基于小波分析的電氣設備故障檢測方法研究

摘要：故障檢測可以保證電氣設備運行的穩定性，為了提升電氣設備故障的檢測性能，提出了基于小波分析的電氣設備故障檢測方法。利用聯合分布函數，搭建了電氣設備故障特征函數，通過建立電氣設備故障信息的狀態函數，構建電氣設備故障數據集模型。通過小波分析，描述電氣設備故障原始信號的小波閾值收縮過程，根據電氣設備故障信號特征的重構矩陣，構建電氣設備故障信號的特征集合，根據電氣設備故障信號的特征向量，提取電氣設備故障信號的特征參數。通過判斷電氣設備的運行狀態，獲取電氣設備故障的位置，實現電氣設備故障的檢測。實驗結果表明，該方法在檢測電氣設備故障時，可以提高故障檢測的信噪比，保證故障檢測的質量。

關鍵詞：小波分析；故障檢測；特征系數；電氣設備

中圖分類號：TP393" 收稿日期：2022-11-20

DOI：10.19999/j.cnki.1004-0226.2023.01.019

1 前言

在現代工業的生產制造中，電氣設備所需電能在整個生產過程中都得到了充分利用。從電力傳輸設備到電網中的電源設備，從電氣控制設備到工業控制設備，都需要實現良好、可靠和安全的電力供應[1]。電力故障檢測技術在電氣設備中占很大比例，就要求將其應用到企業中，以確保電力系統安全可靠的運行。電力系統中，有很多電氣設備都無法檢測出自身的故障，導致其在運行過程中出現不可預測的故障，嚴重影響工業的生產。電氣設備在運行過程中，準確獲取電氣設備運行過程中的數據是檢測電氣設備故障的關鍵[2]。為了在電氣設備故障發生后，盡快進行故障修復，降低經濟損失，需要準確檢測電氣設備中包含的故障類型。電氣設備故障檢測是一項復雜且具有挑戰性的工作，必須確定最容易導致電氣設備故障的因素，并及時采取相應的措施，才能準確檢測出電氣設備故障。

在國內的研究中，周正欽等[3]擴展處理了均值漂移聚類算法，針對電氣設備紅外圖像，提出一種故障過熱區域提取方法，在引入聚類閾值的基礎上，建立分割機制，對紅外圖像的故障區域像素進行聚類處理，提取出過熱區域。結果顯示，該方法對故障過熱區域的提取性能最優。謝慶等[4]基于多尺度協作模型，針對電氣設備紅外圖像的超分辨率故障，提出一種識別方法，根據生成對抗網絡的結構特點，將多尺度協作模型與雙通道結合，提取出電氣設備故障的具體特征。結果表明，該方法在故障識別中，可以提高故障識別的準確率。

基于以上研究背景，本文將小波分析應用到了電氣設備故障檢測中，從而確保電氣設備運行的安全性。

2 電氣設備故障檢測方法設計

2.1 構建電氣設備故障數據集模型

電氣設備故障檢測中，將[A=a1，a2，…，an]定義為電氣設備的故障數據集，n為故障數據的數量，數據集A中，每一個數據的特征向量都是一個q維矢量，故障的類型有M種，用mi代表第i類故障的分類中心，在電氣設備的故障數據集中，利用聯合分布函數[5]，構建了電氣設備故障特征函數，獲取電氣設備發生故障的位置。

根據電氣設備故障在頻域內的特征，在故障數據響應變量與數據集A之間，構建了對應的函數關系。引入聯合概率分析函數，將一個故障特征向量集合內的數據映射到另一個故障特征向量集合內，那么對于任意一個[ni?S1]，都需要滿足下式的電氣設備故障數據挖掘方程，即：

[gT=f（y）（y+β）xΩ]" " " " " " " " " " " " " （1）

式中，y為電氣設備故障數據的平均挖掘頻率；[β]為故障信號的瞬時幅度；x為故障數據在頻域內的諧振幅度；[Ω]為故障數據的訓練集合。

利用電氣設備故障數據挖掘方程，可以挖掘出電氣設備故障數據，根據數據特征構建故障數據信息的狀態方程，得到電氣設備故障數據之間的信任關系。

利用電氣設備故障數據信息的狀態方程，計算出故障信息的時頻特征，得到電氣設備故障信息模型。

利用電氣設備故障信息模型，采集了電氣設備故障的時間序列，通過故障數據時間序列的更新，得到電氣設備故障的頻譜特征，利用時頻分析，得到電氣設備故障數據的暫態頻率，通過建立故障數據的概率密度函數，獲取故障的分布情況。

為了實現電氣設備故障的準確檢測，利用時頻分析的方法，得到電氣設備故障信息的狀態函數，構建電氣設備故障數據集模型，表示為：

[ai=fiai，lihj（k）D（ai，Wj）]" " " " " " " " " "（2）

式中，[ai]為電氣設備故障的狀態矢量;[ai]為電氣設備故障的特征;[Wj]為電氣設備故障的特征向量。

利用聯合分布函數，構建了電氣設備故障特征函數，根據電氣設備故障數據信息的狀態方程，計算出故障信息的時頻特征，通過電氣設備故障信息的狀態函數，構建電氣設備故障數據集模型。

2.2 提取電氣設備故障信號的特征參數

以電氣設備故障數據集模型為依據，引入小波變換[6]，去除電氣設備故障數據的噪聲，對電氣設備故障所處的頻帶進行分類，為電氣設備故障信號分配頻帶。先通過小波分析，描述電氣設備故障原始信號的小波閾值收縮過程。

將小波系數作為電氣設備故障信號的特征，通過小波分析將電氣設備故障的原始信號分解為u層，獲取電氣設備故障信號特征的重構矩陣，小波分析具有非常強大的抗噪聲能力，可以描述出電氣設備故障信號的幅值變化情況。

如果將電氣設備故障信號特征的重構矩陣看作是一個[?×τ]階的矩陣，通過小波分解技術，對電氣設備故障信號進行奇異值分解。通過對電氣設備故障信號特征的重構矩陣進行奇異值排序，篩選出奇異值不為0的故障，構建電氣設備故障信號的特征集合。

在小波分析中根據奇異值分解的原理和形狀，發現電氣設備故障信號的特征向量，能夠體現出小波系數的矩陣特征。利用小波系數的矩陣特征，可以反映出電氣設備故障信號的特征，因此，根據電氣設備故障信號的特征向量，提取電氣設備故障信號的特征參數，即：

[k1=maxΣ=max（ω1，ω2，…，ωn）]" " " " " " " "（3）

[k2=minΣ=min（ω1，ω2，…，ωn）]" " " " " " " " （4）

[k3=Σ=ω1，ω2，…，ωnn]" " " " " " " " " " " （5）

通過小波分析，描述電氣設備故障原始信號的小波閾值收縮過程，根據電氣設備故障信號特征的重構矩陣，利用小波分解技術對電氣設備故障信號進行奇異值分解，構成電氣設備故障信號的特征集合，根據電氣設備故障信號的特征向量，提取電氣設備故障信號的特征參數。

2.3 設計電氣設備故障檢測算法

在檢測電氣設備故障時，利用小波分析提取出電氣設備故障的檢測參數，計算出電氣設備故障信號的總和獲取電氣設備故障的位置信息。

為了準確檢測出電氣設備在運行過程中的故障，判斷電氣設備是否處于安全狀態下運行。電氣設備故障檢測主要是根據電氣設備故障信號的特征參數，獲取電氣設備故障的位置，并將故障位置與電氣設備的故障信息進行關聯，如果電氣設備在運行過程中發生了故障，就可以確定電氣設備發生故障的位置，那么可利用下式實現電氣設備故障的定位與檢測：

[Λ=H2I/xi]" " " " " " " " " " " " " " " " "（6）

式中，[Λ]為電氣設備故障數據庫中對應的故障信息編號，每一個編號都不會重復。

綜上所述，通過判斷電氣設備的運行狀態，獲取電氣設備故障的位置，實現電氣設備故障的檢測。

3 實驗分析

3.1 采集電氣設備故障數據樣本

在采集電氣設備故障數據的過程中，將故障數據樣本采集的分塊長度設置為1 000，采樣周期為0.05 s，電氣設備故障數據特征在提取過程中的迭代次數為100次，樣本個數為500個，在檢測電氣設備故障時，根據電氣設備故障數據的特征，采集了電氣設備故障數據樣本。

3.2 結果分析

為了突出文中方法在電氣設備故障檢測中的優勢，引入基于擴展Meanshift的檢測方法和基于多尺度協作模型的檢測方法作對比，得到電氣設備故障檢測的信噪比測試結果，如表1所示。

根據表1所示的結果可知，采用基于擴展Meanshift的檢測方法時，由于均值漂移聚類算法無法準確提取電氣設備故障的特征參數，導致檢測的信噪比偏低；采用基于多尺度協作模型的檢測方法時，對電氣設備故障檢測的信噪比在70%～80%之間；采用文中方法時，對電氣設備故障檢測的信噪比最高在92%以上，較高信噪比可以保證電氣設備故障檢測的質量。

4 結語

本文提出了基于小波分析的電氣設備故障檢測方法，經過實驗測試發現，該方法在檢測電氣設備故障時可以提高故障檢測的質量。但是本文的研究還存在很多不足，在今后的研究中希望可以將學習機和神經網絡結合在一起，通過電氣設備故障位置的預測，獲取故障發生的位置，并根據預測的故障位置簡化故障檢測步驟，進一步提高電氣設備故障檢測的準確率。

參考文獻：

[1]劉齊，王茂軍，高強，等基于紅外成像技術的電氣設備故障檢測[J]電測與儀表，2019，56（10）：122-126+152

[2]王子默，王清亮基于梯度擴散的電氣設備調試故障行波檢測[J]計算機仿真，2020，37（5）：468-472

[3]周正欽，馮振新，周東國，等基于擴展Meanshift電氣設備發熱故障區域提取方法[J]紅外技術，2019，41（1）：78-83

[4]謝慶，楊天馳，裴少通，等基于多尺度協作模型的電氣設備紅外圖像超分辨率故障辨識方法[J]電工技術學報，2021，36（21）：4608-4616

[5]趙歡，陽浩，何亮，等高精度配電網電氣設備故障識別檢測方法[J]沈陽工業大學學報，2021，43（6）：614-618

[6]劉俊，章磊基于半導體激光干涉技術的電氣設備狀態檢測研究[J]激光雜志，2021，42（5）：52-56

作者簡介：

劉宸軒，男，2000年生，本科在讀，研究方向為電氣工程及其自動化。