技术新讯 > 测量装置的制造及其应用技术 > 用于高压断路器电磁铁的磁性异常检测方法与流程  >  正文

用于高压断路器电磁铁的磁性异常检测方法与流程

  • 国知局
  • 2024-10-21 15:00:32

本发明涉及高压断路器,特别涉及一种用于高压断路器电磁铁的磁性异常检测方法。

背景技术:

1、在高压断路器的应用中,电磁铁作为分合闸核心的执行元件,其性能的可靠性直接关系到整个电力系统的安全稳定运行。高压断路器在运行过程中,电磁铁会受到多种因素的影响,如温度、负载波动、材料老化等,这些因素可能导致电磁铁性能的衰减或突发故障。因此,对电磁铁进行有效的健康监测和维护决策显得尤为重要。现有的技术中,电磁铁的健康状态监测多依赖于定期的物理检查或基于固定阈值的简单电气性能测试,这些方法存在几个明显的缺陷:

2、1.反应滞后:物理检查和固定阈值测试通常只能在电磁铁已经出现明显故障或性能明显下降后才能检测到问题,难以实现故障的早期发现;

3、2.信息不足:传统方法往往忽视了电磁铁在实际操作中的动态变化信息,如负载波动下的性能变化,导致监测结果缺乏动态适应性,难以准确反映电磁铁的实时状态。

技术实现思路

1、针对现有技术中反应滞后、信息不足以及缺乏预测性的问题,本发明提供了一种用于高压断路器电磁铁的磁性异常检测方法,能够实时监控电磁铁的性能,在电磁铁发生明显性能衰减之前即时发现问题,提前故障预警时间,从而进行早期干预,避免潜在的设备损坏和停机时间。具体技术方案如下:包括:

2、s1:在高压断路器电磁铁的关键位置固定安装霍尔效应传感器,捕获每个高压断路器电磁铁在正常运行和负载变化时的磁场强度及其变化,并计算数字化磁场数据di(tk)和包含时间戳和综合磁场强度的数据点集合s(tk);

3、s2:根据霍尔效应传感器采集的磁场强度的实时变化动态调整滤波参数,优化信号的信噪比,并计算每个霍尔效应传感器滤波输出值fi(tk)以及标准偏差值σ(tk);

4、s3:识别磁场信号中的突然跳变及间歇性衰减现象,通过计算信号的短时变化率r(tk)并与初始阈值θ(t),并计算m个时间点的短时变化率与其对应阈值的差的平均值c(tk),若r(tk)大于θ(t),则磁场性能发生突变,若c(tk)小于0,磁场性能有衰减或蠕变现象;

5、s4:从经过信号处理算法计算的磁场数据中提取关键特征,所述关键特征包括磁场强度变化、频率特征和时间序列分析结果,使用关键特征集训练支持向量机模型以区分电磁铁的状态;

6、s5:通过支持向量机模型识别和分类高压断路器电磁铁的当前健康状态,得到分类结果,并根据支持向量机模型的输出生成高压断路器电磁铁的健康监测报告,并通过网络接口将报告和预警信息实时发送给监控系统和维护人员。

7、优选地,步骤s1包括以下步骤:

8、s11:在高压断路器电磁铁的磁芯入口和出口处固定安装多个霍尔效应传感器,每个霍尔效应传感器独立调节捕捉对应高压断路器的磁场微小变化;

9、s12:利用同步采样技术,同步调控所有霍尔效应传感器,使得霍尔效应传感器在高压断路器电磁铁正常运行和负载变化时,所有霍尔效应传感器在相同的时间点进行数据采集,每个定义为从启动时刻起的k×δt秒:

10、tk=t0+k·δt

11、其中,t0是初始采样时间点,k是采样序号,从0开始计数,δt是两个连续采样点之间的时间间隔;

12、s13:对于每次采集到的磁场数据bi(tk),采用模拟-数字转换器将模拟磁场信号转换为数字形式:

13、

14、其中,bi(tk)是第i个传感器在时间点捕捉到的模拟磁场信号,vmin是adc转换范围的最小电压,vmax是adc转换范围的最大电压,n是adc的分辨率,di(tk)是转换后的数字输出;

15、s14:实施数据融合技术,将所有传感器在每个时间点tk采集的磁场数据bi(tk)进行合成,使用加权平均方法综合每个霍尔效应传感器的位置和敏感度差异,生成磁场强度值b(tk):

16、

17、其中,n是传感器总数,wi是根据每个传感器的位置和敏感度分配的权重;

18、s15:存储每个采样时间点tk的综合磁场强度值b(tk)到数据存储单元,用于给信号处理和异常检测算法提供数据序列:

19、s(tk)={tk,b(tk)}。

20、优选地,步骤s2包括以下步骤:

21、s21:接收每个霍尔效应传感器的数字化磁场数据di(tk),每个di(tk)表示第i个霍尔效应传感器在时间点tk的数字输出值;

22、s22:为每个霍尔效应传感器配置一个自适应滤波器,根据实时输入数据的特性动态调整滤波参数,包括滤波系数α(t)和滤波窗口大小w(t),其中滤波系数α(t)和窗口大小w(t)由以下自适应算法确定:

23、

24、其中,γ是第一调节参数,用于控制滤波系数对信号变化敏感度的影响,δd(t)表示连续两个采样点的数据差;

25、

26、其中,wmin是滤波窗口的最小值,λ是第二调节参数,用于平衡信号的动态范围和滤波窗口的大小。

27、s23:应用自适应滤波技术处理每个时间点的数据,每个霍尔效应传感器的输出通过自适应窗口和滤波系数进行加权平均,优化信噪比并适应信号的瞬时变化,对每个霍尔效应传感器的输出应用动态滤波:

28、

29、通过对最近w(t)数据点进行加权平均处理,其中权重由α(t)控制,适应信号的最新变化;

30、s24:对于每个时间点tk计算所有霍尔效应传感器的滤波输出fi(tk)的标准偏差σ(tk),评估滤波后数据的一致性和稳定性,标准偏差计算公式为:

31、

32、其中,是在时间的所有霍尔效应传感器滤波输出的平均值,n是霍尔效应传感器的数量;

33、s25:根据标准偏差σ(tk)的结果动态调整下一时间点的滤波参数α(t)和w(t),以持续优化信号的准确性和响应速度;

34、s26:将调整后的滤波数据fi(tk)存储至数据存储单元,为后续的信号分析和异常检测提供已优化的数据基础。

35、优选地,步骤s3包括以下步骤:

36、s31:接收经过优化处理的磁场数据fi(tk);

37、s32:实施基于动态阈值的信号处理算法,设置初始阈值θ,初始阈值θ根据电磁铁的正常操作数据的历史统计分布动态调整:

38、θ(t)=μ+k’·σ

39、其中,μ是历史磁场数据的平均值,σ是历史磁场数据的标准偏差,k’是一个调节系数,根据电磁铁的性能和环境稳定性动态调整。

40、s33:计算连续两个时间点之间的磁场数据变化率r(tk):

41、

42、其中,fi(tk)和fi(tk-1)分别是第i个传感器在时间点tk和tk-1的滤波数据,n是传感器的总数,δt是两个连续采样点之间的时间间隔;

43、s34:比较磁场数据变化率与初始阈值,判断是否存在磁场数据中的突然跳变,判断依据为:

44、ifr(tk)>θ(tk)thensignalajump;

45、如果变化率超过动态阈值,则认为发生了突变;

46、s35:若连续多个tk的磁场数据变化率均小于历史平均变化率的一定比例,且低于θ的50%,则认为是间歇性衰减现象,判断依据为:

47、

48、s36:根据磁场数据变化率的结果和历史数据模式比较,检测出电磁铁的磁性能衰减或蠕变现象,注意连续数据点的趋势和偶尔的异常值:

49、

50、ifc(tk)<0then detec tdecay or creep;

51、其中,c(tk)表示最近m个时间点的变化率与其对应阈值的差的平均值,如果该值持续为负,说明磁场性能有衰减或蠕变现象。

52、优选地,步骤s36之后还设置步骤s37:将检测结果磁场数据变化率和相关分析数据存储至数据存储单元,用于生成最终的健康监测报告,并提供给维护决策支持模块,以便采取相应的维护措施。

53、优选地,步骤s4包括以下步骤:

54、s41:接收磁场数据fi(tk),从磁场数据fi(tk)中提取关键特征,计算为连续两个时间点的磁场强度差值:

55、

56、其中,wj是权重因子,依据时间tj的接近度分配,n是考虑的时间点总数;

57、频率特征加入窗函数和能量谱,通过傅里叶变换计算得出:

58、

59、其中,w(tk)是汉宁窗或高斯窗,用于减少边缘效应,n是采样点的总数;

60、时间序列分析结果加入季节性和外部变量,利用自回归模型估计,模型参数由数据自身的历史值确定:

61、

62、其中,是自回归系数,p是模型阶数,θs是季节性调整系数,xs(tk)是外部变量,如温度或湿度,可能影响磁场强度,∈k是误差项;

63、s42:使用提取的关键特征集对支持向量机模型进行训练,以建立一个能够区分电磁铁的正常操作、短路、过载及其他故障状态的分类模型,训练svm模型包括:

64、定义训练集和测试集,训练集包含历史正常和故障状态下的特征数据;

65、应用正则化参数方法优化模型参数,以确保模型在未见数据上的泛化能力:

66、

67、其中,γ是径向基函数的带宽参数,d是多项式核的度数。

68、优选地,步骤s5包括以下步骤:

69、s51:训练完成的支持向量机模型接收当前磁场数据的特征集,包括磁场强度变化、频率特征和时间序列分析结果;

70、s52:应用支持向量机模型对当前磁场数据进行健康状态分类,输出分类结果,识别电磁铁是否处于正常操作、短路、过载或其他故障状态,对于支持向量机模型分类过程,我们引入高度复杂的决策函数,结合径向基函数和多项式核的混合使用,以增加分类的准确性和鲁棒性:

71、

72、其中,k代表类别的数量,包括正常操作、短路、过载或其他故障状态,x是输入的特征向量,即当前磁场数据的特征,xi是支持向量,αi和yi分别是支持向量机中的训练参数和对应的类标签,bk是与每个类别对应的偏置,k(x,xi)是径向基函数,表示为:

73、

74、s53:生成高压断路器电磁铁的健康监测报告;

75、s54:通过网络接口将健康监测报告和预警信息实时发送给监控系统和维护人员。

76、优选地,所述健康检测报告的内容包括:设备的当前健康状态、详细说明故障类型和可能的原因、基于支持向量机模型输出的预警信息以及提示维护措施。

77、优选地,步骤s5之后还包括以下步骤:

78、s6:根据分类结果,结合电磁铁的历史维护记录和操作数据,通过维护决策支持模块推荐具体的维护或更换策略,以对高压断路器电磁铁健康状态的动态管理。

79、优选地,步骤s6包括以下步骤:

80、s61:接收高压断路器电磁铁的健康监测报告,获取电磁铁的历史维护记录和操作数据,数据包括但不限于过去的故障记录、维护活动的时间戳和执行的维护类型;

81、s62:通过维护决策支持模块分析当前健康状态和历史数据,模块利用算法为每种状态推荐具体的维护或更换策略,策略推荐算法表达为:

82、srecommend(s,h)=argmaxa∈a(u(s,a,h));

83、其中,s是当前状态(正常、短路、过载或其他故障),h是历史维护和操作数据,a是可能的行动集合,u是效用函数,表示在给定状态和历史下采取行动a的预期效益;

84、s63:根据推荐的维护或更换策略生成具体的行动指令,行动指令详细指出应采取的步骤、所需材料和预计时间;

85、s64:将行动指令和推荐策略通过网络接口发送给监控系统和维护团队,确保他们能够实时接收到最新的维护建议,并调整维护计划和资源配置以响应电磁铁的当前健康状况。

86、与现有技术相比,本发明的有益效果为:

87、(1)通过在电磁铁关键位置安装霍尔效应传感器,并实时监测磁场的微小变化,能够在电磁铁发生明显性能衰减之前即时发现问题,提前故障预警时间,从而允许进行早期干预,避免潜在的设备损坏和停机时间;

88、(2)根据电磁铁的实时运行状态动态调整数据处理策略,有效应对运行环境和条件的变化,提高监测数据的准确性和可靠性;

89、(3)使用从磁场数据中提取的关键特征训练支持向量机模型,能够精确识别电磁铁的正常操作、短路、过载及其他故障状态,为后续的维护决策提供了坚实的数据支持。

本文地址:https://www.jishuxx.com/zhuanli/20241021/320152.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。