基于高斯貝葉斯的建筑水暖設(shè)備故障信號診斷分析

呂偉博

(中鐵十八局集團第四工程有限公司，天津 300350)

在大型建筑水暖設(shè)備中,水暖設(shè)備故障是導(dǎo)致大型建筑水暖設(shè)備失效的主要原因之一。目前,判斷水暖設(shè)備是否發(fā)生故障的方法主要是通過檢測暫態(tài)故障信號波動幅度來進行,但大型建筑水暖設(shè)備發(fā)生故事時,經(jīng)常故障信號復(fù)雜,噪聲干擾較多。針對上述問題,文獻[1]提出了基于信號稀疏表示和瞬態(tài)沖擊信號多特征提取的滾動軸承故障診斷方法,該方法在分析故障信號特點的基礎(chǔ)上,構(gòu)建IChirplet原子庫,利用優(yōu)化的OMP算法進行原子尋優(yōu);文獻[2]提出了基于多尺度排列熵及PSO-SVM的輸電線路故障判別,通過MATLAB/Simulink對各種工況下的不同故障參數(shù)進行仿真,提取故障暫態(tài)電壓信號的MPE作為特征向量輸入到經(jīng)粒子群算法優(yōu)化的支持向量機模型中來判別輸電線故障類型和故障相別。上述改進方法雖然可以檢測大型水暖故障,但仍存在一些問題。為此,本文提出了一種基于高斯貝葉斯的建筑水暖設(shè)備故障信號診斷方法,并分析參數(shù)的影響。

1 水暖設(shè)備暫態(tài)故障信號分析

在實際設(shè)備故障中,由于信號周期通常較短,因此一般通過建設(shè)故障暫態(tài)信號模型,如式(1)所示。

(1)

式中:a為實數(shù)區(qū)間的任意數(shù)值;χ為水暖設(shè)備的基頻;λ2為衰減的電流分量;λisin(iχt)為基頻諧波分量;λisin(μi)為高次諧波分量[3]。

為了充分考慮水暖設(shè)備,將暫態(tài)故障信號在初始時間進行求導(dǎo),可以計算出信號的左右導(dǎo)數(shù)。當(dāng)左右導(dǎo)數(shù)不一致時,水暖設(shè)備暫態(tài)故障信號在初始時間是不可導(dǎo)的[4],即此時的信號具有奇異性,奇異度小于等于1。當(dāng)左右導(dǎo)數(shù)一致時,水暖設(shè)備暫態(tài)故障信號在初始時間是可導(dǎo)的,此時的奇異度大于1,因此w(t)的導(dǎo)函數(shù)可表示為:

(2)

計算式中的左右導(dǎo)數(shù)即可獲取暫態(tài)故障信號。從式(2)中可以看出,初始時間導(dǎo)函數(shù)不能成立的,但在某種條件下卻可以成立,因此不能完全將所得函數(shù)進行排除[5]。因此,導(dǎo)函數(shù)在初始時間的n階時所確定出的暫態(tài)故障信號要在故障時刻的奇異度下達到不同的信號檢測為止。

2 基于高斯貝葉斯的故障信號診斷

2.1 故障信號提取過程

信號中的突變信息通常由信號的包絡(luò)線決定,而在信號當(dāng)中很多高頻成分都是由脈沖所激勵的?；诖?分析出建筑中的水暖設(shè)備暫態(tài)故障信號差異,確定高頻分量就是包絡(luò)信號的載波[6],使用貝葉斯信號提取方法對故障信號進行提取診斷。

實際信號x(t)的定位為:

(3)

對式(1)解析,得到的信號可表示為:

(4)

基于此,得到的解析信號幅值可表示為:

(5)

式(5)的計算結(jié)果,就是原始信號的包絡(luò)。

2.2 基于高斯貝葉斯的信號分解

使用高斯貝葉斯方法能夠?qū)Ω哳l和低頻分量進行轉(zhuǎn)換,將其轉(zhuǎn)換為頻譜形式,其中暫態(tài)故障信號中的細節(jié)指的是智能高頻分量,暫態(tài)故障信號中的輪廓指的是低頻分量[7]。使用高斯貝葉斯的故障信號檢測方法,能夠有效識別信號中的高頻分量和低頻分量,將其按照分量大小,可分為大尺度分量和小尺度分量。

高斯貝葉斯分析中最早應(yīng)用的緊湊性小波—— Haar小波,在時間范圍內(nèi)具有良好的解析度?；诖?以式(6)為信號分解的依據(jù)。

(6)

式中使用貝葉斯技術(shù)分解信號,分解結(jié)果如圖1所示。

(a)信號輪廓電壓分量

從圖1可以看到,原始信號的光譜特征和信號的分布特征是一致的。該頻譜可視為近似于原始信號的形態(tài),而其頻譜則為較高頻率之原始信號的頻譜,亦即該信號所含之細節(jié)分量會略微改變原信號的信息[8]。從小波分析的觀點出發(fā),其特征實質(zhì)上是信號中的高頻分量。

2.3 故障信號的參數(shù)檢測

在故障信號檢測中,使用高斯貝葉斯技術(shù)的信號分解結(jié)果與故障信號參數(shù)測定結(jié)果具有相同的模極大值,通過檢測該值能夠確定故障信號出現(xiàn)的位置,即為故障位置,詳細內(nèi)容如下。

假設(shè)w(t)是某一點的參數(shù)異常值,那么該點的高斯貝葉斯與李氏指數(shù)必然存在內(nèi)在聯(lián)系,其中李氏指數(shù)是表征函數(shù)局部特性的一種變量。如果w(t)在實數(shù)區(qū)間的信號參數(shù)滿足下式:

|wξ(t,a)|≤bαα,

(7)

式中:α為李氏指數(shù);b為與高斯貝葉斯有關(guān)的常數(shù)。當(dāng)李氏指數(shù)的數(shù)值大于0時,高斯貝葉斯的模極大值與李氏指數(shù)呈正比例關(guān)系;反之,當(dāng)李氏指數(shù)的數(shù)值小于0時,高斯貝葉斯的模極大值與李氏指數(shù)呈反比例關(guān)系;當(dāng)李氏指數(shù)的數(shù)值等于0時,高斯貝葉斯的模極大值與李氏指數(shù)無明顯相關(guān)關(guān)系。

由于故障信號模型w(t)在某處的變換不一定是奇異的,因此,將該模型視為最原始的故障信號。通過高斯貝葉斯理后,求解模型得到模極大值,依據(jù)該值能夠計算李氏指數(shù),進而明確經(jīng)過高斯貝葉斯診斷后的尺度最大值,也就等價于對其取對數(shù)后將所得的公式進行極小化處理,得到精準的李氏指數(shù)[9-10]。待獲取到李氏指數(shù)后,就可以對信號分類,b的值就是突變點的幅值。

3 仿真實驗

對于大型建筑水暖設(shè)備故障信號異常檢測方法,利用MATLAB軟件中的工具箱,建立仿真模型,對設(shè)備故障模式進行仿真,以確認本文提出方法的正確性。

3.1 仿真模型構(gòu)建

當(dāng)建筑水暖設(shè)備出現(xiàn)單相接地故障時,接地電流和電壓也會出現(xiàn)較大變化。為此,本實驗使用了輻射型網(wǎng)絡(luò),避免設(shè)備負載的影響,直接反映出電壓和各線路電流的關(guān)系。

單相接地不僅影響建筑水暖設(shè)備的正常使用,而且可能出現(xiàn)過電壓,導(dǎo)致設(shè)備被燒壞。單相接地故障示意如圖2所示。

圖2 單相接地故障仿真模型

由圖2可知,如果三條線路中某一條線路不完全接地,那么需通過高電阻接地,此時的暫態(tài)故障電壓值較小,正常電壓值較高;如果三條線路中某一條線路完全接地,那么此時的暫態(tài)故障電壓值為0,正常線路的電壓與輸電線電壓一致;如果三條線路中某一條線路出現(xiàn)斷線時,暫態(tài)故障電壓值大于等于0,此時的線路電壓經(jīng)過二次回路后,與另外兩條線路串聯(lián)后形成串聯(lián)回路[11-13]。

3.2 仿真結(jié)果與分析

假設(shè)線路1出現(xiàn)故障,設(shè)置好各種參數(shù)后啟動仿真,可得到線路1上的零序電壓、電流的暫態(tài)波形,如圖3所示。

(a)電壓暫態(tài)波形

由圖3可知,圖3a中的電壓暫態(tài)波形在前0.2 s始終為0,從0.25～0.4 s電壓暫態(tài)波形變化不具有規(guī)律性,而從0.4～0.8 s電壓暫態(tài)波形變化具有規(guī)律性,始終在-2.2～2 kV范圍內(nèi)波動;圖3b中的電流暫態(tài)波形在前0.2 s始終為0,從0.25～0.8 s的電流暫態(tài)波形變化具有規(guī)律性,且波動范圍越來越小,在0.5 s以后,電流始終在-5～5 kV范圍內(nèi)波動。

(a)電壓暫態(tài)波形

基于此,分別使用基于信號稀疏表示的多特征提取檢測方法、基于多尺度排列熵故障信號檢測方法和建筑水暖設(shè)備故障信號高斯貝葉斯檢測方法[3,14],對比分析故障時電壓、電流暫態(tài)波檢測結(jié)果如圖4所示。由圖4a可知,使用基于信號稀疏表示的多特征提取檢測方法,電壓暫態(tài)波形在時間0.25～0.51 s內(nèi)變化不具有規(guī)律性,波動范圍為-4.1～2.2 kV。在時間0.51 ～0.8 s內(nèi)電壓暫態(tài)波形變化具有規(guī)律性,波動范圍為-3～2.2 kV;使用基于多尺度排列熵故障信號檢測方法,電壓暫態(tài)波形在時間0.25～0.51 s內(nèi)變化不具有規(guī)律性,波動范圍為-3～2.2 kV。在時間0.51～0.8 s內(nèi)電壓暫態(tài)波形變化具有規(guī)律性,波動范圍為-2.2～4.2 kV;使用建筑水暖設(shè)備暫態(tài)故障信號高斯貝葉斯檢測方法,電壓暫態(tài)波形在時間0.25～0.4 s內(nèi)變化不具有規(guī)律性,波動范圍為-2.4～2.5 kV。在時間0.51～0.8 s內(nèi)電壓暫態(tài)波形變化具有規(guī)律性,波動范圍為-2.2～2 kV,與實際變化情況一致。

由圖4b可知,使用基于信號稀疏表示的多特征提取檢測方法,電流暫態(tài)波形是從0.25 s開始變化的,波動范圍從-23.5～20 A逐漸縮小,最終為-2.5～5 A;使用基于多尺度排列熵故障信號檢測方法,電流暫態(tài)波形從0.2 s就開始變化,波動范圍從-25～19.5 A逐漸縮小,最終為-2.5～1.5 A;使用大型建筑水暖設(shè)備暫態(tài)故障信號高斯貝葉斯檢測方法,電流暫態(tài)波形從0.25 s就開始變化,波動范圍從-23.5～19 A逐漸縮小,縮小到-4.5～5 kV后保持不變,與實際數(shù)值相差0.5 A。

4 結(jié)束語

綜上所述,利用多維高斯貝葉斯分類模型對機械設(shè)備的故障進行智能診斷,發(fā)現(xiàn)其存在著不確定的奇異性,并且奇性大于正的概率為0。在建筑水暖設(shè)備故障暫態(tài)信號的奇異特殊性為確保檢測奇異性的有效性時,提出了選用小波轉(zhuǎn)換方法,并給出了利用高斯貝葉斯方法對水暖設(shè)備故障暫態(tài)信號檢測的原理。與傳統(tǒng)方法相比,所分析的建筑水暖設(shè)備暫態(tài)信號奇異性,得出其奇異的特殊性質(zhì),從而具有不確定的奇異度,因此提出高斯貝葉斯的建筑水暖設(shè)備故障信號診斷,確保了信號差異性的準確檢出。將所研究的檢測方法用于建筑水暖設(shè)備故障時刻仿真分析時,可得到精準檢測結(jié)果。