征能有效提升故障診斷的穩(wěn)定性以及準(zhǔn)確性。

局域均值分解(Local Mean Decomposition,LMD)是Smith提出的一種自適應(yīng)信號(hào)分解方法,可將非平穩(wěn)信號(hào)自適應(yīng)地分解為若干單分量純調(diào)幅-調(diào)頻信號(hào)之和,在信號(hào)處理中應(yīng)用廣泛[9-10]。LMD與EMD方法相比,具有迭代次數(shù)少、端點(diǎn)效應(yīng)抑制效果好等優(yōu)點(diǎn)[11-12]。

概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network,PNN)是于1989年由Specht提出,因?yàn)槠溆?xùn)練時(shí)間短、擴(kuò)充性能好、收斂速度快、分類能力強(qiáng)的性能特點(diǎn)在故障診斷領(lǐng)域得到了廣泛的應(yīng)用[13-14]。但需要對(duì)參數(shù)進(jìn)行經(jīng)驗(yàn)選取,差分進(jìn)化算法(Differential Evolution,DE)是一種高效的全局優(yōu)化算法,具有收斂快、控制參數(shù)少且設(shè)置簡單等優(yōu)點(diǎn)[15],利用差分進(jìn)化優(yōu)化算法對(duì)PNN參數(shù)進(jìn)行優(yōu)化,能有效地提高故障診斷效果[16]。

本文提出一種基于LMD分解和DE優(yōu)化概率神經(jīng)網(wǎng)絡(luò)的斷路器機(jī)械故障診斷方法。對(duì)聲音信號(hào)進(jìn)行LMD分解,選取PF分量與原信號(hào)的相關(guān)系數(shù)進(jìn)行信號(hào)重構(gòu),計(jì)算重構(gòu)信號(hào)的分段能量熵作為故障的特征向量,將特征向量集輸入DE優(yōu)化的PNN故障診斷模型進(jìn)行故障診斷,對(duì)斷路器機(jī)械故障具有較好的診斷效果,實(shí)驗(yàn)結(jié)果表明,相較于傳統(tǒng)PNN算法,本文提出的基于差分進(jìn)化優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)算法具有更好的診斷效果,對(duì)能量熵的分段處理也能有效提升故障特征提取效果。

1 特征選取

1.1 LMD分解

LMD方法的實(shí)質(zhì)是將復(fù)雜的非平穩(wěn)信號(hào)由高頻到低頻自適應(yīng)分解成多個(gè)純調(diào)頻信號(hào)和包絡(luò)信號(hào)的乘積,即PF分量和一個(gè)單調(diào)函數(shù),對(duì)于信號(hào)具有更好的自適應(yīng)性。其分解過程如下:

(1) 找出待分解信號(hào)x(t)的所有極值點(diǎn)pi,并對(duì)任意兩相鄰極值點(diǎn)pi和pi+1取平均值,第i段的平均值即局域均值可以表示為:

(1)

第i段的包絡(luò)估計(jì)值可以表示為:

(2)

用滑動(dòng)平均法求取對(duì)應(yīng)的局域均值函數(shù)m11以及包絡(luò)估計(jì)函數(shù)a11(t)。

(2) 從信號(hào)x(t)中剔除m11(t),得到信號(hào)h11(t):

h11(t)=x(t)-m11(t)

(3)

(3) 對(duì)h11(t)解調(diào),得到解調(diào)信號(hào)s11(t):

(4)

重復(fù)步驟(1)和步驟(2),對(duì)獲得的解調(diào)信號(hào)s11(t)求局部包絡(luò)函數(shù)a12(t)。如果a12(t)等于1,則說明解調(diào)信號(hào)a11(t)是一個(gè)純調(diào)頻信號(hào),信號(hào)分解完畢;如果a12(t)不等于1,則把s11(t)作為待分解數(shù)據(jù)重復(fù)步驟(1)和步驟(2)q次,直到獲得一個(gè)純調(diào)頻信號(hào)s1q(t)時(shí),迭代終止,此時(shí)包絡(luò)估計(jì)函數(shù)a1(q+1)(t)等于1。

公式說明如下:

(5)

迭代終止條件為:

(6)

1.2 分段能量熵

LMD分解后的PF分量并不是每個(gè)分量都存在利用價(jià)值,部分分量可能只包含背景噪聲以及無用的特征信息,與需求的信號(hào)特征不同,需要進(jìn)行篩選。

皮爾遜相關(guān)系數(shù)是統(tǒng)計(jì)學(xué)概念,用來描述隨機(jī)變量之間的線性相關(guān)性,在一般的相關(guān)系數(shù)準(zhǔn)則當(dāng)中相關(guān)系數(shù)在0.00～±0.30表示兩列數(shù)據(jù)微相關(guān),±0.30～±0.50表示實(shí)相關(guān),±0.50～±0.80表示顯著相關(guān),±0.80～±1.00表示高度相關(guān)。

表1表示每一種狀態(tài)的部分特征向量集。其中:CD表示傳動(dòng)機(jī)構(gòu)卡澀;SD表示基座螺絲松動(dòng);TH表示合閘彈簧儲(chǔ)能不足;ZC表示正常狀態(tài)。

表1 LMD分解7個(gè)分量與原始信號(hào)的相關(guān)系數(shù)

依據(jù)表1中各分量與原始信號(hào)的相關(guān)系數(shù)值,選取相關(guān)系數(shù)大于0.3的前3個(gè)IMF分量來重構(gòu)信號(hào)。

以傳動(dòng)機(jī)構(gòu)卡澀為例,圖1是傳動(dòng)機(jī)構(gòu)卡澀故障的重構(gòu)前后波形,可以看出經(jīng)過重構(gòu),能有效地剔除一部分干擾,保留更多的有用信息。

圖1 傳動(dòng)機(jī)構(gòu)卡澀故障的重構(gòu)前后波形

能量熵作為描述序列未知程度的一種信息度量,對(duì)于不同類型的序列能有一個(gè)直觀化的區(qū)別。圖2為四種狀態(tài)信號(hào)的重構(gòu)信號(hào)。

圖2 四種狀態(tài)信號(hào)的重構(gòu)信號(hào)

可以看出,四種狀態(tài)之間的數(shù)據(jù)序列能量分布差異較為明顯,可以依據(jù)不同序列長度的能量差異性實(shí)現(xiàn)故障分類。本文將重構(gòu)信號(hào)以每500個(gè)采樣點(diǎn)長度截取一次的方式將信號(hào)截取成20段,并分別求取每一段的能量熵分布作為特征量。

由能量熵定義公式計(jì)算各個(gè)分段的能量熵:

(7)

式中:q(i)表示信號(hào)i的發(fā)生概率。

2 差分進(jìn)化算法優(yōu)化概率神經(jīng)網(wǎng)絡(luò)(DE-PNN)

2.1 差分進(jìn)化算法

差分進(jìn)化優(yōu)化算法(DE)是一種非線性全局優(yōu)化算法,其基本操作主要由種群初始化、變異、交叉和選擇組成。本文選取DE/rand/1/bin差分進(jìn)化策略進(jìn)行模型搭建[17-18]。

具體步驟如下:

(1) 初始化種群。在目標(biāo)搜索空間中隨機(jī)均勻地產(chǎn)生m個(gè)個(gè)體,每個(gè)個(gè)體是一個(gè)n維的向量:

Xi,0=(xi1,0,xi2,0,…,xin,0)

(8)

式中:i=1,2,…,N,N為向量數(shù)量;群體種群規(guī)模取值5n～10n,n為優(yōu)化參數(shù)數(shù)量。

(2) 變異。在第G次迭代中,從種群中隨機(jī)抽取3個(gè)個(gè)體Xc1,G,Xc2,G,Xc3,G,其中c1≠c2≠c3≠i,則第G代參數(shù)向量的子代擾動(dòng)向量:

Si,G=Xc1,G+F·(Xc2,G-Xc3,G)

(9)

式中:F為加權(quán)系數(shù),采用自適應(yīng)變異算法進(jìn)行更新,增加算法搜索性能。

F=F0·2λ

(10)

其中:

(11)

式中:Gm表示設(shè)定的最大迭代次數(shù)。

(3) 交叉。經(jīng)過交叉后的第G+1代的實(shí)驗(yàn)向量Ui,G+1=(u1,i,G+1,u2,i,G+1,…,un,i,G+1),其中每個(gè)分量取值如下:

(12)

式中:cri為交叉概率,且cri∈[0,1]。

(4) 選擇。比較實(shí)驗(yàn)向量和預(yù)定向量的目標(biāo)函數(shù)值,如果實(shí)驗(yàn)向量具有更優(yōu)的目標(biāo)函數(shù)值,就用實(shí)驗(yàn)向量代替預(yù)定向量;否則,保留預(yù)定向量。其更新公式為:

(13)

本文采用測試樣本在概率神經(jīng)網(wǎng)絡(luò)中診斷結(jié)果的均方誤差作為DE算法的適應(yīng)度函數(shù)。

2.2 概率神經(jīng)網(wǎng)絡(luò)(PNN)

概率神經(jīng)網(wǎng)絡(luò)是Specht提出的一種前饋型神經(jīng)網(wǎng)絡(luò)。因?yàn)槠浣Y(jié)構(gòu)簡單、分類效果好、不存在局部最優(yōu)值問題等優(yōu)點(diǎn),如今已廣泛應(yīng)用于故障診斷領(lǐng)域。

概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 概率神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

(1) 模式層的神經(jīng)元個(gè)數(shù)與訓(xùn)練樣本總數(shù)相等,輸入層將輸入的特征向量X與加權(quán)系數(shù)Wi相乘的標(biāo)量積Zi傳遞至模式層。選擇exp[(Zi-1)/σ2]作為激活函數(shù),則模式層中第i類的第j個(gè)神經(jīng)元輸出的概率:

(14)

式中:p為訓(xùn)練樣本的維度;σ為平滑因子;Xij為中心向量。

(2) 求和層的神經(jīng)元個(gè)數(shù)與故障類別數(shù)相同,第i類類別的概率密度函數(shù)fi由模式層中屬于同類別的隱含神經(jīng)元的輸出加權(quán)平均,由Parzen窗方法計(jì)算得出:

(15)

式中:Li為類別i的訓(xùn)練樣本數(shù)。

(3) 輸出層采用Bayes分類規(guī)則,選出具有最大后驗(yàn)概率的類別作為輸出的類別。

判定規(guī)則如式(16)所示。

Hilifi(X)>Hjljfj(X),則X∈Mi

Hilifi(X)

(16)

式中:Hi、Hj為故障類型Mi、Mj的先驗(yàn)概率,Hi=li/L,Hj=lj/L;li、lj為Mi、Mj的訓(xùn)練樣本數(shù)。

2.3 DE優(yōu)化PNN參數(shù)

DE算法優(yōu)化PNN參數(shù)是將PNN測試樣本的均方誤差作為DE算法的適應(yīng)度函數(shù)(RMSE),得到最優(yōu)的平滑因子,優(yōu)化步驟如下:

(1) 設(shè)置差分進(jìn)化算法參數(shù),進(jìn)化代數(shù)、交叉概率、變異概率等相關(guān)參數(shù)。

(2) 選取PNN輸出結(jié)果的均方誤差(RMSE)作為適應(yīng)度函數(shù),隨機(jī)生成群空間個(gè)體。

(3) 實(shí)現(xiàn)變異、交叉操作。

(4) 實(shí)現(xiàn)選擇操作、比較適應(yīng)度值,并更新參數(shù)代數(shù)。

(5) 如果沒有滿足終止條件(未達(dá)到最大迭代次數(shù)或結(jié)果小于預(yù)定結(jié)果),則代數(shù)加1,并返回步驟(2);否則,繼續(xù)執(zhí)行下列步驟。

(6) 得出最小均方誤差時(shí)對(duì)應(yīng)的最優(yōu)平滑因子參數(shù)并輸出。

(7) 得到最優(yōu)平滑因子參數(shù)下的故障診斷結(jié)果。

3 基于LMD和DE-PNN的故障診斷方法

本文利用LMD算法分解原始信號(hào),計(jì)算LMD分解后的每個(gè)PF分量與原始信號(hào)的相關(guān)系數(shù),篩選多余分量并進(jìn)行信號(hào)重構(gòu),通過計(jì)算重構(gòu)信號(hào)的分段能量熵組成特征向量,并且輸入到DE優(yōu)化的PNN模型進(jìn)行故障診斷。其識(shí)別過程如圖4所示。

圖4 故障診斷總體流程

(1) 模擬斷路器故障,利用拾音器采集動(dòng)作時(shí)的音頻數(shù)據(jù),歸一化處理后取故障后的10 000個(gè)點(diǎn)作為故障數(shù)據(jù)。

(2) 對(duì)于選中的數(shù)據(jù)進(jìn)行LMD分解。

(3) 計(jì)算每個(gè)PF分量與原始信號(hào)的相關(guān)系數(shù)參數(shù),選取適當(dāng)?shù)姆至恐貥?gòu)信號(hào)。

(4) 計(jì)算重構(gòu)信號(hào)的分段能量熵,并按照順序排列作為故障特征向量W,建立故障特征向量樣本集。

(5) 利用DE優(yōu)化概率神經(jīng)網(wǎng)絡(luò)(PNN)并對(duì)斷路器機(jī)械故障樣本集進(jìn)行訓(xùn)練與測試,并得到測試結(jié)果。

4 實(shí)驗(yàn)分析

在實(shí)驗(yàn)室10 kV戶內(nèi)真空高壓斷路器(ZN-63A)上采集數(shù)據(jù),如圖5所示。模擬合閘動(dòng)作時(shí)的螺絲松動(dòng)、傳動(dòng)機(jī)構(gòu)卡澀和合閘彈簧儲(chǔ)能不足三種故障狀態(tài)與正常合閘動(dòng)作狀態(tài),采集相應(yīng)各個(gè)狀態(tài)聲音信號(hào)數(shù)據(jù)。

圖5 10 kV戶內(nèi)高壓真空斷路器故障采集平臺(tái)

文獻(xiàn)[8]中指出斷路器聲音信號(hào)的主要頻段分布在0～2 kHz之間。拾音器采用高性能心型電容話筒得勝CM-63(頻率范圍30～20 000 Hz)進(jìn)行音頻數(shù)據(jù)采集,采樣頻率44 100 Hz。四種狀態(tài)數(shù)據(jù)在MATLAB中歸一化之后的波形如圖6所示。

圖6 四種狀態(tài)原始數(shù)據(jù)歸一化波形

4.1 DE-PNN模型訓(xùn)練與測試

實(shí)驗(yàn)采用螺絲松動(dòng)、傳動(dòng)機(jī)構(gòu)卡澀和合閘彈簧儲(chǔ)能不足與正常合閘動(dòng)作四種狀態(tài)數(shù)據(jù)進(jìn)行分析,每種狀態(tài)采集30組實(shí)驗(yàn)數(shù)據(jù),并將樣本數(shù)據(jù)中的20組作為訓(xùn)練集,10組作為測試集,利用DE優(yōu)化后的PNN對(duì)訓(xùn)練集進(jìn)行模型訓(xùn)練與測試。DE算法參數(shù)最大進(jìn)化次數(shù)為100,變異因子為0.4,交叉因子為0.2。

DE優(yōu)化得到的參數(shù)平滑因子spread為0.919 4。將四種狀態(tài)共80組訓(xùn)練樣本集輸入概率神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練。

將四種狀態(tài)的數(shù)據(jù)測試樣本集輸入斷路器機(jī)械故障診斷模型,進(jìn)行故障診斷。故障診斷結(jié)果如圖7所示。

圖7 測試集測試結(jié)果

可以看出,DE-PNN算法對(duì)傳動(dòng)機(jī)構(gòu)卡澀、合閘彈簧儲(chǔ)能不足、螺絲松動(dòng)三種狀態(tài)能夠準(zhǔn)確地診斷故障類型,此時(shí)平均識(shí)別準(zhǔn)確率能達(dá)到100%,實(shí)驗(yàn)證明本文算法對(duì)于斷路器聲音信號(hào)能有良好的診斷效果。

4.2 分類算法性能分析

為了驗(yàn)證DE-PNN相較于其他分類方法的優(yōu)勢,選取選用未改進(jìn)的PNN、極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)和BP神經(jīng)網(wǎng)絡(luò)對(duì)同等數(shù)據(jù)特征樣本集進(jìn)行模型訓(xùn)練與測試。

多次實(shí)驗(yàn)選擇PNN的平滑因子參數(shù)為0.91,ELM隱含層參數(shù)為50,BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)為34。診斷結(jié)果如表2所示。

表2 四種分類算法的性能對(duì)比

可以看出,在對(duì)同等故障特征樣本集進(jìn)行測試時(shí),DE優(yōu)化后的PNN相較于傳統(tǒng)PNN算法提升了5百分點(diǎn)的故障識(shí)別準(zhǔn)確率,驗(yàn)證了DE優(yōu)化算法的性能,相較于ELM和BP算法分別提升了20百分點(diǎn)以及5百分點(diǎn)的算法準(zhǔn)確率,驗(yàn)證了本文提出的DE優(yōu)化PNN方法的優(yōu)勢。

4.3 特征提取算法分析對(duì)比

為驗(yàn)證本文提取算法的有效性,選取文獻(xiàn)[19-20]中的特征提取算法與本文提出的算法作對(duì)比,利用DE優(yōu)化后的PNN模型對(duì)故障進(jìn)行診斷。結(jié)果如表3所示。

表3 各種常見算法與本文算法對(duì)比結(jié)果

可以看出,本文算法相較于其他常見的算法來說,具有更好的特征提取效果,在對(duì)于故障樣本集進(jìn)行測試時(shí)得到更高的故障診斷準(zhǔn)確率,驗(yàn)證了本文算法的有效性。

5 結(jié) 語

本文提出一種基于LMD和DE-PNN的高壓斷路器機(jī)械故障診斷方法。通過對(duì)高壓斷路器合閘時(shí)的故障聲音信號(hào)進(jìn)行LMD分解,依據(jù)各個(gè)PF分量與原信號(hào)的相關(guān)系數(shù)選取合適的PF分量進(jìn)行重構(gòu),計(jì)算重構(gòu)后的信號(hào)的分段能量熵并按順序排列作為斷路器故障特征向量構(gòu)建故障特征樣本集,建立基于DE-PNN故障診斷模型并進(jìn)行訓(xùn)練與測試,實(shí)現(xiàn)了高壓斷路器機(jī)械故障診斷。實(shí)驗(yàn)結(jié)果表明:

(1) 基于LMD-DE-PNN的斷路器機(jī)械故障診斷方法,能一定程度上抑制信號(hào)背景噪聲、濾除多余干擾、提升特征提取效果、得到較好的故障診斷正確率。

(2) DE-PNN相較于未改進(jìn)的PNN時(shí),提升了5百分點(diǎn)的故障診斷正確率,驗(yàn)證了差分進(jìn)化算法的優(yōu)化性能,相較于ELM和BP算法,在斷路器機(jī)械故障診斷時(shí)分別提高20百分點(diǎn)和5百分點(diǎn)的故障診斷正確率,并且診斷速度較快,適用于斷路器聲音診斷領(lǐng)域。

(3) 本文提出的LMD分段能量熵相較于EEMD-樣本熵和LMD-能量熵分別提高了7.5百分點(diǎn)與10百分點(diǎn)的故障診斷準(zhǔn)確率,驗(yàn)證了本文算法的有效性。

本文描述了非線性非平穩(wěn)的斷路器故障聲音數(shù)據(jù)分析方法與故障診斷模型的建立過程,實(shí)驗(yàn)驗(yàn)證本文方法具有較好的故障診斷效果,為基于聲音信號(hào)的斷路器機(jī)械故障診斷提供了一種新的思路。