本發(fā)明屬于隔離開關(guān)機(jī)械結(jié)構(gòu)故障診斷領(lǐng)域，具體涉及一種基于levy-fox-vmd-svm的隔離開關(guān)故障診斷方法及系統(tǒng)。

背景技術(shù)：

1、當(dāng)前，中國的電力產(chǎn)業(yè)正迎來前所未有的發(fā)展繁榮期，智能物聯(lián)網(wǎng)這一核心信息技術(shù)的快速發(fā)展正逐步重塑電力行業(yè)的傳統(tǒng)面貌。這一技術(shù)浪潮帶動了大量新技術(shù)、新產(chǎn)品和新業(yè)務(wù)模式的涌現(xiàn)，為智能電網(wǎng)的建設(shè)提供了強(qiáng)大的動力。隨著智慧物聯(lián)網(wǎng)技術(shù)的不斷進(jìn)步，對電力設(shè)備在運(yùn)行效率和安全性方面的要求也越來越高。特別是在電網(wǎng)中，高壓隔離開關(guān)的運(yùn)行狀態(tài)受到了極大關(guān)注。過去十年里，隨著電網(wǎng)基礎(chǔ)設(shè)施的快速擴(kuò)張，變電站的建立和隔離開關(guān)的數(shù)量顯著增加，隔離開關(guān)所處的機(jī)械運(yùn)行環(huán)境復(fù)雜多變，如受到風(fēng)雨日曬的侵襲。再加上隔離開關(guān)的操作頻次不高，易導(dǎo)致其傳動部分出現(xiàn)銹蝕、卡滯、合閘不到位或甚至拒動等問題，嚴(yán)重時還可能引起傳動機(jī)構(gòu)斷裂或線路跳閘，所以對隔離開關(guān)進(jìn)行狀態(tài)監(jiān)控和實(shí)時檢修顯得尤為重要。

2、高壓隔離開關(guān)分合閘不到位、機(jī)構(gòu)卡澀、松動、三相不同期的過程中存在各種傳動部件的啟動和停止，從而引起設(shè)備振動，電氣設(shè)備運(yùn)行時振動頻率具有單一性，相應(yīng)的振動信號特征也是獨(dú)特的，通常采用模態(tài)分析法對其進(jìn)行分析。若隔離開關(guān)機(jī)械結(jié)構(gòu)發(fā)生改變或故障時，其頻率與振動信號的模態(tài)特征也隨之改變，因此可以通過該方法診斷隔離開關(guān)處于正常狀態(tài)還是故障狀態(tài)。

3、現(xiàn)有的研究使用emd分解時，我們需要利用信號的極大值和極小值來計算包絡(luò)，而信號的極值很有可能收到噪聲干擾，因此emd對噪聲比較敏感；emd還存在端點(diǎn)效應(yīng)的問題，即在信號的端點(diǎn)處由于沒有前后幀的信息，求得的包絡(luò)面可能不準(zhǔn)確，在后期分解的過程中，可能會得到不準(zhǔn)確的imf分量。而使用單一vmd分解信號的方法在處理含有噪聲的信號時仍然易受噪音干擾，也會導(dǎo)致分解結(jié)果不準(zhǔn)確。

技術(shù)實(shí)現(xiàn)思路

1、為解決現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種基于levy-fox-vmd-svm的隔離開關(guān)故障診斷方法及系統(tǒng)，利用levy飛行策略優(yōu)化后的狐貍(fox)算法改進(jìn)后的vmd(variational?mode?decomposition)分解收集的振動信號，獲得對應(yīng)的本征模態(tài)子信號并計算各層能量的多種熵，構(gòu)成特征矩陣。接著將得到的特征矩陣使用pca(principalcomponentanalysis)進(jìn)行降維處理。最后，將特征向量輸入svm(support?vector?machine)中訓(xùn)練，實(shí)現(xiàn)隔離開關(guān)機(jī)械結(jié)構(gòu)故障診斷。

2、本發(fā)明采用如下的技術(shù)方案。

3、本發(fā)明提供了一種基于levy-fox-vmd-svm的隔離開關(guān)故障診斷方法，其特征在于，包括：

4、從隔離開關(guān)的歷史數(shù)據(jù)中提取正常運(yùn)行、分合閘不到位、三相不同期與卡澀狀態(tài)的振動信號，將四組振動信號利用vmd算法進(jìn)行計算，將振動信號分解為k層imf信號；計算四組信號各層imf信號的最小功率譜熵作為適應(yīng)度函數(shù)，利用levy-fox算法對vmd進(jìn)行參數(shù)尋優(yōu)，將獲取的第一組最優(yōu)參數(shù)值作為vmd的參數(shù)，將振動信號重新分為200組進(jìn)行vmd，并計算各層imf信號的特征熵值，構(gòu)成多元特征融合矩陣；利用pca算法對多元特征融合矩陣進(jìn)行降維和主成分選擇，得到三維重構(gòu)空間，利用svm分類器搭建故障檢測模塊，輸入待測隔離開關(guān)機(jī)械結(jié)構(gòu)的振動信號，由故障檢測模塊進(jìn)行特征值匹配，輸出故障檢測結(jié)果。

5、優(yōu)選的，所述將四組振動信號利用vmd算法進(jìn)行計算，將振動信號分解為k層imf信號包括：

6、vmd分解出的imf信號為:

7、uk(t)＝ak(t)cos[φk(t)]

8、式中：ak(t)為該imf信號幅值，φk(t)為瞬時相位；

9、vmd約束要求每個imf中心頻率的帶寬之和最小，

10、

11、{uk}表示各層imf信號集合；{ωk}表示各層imf的中心頻率集合；*為卷積運(yùn)算；為梯度運(yùn)算；δ(t)為狄拉克函數(shù)；j表示虛數(shù)單位；f(t)表示將各層imf信號用一個關(guān)于時間的函數(shù)表示，α為懲罰因子；l為拉格朗日算子，λ為拉格朗日乘數(shù)；λ(t)為拉格朗日乘數(shù)對于時間的函數(shù)。

12、優(yōu)選的，將各層imf信號的最小功率譜熵作為適應(yīng)度函數(shù)，用于自適應(yīng)地確定的imf層數(shù)k和懲罰因子α的最優(yōu)值。

13、優(yōu)選的，所述最小功率譜熵的計算如下：

14、sn(f)＝|xf(f)|2/n

15、

16、

17、式中：f為原始信號，圖信號x表示經(jīng)過vmd分解后的各層imf分量，|xf(f)|表示圖信號x的圖傅里葉變換，hx為有圖譜功率譜熵，ξi為第i個圖譜功率譜在整個圖譜功率譜中所占的百分比，n為各層imf信號的采樣點(diǎn)數(shù)。

18、優(yōu)選的，利用levy-fox算法對vmd進(jìn)行參數(shù)尋優(yōu)，包括：

19、步驟4.1，設(shè)定狐貍?cè)簜€數(shù)n＝50，初始狐貍尋優(yōu)步長固定為d＝100，最大迭代次數(shù)設(shè)定為r＝50，隨機(jī)數(shù)r∈[0,1]，

20、使用levy飛行函數(shù)優(yōu)化fox算法，levy飛行函數(shù)對fox算法搜索步長的β做如下處理，使之符合levy分布；u、υ為正態(tài)隨機(jī)變量；

21、

22、

23、β＝1.5；

24、步驟4.2，設(shè)置vmd的分解層數(shù)k的范圍為3～10，懲罰因子α從1～5000進(jìn)行尋優(yōu)；

25、步驟4.3，獲取隨機(jī)數(shù)r，狐貍種群開始執(zhí)行跳躍覓食或隨機(jī)行走覓食，若r≥0.5，執(zhí)行跳躍覓食；若r≤0.5，則執(zhí)行隨機(jī)行走覓食；

26、步驟4.4，當(dāng)狐貍發(fā)現(xiàn)功率譜熵更小的位置時，更新最優(yōu)值，若未達(dá)到最大迭代次數(shù)，重復(fù)步驟4.3，達(dá)到最大迭代次數(shù)后輸出α和k的最優(yōu)值作為第一組最優(yōu)參數(shù)值；狐貍位置更新公式如下：

27、

28、式中：jump為算法中每只狐貍的跳躍高度，c、γ為[0,1]之間的隨機(jī)數(shù)，xit+1為狐貍的最新位置，x(it)為更新前狐貍的位置。

29、優(yōu)選的，所述特征熵值包括：近似熵、樣本熵、模糊熵、柯爾莫哥洛夫熵、排列熵、修正條件熵、分布熵、譜熵、色散熵、符號動態(tài)熵、相熵、氣泡熵、網(wǎng)格分布熵、注意熵和范圍熵。

30、優(yōu)選的，所述故障檢測部分包括，利用svm分類器搭建故障檢測模塊，將pca三維重構(gòu)空間中四種故障的特征值輸入故障檢測模塊；輸入待測隔離開關(guān)機(jī)械結(jié)構(gòu)的振動信號，由故障檢測模塊進(jìn)行特征值匹配，輸出故障檢測結(jié)果。

31、本發(fā)明還提供了一種基于levy-fox-vmd-svm的隔離開關(guān)故障診斷系統(tǒng)，所述系統(tǒng)為前述一種基于levy-fox-vmd-svm的隔離開關(guān)故障診斷方法所使用的系統(tǒng)，包括：

32、數(shù)據(jù)采集模塊，用于獲取隔離開關(guān)的歷史振動信號數(shù)據(jù)；

33、vmd算法模塊，用于將振動信號分解為imf信號；

34、levy-fox算法模塊，用于對vmd進(jìn)行參數(shù)尋優(yōu)；

35、svm算法模塊，用于對隔離開關(guān)機(jī)械結(jié)構(gòu)進(jìn)行故障診斷。

36、本發(fā)明還提供了一種終端，包括處理器及存儲介質(zhì)；

37、所述存儲介質(zhì)用于存儲指令；

38、所述處理器用于根據(jù)所述指令進(jìn)行操作以執(zhí)行根據(jù)前述方法的步驟。

39、本發(fā)明還提供了一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，該程序被處理器執(zhí)行時實(shí)現(xiàn)前述方法的步驟。

40、本發(fā)明的有益效果在于，與現(xiàn)有技術(shù)相比，本發(fā)明提出一種基于levy-fox-vmd和svm的隔離開關(guān)機(jī)械結(jié)構(gòu)故障診斷方法，結(jié)果表明，levy-fox算法和fox算法、pso算法相比在cec2022-f1測試函數(shù)下的收斂性更好，svm算法和單一的svm算法相比運(yùn)行速率更快。所提方法適用于隔離開關(guān)機(jī)械結(jié)構(gòu)故障診斷，提高了迭代速度和收斂性，并且對隔離開關(guān)的故障識別準(zhǔn)確率更高。