布吉网站建设公司,网站关键词推广优化,wordpress网站音乐放不全,自己做网站推广费用大提示#xff1a;唐老师好#xff0c;我之前因为“阳”了#xff0c;所以就没有参与汇报#xff0c;给老师带来不便#xff0c;请老师见谅。以此篇文章代替课堂汇报。 文章目录前言一、不同故障对应的振动频谱和故障特征量二、GIS设备振动特征估计1.GIS设备状态空间2.粒子滤… 提示唐老师好我之前因为“阳”了所以就没有参与汇报给老师带来不便请老师见谅。以此篇文章代替课堂汇报。 文章目录前言一、不同故障对应的振动频谱和故障特征量二、GIS设备振动特征估计1.GIS设备状态空间2.粒子滤波三、GIS故障检测指标与自适应阈值四、案例分析与仿真总结附录前言
提示这里可以添加本文要记录的大概内容 本文是自己硕士研究生“电气设备智能感知与诊断”课上原本要汇报的内容但因自己准备期间“阳”了而耽误故补上一篇博客来代替汇报写这篇博客一方面是为了代替汇报交作业另一方面就是单纯想写点东西加深一下自己对这个问题的理解也给其他准备处理类似问题的人一点借鉴本文适合自学祝你们好运。对根据课堂安排我们是4个人组成一个小组每个小组对应一个主题具体到我所在的小组主题是GIS组合电气状态监测分到自己的则是GIS状态检测新技术。当时我准备汇报的新技术是X射线X射线拍到了照片后后面研究的重点是各种各样的图像算法觉得繁杂且并不能说明某种算法引入以后的意义就找其他的一些方法中间看过红外检测等最后换成基于GIS设备振动特性来判断设备的故障最主要的文献来自于华电保定赵洪山老师团队发表在《高压电器》期刊上的《基于振动特征估计的GIS设备故障检测与分析》作者是赵洪山老师和高玉峰师兄。这篇文章的主题是基于不同故障时引起的GIS设备振动特征不一样提出了一种算法基于这种算法可以判断出发生的故障究竟是放电性故障还是机械性故障最后作者通过在保定特高压变电站的数据验证这种方法的可行性。这篇文章的重点就在于这个故障检测算法这里之前还没有抓住这篇文章的重点如图所示。 内容是按照以下步骤进行
提取GIS外壳振动的数据有历史上的也有最新的的特征量基于通用自回归建模方法建立GNAP模型。将GNAR模型作为状态转移方程应用于粒子滤波算法中构建系统特征估计器。计算振动特征实际测量值与GNAR-PF估计值之间的残差。选择故障检测指标并结合自适应阈值方法检测故障。 提示以下是本篇文章正文内容下面案例可供参考
一、不同故障对应的振动频谱和故障特征量 首先我们要知道GIS设备工作正常时以及工作异常时金属外壳上的振动频谱是不一样的有区别的有差异的这是我们后面算法分析的大前提。 然后我们详细分析这两种情况GIS设备正常工作时外壳振动基频为100Hz。正常运行时GIS开关设备振动主要由电磁力与磁致伸缩引起这两个原因引起的100Hz稳定振动是可以通过理论分析得到的前者有一个重要的模型就是空心式电流互感器模型利用这个模型虽然模型不精确但一些文献计算外壳功率损耗仍然用这个模型方便理解GIS设备外壳环流这个环流在磁场中设备会受到力的作用这个力的大小是与电流大小有关自然就会问环流大小与什么有关后面自己调研相关文献知道分三相共箱型和三相分箱型运行电压等级不一样具体影响因素也不一样总体上是三相共箱型外壳环流小三相分箱型外壳环流大后面依次列写出三相分箱与三相合箱的电磁力的作用表达式吐槽一下CSDN博客插入LaTex公式不是很好用无论什么哪种情况在工频情况下其振动频率自然是100Hz。 三相分箱型FBiL(Bμ0I0sin(ωTt)2πR)μ0kLI02sin2(ωt)2πR三相分箱型FBiL\left ( B\frac{\mu _{0}I_{0}\sin \left ( \omega Tt \right ) }{2\pi R} \right ) \\ \frac{\mu _{0}kLI_{0}^{2} \sin^{2} \left ( \omega t \right ) }{2\pi R} 三相分箱型FBiL(B2πRμ0I0sin(ωTt))2πRμ0kLI02sin2(ωt) 三相合箱型fFalaB合Ialala3×10−7×I2d∣sinωt∣三相合箱型f\frac{F_{a} }{l_{a} } \frac{B_{合} I_{a}l_{a} }{l_{a} } \frac{\sqrt{3} \times 10^{-7}\times I^{2} }{d}\left | \sin \omega t \right | 三相合箱型flaFalaB合Ialad3×10−7×I2∣sinωt∣ 在后者磁致伸缩引起的振动中磁畴的理解很关键本科期间学习电机学时一开始学习铁磁材料磁滞回线特别是饱和特性就学到了这个概念这里在其上的基础拓展了一点什么是磁致伸缩通俗理解磁致伸缩就是铁磁材料在磁场下会发生形变撤掉磁场形变就消失了教科书上的定义 磁致伸缩铁磁性和亚铁磁性物质在外磁场作用下在磁化方向上会发生伸长或缩短去掉外加磁场后又恢复其原来的尺寸理解这种形变。先理解成弹簧模型见附录我做的PPT后面深入的话就会谈到磁畴可以将其看作成一个个超微型的小磁铁而且是椭圆形的小磁铁当外界磁场方向变化时椭圆形的小磁铁之前由正长轴方向相互连接后变成反方向相互连接中间就有个“长-短-长”的变化过程变化过程见附录我的PPT工频的话变化次数就是工频的两倍这个倍数关系同时也可以由磁学相关公式推导出来公式见附录PPT。下面这一页PPT是我原来准备课堂汇报的主体框架我原本重点是要讲这个正常工作时100Hz是怎么来的然后提一下异常工作下的振动频率是怎么样的再简单提一下算法感觉不好讲里面由一系列的公式推导逻辑推断就打算简单化处理介绍一下过程看看仿真结果就算大致说明了一下这个新方法后面与唐老师交流才知道自己是没有抓住核心部分核心部分是算法部分不把算法讲清楚你无法说明这个新方法对这给新方法是理解是极其肤浅的根本就没有达到研究生的水准。反思这个过程这对应自己之前的博客书写是为了更好的思考里面的内容多渠道与人交流能加深自己对事物的理解。 异常情况下的外壳震动频率并没有什么明显的特征频率只有个特征范围。GIS设备常见的缺陷类型统计如下表所示。GIS设备最主要的故障类型就是两种绝缘型故障和机械型故障。 机械故障包括紧固螺栓松动、机械卡涩、触头接触不良等会引起低频振动绝缘故障主要是由金属突出物、悬浮金属颗粒等局部放电破坏设备内部绝缘引起振动频率主要在2kHz以上。经过统计日本学者Okutsu N等学者得到了如下的不同故障类型下GIS设备金属外壳上的振动信号频率、幅值分布情况。 这个图来自于他在上IEEE于1981发表的论文原论文虽然内容不多但这篇文章被引较高我在知网查阅文献时几乎有关GIS振动的诊断方法的文章都会提到原文章或这张图。 从上图我们可以看出机械故障与放电故障的频谱差异我们选用什么参数来表征这个差异呢原文作者选用“频段能量比”作为振动特征量(即下面公式中的 xxx )具体将振动频谱图以 2kHz为界分为“高频段”(同上 EHE_{H}EH )与“低频段”(同上 ELE_{L}EL )每一个频段累加每一个频率点幅值(同上 AfAfAf )的平方然后这上下两个频段之比取对数。具体如下 xlgEHELEH∑f2001maxA2(f)EL∑f12000A2(f)xlg\frac{E_{H} }{E_{L} } \\E_{H}\sum_{f2001}^{max} A^{2}(f) \\E_{L}\sum_{f1}^{2000} A^{2}(f) xlgELEHEHf2001∑maxA2(f)ELf1∑2000A2(f) 原文作者选用的分界线是 2kHz为什么选用这个频率作为分界线呢2.5kHz行不行电科院高压所郭碧红老师与张汉华老师的文章《利用GIS外壳典型振动的频率特性检测内部故障潜伏性故障》中给出了自由导电粒子运动和由固定杂质的局部放电时的外壳振动频谱图如下就是振动放电引起的振动谱图文章中的图太多了不一一截图主要为高频分量。 徐志钮老师等的文章《机械缺陷对GIS外壳振动影响》中讨论了螺栓松动和导杆不对中这两种缺陷时的振动信号分别与无缺陷正常运行时的差别里面给出了螺栓松动时和导杆不对中时的振动信号图如下所示主要为低频分量 从上面的图以及我没有截过来的图可以看出高频分量与低频分量分界线有多种选择不一定要用这个2kHz用这个也行我们顺着作者的思路就用这个分界线继续分析。
二、GIS设备振动特征估计 我们已经选择好了振动特征量现在想一想GIS正常运行基频是100Hz等低频分量较小几乎无高频分量、机械故障时低频分量较多高频分量不多、放电性故障低频分量没有高频分量那么多这三种情况用频段能量比也差不多可以区别出来这样故障发生前后这个振动特征量就发生了变化即把故障发生后的振动特征量与故障发生前的振动特征量进行比较具体操作的话原文作者是基于故障发生前的数据来预测故障发生时的数据然后用这个估计值来与故障发生时实际测量的数据进行比对我们前面说了振动特征量在故障发生前后是不一样的所以这个估计值与实际值是有区别的一有区别就可以判断出故障 除了这种方法以外还有没有别的方法我还没有弄清楚此处存疑后面的结果显示我们可以隔离放电性故障与及机械性故障。这里涉及两个比较重要的概念GNAR模型和粒子滤波下面进行说明。
1.GIS设备状态空间 这里我们使用GNAR模型建立状态空间。先做个解释GNAR是英文general expression for liner and nonliner auto-regressive time series model(线性和非线性自回归时间序列模型的一般表达式)的缩写然后这里就谈及了时间序列这一概念i好像通信的研究生期间有门课程就叫做“现代时间序列”专门讲这个的我没有系统学过只能谈及肤浅的内容。先从时间序列这个概念说起百度上定义为是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列即我们随着时间变化统计每一个时间点附近的振动特征量把这些振动统计特征量按照时间的前后顺序排成一个数列就是所谓的时间序列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。即我们这里振动特征估计值这里建模的话需要分系统是线性模型还是非线性模型建模之前需要对系统进行线性检验不同类型的模型需要用不同的方法然后原文作者根据陈茹雯老师等的文章《线性/非线性时间序列模型一般表达式及工程应用》认识到这个GNAR模型的好处在于无须对未知时间序列进行线性/非线性检验同时使适用于线性与非线性系统可以直接建模和预测所以就用这种方法来建模 GIS振动系统明显为非线性系统 除了这种方法以外还有没有别的方法原文没有谈到这种建模方法与其他建模方法的特别指出此处存疑表达式如下 式中
nj(j1,2,−,p)n_{j} (j1,2,-,p)nj(j1,2,−,p)为各子项的记忆步长ppp为多项式展开阶数。Wi1,Wi1,i2,−,Wi1,i2,−,ipW_{i1},W_{i1,i2} ,-,W_{i1,i2,-,ip}Wi1,Wi1,i2,−,Wi1,i2,−,ip为子项的模型参数一般未知需要求。xtx_{t}xt表示系统t时刻特征量振动特征量的取值 。ata_{t}at为模型误差满足正态分布。 将上式写成如下的矩阵表达式。这里我们就要就要求解这个模型参数(即下面中WWW即由模型参数组成的矩阵)用什么方法求呢原文作者用最小二乘估计来求的的确最小二乘法可以解决这个问题常见于回归分析做参数估计 这里有没有什么非用不可的道理呢此处存疑。做参数估计需要数据数据哪里来这里要么来自之前统计的数据要么就是做实验测得的数据然后经过一系列公式推导中间涉及一些变量代换等过程我又没有数据无法将变化过程给表示出来故略过这一步 xtGtTWatx_{t} G_{t}^{T}Wa_{t} xtGtTWat 可以得到状态方程如下 Xt1EXtA{tr[(XtXtT)(BX)]}C[tr(DXtXtT)]FatX_{t1} EX_{t} A\left \{ tr\left [ \left ( X_{t}X_{t}^{T} \right ) \left ( BX \right ) \right ] \right \}C\left [ tr\left ( DX_{t}X_{t}^{T} \right ) \right ] Fa_{t} Xt1EXtA{tr[(XtXtT)(BX)]}C[tr(DXtXtT)]Fat 式中
Xt1[xt,xt−1,−,xt−p]X_{t1} [x_{t},x_{t-1},-,x_{t-p} ]Xt1[xt,xt−1,−,xt−p]为ttt时刻特征变量Xt[xt−1,xt−2,−,xt−p−1]X_{t} [x_{t-1},x_{t-2},-,x_{t-p-1} ]Xt[xt−1,xt−2,−,xt−p−1]为t−1t-1t−1时刻特征变量。ACF[10⋅⋅⋅0]TACF[10···0]^{T}ACF[10⋅⋅⋅0]T为p×1p\times 1p×1 维向量。XXX表示p×pp\times pp×p维子项都为XtX_{t}Xt的分块矩阵。BBB表示p×pp\times pp×p分块参数矩阵各子项Bij[Wi,j,1,⋅⋅⋅Wi,j,p]B_{ij} \left [ W_{i,j,1},···W_{i,j,p} \right ]Bij[Wi,j,1,⋅⋅⋅Wi,j,p]。D[w11⋯w1p00⋱⋮000wpp00000]D\begin{bmatrix} w_{11} \cdots w_{1p} 0\\ 0 \ddots \vdots 0 \\ 0 0 w_{pp} 0\\ 0 0 00 \end{bmatrix}Dw11000⋯⋱00w1p⋮wpp00000E[w1w2⋯wp10000⋱000010]E\begin{bmatrix} w_{1} w_{2} \cdots w_{p}\\ 1 0 00 \\ 0 \ddots 0 0\\ 0 0 10 \end{bmatrix}Ew1100w20⋱0⋯001wp000
输出方程如下 Yt1HXtvtY_{t1} HX_{t} v_{t} Yt1HXtvt 式中
Yt1Y_{t1}Yt1为t1t1t1时刻观测值。H[10⋯0]T{H\begin{bmatrix} 1 0 \cdots 0 \end{bmatrix}} ^{T}H[10⋯0]T为p×1p\times 1p×1维参数向量。vtv_{t}vt为系统参数误差。
2.粒子滤波 将从上式知t1t1t1时刻观测值即 大约就是我们振动变量估计值为什么说是’大约就是‘这里要介绍几种概念对于观测方程需要进一步说明任何观测方程都涉及3个量的问题分别是真实值测量值和滤波值。真实值是绝对存在但永远无法获得的测量值是我们用传感器等观测工具获得能反映真实值大小的值这个值与真实值相比是携带误差的测量值经过滤波器优化之后得到的数值为滤波值。滤波的目的在于降低噪声的干扰使滤波结果接近真实值这三个量的关系如下图所示。 粒子滤波在这里的作用就是为了获得更加接近实际的状态估计值即振动特征量。原文作者这里只大致提到了状态预测、状态更新和重采样这三个过程都只是列了几道公式来说明这个过程这对于新手来说很难看懂网上不少博客内容也是这样问题本来就是很复杂的内容偏偏要用繁琐高深的语言来讲解我看了不少文献没有看懂多少只找到黄小平老师等的《粒子滤波原理及应用》还算可以适合自学这本书封面如下。下面我尽可能用通俗易懂的语言来讲解什么是粒子滤波。
三、GIS故障检测指标与自适应阈值 前面经过结合粒子滤波的通用回归模型的特征估计器得到的数值就是我们状态估计值然后这给状态估计值与实际测量值之间差为残差残差有正有负估计值不一定刚好估计在真实值上选择残差作为检测指标有问题故选择残差的绝对值作为检测指标。考虑到设备振动的波动性选择固定阈值会有问题比如误报警故选择自适应阈值什么是自适应阈值就是阈值不是固定而是随着时间在发生变化。以原文中图来说明。 这样就没有问题了
四、案例分析与仿真 原文作者经过保定特高压变电站的数据分析先进行故障检测有机械故障的检测结果图
放电性故障的结果图 后面进行故障隔离检测结果图如下 仿真结果证明了这种算法的可行。 因为赵洪山老师是保定校区的老师我其实是和赵老师发过电子邮件我向赵老师提了一些问题比如数据能不能发给我机械性故障时所有常见的缺陷吗比如螺栓松动导杆不对中放电性故障也是如此等但赵老师至今没有回我下面是邮件截图 总结
今天是2023年1月21日除夕之夜 愿天上人间占得欢娱年年今夜 -宋·柳永《二郎神·炎光谢》 祝大家福启新岁万事顺遂
附录
