基于EMD与SVM的低压故障电弧检测算法研究.docx

《基于EMD与SVM的低压故障电弧检测算法研究.docx》由会员分享，可在线阅读，更多相关《基于EMD与SVM的低压故障电弧检测算法研究.docx（10页珍藏版）》请在第一文库网上搜索。

1、基于EMD与SVM的低压故障电弧检测算法研究通过实验平台采集得到故障电弧的电压、电流数据波形，对典型负载故障电弧电流进行分析，得出故障电弧电流区别于正常工作电流的特征。利用EMD分解方法对正常电弧和故障电弧进行分解得出特征向量,通过计算求出故障电弧和正常电弧的电流信号的能量烯，并对其进行SVM训练，进而诊断得出齿轮箱的故障类型。大量的研究表明，在产生串联故障电弧时，电路中的电流信号会包含重耍的故障信息。为此，很多的研究者在对串联故障电弧进行检测时，常选择线路中的电流信号作为其研究对象。木文也是基于串联故障电弧电流来对故障进行识别。电弧故障诊断一般有三个步骤：首先是故障电弧信号的获取；其次是提取

2、故障的特征；最后是模式识别和故障诊断。其中最关键的是提取故障信号的特征，所谓特征提取，是指通过变换或者映射，将高维的原始特征空间的识别样本用低维特征空间的特征向量来表达，从而找出最有代表性的、最有效的特征的方法。特征提取的效果直接影响整个识别过程的计算与识别系统的品质，而提取故障信号的特征是通过对信号进行信号分析处理实现的。因此，故障诊断技术技术与信号处理的发展密切相关。传统的信号处理方法以信号的平稳性为前提，然而故障电弧电流数据往往包含大量非线性分量。实践证明在许多场合下，基于平稳信号处理的诊断方法并不能准确提取故障信息。为分析和处理非平稳信号，研究者提出了时频分析理论，时频分析法在时频域内

3、对信号进行分析，可以全面反映观测信号的时频联合特征。非平稳信号分析是现代信号处理方法的重要研究内容。经验模态分解是一种非平稳信号的自适应分解算法，它在故障识别等领域得到了广泛的研究和应用。4-2-1 EMD分解基本理论利用EMD算法对故障电弧信号的检测原理如图4-6所示。原始电能信号EMD处理SVM训练图4-6故障电弧信号检测原理Fig. 4-6 detection principle of fault arc signal采集到的原始电能信号，先经经验模态分解EMD对信号进行处理,将其分解为多个本征模态函数IMF,IMF的特点是具有合理瞬时频率定义,再经过归一化计算处理得到EMD能量端作为特

4、征向量，从而进行SVM训练。4-2-2 EMD原理分析经验模态分解（EMD）方法是黄鳄在美国国家宇航局与其他人于1998年创造性地提出的一种新型自适应信号时频处理方法。EMD本质是对一个信号进行平稳化处理的过程，分解的结果是将原始信号分解成为一系列具有不同特征尺度的本征模态函数(IMF)。IMF需满足以下2个条件：极值点数和零点数相差大于1；IMF的均值趋于Oo EMD具体是通过“筛分”的方式实现对信号的分解。其流程图见图4-7,具体的分解流程如下：(1)对任一给定的信号首先确定的上的所有极值点，采用三次样条曲线，分别对所有极大值点和极小值点进行拟合，可形成上包络线与下包络线。信号X”)与上下

5、包络线的均值町的差记为匕，即九=XQ)一 肛(4-11)将视作新的信号X(f),并重复上述步骤，直到满足IMF的两个条件，则其成为原始信号筛选出的第一阶IMF,记为Cj通常情况下，最先分离出的第一阶IMF分量C包含信号的最高频成分。(2)将高频分量G从X。)中分解出来，就可得到差值信号即r=X(t)-Cx(4-12)把去掉高频分量G后的差值信号”作为新的待分析信号，重复步躲(1)的所进行的筛分过程，直到第n阶的残余信号成为单调函数或者残余信号只包含一个极值点，此时不能再筛分出新的IMF分量。1%一6(4-13)在数学上，原始信号X(f)可表示为n个IMF分量与一个残余项的和，即X(/) = j

6、+，/)(4-14)1式中：，；，为残量，代表信号中的平均趋势；各IMF分量JQ)则分别代表信号在不同时间尺度下从高到低不同频率段的成分。图4-7 EMD流程图Fig.4-7 Folw of EMD4-2-3 EMD能量燧当发生故障电弧时，其信号的能量会随频率的分布情况产生变化。本文采用了内禀模态能量嫡来定义刀具故障信号的能量随频率分布的变化情况。设采用EMD方法对故障电弧信号x(t)进行分解后得到n个IMF分量q (/),6和一个残留量4, n个IMF分量的能量分别为耳,刍,由于EMD分解的正交性，在忽略残留量;的情况下，n个IMF分量的能量之和应等于原始信号的总能量。因为n个IMF分量q(

7、f),6),分别包含了不同的频率成分，则，线形成了故障电弧信号能量在频率域的一种自动划分，则相应的内禀模态能量燧可定义为：% =一2/乙怆,(4-15)f=1式中，=%，为第i=1,2, n)个IMF分量的能量占整个信号能量的百分比，E二之耳。1=14-2-4特征向量提取的步骤EMD方法的主要特点就是能够对非平稳、非线性过程中的数据进行平稳化和线性化处理，还能在分解的过程中保留数据的本质特性，因此采用EMD方法先将故障中的故障电弧信号分解为一系列具有不同特征尺度的平稳信号，经分解后的各内禀模态函数就分别代表了一组特征尺度下的平稳信号。通常EMD方法分解出来的前几个IMF分量就集中了原信号中最主

8、要的信息，因此拟从前几个IMF分量中提取故障特征信息。步骤如下：（1）对原始信号进行EMD分解，选取包含故障主要信息的前n个IMF分量；（2）求各IMF分量的总能量瓦：(4-16)n）(4-17)（3）以能量为元素构造一个特征向量T：(4-18)再对向量T进行归一化处理：令则求得归一化后的向量：(4-19)r- e/ E2/耳/1/E /E- /e厂向量则是最终提取的可作为SVM分类器输入的故障特征向量。通过实验采集到多组数据，分别在正常状态和故障状态这两种信号中随机抽取10个样本，将其中的5样本做为测试样本，其余的5个作为训练样本。接下来对这些信号逐一进行EMD分解，取IMF分量的前4个分量

9、，计算各个分量的能量值，并进行归一化后将其输入到支持向量机。运用EMD能量特征提取法获得的故障特征向量训练样本归一化后的数据如表4-1所示。4-2-4实验数据分析根据实验平台电弧仿真得到的故障电弧信号和正常电流信号进行通过matlab软件进行EMD分解仿真，通过分解得到的IMF分量计算其能量嫡形成特征向量。图4.8故障电弧信号EMD分解Fig. 4-8 breakdown arc signal EMD decomposition图4.9正常电流信号EMD分解Fig. 4-9 EMD decomposition of normal current signal本文在相同的实验条件下分别获得正常和

10、故障状态下的各十组电弧信号，并求得它们各自的内禀模态能量爆如表4-1所示。从中可以看到正常工作状态和磨损状态下的刀具切削力信号的内禀模态能量燧值具有明显的区别，这说明电弧发生故障时，各内禀模态函数的能量会发生变化，因此，本文提取了各内禀模态函数的能量作为故障特征向量，以此作为分类器的输入参数来对刀具的工作状态或故障类型进行分类。表4-2两种状态下的EMD能量端Table 4-2 energy entropy of EMD in two states特征向量正常状态故障状态IMF10.8290.9010.9370.8740.9010.9240.9580.9410.9070.936IMF20.50

11、20.3910.2990.4490.3820.3490.26603130.3980.332IMF30.1790.1410.1280.1350.1390.1360.0990.1180.1180.102IMF40.0850.0910.1020.0880.0710.0620.0360.0510.0520.05543基于支持向量机的故障电弧检测当有故障电弧发生时，电流信号表现出非平稳特性，如何从非平稳信号中提取故障特征是关键。从前文中对EMD方法分解的基本原理及其在实际应用中的分析，表明采用EMD方法提取的特征向量能够准确有效地把握原始数据的特征信息。而支持向量机这种新的机器学习方法通过结构风险最小化

12、归纳原理，控制了学习单元的VC维上界，因此，不易出现过学习的现象，它较好地解决了小样本、非线性和高维模式识别等实际问题，并克服了神经网络学习方法中网络结构难以确定、收敛速度慢以及训练时需要大量数据样本等不足，具有良好的推广能力。因此本文将EMD和支持向量机结合到一起应用于刀具的故障诊断。对故障电弧诊断的过程可以分成三步：第一步是数据的采集，目的是获取被诊断的电流信号；第二步是特征的提取，常采用信号处理等方法，从原始电流信号中有效提取故障信息；第三步是状态识别和故障检测，通过设计分类器来对故障进行识另，因此，故障诊断本质上是一个模式识别的过程，关键在于合理设计分类器。目前用于故障监测和诊断的状态

13、识别方法主要有统计模式识别方法和人工神经网络方法。人工神经网络是一种自适应模式识别技术，它不需要预先给出判别函数，而是通过自身的学习来自适应的形成所需的决策区域，极大推动了模式识别的发展。但是人工神经网络本身有难以克服的缺陷，由于它是建立在经验非线性模型基础之上的一类模型，并缺乏统一的数学理论框架，所以其模型结构和参数常会受到初始值以及人为因素的影响。并且，人工神经网络需要大量的样本数据才能收敛。在这种背景下，一种小样本情况下的机器学习规律的理论，即统计学习理论发展起来，它为研究小样本情况下的统计模式识别和更广泛的机器学习问题建立起一个较好的理论框架，继而一种新的通用算法一支持向量机算法。支持

14、向量机有效改善了传统分类方法的缺点，具有比较强的理论依据，非常适合小样本的模式识别问题4-3-1支持向量机简介支持向量机(Support Vector Machines,SVM)是由AT&T Bell实验室研究小组基于统计学习理论，在1995年提出的一种新的非常具有潜力的分类技术，主要应用于模式识别领域。支持向量机是近年来应用于建模的一种新学习方法，与传统的神经网络相比，支持向量机算法最终转化为一个二次型寻优问题，从理论上讲得到的是全局最优点，解决了神经网络中无法避免的局部极小值问题。SVM的拓扑结构由支持向量决定，避免了传统神经网络拓扑结构需耍经验试凑的缺点，并且，支持向量机的最优求解基于结

15、构风险最小化思想，因此相比于其他非线性函数逼近方法，SVM具有更强的泛化能力。然而SVM的原理比较复杂，因此国内外很多学者都开发了很多支持向量机的工具包，包括台湾学者林智仁博研发的libsvm工具箱，此外国外还有很多应用较广的mysvm/svm2osu_3.00,svnlight等工具箱，相比之下,美国K.PelckmansJ.A.K Suykens开发的基于Matlab最小二乘支持向量机工具箱LS2SVMIab编程简单,算法丰富，可扩展性强。假定训练样本集为(七/.),i =由二类别组成，如果样本数据为eR属于第一类，则标记输出目标为正(y=1),如果样本属于第二类，则输出目标为负(y=-1)。学习的目标是构造一个分类超平面，将测试数据尽可能正确的进行分类。针对训练样本集为线性可分或者非线性两种情况分别讨论。4-3-2线性可分情况如果存在分类超平面= O(4-20