[发明专利]基于振动指纹的高压开关装备故障诊断与预测方法和系统

权利要求书

1.一种基于振动指纹的高压开关装备故障诊断与预测方法，其特征在于，包括步骤：

当待检测的高压开关装备开始稳定运行时，实时在线采集所述高压开关装备的振动信号；

对所述振动信号进行处理，得到所述振动信号的振动指纹，所述振动指纹包括所述振动信号的特征向量的混合高斯分布参数；

对所述振动指纹进行实时监测，对比高压开关装备每次动作时的振动指纹变化，当所述振动指纹相似度变化超过预设阈值时，判定所述高压开关装备出现故障趋势或者已经发生故障，发出相应的示警信号。

2.如权利要求1所述的故障诊断与预测方法，其特征在于，所述对所述振动信号进行处理，得到所述振动信号的振动指纹，包括步骤：

对所述振动信号进行切片处理，得到高压开关装备动作时的振动切片；

对所述振动切片进行降噪处理；

对所述振动切片进行特征提取，得到每个所述振动切片的一组典型特征向量；

对所述一组典型特征向量采用混合高斯模型进行分布拟合，得到每个所述典型特征向量的分布参数，并将所述分布参数作为所述振动指纹。

3.如权利要求2所述的故障诊断与预测方法，其特征在于，所述一组典型特征向量包括第一典型特征向量、第二典型特征向量、第三典型特征向量、第四典型特征向量和第五特征向量中的部分或全部，所述对所述信号切片进行特征提取，包括步骤：

采用时域法对所述信号切片进行特征提取，得到所述第一典型特征向量；

采用频域法对所述信号切片进行特征提取，得到所述第二典型特征向量；

采用时频分析法对所述信号切片进行特征提取，得到所述第三典型特征向量；

采用数据时序法对所述信号切片进行特征提取，得到所述第四典型特征向量；

采用基于经验模态分解和能量熵方法对所述信号切片进行特征提取，得到所述第五典型特征向量。

4.如权利要求1所述的故障诊断与预测方法，其特征在于，对所述振动指纹进行监测，对比高压开关装备每次动作时的振动指纹变化，当所述振动指纹相似度变化超过预设阈值时，判定所述高压开关装备出现故障趋势或者已经发生故障，包括步骤：

针对所述振动指纹，通过对相邻动作的振动指纹进行相似度比对得到所述振动指纹之间的差异度D；

当所述差异度D大于预设的警告阈值时D_w，表示所述高压开关装备的性能开始劣化，此时发出警告信息；

当所述差异度D大于预设的报警阈值时D_f，表示该装备即将发生故障，此时发出故障报警信息。

5.一种基于振动指纹的高压开关装备故障诊断与预测系统，其特征在于，包括：

信号采集模块，被配置为当待检测的高压开关装备稳定运行时，实时采集所述高压开关装备的振动信号；

信号处理模块，被配置为对所述振动信号进行处理，得到所述振动信号的振动指纹，所述振动指纹包括所述振动信号的特征向量的混合高斯分布参数；

故障判断模块，被配置为对所述振动指纹进行监测，当所述振动指纹相似度变化超过预设阈值时，判定所述高压开关装备出现故障趋势或者已经发生故障，发出相应的示警信号。

6.如权利要求5所述的故障诊断与预测系统，其特征在于，所述信号处理模块包括：

第一处理单元，被配置为对所述振动信号进行切片处理，得到一系列的信号切片；

第二处理单元，被配置对所述信号切片进行降噪处理；

第三处理单元，被配置为对所述信号切片进行特征提取，得到每个所述信号切片的一组典型特征向量；

第四处理单元，被配置为对所述一组典型特征向量采用混合高斯模型进行分布拟合，得到每个所述典型特征向量的分布参数，并将所述分布参数作为所述振动指纹。