特征提取与故障诊断流程.docx

《特征提取与故障诊断流程.docx》由会员分享，可在线阅读，更多相关《特征提取与故障诊断流程.docx（14页珍藏版）》请在第一文库网上搜索。

1、特征提取与故障诊断流程EMD能量炳断路器振动信号的能量分布会随着频率的变化而发生变化。当断路器发生机械故障时，各IMF分量中信号时-频能量分布相较正常状态振动信号能量分布产生明显变化。而能量燧可对振动信号的时-频能量分布进行定量描述，因此可以将EMD能量端作为特征向量。4.3.2 EMD能量烯特征向量提取首先对四种振动信号信号进行EMD分解，得到一系列的IMF分量，通常EMD方法分解得到的前几个IMF分量几乎包含了原始信号的全部能量。故障时.频特征主要体现在含有主要能量成分的IMF,为此，本研究以IMF分量所含能量占原始信号能量的百分比(即能量比)为标准选取IMF分量。4种信号各IMF的能量比

2、分布如图4-3所示。从图中可以看出，能量燧信号可以作为断路器不同机械故障诊断的特征向量。但是，对于高压断路器的时滞故障却很难用能量嫡加以区分。为了提高断路器的故障诊断能力，需同时考虑能量嫡特征和时滞特征,因此，需引入时窗能量嫡特征(time segmentation energy entropy , TSEE)1381 o(a)正常状态(b)铁芯卡涩(a)Normal state(b) Jam fault of the iron core(c)润滑不良(d)螺丝松动(c) Lack of mechanical lubrication(d) Base screw looseness图4-3 IM

3、F序列的能量比分布Fig.4-3 IMF components of EMD decomposition由图4-3可以看出，4种断路器振动信号的前6个IMF分量所含能量占原始信号能量的90%以上，因此选取每种信号的前6个IMF分量；然后，根据实验分析,将各个IMF分量的包络信号按时间等间隔分成30段；每段包含6个时-频块，最后计算各段的能量端构成时窗能量燧计算各IMF分量包络的能量燧，从而构成时窗能量嫡特征向量(TSEE),如图4-4所示。从图中可以看出，不同故障类型之间的燧值分布差别较大；正常状态信号各IMF分量的能量燧值和润滑不良故障状态的燧值曲线分布相似，但具有不同的时滞特征。而与其他故

4、障类型的燧值曲线分布差异较大，这是因为断路器出现故障时，各机械结构的振动频率会发生变化,故障信号在时间和各频带的能量分布也会出现较大差异。因此，可以根据该EMD的TSEE能量燧向量来判断断路器是否发生机械故障。nn匚图4-4正常状态振动信号的时窗分割Fig.4-4 IMF components of EMD decomposition计算每个时.频段的能量，为各个时.频段能量的总和，则可以按照式归一化为：(4-1)根据能量烯理论，每种故障类型的TSEE可以按照式计算。)(4-2)高压断路器的特征向量记作，作为故障诊断分类器的输入特征向量。图4-5给出了四种振动信号的TSEE特征分布。从图中可以

5、看出，四种振动信号的TSEE特征分布明显不同。正常状态的第4个TSEE特征值最大，而铁芯卡涩、润滑不良和螺丝松动状态的TSEE最大值与正常状态相比，具有明显的延迟。与其他三种状态相比，螺丝松动状态的TSEE特征值明显偏低。文献45将IMF信号能量熠作为不同故障信号的特征值，用于诊断不同类型的故障。为了说明本研究TSEE特征值的有效性，分别计算前6个IMF信号的能量嫡，如图4-6所示。从图中可以看出，四种类型信号的IMF能量端并没有明显的区别，特别是正常状态和时滞故障信号的IMF能量燧区别不大，很难利用分类器将正常状态和时滞故障进行分类区分错误!未找到引用源(c)润滑不良(d)螺丝松动(c) L

6、ack of mechanical lubrication(d) Base screw looseness图4-5 TSEE特征分布Fig.4-5 TSEE feature distributionFig.4-5 Energy entropy feature distribution of the four types of vibration signal5基于UKF的神经网络识别断路器振动信号前面提取了正常状态和不同故障状态的TSEE特征值，这些特征主要应用于断路器故障的诊断和预测之中。故障诊断和预测就是利用有效的分类算法，对所提取特征进行分类，以实现对不同故障的自动诊断和故障发生前的预测

7、。分类结果的好坏取决于两个方面，一方面是所提取的特征是否具有明显的差别；另一方面是分类算法是否有效。分类算法分为线性分类方法和非线性分类方法。线性分类方法具有计算量少、速度快等优点，对于线性可分的特征向量，可以取得较好的分类效果。常用的线性分类算法包括基于马氏(Mahalanobis)距离的线性分类算法和基于线性判别分析(Linear Discriminant Analysis, LDA)的分类算法等错误味找到引用源。非线性分类算法比线性分类算法具有更好的分类特性，特别是对于线性不可分的分类问题，仍然能取得较高的分类性能。常用的非线性分类算法包括人工神经网络分类器和支持向量机(SVM)分类器等

8、。其中，神经网络分类器具有高速并行处理、分布存贮信息等特性，这使其在模式识别方面具有传统模式识别方法不可比拟的优点。本章采用基于无迹卡尔曼滤波(Unscented Kalman Filter, UKF)算法的多层前向神经网络对振动信号的特征进行分类，取得了较好的分类效果。5.1 人工神经网络人工神经网络是由许多神经元组成的非线性系统。神经网络可以在一定程度上模拟人脑神经系统。在信息处理、存储和检索中，神经网络起到关键作用。神经网络具有一定的智能，如学习、存储、计算等，广泛应用于非线性映射、时间序列预测和分类等问题。在应用神经网络之前，首先要对网络进行训练。BP算法是一种广泛使用的神经网络训练算

9、方法错误!未找到引用源。然而，BP算法仅仅是基于误差一阶微分的梯度算法，精度不高。在BP算法的基础上,学者们又提出了一些改进算法，如二阶微分权值更新算法等。所有这些改进算法在训练速度、映射精度和泛化能力方面都显示了很大的优越性。但这些算法在本质上都是批处理算法，收敛到局部极值和较低的学习速度限制了这些算法的应用。经典的卡尔曼滤波错误!未找到引用源。(KF)是一种基于线性动力学系统状态空间方程的算法，该算法可以迭代解决线性最优滤波估计问题。利用该算法已经解决了动态系统线性模型的状态向量估计问题。如果模型是非线性的,那么可以应用扩展卡尔曼滤波(EKF)算法错误!未找到引用源该算法基于非线性系统的线

10、性化过程。EKF是一个有效的二阶算法，可以用于估计生经网络的权值。然而，EKF只是对于最优非线性估计的一个近似。这些近似可以引入大量误差，这些误差会导致次最优性能，有时甚至会使系统发散。无迹卡尔曼滤波错误!未找到引用源。(UKF)可以克服EKF算法的缺点。UKF可以取代EKF,并且可以获得更好的性能。UKF通常用于状态估计、参数估计和状态参数的双重估计问题之中。UKF已成功应用于自动控制、信号滤波、模式识别、脑信息处理等方面。本研究中，UKF用于估计神经网络的权值。仿真结果表明，基于UKF的神经网络具有较高的训练速度和映射精度，将该神经网络应用于时间序列预测和分类等问题时，可以获得较好的分类性

11、能。如错误!未找到引用源。1所示为一个三层前向网络结构图，该网络含有一个输入层、一个隐含层和一个输出层。该神经网络用于逼近一个非线性函数和解决三分类问题。图5/前向神经网络结构图Fig.5-1 Structure diagram of forward neural network神经网络由许多非线性节点（神经元）组成，这些神经元通过权值互联。在神经网络应用之前，所有的权值（包括阈值）必须要经过修正。有两种典型的网络结构：前向神经网络和反馈神经网络。经过训练以后，前向神经网络可以实现输入到输出的静态映射，输出信号独立于输入历史信号错误味找到引用源。另一方面，反馈神经网络实现了输入输出的动态映射。

12、因此，输出不仅仅是当前输入的函数，而且，通过时滞的反馈节点连接，输出是整个历史输入数据的函数。前向神经网络可以用于非线性映射、时间序列预测和分类问题。而反馈神经网络可以用于优化问题。在大量的神经网络权值更新算法中，BP算法是最著名的。在标准的BP算法中，权值利用误差的一阶微分进行修正，权值更新沿着代价函数的负梯度方向进行。虽然学者们提出了一些基于二阶微分信息的改进算法，但是大多数存在收敛于局部极值和学习速率低的缺点。本章讨论了三层前向神经网络，网络的权值学习算法基于UKF算法。5.1.1 基于UKF的神经网络公式（5-1）描述了状态估计问题。第一个方程是状态方程，第二个方程是观测方程。= （）

13、 +，（，）式中x（f）是要估计的状态向量，y”）是观测向量，（/）是外部控制输入。假设初始状态x（0）,观测向量y（/）和控制输入（，）已知。如果没有外部信号，）设置为0。目标是估计状态向量X”）。r（过程噪声）和e（f）（过程噪声）假设为零均值高斯白噪声。/和也分别为状态和观测函数。当/和力为线性函数时，卡尔曼滤波可以解决状态和参数的估计问题。该算法利用迭代求解线性最优状态估计问题。该解是迭代解，每次状态更新要由前一次的估计值和当前的数据计算。然而，如果该方程是非线性的，为了估计状态卡尔曼滤波必须扩展成扩展卡尔曼滤波EKF, EKF算法基于非线性过程的线性化（一阶泰勒序列展开）错误!未找到

14、引用源。如果线性化不能很好的近似非线性过程，EKF估计就是有偏的或不连续的，这是EKF算法的主要问题。EKF算法只是最优非线性估计的一阶近似。而且，在应用EKF算法时，雅各比矩阵和海塞矩阵的计算是必不可少的。对于复杂非线性系统来说，这两个矩阵的计算非常困难。Julier和Uhlman针对复杂非线性状态空间模型的估计问题提出了一种新的算法(UKF)。UKF算法基于无迹变换(UT)变换，该算法比EKF算法提供更好的估计性能。该算法对于非线性估计问题可以获得二阶精度，而且不需要计算雅各比矩阵和海塞矩阵。5.1.2 基于UKF的神经网络UT变换UT算法是随机变量的统计算法，对随机变量进行非线性变换错误

15、!未找到引用源。该变化利用一组最小样本代表状态的分布。这些样本完全包含了高斯随机变量的均值和方差，并且对于非线性系统可以获得二阶估计精度。这些采样点称作Sigma点，如公式(5-2)所示。式中，=1,2.,% 是状态武。的维数，附代表矩阵第亍或列的均方根。k为标量参数,本研究中设置为0。共需要计算2 + 1个点。%一加| 一加) +(， Af 11 A/)5.1.3 UKF 算法八=X + k) P (/ -UKF算法是将UT变换直接扩展应用于公式(5-1)。联立公式(5-2), UKF算法可以表示为下述公式的迭代过程错误!未找到引用源。% (/一加)=/(Z (/-Ar|r-Ar), w(r)(5-3)2一加)=叱%。上一加)z=0上一加)=个叱天|，一加)/=0k1w0=-n + k2( + Z)(5-4)(5-5)70(/-Ar|z-Ar) = x(r-Ar)(5-2)P(r|r-Ar) = Jw；.(r|z-A/)-