一种压电变压器安全维护方法及系统与流程

本发明涉及，特别是一种压电变压器安全维护方法及系统。

背景技术：

1、随着电力电子技术的快速发展，压电变压器作为一种新型的能量转换器件，在各种电子设备中的应用越来越广泛。压电变压器利用压电材料的逆压电效应，通过电能和机械能之间的相互转换实现电压变换和能量传输，具有体积小、效率高、无电磁干扰等显著优势。近年来，随着微电子技术、纳米材料和智能控制技术的进步，压电变压器的性能和应用范围得到了进一步拓展。然而，尽管在理论研究和应用实践中取得了显著成果，但现有压电变压器在运行过程中仍面临诸多问题，尤其是在长期运行和复杂环境条件下的安全维护问题亟待解决。

2、目前，压电变压器的安全维护主要依赖于传统的预防性维护和定期检修方法。这些方法虽然能够在一定程度上保障压电变压器的正常运行，但由于缺乏对运行状态的实时监测和智能分析，往往无法及时发现和处理潜在的故障和异常。例如，在负载变化或环境条件波动时，压电变压器可能会出现共振、失谐和过热等问题，导致性能下降甚至损坏。此外，现有技术对压电变压器振动信号的分析大多停留在简单的频域或时域分析层面，未能充分利用现代信号处理和机器学习技术进行深层次的模式识别和故障预测。因此，亟需一种基于实时监测和智能分析的压电变压器安全维护方法，以提高其运行可靠性和使用寿命。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述或现有技术中存在的问题，提出了本发明。

3、因此，本发明解决的技术问题是：现有技术对压电变压器振动信号的分析大多停留在简单的频域或时域分析层面，未能充分利用现代信号处理和机器学习技术进行深层次的模式识别和故障预测。

4、为解决上述技术问题，本发明提供如下技术方案：一种压电变压器安全维护方法，其包括获取压电变压器的运行数据并进行预处理；

5、通过预测在不同条件下的最佳工作频率，对压电变压器进行调整；

6、对调整后压电变压器的振动信号进行分析和分类，识别振动模式；

7、根据振动模式识别的结果进行调整，维持安全运行。

8、作为本发明所述压电变压器安全维护方法的一种优选方案，其中：所述获取压电变压器的运行数据并进行预处理包括，

9、通过传感器实时采集运行数据，所述运行数据包括但不限于振动频率、负载情况、电压和电流；

10、对采集的运行数据进行处理，所述处理包括但不限于对数据进行去噪和归一化处理以及提取特征参数。

11、作为本发明所述压电变压器安全维护方法的一种优选方案，其中：所述预测在不同条件下的最佳工作频率包括，通过改进的自适应频率调谐算法构建机器学习模型；将预处理后的特征参数输入机器学习模型；使用机器学习模型预测当前条件下的最佳工作频率；基于预测结果，动态调整压电变压器的驱动频率。

12、作为本发明所述压电变压器安全维护方法的一种优选方案，其中：所述构建机器学习模型包括，

13、对运行数据中的特征参数进行预处理，表示为：

14、

15、其中，x是原始特征参数，x′是标准化后的特征参数；μ是特征参数的均值；σ是特征参数的标准差；

16、结合特征参数，改进自适应频率调谐算法，动态调整压电变压器的驱动频率，表示为：

17、fnew＝fcurrent+α·(tanh(β·(ftarget-fcurrent)+o+p))

18、

19、其中，fnew是新的频率；fcurrent是当前频率；ftargetf是目标频率；α是调节系数；tanh是双曲正切函数，用于引入非线性变换；β和γ是调节参数；δ是交互效应调节参数；o为特征参数的加权和，wi是特征参数的权重系数，x′i是预处理后的特征参数，n是特征参数的数量；p为特征参数之间的交互效应；wij是交互效应的权重系数；

20、通过改进后的神经网络模型对最佳工作频率进行预测，表示为：

21、

22、gj(x′)＝sin(aj·x′j)+cos(bj·x′j)+log(cj+(x′j)2)

23、其中，y是机器学习模型的输出；fnn是神经网络模型，x′是标准化后的特征参数，θ是神经网络的参数；∈是调节系数；vj是权重系数，gj(x′)是非线性变换函数，m是非线性变换函数的数量；aj、bj和cj是非线性变换的参数；x′j是第j个标准化后的特征参数；

24、结合上述改进的自适应频率调谐算法和机器学习模型，最终的频率预测公式表示为：

25、

26、其中，foptimal为在当前条件下预测的最佳工作频率，fcurrent为当前频率。

27、作为本发明所述压电变压器安全维护方法的一种优选方案，其中：所述对调整后压电变压器的振动信号进行分析和分类，识别振动模式包括，

28、使用时域和频域分析方法提取振动信号的特征参数；

29、基于提取的特征参数，构建复合振动模式识别模型，并使用已标注的振动数据进行训练。

30、根据识别出的振动模式，调整压电变压器的工作参数，以避免不利的振动状态。

31、作为本发明所述压电变压器安全维护方法的一种优选方案，其中：所述构建复合振动模式识别模型包括，

32、对采集到的振动信号进行频域分析，将时域信号转化为频域信号，识别主要频率成分,表示为：

33、

34、其中，x(f)是频域信号；x(n)是时域信号；n是采样点数；f是频率；j是虚数单位；

35、进行小波变换以提取信号的时频域特征，捕捉信号在不同时间尺度上的变化，表示为：

36、

37、其中，wψ(a,b)是小波变换系数；x(t)是时域信号；是小波基函数的复共轭；a是尺度参数；b是平移参数；

38、对高维特征数据进行降维处理，提取主要特征成分，表示为：

39、z＝xw

40、其中，z是降维后的特征矩阵；x是原始数据矩阵；w是特征向量矩阵；

41、建立综合特征评分公式，分析和分类振动模式，表示为：

42、

43、其中，v(t)表示压电变压器在时间t的振动信号分析结果；x(t)是压电变压器的实时振动信号；eiωt是傅里叶变换核函数，用于频域分析；是小波基函数的复共轭，用于时频域分析；zi是主成分分析中的特征分量；wk是对应特征向量；a和b分别是小波变换的尺度和平移参数的上限；k是主成分的数量；i是输入数据的维数。

44、作为本发明所述压电变压器安全维护方法的一种优选方案，其中：所述根据振动模式识别的结果进行调整包括，

45、基于综合特征评分公式的值域，定义识别共振现象、不平衡状态和外部干扰的阈值和特征；

46、识别共振现象、不平衡状态和外部干扰。

47、本发明的另外一个目的是提供一种压电变压器安全维护的系统，其能通过通过预测在不同条件下的最佳工作频率，对压电变压器进行调整；对调整后压电变压器的振动信号进行分析和分类，识别振动模式，解决了目前的压电变压器安全维护不精确的问题。

48、作为本发明所述压电变压器安全维护的系统的一种优选方案，其中：包括采集模块，预测模块，分析模块以及识别模块；

49、所述采集模块用于获取压电变压器的运行数据并进行预处理；

50、所述预测模块用于通过预测在不同条件下的最佳工作频率，对压电变压器进行调整；

51、所述分析模块用于对调整后压电变压器的振动信号进行分析和分类，识别振动模式；

52、所述识别模块用于根据振动模式识别的结果进行调整，维持安全运行。

53、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的压电变压器安全维护方法的步骤。

54、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的压电变压器安全维护方法的步骤。

55、本发明的有益效果：本发明通过获取压电变压器的运行数据并进行预处理，利用先进的预测算法在不同条件下优化压电变压器的工作频率，从而实现动态调整。通过对调整后压电变压器的振动信号进行深入分析和分类，识别出不同的振动模式，并根据模式识别结果进行相应调整，确保压电变压器在各种运行条件下保持最佳状态。相较于现有技术，本发明不仅能够实现对压电变压器运行状态的实时监测和智能分析，还能通过自适应调整机制有效避免共振和其他潜在故障，显著提高了压电变压器的安全性和稳定性。