基于小波分析的电气设备故障检测方法研究
来源:用户上传
作者:刘宸轩
摘要：故障检测可以保证电气设备运行的稳定性，为了提升电气设备故障的检测性能，提出了基于小波分析的电气设备故障检测方法。利用联合分布函数，搭建了电气设备故障特征函数，通过建立电气设备故障信息的状态函数，构建电气设备故障数据集模型。通过小波分析，描述电气设备故障原始信号的小波阈值收缩过程，根据电气设备故障信号特征的重构矩阵，构建电气设备故障信号的特征集合，根据电气设备故障信号的特征向量，提取电气设备故障信号的特征参数。通过判断电气设备的运行状态，获取电气设备故障的位置，实现电气设备故障的检测。实验结果表明，该方法在检测电气O备故障时，可以提高故障检测的信噪比，保证故障检测的质量。
关键词：小波分析；故障检测；特征系数；电气设备
中图分类号：TP393 收稿日期：2022-11-20
DOI：10.19999/j.cnki.1004-0226.2023.01.019
1 前言
在现代工业的生产制造中，电气设备所需电能在整个生产过程中都得到了充分利用。从电力传输设备到电网中的电源设备，从电气控制设备到工业控制设备，都需要实现良好、可靠和安全的电力供应[1]。电力故障检测技术在电气设备中占很大比例，就要求将其应用到企业中，以确保电力系统安全可靠的运行。电力系统中，有很多电气设备都无法检测出自身的故障，导致其在运行过程中出现不可预测的故障，严重影响工业的生产。电气设备在运行过程中，准确获取电气设备运行过程中的数据是检测电气设备故障的关键[2]。为了在电气设备故障发生后，尽快进行故障修复，降低经济损失，需要准确检测电气设备中包含的故障类型。电气设备故障检测是一项复杂且具有挑战性的工作，必须确定最容易导致电气设备故障的因素，并及时采取相应的措施，才能准确检测出电气设备故障。
在国内的研究中，周正钦等[3]扩展处理了均值漂移聚类算法，针对电气设备红外图像，提出一种故障过热区域提取方法，在引入聚类阈值的基础上，建立分割机制，对红外图像的故障区域像素进行聚类处理，提取出过热区域。结果显示，该方法对故障过热区域的提取性能最优。谢庆等[4]基于多尺度协作模型，针对电气设备红外图像的超分辨率故障，提出一种识别方法，根据生成对抗网络的结构特点，将多尺度协作模型与双通道结合，提取出电气设备故障的具体特征。结果表明，该方法在故障识别中，可以提高故障识别的准确率。
基于以上研究背景，本文将小波分析应用到了电气设备故障检测中，从而确保电气设备运行的安全性。
2 电气设备故障检测方法设计
2.1 构建电气设备故障数据集模型
电气设备故障检测中，将[A=a1，a2，…，an]定义为电气设备的故障数据集，n为故障数据的数量，数据集A中，每一个数据的特征向量都是一个q维矢量，故障的类型有M种，用mi代表第i类故障的分类中心，在电气设备的故障数据集中，利用联合分布函数[5]，构建了电气设备故障特征函数，获取电气设备发生故障的位置。
根据电气设备故障在频域内的特征，在故障数据响应变量与数据集A之间，构建了对应的函数关系。引入联合概率分析函数，将一个故障特征向量集合内的数据映射到另一个故障特征向量集合内，那么对于任意一个[ni?S1]，都需要满足下式的电气设备故障数据挖掘方程，即：
[gT=f（y）（y+β）xΩ] （1）
式中，y为电气设备故障数据的平均挖掘频率；[β]为故障信号的瞬时幅度；x为故障数据在频域内的谐振幅度；[Ω]为故障数据的训练集合。
利用电气设备故障数据挖掘方程，可以挖掘出电气设备故障数据，根据数据特征构建故障数据信息的状态方程，得到电气设备故障数据之间的信任关系。
利用电气设备故障数据信息的状态方程，计算出故障信息的时频特征，得到电气设备故障信息模型。
利用电气设备故障信息模型，采集了电气设备故障的时间序列，通过故障数据时间序列的更新，得到电气设备故障的频谱特征，利用时频分析，得到电气设备故障数据的暂态频率，通过建立故障数据的概率密度函数，获取故障的分布情况。
为了实现电气设备故障的准确检测，利用时频分析的方法，得到电气设备故障信息的状态函数，构建电气设备故障数据集模型，表示为：
[ai=fiai，lihj（k）D（ai，Wj）] （2）
式中，[ai]为电气设备故障的状态矢量;[ai]为电气设备故障的特征;[Wj]为电气设备故障的特征向量。
利用联合分布函数，构建了电气设备故障特征函数，根据电气设备故障数据信息的状态方程，计算出故障信息的时频特征，通过电气设备故障信息的状态函数，构建电气设备故障数据集模型。
2.2 提取电气设备故障信号的特征参数
以电气设备故障数据集模型为依据，引入小波变换[6]，去除电气设备故障数据的噪声，对电气设备故障所处的频带进行分类，为电气设备故障信号分配频带。先通过小波分析，描述电气设备故障原始信号的小波阈值收缩过程。
将小波系数作为电气设备故障信号的特征，通过小波分析将电气设备故障的原始信号分解为u层，获取电气设备故障信号特征的重构矩阵，小波分析具有非常强大的抗噪声能力，可以描述出电气设备故障信号的幅值变化情况。
如果将电气设备故障信号特征的重构矩阵看作是一个[?×τ]阶的矩阵，通过小波分解技术，对电气设备故障信号进行奇异值分解。通过对电气设备故障信号特征的重构矩阵进行奇异值排序，筛选出奇异值不为0的故障，构建电气设备故障信号的特征集合。
nlc202302121101
在小波分析中根据奇异值分解的原理和形状，发现电气设备故障信号的特征向量，能够体现出小波系数的矩阵特征。利用小波系数的矩阵特征，可以反映出电气设备故障信号的特征，因此，根据电气设备故障信号的特征向量，提取电气设备故障信号的特征参数，即：
[k1=maxΣ=max（ω1，ω2，…，ωn）] （3）
[k2=minΣ=min（ω1，ω2，…，ωn）] （4）
[k3=Σ=ω1，ω2，…，ωnn] （5）
通^小波分析，描述电气设备故障原始信号的小波阈值收缩过程，根据电气设备故障信号特征的重构矩阵，利用小波分解技术对电气设备故障信号进行奇异值分解，构成电气设备故障信号的特征集合，根据电气设备故障信号的特征向量，提取电气设备故障信号的特征参数。
2.3 设计电气设备故障检测算法
在检测电气设备故障时，利用小波分析提取出电气设备故障的检测参数，计算出电气设备故障信号的总和获取电气设备故障的位置信息。
为了准确检测出电气设备在运行过程中的故障，判断电气设备是否处于安全状态下运行。电气设备故障检测主要是根据电气设备故障信号的特征参数，获取电气设备故障的位置，并将故障位置与电气设备的故障信息进行关联，如果电气设备在运行过程中发生了故障，就可以确定电气设备发生故障的位置，那么可利用下式实现电气设备故障的定位与检测：
[Λ=H2I/xi] （6）
式中，[Λ]为电气设备故障数据库中对应的故障信息编号，每一个编号都不会重复。
综上所述，通过判断电气设备的运行状态，获取电气设备故障的位置，实现电气设备故障的检测。
3 实验分析
3.1 采集电气设备故障数据样本
在采集电气设备故障数据的过程中，将故障数据样本采集的分块长度设置为1 000，采样周期为0.05 s，电气设备故障数据特征在提取过程中的迭代次数为100次，样本个数为500个，在检测电气设备故障时，根据电气设备故障数据的特征，采集了电气设备故障数据样本。
3.2 结果分析
为了突出文中方法在电气设备故障检测中的优势，引入基于扩展Meanshift的检测方法和基于多尺度协作模型的检测方法作对比，得到电气设备故障检测的信噪比测试结果，如表1所示。
根据表1所示的结果可知，采用基于扩展Meanshift的检测方法时，由于均值漂移聚类算法无法准确提取电气设备故障的特征参数，导致检测的信噪比偏低；采用基于多尺度协作模型的检测方法时，对电气设备故障检测的信噪比在70%～80%之间；采用文中方法时，对电气设备故障检测的信噪比最高在92%以上，较高信噪比可以保证电气设备故障检测的质量。
4 结语
本文提出了基于小波分析的电气设备故障检测方法，经过实验测试发现，该方法在检测电气设备故障时可以提高故障检测的质量。但是本文的研究还存在很多不足，在今后的研究中希望可以将学习机和神经网络结合在一起，通过电气设备故障位置的预测，获取故障发生的位置，并根据预测的故障位置简化故障检测步骤，进一步提高电气设备故障检测的准确率。
参考文献：
[1]刘齐，王茂军，高强，等基于红外成像技术的电气设备故障检测[J]电测与仪表，2019，56（10）：122-126+152
[2]王子默，王清亮基于梯度扩散的电气设备调试故障行波检测[J]计算机仿真，2020，37（5）：468-472
[3]周正钦，冯振新，周东国，等基于扩展Meanshift电气设备发热故障区域提取方法[J]红外技术，2019，41（1）：78-83
[4]谢庆，杨天驰，裴少通，等基于多尺度协作模型的电气设备红外图像超分辨率故障辨识方法[J]电工技术学报，2021，36（21）：4608-4616
[5]赵欢，阳浩，何亮，等高精度配电网电气设备故障识别检测方法[J]沈阳工业大学学报，2021，43（6）：614-618
[6]刘俊，章磊基于半导体激光干涉技术的电气设备状态检测研究[J]激光杂志，2021，42（5）：52-56
作者简介：
刘宸轩，男，2000年生，本科在读，研究方向为电气工程及其自动化。
nlc202302121101
转载注明来源:https://www.xzbu.com/1/view-15445136.htm
