電氣設備振動故障實時監測預警方法

張永偉，云再鵬，陳宏同

（國華巴彥淖爾（烏拉特中旗）風電有限公司，巴彥淖爾 015000）

文獻[4]使用BEMD 方法對采集的電氣設備紅外圖像執行頻域分解，通過ResNet 提取電氣設備紅外圖像高低頻區域執行特征，并輸入LSTM 網絡中，經網絡訓練輸出電氣設備故障預測結果并完成預警。文獻[5]通過灰度梯度信息矩陣提取電氣設備紅外圖像紋理信息特征參數，并利用主成分分析方法獲取其特征參數主成分，將其作為卷積神經網絡的輸入，經網絡訓練輸出電氣設備故障預測結果并預警。上述方法均可實現電氣設備故障監測預警，但仍存在故障監測預警效果差的問題。為此，本文提出電氣設備振動故障實時監測預警方法。

1 電氣設備振動故障監測預警

1.1 電氣設備振動信號采集

采集設備振動信號是合理診斷設備故障的前提[6-7]。單片機具有高效率、低功耗等優點，將其應用于信號采集中可顯著提升信號采集的穩定性。為此，本文采用基于單片機的信號采集技術采集電氣設備振動信號，具體的采集技術架構如圖1 所示。

圖1 采集技術架構Fig.1 Collection technology architecture

該采集技術架構以信號采集與處理、按鍵、數據顯示以及數據傳輸為主要構成。信號采集與處理部分以被測電氣設備、傳感器以及信號處理為主要構成，它是整個信號采集技術架構中最為關鍵的部分。在利用傳感器采集電氣設備振動信號后，基于ATmega128 單片機對其進行控制處理，經ZigBee 無線傳輸模塊傳輸至上位機進行存儲與處理。顯示模塊與觸發按鍵完成相應的數據顯示以及人機交互，在實際的電氣設備振動信號采集中，觸發按鍵實質上相當于人機交互終端，根據采集的振動信號完成對電氣設備的監測。

1.2 電氣設備振動信號去噪

受信號采集環境影響，利用傳感器采集的電氣設備振動信號中含有大量的高斯白噪聲[8-10]，會降低故障監測與預警的準確性。為獲取較好的電氣設備振動信號去噪效果，本文使用基于CEEMD 與改進小波閾值去噪方法去除電氣設備振動信號中的噪聲元素，具體的去噪流程如下：

（1）設x（t）為含噪聲的電氣設備振動信號，對其執行CEEMD 分解，獲得若干電氣設備振動信號固有模態函數（intrinsic mode functions，IMF）分量。

（2）對電氣設備在各尺度上的IMF 分量執行改進小波閾值去噪，具體過程：為電氣設備在各尺度上的IMF 分量選取合適的分解層數以及基函數，并對原始振動信號IMF 分量實施合理的小波分析，得到其在低頻系數以及高頻細節部分的有效分量；對小波系數執行閾值化處理，獲取期望的小波分量，在本文中選用軟閾值函數對小波系數執行閾值化處理，該閾值函數用公式可描述成：

◎身體健康的時候才能打疫苗。如果預約打疫苗的時間生病了，可以推遲，病好了以后1～2周再去打。有的新生寶寶會因為黃疸和濕疹不讓打，其實沒有問題，可以吃一些益生菌，推遲幾個月后再打。

式中：δj，k為小波系數為閾值化后的小波系數；γ為與δj，k有關的臨界閾值。

閾值化完成后，采用小波逆變換的方式對各振動信號IMF 分量在各尺度上的分量執行重構，便可獲得去噪后的各振動信號IMF 分量。

（3）將經步驟（2）去噪后得到的各振動信號IMF分量與剩余分量實施合理組合重構，得到電氣設備去噪后振動信號x″（t）。

1.3 電氣設備振動信號歸一化處理

分數階傅里葉變換作為一種具有較好應用價值的信號特征提取方法，在設備振動信號特征提取方面較具優勢，能夠體現設備振動信號的時頻性質。為此，采用該方法提取電氣設備振動信號特征，具體流程如下：

（1）對去噪后的電氣設備振動信號執行分數階傅里葉變換，將電氣設備振動信號轉換到分數域，獲取電氣設備振動信號分數階傅里葉變換三維性質圖像。

（2）對獲得的電氣設備振動信號分數階傅里葉變換三維性質圖像執行合理側面投影，獲得在各分數階下的電氣設備振動信號最高峰值圖形。

（3）求解獲得的電氣設備振動信號分數階傅里葉變換三維性質圖像投影圖的峰度以及峰值，獲取的峰值以及峰度即為提取的振動信號特征。

電氣設備振動信號特征提取完成后，為使其具有相同的量綱，便于完成后續的電氣設備振動故障診斷，利用式（2）對其執行有效的歸一化處理：

式中：x″（t）max、x″（t）min為x″（t）的最高值、最低值，以此完成電氣設備振動信號的歸一化處理，簡化后續分析處理過程，減小誤差，便于數據比較和統一模型建立，為振動故障預警奠定基礎。

1.4 改進卷積神經網絡的電氣設備振動故障預警

基于上述過程，利用改進卷積神經網絡對電氣設備振動故障進行預警。本文對卷積神經網絡加以改進，采用在卷積神經網絡全連接層前增加卷積層的方式，提升卷積神經網絡的泛化能力，然后利用改進后的卷積神經網絡結構構建電氣設備故障診斷模型，對電氣設備振動故障進行預警。構建的改進卷積神經網絡電氣設備振動故障診斷模型結構如圖2 所示。

圖2 電氣設備振動故障診斷模型Fig.2 Electrical equipment vibration fault diagnosis model

在本文中改進卷積神經網絡的訓練使用平均隨機梯度下降方法。在生成第j 個電氣設備振動信號特征映射時，應用在第i 個特征輸入特征上的卷積核Gij以及輸出第j 個電氣設備振動信號特征映射時產生的偏置bj，執行有效的更新，具體可描述為

式中：η 為改進卷積神經網絡的學習率；vk（t）、vb（t）為執行第t 次網絡學習時用到的2 個參數動量；F為交叉損失熵函數。

對于F 有：

式中：A 為電氣設備振動信號特征數據樣本的數量；B 為故障類型的數量；tab為第a 個電氣設備振動信號特征數據樣本是否是第b 個故障類別；χab為屬于故障類別b 的電氣設備振動信號特征數據樣本a 的輸出值，其實際反映的就是a 是故障類別b 的概率。

對vk（t）、vb（t）實施更新時可通過式（6）與式（7）實現：

式中：m是動量，且m∈［0，1］。

根據上述步驟，獲取具體的故障預警流程如圖3 所示。

圖3 故障預警流程Fig.3 Fault warning flow chart

在模型訓練的過程中引入Dropout 機制，由此，可顯著降低卷積神經網絡模型發生過擬合現象的概率。將電氣設備振動信號特征輸入到模型后，數據首先會到達卷積層執行卷積計算，獲得電氣設備振動信號的故障特征映射，并對其執行有效的批歸一化處理后，將所獲重構電氣設備振動信號故障特征映射結果放入ReLU 函數。之后將重構電氣設備振動信號故障特征映射結果放入最大池化層實施合理壓縮，在經歷了若干卷積以及池化結構后，將所獲結果當作新增卷積層輸入，再次執行電氣設備振動信號故障特征映射，并使全連接層與新增卷積層的全部神經元相連接，獲取相應的概率序列，完成相應的損失函數求解。若不滿足損失函數設定的終止條件，就通過式（3）～式（7）執行參數更新，直至能夠滿足損失函數終止條件。將改進的卷積神經網絡模型應用到電氣設備振動故障診斷中，在將有效的電氣設備振動信號特征輸入到改進卷積神經網絡后，經過有效的模型訓練，便可輸出電氣設備振動故障預測結果，根據故障預測結果實現準確的電氣設備振動故障預警。

2 實驗與分析

本次實驗以位于我國四川省某州縣境內的某大型水電站的主變壓器為實驗對象，驗證本文方法在電氣設備振動故障實時監測預警方面的優勢。主變壓器2019 年3 月出廠，出廠時各項技術指標完全滿足變壓器出廠要求，其主要參數狀況如表1 所示。

表1 變壓器主要參數情況Tab.1 Main parameters of transformers

用于完成變壓器振動故障診斷的改進卷積神經網絡結構以及參數狀況如表2 所示。

表2 卷積神經網絡結構以及參數狀況Tab.2 Structure and parameters of convolutional neural network

在本文中采集的電氣設備振動信號數據樣本，共對應9 種標簽，分別是正常運行振動信號、繞組故障振動信號、鐵芯故障振動信號、電壓分接開關故障振動信號、引線接地故障振動信號、絕緣油老化故障振動信號、內部金具故障振動信號、油箱故障振動信號以及附件故障振動信號。在將電氣設備振動信號特征數據樣本輸入改進卷積神經網絡后，將模型初始學習率以及動量分別設置成0.01 以及0.8。

應用本文方法對該變壓器實施有效故障監測預警，獲得的實時監測預警結果如表3 所示。

表3 變壓器振動故障實時監測預警結果Tab.3 Real-time monitoring and warning results of transformer vibration faults

從表3 可以看出，應用本文方法可以實現電氣設備振動故障實時監測預警。

為進一步驗證本文方法有效性，繪制應用本文方法對該變壓器實施振動故障實時有效監測所獲結果與真實狀況的對比圖，具體狀況如圖4 所示。

圖4 變壓器故障監測結果與真實狀況對比Fig.4 Comparison between transformer fault monitoring results and real conditions

分析圖4 可知，應用本文方法對變壓器振動故障實施有效監測所獲結果，與變壓器真實故障狀況完全一致。由此證明，本文方法具有較為理想的電氣設備振動故障實時監測效果。

應用本文方法對變壓器振動信號實施有效采集與去噪，驗證本文方法在信號采集與去噪方面的優勢，獲得的信號采集與去噪效果圖如圖5 所示。

圖5 變壓器振動信號采集與去噪效果Fig.5 Transformer vibration signal acquisition and denoising effect

從圖5 可以看出，應用本文方法可實現變壓器振動信號采集，并且在對采集到的變壓器振動信號實施有效去噪后，振動信號中未出現高斯白噪聲。實驗結果證明，本文方法在電氣設備振動信號去噪方面具有一定的優勢。

3 結語

本文方法充分考慮振動電氣設備穩定性的關鍵因素，提出電氣設備振動故障實時監測預警方法，不僅可有效采集電氣設備振動信號，而且可將振動信號中的高斯白噪聲完全去除，從而為電氣設備振動故障實施監測預警提供可靠的數據支撐。