一种电气设备油中局部放电超声直达波识别方法

摘要

一种电气设备油中局部放电超声直达波识别方法，所述方法首先对测得的电气设备油中局部放电超声信号进行处理，并提取可以区分局放超声直达波与混叠波的特征参量，然后将这特征参量数据作为经仿真数据训练后的BP人工神经网络的输入量，利用BP人工神经网络判断该超声信号是直达波还是混叠波。本发明以局部放电超声信号的峰值因数、分形盒维数和最大李雅普指数作为特征参量，并将它们与BP人工神经网络相结合，实现了局部放电超声直达信号的有效识别，很好地解决了传统方法无法准确判别局放信号是否为直达波的问题，为油中局放的准备定位奠定了基础。

主权项

一种电气设备油中局部放电超声直达波识别方法，其特征是，所述方法首先对测得的电气设备油中局部放电超声信号进行处理，并提取可以区分局放超声直达波与混叠波的特征参量，然后将这特征参量数据作为经仿真数据训练后的BP(Back Propagation)人工神经网络的输入量，利用BP人工神经网络判断该超声信号是直达波还是混叠波；采用仿真数据对BP人工神经网络进行训练的步骤如下：a、通过分析模拟局放超声信号在模拟油箱中的折反射问题、衰减问题和传播路径问题，建立电气设备油中局放超声直达波与混叠波的模型：直达波表示为：$U_{i1}=\frac{U_0{\omega }_0}{\omega x}{e}^{-\delta t}sin(\omega t+\beta )(T_{PP1}{e}^{-{\alpha }_{P}h/{\mathrm{cos\beta }}_1}+T_{PS1}{e}^{-{\alpha }_{S}h/{\mathrm{cos\beta }}_2});$传感器接收到的反射波表达式为：$\begin{array}{c}{U}_{i2}=p_2=R_{PP2}\left(\frac{p_0(t-\tau )}{x_1+x_2}\right)(T_{PP2}{e}^{-{\alpha }_{P}h/{\mathrm{cos\beta }}_3}+T_{PS2}{e}^{-{\alpha }_{S}h/{\mathrm{cos\beta }}_4})\\ =R_{PP2}\frac{U_0{\omega }_0}{\omega (x_1+x_2)}{e}^{-\delta t}\sin [\omega (t-\tau )+\beta ]\\ (T_{PP2}{e}^{-{\alpha }_{P}h/{\mathrm{cos\beta }}_3}+T_{PS2}{e}^{-{\alpha }_{S}h/{\mathrm{cos\beta }}_4})\end{array};$其中，U_i1表示直达波声压，δ为波形系数，x为直达波传播距离，α_p为纵波衰减系数，α_s为横波衰减系数，h为钢板厚度，β₁和β₂分别为纵波和横波的折射角，R_PP2为纵波的反射系数，T_PP1为纵波的折射系数，T_PS1为横波的折射系数，U₀为声压初值，ω为角频率；混叠波表示为：$\begin{array}{c}{U}_{i3}=U_{i1}+U_{i2}=\frac{U_0{\omega }_0}{\omega }{e}^{-\delta t}[\frac{sin(\omega t+\beta )}{x}(T_{PP1}{e}^{-{\alpha }_{P}h/{\mathrm{cos\beta }}_1}+T_{PS1}{e}^{-{\alpha }_{S}h/{\mathrm{cos\beta }}_2})+\\ R_{PP2}\frac{sin[\omega (t-\tau )+\beta ]}{x_1+x_2}(T_{PP2}{e}^{-{\alpha }_{P}h/{\mathrm{cos\beta }}_3}+T_{PS2}{e}^{-{\alpha }_{S}h/{\mathrm{cos\beta }}_4})]\end{array}$其中，U_i3为混叠波声压，U_i2为反射波声压，β₃和β₄分别为纵波和横波的反射角，x₁,x₂分别表示折射波、反射波的传播距离，R_PP2为纵波的反射系数，T_PP2为纵波的折射系数，T_PS2为横波的折射系数，τ为传感器接收到的反射波相对直达波的时延；b、提取模拟局放超声直达信号的峰值因数、分形盒维数以及李雅普指数作为区分直达波和混叠波的特征参量；①峰值因数对于脉冲波形的时域数据序列x(i)，i＝1,2，……，m，取其最大值x_max为峰值，则峰值因数CF定义为：CF＝x_max/D，其中$D=\sqrt{\underset{i=1}{\overset{m}{\Sigma }}x{\left(i\right)}^2/m}$为均方根值；②分形盒维数假设离散时间序列是非空集，Δt为采样的时间间隔，首先将离散时间序列归一化得到单位正方形区域，即：F＝{x(t)|min(|x(t)|)＝0,max(|x(t)|)＝1,0≤t≤1}，取栅格大小为δ，在区间I_i＝[(i‑1)δ,iδ]内，覆盖F的最小正方形数目为：N_i＝[(max(x(t))‑min(x(t)))/δ]，因此在[0,1]内覆盖F的总正方形数目为：通过对特征区间内的δ求正方形的总数，并利用最小二乘法得到的直线的斜率即为分形盒维数；③李雅普指数假设f为R^m→R^m上的可微、连续映射，系统的状态方程满足迭代方程：x_n+1＝f(x_n)，令f'(x)为f的雅克比矩阵，即：$f^{\prime }\left(x\right)=\frac{\partial f}{\partial x}=\left[\begin{array}{ccc}\frac{\partial f_1}{\partial x_1}& \mathrm{...}& \frac{\partial f_1}{\partial x_m}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}\\ \frac{\partial f_m}{\partial x_1}& \mathrm{...}& \frac{\partial f_m}{\partial x_m}\end{array}\right],$那么Lyapunov指数可以表示为：${\lambda }_i=\underset{m\to \infty }{\lim }\frac{1}{m}\ln \left|f_i^{\prime }\left(x_i\right)\right|,i=1,2,...,m,$c、利用从局放超声直达波与混叠波的模型提取的多组特征数据对BP人工神经网络进行训练。