基于相空间张量分解的有载分接开关故障诊断.pdf
《基于相空间张量分解的有载分接开关故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于相空间张量分解的有载分接开关故障诊断.pdf(8页珍藏版)》请在咨信网上搜索。
1、有载分接开关一次档位切换过程中伴生的振动信号与其机械状态密切相关。文中基于有载分接开关档位切换过程中振动信号的高维相点空间分布,对有载分接开关多个位置处的振动信号进行张量化表示,用以捕捉尽可能丰富的有载分接开关机械状态信息。然后对所构建的相空间三阶张量进行 张量分解以获取核心张量,据此建立基于卷积神经网络的有载分接开关机械故障判别模型。以某 型有载分接开关动作时的振动信号为例进行分析,结果表明,有载分接开关动作时的振动信号的相空间核心张量信息全面且冗余少,所构建的基于卷积神经网络的有载分接开关机械故障诊断模型性能良好,准确率超过 ,可为有载分接开关的故障识别及状态维修提供参考依据。关键词:有载
2、分接开关;振动信号;故障诊断;相空间重构;张量分解;卷积神经网络中图分类号:文献标志码:文章编号:()收稿日期:;修回日期:基金项目:国家重点研发计划资助项目()引言低碳背景下新型电力系统的建设需求对电力设备的安全可靠运行提出了更高的要求,有载分接开关(,)是有载调压变压器在不断电情况下进行电压调整的重要部件,其可靠性直接关系到变压器及电网的稳定运行 。受制于 的复杂机械结构,其故障率随着档位切换次数及使用年限的增加而增长,且居高不下。据统计,故障 以上来源于机械缺陷 。因此,准确判别 机械缺陷极为重要,这是提升电网内在防御和风险抵御能力的关键。档位切换过程中机械结构件运动过程伴生的振动信号与
3、其机械状态相关性极高,且近年来 故障频发,因此 的机械故障振动监测技术凭借其灵敏度高和现场实施方便等优势成为研究热点。文献 基于小波变换提取 振动信号的时域包络,根据其“垄脊分布图”特征建立基于自组织映射网络的 机械故障诊断模型。文献 综合分析 振动信号幅值、波峰时刻等多个特征参数,实现了 的弹簧储力不足、触头磨损与触头烧蚀等机械缺陷的分析诊断。针对 机械振动信号的强时变特征,经验模态分解算法及其变体等时频分析方法将 振动信号分解为多个固有模态函数,进而分别依据支持向量机与优化自相关向量机实现 机构卡涩、触头松动等早期机械缺陷的诊断 。文献 基于 振动信号自适应变分模态分解算法的分解结果,提出
4、基于模拟退火优化极限学习机的 机械故障诊断模型。文献 从 振动信号时间序列的低频混沌特征出发,对 振动信号进行相空间重构,基于其相空间分布特征构建 典型机械故障的隐马尔科夫诊断模型。文献 对计算得到的 振动信号相空间分布进行 聚类,根据聚类结果定义簇中心位移矢量,对 的机械状态进行检测。已有研究表明,对 振动信号进行相空间重构能够从高维吸引子中提取出更完善的表征设备运行状态的特征参数。但现有研究大都针对单一振动传感器获取的 振动信号进行特征分析,对测点位置的选取要求高且涵盖的设备状态信息有限。如何获取 多个测点处振动信号所包含的特征参数并探索 机械故障的高效诊断方法,仍有待研究。张量是多维数据
5、表示形式之一,是标量、向量及矩阵的一种高阶延拓,具有强大的数据表示能力和特征提取能力,已被成功应用于文本、视频图像、脑电信号、金融时序预测等领域 。为更加全面有效地获取振动信号所包含的 机械状态信息,文中从 振动信号的高维相空间分布和深度学习网络优异的分类性能出发,尝试对 多个振动测点处的振动信号相空间分布进行张量化表示并提取其核心张量,据此构建基于卷积神经网络(,)的 机械故障诊断模型。最后以应用较多的某 型 模型为测试对象,通过获取的振动信号验证文中所提方法及模型的有效性。振动信号相空间分布的张量化表示及其分解 相空间重构若把一个时间序列看成是由一个确定性的非线性动力学系统产生的,则根据相
6、空间重构理论,可把具备混沌特征的时间序列重建为一个等价的状态空间,从而挖掘其演化规律 。根据 定理,只要重构相空间的嵌入维数 满足 (为动力学系统的维数),则基于该嵌入维数所构造的高维系统的吸引子会在拓扑、几何结构和动力学特性等方面与原动力学系统完全相同,从而为混沌时间序列的高维空间特征提取提供重要的理论依据。对时间序列 ()(,),其重构相空间 可表示为:()(),(),()()(),(),()()(),(),()()式中:为延迟时间;(),为相空间相点数目,为时间序列长度。参数 和 是对一维时间序列进行高维空间重构的关键,文中根据 档位切换时振动信号的非平稳性和强时变特征,选用时间复杂度相
7、对较低的 法对这 个参数进行计算 。重构相空间的张量化张量的本质是高阶数组或高阶阵列,通常使用 表示一个 阶张量。其中,张量的模 展开是将张量表示变换成矩阵的常用分析方法,张量 的模 展开运算(,)可表示为:()()()()式中:()为张量 经由模 展开得到的矩阵。对式()所示的由 个相点组成的相空间,因每个相点具有 维数据,即数据规格为 ,故可将相空间 表示为一个阶数为 、规格为 的张量,其第一阶表示相空间相点数目,第二阶表示相空间相点维数。针对 一次档位切换时的振动信号,通常会使用多个振动加速度传感器进行测试。若记 个测点处的振动信号分别为、,为保证 多个振动测点处重构相空间维度的一致性及
8、相空间重构信息的完整性,取联合重构相空间的延迟时间 和嵌入维数 分别为 ()和 ()(,),则经式()重建各个振动测点处的相空间后可得到 个二阶张量。以测点数为第三阶坐标与上述二阶张量进行组合,可构建包含所有测点振动信号信息的相空间三阶张量,记为 ,图 为这一过程的示意图。图 多振动测点相空间三阶张量的构造过程 显然,三阶张量 中包含了 一次档位切换过程中所有振动测点的动力学信息,据此可进一步对 的机械状态进行分析。但是,受到 切换开关动作时间及采样频率等影响,基于 振动信号相空间分布所构建的三阶张量的数据规模较大,普通计算机处理该类数据时间成本较高,故文中将图 所示三阶张量作为原始张量样本,
9、提取其核心张量以表征 机械状态的特征信息。基于 分解的相空间核心张量提取 算法是目前使用较为普遍的张量分解算法,一个 阶张量 的 分解结果可表示为:()()()()式中:(,)为张量的模 乘积运算符;为 张量分解后得到的核心张量;()、()、()为对应阶的投影矩阵。此处,核心张量可视为原始张量去除冗余之后的主成分张量,相应的正交投影矩阵则可看作是各个阶上的主元 。对三阶张量 进行 分解时的目标函数为:,()()()()()通常使用高阶正交迭代法进行求解 ,具体步骤如下。()初始化。对各投影矩阵()(,)进陈文通 等:基于相空间张量分解的有载分接开关故障诊断行随机初始化,记为()(),为步长。(
10、)更新投影矩阵。令 ,执行以下运算:()()()()然后对 的模 展开矩阵()进行奇异值分解,得到()(、分别为左奇异值矩阵和右奇异值矩阵;为()的奇异值矩阵),并令()。()核心张量计算。对应的计算公式为:()()()()()收敛判断。若满足收敛条件 (为预设的收敛阈值),则进行步骤(),否则返回步骤()继续进行迭代。()输出核心张量 与投影矩阵()、()和()。基于 的 故障诊断模型 是由生物视觉系统演化而来的一种前馈型人工神经网络,已在目标检测、语音及图像识别等领域取得良好应用效果,也是在张量形式数据领域中使用最为广泛的模式识别方法之一 。其在训练过程中采用权值共享及池化等方式,能够有效
11、降低算法复杂度,从而高效地从输入样本中提取相应特征。主要由卷积层、池化层以及全连接层等组成。针对 的输入数据样本,卷积层利用卷积核对其进行卷积运算,并经由激活函数得到输出特征参数。若记 中第 层的输出特征参数为,则卷积层的运算过程可表示为:()()式中:表示卷积运算;为第 层所使用卷积核的权值矩阵;为第 层的偏置向量;()为激活函数。常用激活函数 可以显著提高训练过程的收敛速度,且函数中不存在饱和区域,能够避免在训练中出现“梯度消失”现象 。池化层可将卷积层输出的一定范围内的特征参数收集至一个特征之中,用以降低数据处理量并保留有用信息,其计算过程可表示为:()()式中:()代表池化运算。此处,
12、最大值池化方式对输入的数据样本的稀疏特征更为敏感,故应用较为普遍 。全连接层是将池化层输出的数据进行加权求和,然后通过激活函数对其进行非线性变换,其计算过程可表示为:()()式中:为全连接层的权重。训练是计算网络输出和目标之间的误差过程,目的是最小化损失函数。常用的优化方法为梯度下降算法,即计算残差通过梯度下降进行反向传播,逐层更新 中的参数,主要包括均方根传递算法、带动量的梯度下降算法、自适应动量(,)算法等 ,文中在 的训练过程中引入了 算法以提高训练效率。综上,可获取基于相空间张量分解的 机械故障智能诊断流程,如图 所示。图 机械故障诊断流程 振动特性测试选取变电站现场应用较多的某 型
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 相空间 张量 分解 有载分接 开关 故障诊断
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。