基于MIMU的輸電桿塔螺栓狀態識別

陶 慧, 賀國帥, 楊金顯, 艾朋偉

(1.河南理工大學 電氣工程與自動化學院, 河南 焦作 454003; 2.河南省智能裝備直驅技術與控制國際聯合實驗室,河南 焦作 454003)

電力輸電桿塔各部件常用螺栓連接,在長期風荷載影響下,螺栓連接點會發生松動,嚴重的松動會引起桿塔的倒塌。因此對輸電桿塔螺栓進行狀態識別,具有一定的研究意義[1-2]。

常用的螺栓松動檢測方法有傳統力矩法、壓電阻抗法、圖像法和振動分析法等[3-4]。傳統力矩法是運維人員通過力矩扳手測量螺栓預緊力來判斷螺栓是否發生松動,由于桿塔螺栓眾多,檢測效率較低。壓電阻抗法通過對比螺栓松動前后的電阻抗來判斷螺栓狀態是否變化[5-6],由于壓電阻抗檢測設備昂貴,該方法在輸電桿塔上應用受到了一定的限制。圖像法對螺栓點蝕、剝落等外型損傷檢測效果明顯,但對于螺栓內部出現斷裂和預緊力不足導致松動等故障并不適用[7-8]。振動分析法是對螺栓松動前后的振動信號必要處理,識別螺栓狀態,且振動信號獲取較為容易,設備成本低,適用于輸電桿塔螺栓狀態識別。何冰等[9]通過比較螺栓松動前后振動信號頻域幅值變化來判斷螺栓是否發生松動。Ji等[10]對桿塔振動信號建立風振垂直應變響應均方根差識別指標,對輸電桿塔塔腿構件螺栓松動位置進行識別。Zhao等[11]提出了一種利用振動信號固有頻率和徑向基神經網絡識別螺栓松動位置和嚴重程度的方法。Tan等[12]利用小波包對振動信號分析結合神經網絡對輸電塔松動螺栓進行識別。以上研究均使用單軸加速度傳感器測量桿塔螺栓一維振動信號,對螺栓松動進行識別。相比于單軸加速度傳感器,微慣性測量組合(micro inertial measurement unit,MIMU)集成3個MEMS加速度計和3個MEMS陀螺儀,測量桿塔螺栓三軸加速度和三軸角速度振動信號,可以更好地反應螺栓松動前后的狀態,并且具有體積小、功耗低和成本低等優點[13],本文采用MIMU測量輸電桿塔螺栓松動前后6維振動信號。

桿塔螺栓的狀態識別主要是對振動信號進行分析,一般采用時域頻域分析法,桿塔螺栓松動后,連接結構之間發生共振,出現非線性響應,可以利用螺栓松動前后6維響應信號的時域頻域特征進行螺栓松動識別[14-15]。熵權法(entropy weight method,EWM)依據原始數據提取的方差、峰-峰值、峭度、頻率方差、重心頻率和能量特征,客觀反應所提取特征的權重[16-17]。KL(Kullback Leibler)散度能夠衡量兩個概率分布之間的差異,KL散度值越小,分布越接近[18]。當桿塔螺栓松動時,相應的敏感特征及其權重也會發生變化,將特征權重作為概率空間的概率分布,構建特征權重分布,結合KL散度可以對輸電桿塔螺栓狀態識別。

本文提出一種基于MIMU的輸電桿塔螺栓狀態識別的方法。首先搭建輸電桿塔模型,利用MIMU采集螺栓不同狀態下的三軸加速度和三軸角速度原始振動數據,對原始數據降噪處理,提取降噪后振動數據敏感特征,根據熵權法計算敏感特征的權重構建特征權重分布,結合KL散度對輸電桿塔螺栓狀態進行識別。

1 數據采集與預處理

圖1 輸電桿塔螺栓振動數據模擬采集系統

將MIMU采集的三軸加速度和三軸角速度原始數據表示為

X={x1,x2,x3,x4,x5,x6}

(1)

式中:x1,x2,x3為三軸加速度;x4,x5,x6為三軸角速度;xi={xi1,xi2,…,xij,…,xin}T,i=1,2,3,4,5,6,n為序列長度。

因測量環境、傳輸路徑和噪聲的干擾,采集的6維慣性數據中存在隨機噪聲,為精確提取輸電桿塔螺栓松動敏感特征,對振動數據進行降噪處理。最簡單的數字濾波方法是中值濾波和均值濾波,五點三次平滑法相較于中值濾波和均值濾波,在一定程度上可減小信號中的高頻隨機噪聲,有效處理傳感器在工作中產生的低頻周期信號和隨機干擾信號所引起的尖峰、毛刺現象,且計算簡單方便[19],本文使用五點三次平滑法對6維振動信號進行降噪處理,計算公式為

(2)

式中:yij為降噪后數據;xij為原始數據;yi={yi1,yi2,…,yij,…,yin}T,i=1,2,3,4,5,6,n為序列長度。

對試驗采集的其中一組螺栓松動6維數據進行五點三次平滑濾波,得到的結果如圖2所示。由圖2可以看出,6維振動數據降噪處理后,沒有尖峰毛刺等現象,波形更加平滑。其他采集的數據使用同樣的方法處理,也可以得到較好的效果,這里不再給出。

圖2 模擬系統桿塔螺栓松動狀態降噪結果

為了說明五點三次平滑法的效果,將其與其他常用振動信號降噪方法對比。常用的振動信號降噪方法除中值濾波和均值濾波等數字濾波外,還有小波閾值(wavelet threshold,WT)降噪和Kalman濾波降噪。這里選用db4小波對振動信號5層分解軟閾值函數降噪處理;設定Kalman濾波初始參數為P=0.1,Q=0.1,R=1。由于實際測試中無法得到完全不含噪聲的振動信號,無法利用信噪比(signal noise ratio,SNR)和均方誤差(root mean squared error,RMSE)評價降噪效果,這里使用噪聲抑制比(noise rejection ratio,NNR)來評估振動數據的降噪效果,NNR越大,噪聲抑制效果越明顯[20]。對采集的10組螺栓松動狀態數據采用不同的降噪方法處理,得到的NNR平均值如表1所示。

表1 不同降噪方法的NNR

由表1可以看出:中值濾波和均值濾波噪聲抑制效果相當,Kalman濾波噪聲抑制效果最差,WT降噪相較于中值濾波、均值濾波和Kalman濾波噪聲抑制效果有明顯的改善,本文方法噪聲抑制效果最明顯。因為WT降噪存在閾值、小波基函數和分解尺度等參數選擇困難的問題,且依賴噪聲統計特性;Kalman濾波降噪適用于噪聲特性已知的場合,由于外界環境的干擾使MIMU測量的振動信號噪聲較為復雜,具有不確定性,依賴噪聲統計特性的WT降噪和Kalman濾波方法,對螺栓振動數據處理難以取得理想的降噪效果。

2 振動信號敏感特征提取及權重計算

2.1 振動信號敏感特征提取

螺栓狀態識別需要先提取輸電桿塔螺栓振動信號的時域和頻域等敏感特征。時域特征中,方差描述振動信號偏離中心的強度,峰-峰值描述振動信號變化的范圍,峭度指標對振動信號中的沖擊分量敏感;頻域特征中,頻率方差表示振動信號頻率變化強度,重心頻率反映振動信號頻率的主頻位置;當輸電桿塔螺栓未松動時,振動信號能量分布較為均勻,當螺栓松動時,在外界激勵的作用下,螺栓與連接物之間的局部剛度發生變化,使振動信號能量分布發生變化,能量也可以作為螺栓松動識別的敏感特征。提取降噪后振動信號的方差、峰-峰值、峭度、頻率方差、重心頻率和能量6個敏感特征。各特征定義如下:

(1)方差σ2

(3)

(2)峰-峰值F

Fi=max(yi)-min(yi)

(4)

(3)峭度Ku

(5)

(4)重心頻率FC

(6)

式中:fij為yij傅里葉變換后的頻率;sij為對應的幅值。

(5)頻率方差VF

(7)

(6)能量E

(8)

分別計算降噪后一組螺栓正常狀態和螺栓松動狀態數據的σ2,F,Ku,FC,VF和E,得到的結果如表2所示。

表2 桿塔螺栓正常和松動振動信號敏感特征

由表2可以看出,螺栓正常狀態和松動狀態的6維數據敏感特征之間的差異沒有明顯規律可循,直接使用提取的敏感特征難以識別螺栓狀態,且數據維度較大。

2.2 熵權法求敏感特征權重

熵權法綜合評價敏感特征的離散程度,熵值越小,對應的權重越大,由于測量信號的非平穩定性,避免主觀性因素的干擾,采用熵權法對提取的振動信號敏感特征進行權重計算。

熵權法計算權重步驟如下:

步驟1建立特征矩陣B

(9)

式中,Ai,j為MIMU測量的第i維信號的第j個特征,i=1,2,3,4,5,6,,j=1,2,3,4,5,6。

步驟2數據歸一化。根據max-min法對特征矩陣B歸一化處理。

(10)

式中:max(Aj)為所提取的第j個特征的最大值;min(Aj)為所提取第j個特征的最小值。

步驟3計算特征所占的比重Pij

(11)

步驟4計算第j個特征的熵值Hj

(12)

步驟5計算第j個特征的權重wj

(13)

利用熵權法對表2提取的敏感特征求權重,結果如表3所示。

表3 桿塔螺栓正常和松動敏感特征對應的權重

由表3可以看出,經熵權法處理后,數據的維度減小,桿塔螺栓不同狀態提取的特征權重不同。將提取的6個敏感特征的權重記為W=(w1,w2,w3,w4,w5,w6),為螺栓狀態識別做準備。

對試驗采集的20組數據降噪處理,計算6個敏感特征,建立特征矩陣B,依據熵權法計算敏感特征的權重W,20組數據的特征權重如圖3所示。圖3中:1～10組為螺栓正常狀態數據;11～20組為螺栓松動狀態數據。

圖3 模擬桿塔螺栓不同狀態特征權重

由圖3可以看出,螺栓相同狀態數據組之間的特征權重值大致相同,螺栓不同狀態數據組之間的特征權重值有一定差異。對比螺栓松動前后各敏感特征權重變化,可以得出,當桿塔螺栓松動時,σ2的權重變化趨勢為明顯減小,E的權重變化趨勢為明顯增大,F,Ku,FC和VF的權重有一定變化,但整體變化趨勢不明顯。

3 基于KL散度的螺栓松動識別

3.1 KL散度

KL散度用來衡量兩個分布之間的差異,將特征權重作為概率空間的概率分布,構建特征權重分布,螺栓狀態不同,特征權重分布不同,計算桿塔螺栓不同狀態特征權重分布之間的KL散度值,對螺栓狀態識別。KL散度值越小,說明特征權重分布越接近,即桿塔螺栓狀態越相似。

KL散度計算公式為

(14)

式中,WⅠ(wj),WⅡ(wj)為桿塔螺栓不同狀態特征權重分布。

3.2 模擬桿塔螺栓松動識別

重新采集一組螺栓正常狀態數據和螺栓松動狀態數據,降噪處理后,依據熵權法計算新采集數據的特征權重,構建特征權重分布,根據式(14),分別計算新采集數據的特征權重分布與圖3中已采集的20組數據的特征權重分布之間的KL散度值,結果如圖4所示。

圖4 模擬桿塔數據特征權重分布KL散度值

由圖4可以看出:新采集的螺栓正常狀態數據與已采集的螺栓正常狀態數據之間的KL散度值較小,與已采集的螺栓松動狀態數據之間的KL散度值較大,且有明顯的區分;新采集螺栓松動狀態數據與已采集的螺栓正常狀態數據之間的KL散度值較大,與已采集的螺栓松動數據之間的KL散度值較小,且有明顯區分,螺栓狀態可以有效識別。因此可以通過比較新采集桿塔螺栓數據的特征權重分布與桿塔螺栓歷史數據特征權重分布之間的KL散度值,來判斷新采集的桿塔螺栓的狀態,即桿塔螺栓是否松動。

3.3 實測桿塔螺栓松動識別

將N100WP型MIMU和手持風速儀固定在距離被測螺栓10 cm處,用光纖把MIMU模塊和PC上位機數據采集系統連接,在自然風情況下,采集某戶外正在使用的110 kV酒杯型,如圖5(a)所示,輸電桿塔塔底螺栓的6維振動數據。實測數據采集系統如圖5(b)所示。桿塔螺栓正常狀態如圖5(c)所示,由于桿塔長期處于戶外工作,在風吹雨淋后,會對螺栓有一定的腐蝕及風化,使螺栓預緊力降低,在風振作用下造成螺栓松動,桿塔螺栓松動狀態如圖5(d)所示。

圖5 桿塔螺栓振動數據采集系統

根據實測的桿塔螺栓振動數據采集系統,手持風速儀測得瞬時風速17 m/s,采集10組桿塔螺栓正常狀態數據和10組螺栓松動狀態數據,每組采樣點為3 500,采樣時間為10 s。對采集的20組振動數據采用和模擬試驗數據同樣的方法處理,得到的敏感特征權重如圖6所示。圖6中:1～10組為螺栓正常狀態數據;11～20組為螺栓松動狀態。

圖6 實測桿塔螺栓不同狀態特征權重

由圖6可以看出:10組螺栓正常狀態數據之間的特征權重分布相似,10組螺栓松動狀態數據之間特征權重分布相似;螺栓正常狀態與螺栓松動狀態之間的特征權重分布差異較大。當螺栓松動時,σ2的權重明顯減小,E的權重明顯增大,其余特征的權重變化趨勢不明顯,與模擬輸電桿塔試驗得出的結論一致。

重新采集一組現場螺栓正常狀態數據和一組螺栓松動狀態數據,對數據使用本文方法處理,分別計算新采集數據的特征權重分布與圖6中的20組數據的特征權重分布之間的KL散度值,結果如圖7所示:

圖7 實測桿塔數據特征權重分布KL散度值

由圖7可以看出:新采集的螺栓松動數據與10組螺栓正常數據的KL散度值較大,與10組螺栓松動數據之間的KL散度值較小;新采集的螺栓正常狀態數據與10組螺栓松動數據之間的KL散度值較大,與10組螺栓正常狀態數據之間的KL散度值較小,且有明顯區分,可以對輸電桿塔螺栓的狀態進行有效識別。

4 結 論

本文利用MIMU采集桿塔螺栓6維原始振動數據,采用五點三次平滑法對數據進行降噪,利用熵權法計算降噪后6維數據的時域、頻域和能量特征權重,將特征權重分布結合KL散度法對螺栓狀態進行識別。

(1)利用熵權法對降噪后數據計算方差、峰-峰值、峭度、頻率方差、重心頻率和能量特征權重,從數據結果分析得出,當桿塔螺栓松動時方差的權重減小,能量的權重增大,螺栓不同狀態的特征權重分布不同。

(2)模擬桿塔螺栓試驗數據和實測現場螺栓數據處理的結果表明,將特征權重分布與KL散度結合可以對螺栓狀態進行有效識別。