針對(duì)高壓隔離開(kāi)關(guān)故障診斷時(shí)特征庫(kù)中故障類別不完備的問(wèn)題，提出了基于多重支持向量域描述（Multi-SVDD）的故障診斷方法。
首先通過(guò)主成分分析將正常和已知故障樣本特征量按貢獻(xiàn)度進(jìn)行排序作為新的特征向量，并以特征量貢獻(xiàn)度構(gòu)造加權(quán)高斯核函數(shù)，提高對(duì)類間特征差異的辨識(shí)能力。然后利用粒子群算法對(duì)核參數(shù)進(jìn)行優(yōu)化，提高模型的推廣能力和對(duì)樣本類別識(shí)別的正確率。其次對(duì)正常和已知故障樣本集進(jìn)行訓(xùn)練，建立描述隔離開(kāi)關(guān)不同工作狀態(tài)的超球體作為預(yù)測(cè)模型。最后利用Multi-SVDD對(duì)樣本空間進(jìn)行劃分并計(jì)算待測(cè)樣本點(diǎn)至各超球體中心的距離，確定樣本所屬的種類。
試驗(yàn)結(jié)果表明，該方法可以有效處理高壓隔離開(kāi)關(guān)故障診斷中故障類別不完備的問(wèn)題，在診斷出已知故障的同時(shí)可對(duì)未知故障給出判斷。
高壓隔離開(kāi)關(guān)故障診斷是根據(jù)故障特征庫(kù)判斷當(dāng)前狀態(tài)是否正常的過(guò)程。因此，前期對(duì)故障樣本采集非常重要。支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等識(shí)別方法通過(guò)對(duì)故障特征進(jìn)行訓(xùn)練，可診斷出故障的種類與位置。但上述診斷方法主要基于完備的故障樣本數(shù)據(jù)實(shí)現(xiàn)對(duì)設(shè)備已知故障類型進(jìn)行診斷[1]。
在對(duì)高壓隔離開(kāi)關(guān)進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷時(shí)，相對(duì)于大量正常狀態(tài)的樣本，故障狀態(tài)的樣本往往很少，而且表現(xiàn)出不同的故障模式[2]。這些情況導(dǎo)致建立的故障特征庫(kù)是不完備的，基于支持向量機(jī)等算法訓(xùn)練出的超平面對(duì)空間進(jìn)行劃分時(shí)，與實(shí)際情況發(fā)生偏移，造成對(duì)未知故障出現(xiàn)誤診或漏診等錯(cuò)誤。
實(shí)際上，在工程應(yīng)用中能及時(shí)發(fā)現(xiàn)異常遠(yuǎn)比識(shí)別故障類型更重要。因此，研究如何利用不完備的故障樣本建立可識(shí)別出未知異常和已知故障種類的診斷模型更具實(shí)用價(jià)值。
本文在252 kV隔離開(kāi)關(guān)上開(kāi)展了故障模擬與數(shù)據(jù)采集試驗(yàn)，利用振動(dòng)傳感器采集隔離開(kāi)關(guān)5處位置的信號(hào)。模擬并采集了正常與低壓85%UN、高壓110%UN、主刀聯(lián)動(dòng)拐臂松動(dòng)、極間連桿松動(dòng)、相間連桿松動(dòng)、底座松動(dòng)、閉鎖松動(dòng)7種故障的合閘振動(dòng)數(shù)據(jù)（訓(xùn)練30組，測(cè)試10組），另外采集10組訓(xùn)練數(shù)據(jù)缺失的未知異常數(shù)據(jù)[3]。
文獻(xiàn)[4]通過(guò)支持向量域描述（Support Vector Data Description, SVDD）算法生成一個(gè)閉合的超球體作為正常樣本的決策邊界，實(shí)現(xiàn)了設(shè)備異常檢測(cè)。SVDD是在SVM基礎(chǔ)上發(fā)展起來(lái)的單值分類方法，隨著隔離開(kāi)關(guān)故障樣本的積累，該模型并不具備對(duì)多類故障進(jìn)行分類的能力。
因此，需對(duì)其進(jìn)行改進(jìn)，建立基于多重支持向量域描述（Multi Support Vector Data Description, Multi-SVDD）的預(yù)測(cè)模型，對(duì)特征空間進(jìn)行有效劃分，以實(shí)現(xiàn)對(duì)已知故障種類和未知異常進(jìn)行診斷。
文獻(xiàn)[5]研究表明SVDD的分類性能與所選核函數(shù)類型關(guān)系緊密，高斯核函數(shù)（Radial Basis Function, RBF）對(duì)距離較近的數(shù)據(jù)點(diǎn)非常敏感，容易產(chǎn)生過(guò)學(xué)習(xí)，外推能力不佳。文獻(xiàn)[6]通過(guò)構(gòu)造密度加權(quán)高斯核函數(shù)改進(jìn)分類器的性能，其主要考慮樣本局部分布，忽略了特征差異，當(dāng)出現(xiàn)少量高密度樣本時(shí)會(huì)使全局樣本特征差異辨識(shí)能力降低。因此充分利用類間特征差異構(gòu)造核函數(shù)，可提高分類器的性能[7]。
本文針對(duì)高壓隔離開(kāi)關(guān)故障樣本類別不完備的問(wèn)題，提出了基于Multi-SVDD的多類故障診斷方法，診斷模型整體框圖如圖1所示。
首先，利用主成分分析（Principal Component Analysis, PCA）算法對(duì)特征量進(jìn)行主元提取并計(jì)算貢獻(xiàn)度作為加權(quán)高斯核函數(shù)中多項(xiàng)式系數(shù)，并為貢獻(xiàn)度較大的特征維度分配較大的權(quán)重。然后，通過(guò)建立多個(gè)SVDD對(duì)樣本空間進(jìn)行劃分。最后，結(jié)合空間相對(duì)距離指標(biāo)，對(duì)已知故障種類和未知異常進(jìn)行診斷，試驗(yàn)結(jié)果表明該方法可有效提高分類器的適應(yīng)性。
圖1 診斷模型整體框圖
結(jié)論
針對(duì)隔離開(kāi)關(guān)故障復(fù)雜、故障樣本庫(kù)不完備引起故障診斷系統(tǒng)性能不佳的問(wèn)題，本文提出了基于Multi-SVDD模型的多類故障診斷方法，得到以下結(jié)論：
1）通過(guò)粒子群算法對(duì)核參數(shù)進(jìn)行優(yōu)化，分析了核參數(shù)對(duì)SVDD邊界的影響，為故障分類器的建立及其性能優(yōu)化提供了依據(jù)。
2）對(duì)與RBF分別作為分類器核函數(shù)時(shí)的診斷正確率進(jìn)行對(duì)比，結(jié)果表明，特征量貢獻(xiàn)度加權(quán)核函數(shù)可有效提高SVDD模型的推廣能力，能夠有效降低漏檢率和虛報(bào)率。
3）該方法診斷出高壓隔離開(kāi)關(guān)已知故障種類的同時(shí)可及早分辨出未知異常。對(duì)于只有正常樣本時(shí)，也可完成異常評(píng)估模型的建立，增強(qiáng)了分類器在故障類別庫(kù)不完備時(shí)進(jìn)行診斷的適應(yīng)性。
手機(jī)掃描二維碼
