基于ICEEMDAN多尺度模糊熵和MVO-KELM的變壓器繞組鐵心機(jī)械故障診斷*

崔 星, 陳 靜, 孫婧琪, 杜 瑞, 毛瑞新, 吳金利

(1.國網(wǎng)江蘇省電力有限公司丹陽供電分公司,江蘇 丹陽 212300;2.國網(wǎng)江蘇省電力有限公司鎮(zhèn)江供電分公司,江蘇 鎮(zhèn)江 212002;3.國網(wǎng)江蘇省電力有限公司句容市供電分公司,江蘇 句容 212400;4.河海大學(xué) 能源與電氣學(xué)院,江蘇 南京 211100)

0 引 言

電力變壓器作為電網(wǎng)中的重要設(shè)備,在電能傳輸、電壓變換和隔離保護(hù)等多個(gè)方面發(fā)揮著至關(guān)重要的作用,對保障電網(wǎng)的安全穩(wěn)定運(yùn)行具有重要意義[1]。變壓器長期運(yùn)行過程中會(huì)受到機(jī)械力、電磁力、熱等多種因素的作用,可能誘發(fā)繞組松動(dòng)、鐵心松動(dòng)、繞組變形和硅鋼片磨損等機(jī)械故障[2]。而這些機(jī)械故障通常具有累積效應(yīng),若未能及時(shí)發(fā)現(xiàn)將導(dǎo)致嚴(yán)重的變壓器故障,可能會(huì)造成大面積停電,從而產(chǎn)生嚴(yán)重的經(jīng)濟(jì)損失。因此,開展變壓器繞組鐵心機(jī)械故障診斷研究具有重要意義。

當(dāng)前,常用的變壓器機(jī)械故障診斷方法有低壓脈沖法、頻響法、短路阻抗法、振動(dòng)法、超聲波檢測法和視頻窺視技術(shù)等[3-4]。其中,振動(dòng)法憑借其與電力設(shè)備無直接電氣連接,并且具有高可靠性、高靈敏度以及便于操作等優(yōu)點(diǎn),倍受學(xué)者們的關(guān)注,被廣泛應(yīng)用于航空航天、電力設(shè)備故障診斷等領(lǐng)域[5-6]。文獻(xiàn)[7]利用變壓器振動(dòng)信號(hào)對其內(nèi)部繞組機(jī)械結(jié)構(gòu)變化進(jìn)行診斷,得出振動(dòng)特征參量可有效反映繞組松動(dòng)、變形等機(jī)械機(jī)構(gòu)變化。從而表明變壓器振動(dòng)信號(hào)中蘊(yùn)藏著豐富的狀態(tài)信息,可有效表征當(dāng)前機(jī)械狀態(tài)。

利用振動(dòng)分析法進(jìn)行變壓器機(jī)械故障診斷的關(guān)鍵在于特征量提取。目前,振動(dòng)信號(hào)特征量提取方法主要有:經(jīng)驗(yàn)?zāi)B(tài)分解、小波變換和相空間重構(gòu)技術(shù)等[8]。文獻(xiàn)[9]利用改進(jìn)集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)提取了變壓器振動(dòng)信號(hào)特征量,用于識(shí)別鐵心狀態(tài)變化,有效解決了模態(tài)混疊的問題,但是引入了額外的白噪聲導(dǎo)致提取的特征量誤差偏大,嚴(yán)重影響了狀態(tài)識(shí)別結(jié)果。文獻(xiàn)[10]利用自適應(yīng)白噪聲完整集成經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMDAN)進(jìn)行振動(dòng)信號(hào)特征量提取,解決了EEMD額外引入白噪聲導(dǎo)致的干擾問題,提高了特征量提取的準(zhǔn)確度,但仍存在虛假模態(tài)的問題。基于此,本文對CEEMDAN進(jìn)一步改進(jìn)以解決虛假模態(tài)問題,采用改進(jìn)的CEEMDAN(ICEEMDAN)完成振動(dòng)信號(hào)的模態(tài)分解和特征量提取。

此外,準(zhǔn)確識(shí)別特征量也是完成故障診斷的核心步驟。機(jī)器學(xué)習(xí)智能識(shí)別算法具有僅憑借小樣本量數(shù)據(jù)即可實(shí)現(xiàn)高診斷精度的優(yōu)勢,被廣泛應(yīng)用于故障診斷領(lǐng)域。常用的機(jī)器學(xué)習(xí)算法包括:隨機(jī)森林、概率神經(jīng)網(wǎng)絡(luò)和核極限學(xué)習(xí)機(jī)(KELM)等[11]。考慮到KELM算法的穩(wěn)定性和強(qiáng)魯棒性,本文采用KELM對所提特征量進(jìn)行識(shí)別診斷。文獻(xiàn)[12]利用KELM對滾動(dòng)軸承振動(dòng)信號(hào)的多尺度排列熵特征進(jìn)行分類識(shí)別,實(shí)現(xiàn)了軸承故障狀態(tài)的診斷,但是由于KELM的核參數(shù)并未最優(yōu)選取,導(dǎo)致了診斷準(zhǔn)確率不高。針對該問題,本文采用多元宇宙優(yōu)化算法(MVO)對KELM的主要參數(shù)進(jìn)行優(yōu)化,以實(shí)現(xiàn)最高診斷準(zhǔn)確率。MVO具有結(jié)構(gòu)簡單、尋優(yōu)能力強(qiáng)等優(yōu)點(diǎn),已被廣泛應(yīng)用于電力負(fù)荷預(yù)測、優(yōu)化調(diào)度和參數(shù)辨識(shí)等多個(gè)領(lǐng)域[13]。

綜上所述,本文提出一種基于ICEEMDAN多尺度模糊熵和MVO-KELM的變壓器繞組鐵心機(jī)械故障診斷方法,對變壓器繞組鐵心不同松動(dòng)程度的故障進(jìn)行診斷識(shí)別。首先,采用ICEEMDAN對變壓器振動(dòng)信號(hào)進(jìn)行分解;其次,選取與原始振動(dòng)信號(hào)相關(guān)性最高的模態(tài)分量IMF進(jìn)行多尺度模糊熵(MFE)值的計(jì)算,并利用MFE值構(gòu)建特征集;然后,為實(shí)現(xiàn)高準(zhǔn)確率診斷,利用MVO對KELM關(guān)鍵參數(shù)進(jìn)行優(yōu)化,建立MVO-KELM診斷模型;再次,將特征數(shù)據(jù)集輸入SVO-KELM模型中完成識(shí)別診斷;最后,利用試驗(yàn)數(shù)據(jù)驗(yàn)證了所提方法的有效性,與其他診斷模型的對比證明了所提診斷模型的優(yōu)越性。

1 基于ICEEMDAN和多尺度模糊熵的變壓器振動(dòng)信號(hào)特征提取

1.1 ICEEMDAN的基本原理

ICEEMDAN算法是在CEEMDAN的基礎(chǔ)上改進(jìn)得到。傳統(tǒng)的EMD分解結(jié)果存在嚴(yán)重的模態(tài)混疊現(xiàn)象,而EEMD通過添加白噪聲在一定程度上消除了模態(tài)混疊,然而所引入的白噪聲難以去掉,導(dǎo)致信號(hào)的重構(gòu)誤差增大[9]。為了解決重構(gòu)誤差的問題,學(xué)者們提出了CEEMDAN算法,CEEMDAN通過添加正負(fù)相抵的白噪聲,解決了引入白噪聲導(dǎo)致的干擾問題,提高了信號(hào)重構(gòu)準(zhǔn)確度。然而,CEEMDAN仍存在虛假模態(tài)分量的問題。

ICEEMDAN通過引入EMD分解所得的模態(tài)分量,以解決引入額外白噪聲導(dǎo)致的干擾和虛假模態(tài)問題。具體地,ICEEMDAN計(jì)算步驟如下[14]。

步驟(a),在初始振動(dòng)信號(hào)x中添加白噪聲E1[?(i)],則有:

x(i)=x+ξ1E1[?(i)]

(1)

式中:ξ1為第1個(gè)信噪比;E1[?(i)]為EMD分解得到的第1個(gè)IMF值;?(i)為添加的第i個(gè)白噪聲。

步驟(b),利用EMD對加噪信號(hào)進(jìn)行分解,獲取1階殘差R1和相應(yīng)的模態(tài)分量為

(2)

式中:R1為1階殘差余項(xiàng);σ1為第1個(gè)IMF分量;M[x(i)]為添加白噪聲后的信號(hào)。

步驟(c),求解第2個(gè)IMF分量為

(3)

式中:R2為2階殘差余項(xiàng);σ2為第2個(gè)IMF分量;ξ2為第2個(gè)信號(hào)比。

步驟(d),按照上述步驟類推得到第k個(gè)IMF的分量和k階殘差余項(xiàng)為

(4)

式中:k=1,2,…,N;Rk為k階殘差余項(xiàng),σk為第k個(gè)IMF分量。

步驟(e),重復(fù)步驟(d),直到剩余信號(hào)達(dá)到結(jié)束條件,從而獲得全部模態(tài)分量,振動(dòng)信號(hào)最后被分解為

(5)

根據(jù)上述步驟可得到由ICEEMDAN算法分解的IMF分量和殘差余項(xiàng)。進(jìn)一步地,選取與原始振動(dòng)信號(hào)相關(guān)性最高的IMF分量。

1.2 PEARSON相關(guān)系數(shù)

為了選取與變壓器振動(dòng)信號(hào)相關(guān)性最高的模態(tài)分量,本文采用Pearson相關(guān)系數(shù)計(jì)算不同模態(tài)分量與原始振動(dòng)信號(hào)的相關(guān)性。Pearson相關(guān)系數(shù)可有效表征兩個(gè)變量之間的關(guān)聯(lián)程度,其值分布在區(qū)間[-1,1]上,其值越大意味著相關(guān)性越高[15]。Pearson相關(guān)系數(shù)的求解公式如下。

設(shè)兩個(gè)不同的參量分別為A={a1,a2,…,an},B={b1,b2,…,bn},則A與B的Pearson相關(guān)系數(shù)為

ρAB=

(6)

式中:ρAB為Pearson相關(guān)系數(shù),E(A)和E(B)為兩個(gè)參量的均值。

1.3 多尺度模糊熵

根據(jù)上文可得到相關(guān)性最高的模態(tài)分量,接下來進(jìn)一步計(jì)算相關(guān)性最高的模態(tài)分量的多尺度模糊熵(MFE),以構(gòu)建診斷模型的特征數(shù)據(jù)集。MFE是在模糊熵(FE)的基礎(chǔ)上加入尺度因子構(gòu)建得到的,能夠反映時(shí)間序列在不同尺度條件下的復(fù)雜性及系統(tǒng)的多模式信息和動(dòng)力學(xué)特性變化。FE詳細(xì)計(jì)算步驟參考文獻(xiàn)[16],MFE具體求解方法如下[17]:

(7)

(8)

(2) 求解兩個(gè)向量的距離:

max{|zi+l-1-zj+l-1|,l=1,2,…,m},i≠j

(9)

(10)

(4) 平均相似度函數(shù)定義為

(11)

依據(jù)上述步驟(1)至步驟(4)構(gòu)建如式(12)的m+1維向量:

(12)

(5) 從而得到FE的表達(dá)式為

FE(m,n,r,N)=lnφm(n,r)-lnφm+1(n,r)

(13)

(6) 對M進(jìn)行粗粒化處理,得到新的時(shí)間序列為

(14)

式中:τ=1,2,…,n為尺度因子,原時(shí)間序列被依次分成長度為N/τ的粗粒向量。

(7) 將得到的τ組粗?；蛄蟹謩e計(jì)算其FE,并把熵值描述成與尺度因子相關(guān)的函數(shù)。

通過上述步驟,可以求出在取不同尺度因子時(shí)相關(guān)性最高的IMF分量的MFE值,能有效避免低相關(guān)性IMF分量導(dǎo)致的特征冗余問題。

2 基于多元宇宙算法優(yōu)化的KELM模型

2.1 KELM算法基本原理

KELM本質(zhì)為一種單隱層前饋神經(jīng)網(wǎng)絡(luò)算法,是在極限學(xué)習(xí)機(jī)算法(ELM)中引入核函數(shù)所建立的。KELM具有分類性能穩(wěn)定、魯棒性強(qiáng)和廣義性能好等優(yōu)點(diǎn)[18]。因此,本文利用KELM算法對變壓器繞組鐵心機(jī)械狀態(tài)進(jìn)行故障診斷建模。KELM算法的具體實(shí)現(xiàn)過程如下:

Hβ=T

(15)

(16)

式中:H是隱含層輸出矩陣;β是輸出權(quán)重向量;T是目標(biāo)輸出矩陣;ωk為權(quán)重,bk為神經(jīng)元閾值。

根據(jù)文獻(xiàn)[18]可知,ELM的學(xué)習(xí)環(huán)節(jié)可通過最小二乘法計(jì)算最優(yōu)解進(jìn)行等價(jià)。為了增強(qiáng)算法的自適應(yīng)性與穩(wěn)定性,采用正則化系數(shù)C進(jìn)行計(jì)算,求得最小二乘解:

(17)

式中:H+為H的廣義逆矩陣,I為單位對角矩陣。

根據(jù)Mercer定理,核矩陣為

(18)

式中:K(·)代表核函數(shù)。

為了提高計(jì)算速率,減少參數(shù)設(shè)置,本文選用徑向基核函數(shù):

(19)

式中:γ為核參數(shù)。

進(jìn)一步地,KELM的診斷輸出函數(shù)為

(20)

根據(jù)上述原理可知,參數(shù)C與γ值的選取將直接影響KELM診斷性能的發(fā)揮。因此,為了充分發(fā)揮KELM的診斷性能,本文選用MVO算法對C和γ的取值進(jìn)行優(yōu)化選擇。

2.2 MVO-KELM診斷模型

針對KELM中關(guān)鍵參數(shù)取值影響算法性能發(fā)揮的問題,本文采用MVO對KELM中正則化系數(shù)C和核參數(shù)γ進(jìn)行優(yōu)選,以實(shí)現(xiàn)高診斷準(zhǔn)確率的目標(biāo)。

MVO中宇宙代表問題的一個(gè)可行解,解中的變量與宇宙中的物體相對應(yīng),算法適應(yīng)度值用宇宙膨脹率表示,白洞與黑洞分別代表高膨脹率與低膨脹率,物質(zhì)通過蟲洞實(shí)現(xiàn)黑洞和白洞之間的移動(dòng)[13]。MVO算法的基本原理如下[13]:

(1) 宇宙中高膨脹率的物體總是向低膨脹率的物體發(fā)展;

(2) 相鄰白洞與黑洞間的物體轉(zhuǎn)移依靠蟲洞實(shí)現(xiàn),并更新宇宙位置,更新公式為

(21)

(3) 當(dāng)不同最優(yōu)宇宙依靠蟲洞進(jìn)行物體轉(zhuǎn)移時(shí),須更新宇宙位置,更新公式為

(22)

式中:Xq為當(dāng)前最優(yōu)宇宙中第q個(gè)變量,uq為最大值;pq為最小值;r2、r3、r4在區(qū)間[0,1]內(nèi)隨機(jī)取值;W為蟲洞的存在率;R為旅行距離率。

本文利用MVO對KELM關(guān)鍵參數(shù)進(jìn)行優(yōu)化,構(gòu)建適應(yīng)度函數(shù)為

(23)

式中:Rnum為分類正確樣本數(shù);Tnum為總樣本數(shù);[Cmin,Cmax]為參數(shù)C的取值范圍;[γmin,γmax]為核參數(shù)γ的取值范圍。

具體地,MVO-KELM診斷模型的流程如圖1所示。

圖1 MVO-KELM診斷模型流程圖

3 基于ICEEMDAN-MFE和MVO-KELM的變壓器繞組鐵心機(jī)械故障診斷方法

本文所提基于ICEEMDAN-MFE和MVO-KELM的變壓器繞組鐵心機(jī)械故障診斷方法的詳細(xì)步驟如下。

步驟(1):采集變壓器箱體振動(dòng)信號(hào),并對振動(dòng)信號(hào)進(jìn)行降噪預(yù)處理;

步驟(2):采用ICEEMDAN算法分解處理后的變壓器振動(dòng)信號(hào),獲取多個(gè)模態(tài)分量IMF;

步驟(3):利用Pearson相關(guān)系數(shù)計(jì)算不同模態(tài)分量與原振動(dòng)信號(hào)的關(guān)聯(lián)性,并選取相關(guān)性最高的模態(tài)分量IMF;

步驟(4):計(jì)算相關(guān)性最強(qiáng)IMF分量的MFE值,并將不同尺度的MFE值構(gòu)建為特征數(shù)據(jù)集;

步驟(5):將特征數(shù)據(jù)集輸入本文建立的MVO-KELM診斷模型中進(jìn)行識(shí)別;

步驟(6):判斷是否完成變壓器繞組鐵心機(jī)械狀態(tài)診斷,若是則輸出診斷結(jié)果,否則返回步驟(5)進(jìn)行識(shí)別診斷。

綜上,本文所提基于ICEEMDAN-MFE和MVO-KELM的變壓器繞組鐵心機(jī)械故障診斷方法流程圖如圖2所示。

圖2 基于ICEEMDAN-MFE和MVO-KELM的變壓器故障診斷流程圖

4 試驗(yàn)驗(yàn)證與對比分析

4.1 試驗(yàn)驗(yàn)證

為了驗(yàn)證所提方法的有效性,本文以一臺(tái)型號(hào)為S13-M-200/10的變壓器為研究對象,搭建了試驗(yàn)平臺(tái),進(jìn)行了繞組鐵心不同松動(dòng)程度的故障模擬試驗(yàn)。故障模擬試驗(yàn)原理如圖3所示。

圖3 10 kV電力變壓器故障模擬試驗(yàn)原理示意圖

在10 kV變壓器試驗(yàn)平臺(tái)中,本文模擬了額定電壓下變壓器正常狀態(tài)和三種典型機(jī)械故障狀態(tài):繞組鐵心松動(dòng)25%狀態(tài)、繞組鐵心松動(dòng)50%狀態(tài)和繞組鐵心松動(dòng)75%狀態(tài)。具體地,利用數(shù)顯扭矩力扳手對繞組緊固螺栓和鐵心壓緊螺母進(jìn)行松動(dòng),實(shí)現(xiàn)不同松動(dòng)程度的故障模擬。振動(dòng)信號(hào)采集儀采用DSP140801型采集儀,傳感器選用1A212E型壓電式加速度傳感器,采樣頻率為16 kHz。為了便于信號(hào)采集,試驗(yàn)中振動(dòng)信號(hào)測點(diǎn)主要布設(shè)于變壓器頂部,其測點(diǎn)布設(shè)位置如圖4所示。

圖4 變壓器頂部測點(diǎn)布設(shè)位置圖

進(jìn)一步地,利用試驗(yàn)所得變壓器不同狀態(tài)試驗(yàn)數(shù)據(jù)驗(yàn)證本文所提方法的有效性?？紤]到文章的可讀性,以3號(hào)測點(diǎn)位置測得的振動(dòng)信號(hào)為例展開分析,其不同狀態(tài)的振動(dòng)信號(hào)如圖5所示。

圖5 3號(hào)測點(diǎn)位置變壓器正常與故障狀態(tài)振動(dòng)信號(hào)

由圖5可知,變壓器繞組鐵心發(fā)生不同程度松動(dòng)故障后,振動(dòng)信號(hào)的幅值和波形發(fā)生明顯變化。為了提取振動(dòng)信號(hào)蘊(yùn)藏的特征信息,利用ICEEMDAN對變壓器四種狀態(tài)的振動(dòng)信號(hào)進(jìn)行分解,所得分解結(jié)果如圖6所示,圖中Res為殘差余項(xiàng)。同時(shí),為了驗(yàn)證ICEEMDAN比EEMD具有更好的特征提取效果,本文利用EEMD對變壓器振動(dòng)信號(hào)進(jìn)行分解,分解結(jié)果如圖7所示。值得注意的是,為了防止分解過剩情況的出現(xiàn),同時(shí)結(jié)合經(jīng)驗(yàn)判斷,本文將不同狀態(tài)的模態(tài)分量數(shù)量均選擇為7。

圖7 EEMD分解結(jié)果圖

由圖6可知,變壓器不同狀態(tài)振動(dòng)信號(hào)的分解結(jié)果不同,同一振動(dòng)信號(hào)的不同階IMF分量不同,避免了額外加入白噪聲導(dǎo)致的干擾及虛假模態(tài)的產(chǎn)生。經(jīng)過ICEEMDAN分解可有效提取振動(dòng)信號(hào)的特征量。

由圖7可知,由EEMD分解得到的IMF分量重構(gòu)誤差較大,特別是上述4種不同狀態(tài)下的IMF5分量。由于引入額外白噪聲未抵消,導(dǎo)致所得IMF5分量的波形存在噪聲干擾,與實(shí)際分量的誤差較大。從而證明,所提ICEEMDAN在振動(dòng)信號(hào)特征提取準(zhǔn)確度方面優(yōu)于EEMD,具有一定的優(yōu)越性。

進(jìn)一步地,為了防止特征冗余情況的出現(xiàn),采用Pearson相關(guān)系數(shù)法計(jì)算由ICEEMDAN分解得到的IMF分量與原始振動(dòng)信號(hào)的相關(guān)性強(qiáng)弱。變壓器不同狀態(tài)的模態(tài)分量IMF與振動(dòng)信號(hào)的相關(guān)性強(qiáng)弱曲線如圖8所示。

圖8 不同模態(tài)分量的Pearson相關(guān)系數(shù)值

由圖8可知,變壓器正常狀態(tài)、繞組鐵心松動(dòng)25%和繞組鐵心松動(dòng)75%狀態(tài)時(shí)的IMF5模態(tài)分量與原始振動(dòng)信號(hào)的相關(guān)性最高,繞組鐵心松動(dòng)50%狀態(tài)時(shí)IMF4模態(tài)分量與原始振動(dòng)信號(hào)的相關(guān)性最高。因此,本文選擇正常狀態(tài)、繞組鐵心松動(dòng)25%和繞組鐵心松動(dòng)75%狀態(tài)下的IMF5模態(tài)分量,及繞組鐵心松動(dòng)50%狀態(tài)下的IMF4模態(tài)分量進(jìn)行MFE計(jì)算。進(jìn)一步地,計(jì)算上述狀態(tài)對應(yīng)IMF5模態(tài)分量和IMF4模態(tài)分量的MFE值,所得不同狀態(tài)不同尺度因子對應(yīng)的MFE值曲線如圖9所示。

圖9 不同尺度因子的MFE值

由圖9可知,尺度因子在1～20范圍內(nèi),變壓器不同狀態(tài)的模態(tài)分量IMF的MFE值不同。因此,變壓器不同狀態(tài)不同尺度因子的MFE值可作為特征量進(jìn)行識(shí)別。

隨機(jī)選取變壓器每種狀態(tài)100組試驗(yàn)數(shù)據(jù)進(jìn)行特征量提取,其中每組數(shù)據(jù)時(shí)長為0.5 s,從而四種狀態(tài)可得400×20型特征數(shù)據(jù)集。本文選擇特征數(shù)據(jù)集的70%(280×20)作為訓(xùn)練集,剩余30%(120×20)作為測試集。進(jìn)一步地,對變壓器每種狀態(tài)進(jìn)行類別標(biāo)記,具體如表1所示。

表1 變壓器不同狀態(tài)類別標(biāo)簽

將提取到的特征數(shù)據(jù)集輸入至本文所提MVO-KELM診斷模型中進(jìn)行分類識(shí)別,得到訓(xùn)練和測試結(jié)果如圖10所示。需要說明的是,所提MVO-KELM模型的分類結(jié)果較為穩(wěn)定,不因分類次數(shù)改變而改變。

圖10 MVO-KELM模型分類結(jié)果

由圖10可知,利用MVO-KELM對測試集進(jìn)行分類的準(zhǔn)確率達(dá)到了99.2%,證明所建模型具有較高的識(shí)別精度,可有效識(shí)別變壓器繞組鐵心松動(dòng)故障及繞組鐵心不同松動(dòng)程度的故障,實(shí)現(xiàn)了高準(zhǔn)確率診斷目標(biāo)。

4.2 對比分析

為了驗(yàn)證所提方法的優(yōu)越性,本文將所提MVO-KELM模型與已有GWO-KELM[19]、WOA-KELM[20]和BA-KELM[21]模型進(jìn)行對比。為了確保對比的公平性,上述對比模型的參數(shù)均選取試驗(yàn)結(jié)果中的最佳參數(shù)。在同一測試特征集中,本文所提模型與對比模型診斷結(jié)果的混淆矩陣如圖11所示。

圖11 不同診斷模型的混淆矩陣結(jié)果

由圖11可知,MVO-KELM、GWO-KELM、WOA-KELM和BA-KELM的整體診斷準(zhǔn)確率分別為:99.2%、80.0%、88.3%和94.2%。由此可見,本文所提模型的整體診斷準(zhǔn)確率比其他對比模型的診斷準(zhǔn)確率至少高出5%,證明了所提MVO-KELM模型在診斷準(zhǔn)確率方面優(yōu)于其他對比模型。

本文所提方法的穩(wěn)定性和高準(zhǔn)確率診斷特性能夠?yàn)樽儔浩鳜F(xiàn)場檢修提供指導(dǎo)性建議,具有一定的實(shí)際工程應(yīng)用價(jià)值。

5 結(jié) 語

本文提出了一種基于ICEEMDAN-MFE和MVO-KELM的變壓器繞組鐵心機(jī)械故障診斷方法,所得結(jié)論歸納如下:

(1) 改進(jìn)的ICEEMDAN算法準(zhǔn)確提取了變壓器振動(dòng)信號(hào)的狀態(tài)特征,避免了額外引入白噪聲導(dǎo)致的干擾,解決了CEEMDAN分解中存在虛假模態(tài)分量的問題;

(2) 利用Pearson相關(guān)系數(shù)法確定了最強(qiáng)相關(guān)性IMF分量,并求解了其MFE值,有效提高了特征數(shù)據(jù)集的準(zhǔn)確性和有效性,解決了特征冗余問題;

(3) 提出的MVO-KELM診斷模型具有較高的診斷準(zhǔn)確率,對變壓器繞組鐵心機(jī)械故障診斷準(zhǔn)確率可達(dá)99%以上,比對比算法的準(zhǔn)確率高出5%以上,實(shí)現(xiàn)了變壓器繞組鐵心機(jī)械故障的高準(zhǔn)確率診斷目標(biāo)。