基于随机森林算法的电气设备异常振动识别方法.pdf

2023.22 科学技术创新基于随机森林算法的电气设备异常振动识别方法周弘毅，夏磊（国电南瑞科技股份有限公司，江苏 南京）引言随着电力系统的发展，电气设备的容量也不断增加。电气设备的安全关系到电力系统的平稳性。为了避免电气设备的故障问题，研究人员从设备异常振动方面着手，设计了相关的设备异常振动识别方法。其中，基于 EMD-LS-MFDFA 法的异常振动识别方法利用经验模态分解的方式，将设备异常振动信号提取出来，再结合最小二乘法对振动信号特征进行优化拟合，最后使用多重分形去趋势波动分析法分析设备异常振动信号1。基于此，结合 EMD、LS、MFDFA 等方法，将异常振动信号以特征参数的形式呈现，从而减少振动识别误差。基于迁移学习的设备异常振动识别方法利用迁移学习，对复杂环境下的设备异常振动情况进行精准识别，从而优化差异性正则化损失函数，获得更加有效的识别模型2。然而，以上两种方法易受到异常谐波的影响，导致识别结果存在一定的随机误差。因此，本文利用随机森林算法，设计了新的电气设备异常振动识别方法。1电气设备异常振动随机森林识别方法设计1.1提取电气设备异常振动谐波特征谐波是电气设备异常振动中非周期性波形，谐波电流是正常振动电流的整数倍。对于电气设备而言，异常振动谐波包括分数谐波、间谐波、次谐波，只有将所有异常振动谐波特征均提取出来，才能对电气设备的非线性谐波分量进行分析，确定电气设备异常振动的类型3。在电气设备的固定设备中，谐波是非线性产生的，利用波形控制找出异常振动谐波发生源。本文将异常振动谐波设定为，交流失真波为。假设，则异常振动谐波表示为：（1）式（1）中，为交流失真波的特征分量；为交流失真波的谐波周期。在电气设备异常振动的状态下，流过电气线路的为的对称波，并且出现的奇次谐波4。奇次谐波电流波形特征如图 1 所示。图 1奇次谐波电流波形特征图 1 中，1、2、3、4 分别为 3 次谐波、5 次谐波、基础波、合成波。在电气线路中所发生的奇次谐波中，异常作者简介：周弘毅（1986-），男，硕士，中级工程师，主要从事配电和变电电气设备技术研究。摘要：常规的电气设备异常振动识别方法以振动信号识别为主，并未对高次谐波进行二次识别，导致识别结果出现偏差。为此，本研究基于随机森林算法设计了新的识别方法。首先，提取电气设备异常振动的谐波特征，通过分析非线性谐波分量确定异常振动的类型。然后，基于随机森林算法构建异常振动识别模型，在消除异常振动区域的混叠噪声后，识别异常振动数据的相关性变量，并根据设备劣化异常状态判断电气设备的劣化等级。实验表明：该方法识别结果的随机误差更小，能够确保电气设备异常振动识别的精准度。关键词：随机森林算法；电气设备；异常振动；识别方法中图分类号院S277.9文献标识码院A文章编号院2096-4390渊2023冤22-0007-04()(2)ii()i()i 2()i()()ii7-科学技术创新 2023.22谐波就会产生冲击脉冲，根据冲击脉冲的大小，判定电气设备的应力老化类型。再结合异常振动谐波特征，确定电气设备热异常、电压应力异常、机械应力异常、环境应力异常、复合应力异常等异常振动类别，从而其进行针对性的振动识别。1.2基于随机森林算法构建电气设备异常振动识别模型电气设备异常振动信号间断性，是产生异常振动混叠噪声的主要原因。在异常振动谐波特征提取之后，存在正常谐波混杂的问题，影响电气设备异常振动识别效果5。本文利用随机森林算法，构建出电气设备异常振动识别模型。通过随机生成的白噪声序列，消除电气设备异常振动区域的混叠噪声，并将异常振动数据进行相关性变量识别，避免过拟合的问题。随机生成的白噪声序列为，得到：（2）式（2）中，为第 i 个白噪声的第 k 阶 IMF分量；为第 i 个白噪声的残余分量。在电气设备异常振动识别的过程中，本文以决策树作为识别模型，从树的根节点出发，每一个节点在最优的异常特征处分裂，进而逐个节点构建一个树，直到满足谐波/基波为全部异常状态的条件，完成决策树的异常识别。随机森林决策树识别模型如图 2 所示。图 2 中，在 Tree 1 中，灰色圆点为正常谐波；黑色圆点为异常谐波；在 Tree M 中，灰色圆点为正常基波，黑色圆点为异常基波。本文将异常谐波与异常基波在随机森林决策树上进行识别，在 Tree 1 中识别异常谐波中的正常谐波；在 Tree M 中识别异常基波中的正常基波。将异常谐波与异常基波中的正常谐波、基波排除之后，得到的识别结果 1 与识别结果 M 就是最为准确的电气设备异常振动数据。在异常特征分析的过程中，本文利用识别信度指标，衡量识别结果的可靠性。信度公式为：（3）式（3）中，为识别结果的信度值；为识别结果的真实异常方差；为识别结果实际异常的方差。将识别结果进行信度分析之后，值越大，识别结果越准确。1.3识别电气设备劣化异常状态在识别模型得到电气设备异常振动识别结果之后，本文根据识别结果，判断电气设备的劣化等级，为电气设备提供针对性的运维决策。电气设备劣化等级划分情况如表 1 所示。表 1劣化等级划分表 1 中，经过异常振动识别之后，将存在异常的 B1、B2、B3、C 设备进行实时关注，在劣化等级为 C 的设备上关注度增加，秉持着“早发现，早治疗”的观念，保持电气设备的长久运行。2实验与分析为了验证本文方法的有效性，设计如下实验，并将文献1方法、文献2方法作为对比。2.1实验过程本次实验将风机齿轮箱的电气设备作为异常振动识别目标，通过现场采集的数据，识别该设备的异常振动情况。风机()in t,1()()()uii kikn twtr t,()i kwt()irt()2()/2()r xxStSx()r xx2()St2()Sx()r xx()r xx图 2随机森林识别模型劣化阶段 劣化值 劣化状态 备注 A 40%正常 正常运行 B1 41%60%轻度异常 正常运行 6 个月 B2 61%80%中度异常 正常运行 3 个月，并 进行趋势管理 B3 81%90%重度异常 正常运行 1 个月，并 随时对其维护 C 90%劣化 存在劣化，及 时检修 8-2023.22 科学技术创新齿轮箱 2.0 MW，风机齿轮箱为一级行星太阳轮&一级行星轮，二级太阳轮&平行级中间轴结构，齿轮传动比为 131.58，齿轮箱型号为 FD2250MD。在齿轮箱上布置一个振动传感器，传感器在主轴承径向、轴向；齿轮箱径向；发电机径向等位置布置监测点，找出发电设备的异常振动问题。根据振动传感器传回的数据得知，主轴承上存在 8 个异常振动点位，分别为主轴承径向与轴向的 12 点、3 点、6 点、9 点钟方向的异常振动；齿轮箱径向 1 点、5 点、7 点、11 点钟方向的异常振动；发电机径向 12 点、3 点、6 点、9 点钟方向的异常振动。本文将振动传感器采集的异常振动数据进行分析，并计算出发电设备各个零部件异常振动的均方根误差，过程如下：（4）式（4）中，为电气设备异常振动识别的均方根误差值；为实际异常振动数据；为识别到的异常振动数据；m 为识别次数。为识别偏差真值，与识别信度有关，信度越高，偏差真值越低，降低，异常振动识别有效性随之增高。2.2实验结果在上述实验条件下，本文随机选取出主轴承、齿轮箱、发电机等电气设备，对其异常振动位置进行识别。识别信度是对异常振动识别数据的可靠性验证结果，识别信度越高，振动数据识别的随机误差越小。RMSE 值是异常振动识别的均方根误差值，RMSE 值越小，振动数据识别的准确性越高。实验结果如表 2所示。表 2 中，在其他条件均一致的情况下，使用文献1 方法之后，识别信度在 0.540.86 的范围内变化；RMSE 值在 0.080.25 的范围内变化。由此可见，使用该方法之后，异常振动识别的随机误差较大，振动数据识别的准确性相对较低，亟需对其进行优化。使用文献2方法之后，识别信度在 0.840.89 的范围内变化；RMSE 值在 0.010.10 的范围内变化。由此可见，使用该方法之后，识别信度较为稳定，整体数据能够满足基本识别需求。但是，该方法的识别误差仍然存在，影响异常振动识别效果。而使用本文方法之后，识别 信 度 在 0.96 1.00 的 范 围 内 变 化；RMSE 值 在0.0010.005 的范围内变化。由此可见，本文方法的异常振动识别有效性较高，随机误差较低。结束语电气设备在运行过程中如果发生故障或失效，将会给企业带来巨大的经济损失。为此，针对电气设备的异常振动问题，本文利用随机森林算法设计了电气设备异常振动识别方法。从异常谐波特征、识别模型、劣化状态识别等方面，降低了电气设备异常振动状态21()mcmixxRMSEmRMSEcxmxcmxxRMSE文献1方法 文献2方法 本文方法 电气设备部件 异常振动位置 识别信度 RMSE 值 识别信度 RMSE 值 识别信度 RMSE 值 径向 12 点钟方向 0.623 0.123 0.852 0.023 0.984 0.003 径向 3 点钟方向 0.726 0.093 0.867 0.045 0.992 0.001 主轴承 轴向 9 点钟方向 0.548 0.154 0.843 0.067 0.973 0.002 径向 1 点钟方向 0.832 0.166 0.858 0.016 0.965 0.001 径向 5 点钟方向 0.655 0.082 0.866 0.011 0.999 0.001 齿轮箱 径向 11 点钟方向 0.786 0.091 0.878 0.006 0.982 0.001 径向 3 点钟方向 0.542 0.232 0.885 0.058 0.988 0.002 径向 12 点钟方向 0.854 0.154 0.872 0.091 0.995 0.001 发电机 径向 6 点钟方向 0.763 0.085 0.863 0.042 0.999 0.001 表 2实验结果9-科学技术创新 2023.22Identification Method of AbnormalVibration of Electrical Equipment Based onRandom Forest AlgorithmZhou Hongyi,Xia Lei（Guodian Nanrui Technology Co.,Ltd.,Nanjing,China）Abstract:The conventional methods for identifying abnormal vibrations in electrical equipment mainly fo原cus on identifying vibration signals,without secondary identification of higher-order harmonics,resulting in de原viations in the identification results.Therefore,a new recognition method is designed based on Random forestalgorithm.Firstly,extract the harmonic characteristics of abnormal vibration in electrical equipment,and deter原mine the type of abnormal vibration by analyzing the nonlinear harmonic components.Then,an abnormal vi原bration identification model is built based on Random forest algorithm.After eliminating the aliasing noise inthe abnormal vibration area,the correlation variables of abnormal vibration data are identified,and the deteri原oration level of electrical equipment is judged according to the abnormal state of equipment degradation.Theexperiment shows that the random error of the identification results of this method is smaller,which can en原sure the accuracy of identifying abnormal vibrations in electrical equipment.Key words:random forest algorithm;electrical equipment;abnormal vibration;identification method识别的随机误差，为电气设备的运行与维护提供了保障。参考文献1梁兴，罗远兴，邓飞，等.基于 EMD-LS-MFDFA 法的离心泵异常振动识别J.南昌工程学院学报，2022，41(4):66-70，108.2张恒，徐广辉，饶丹，等.基于迁移学习的复杂环境下输电杆塔异常振动识别 J.电力信息与通信技术，2022，20(1):61-67.3张敏，万书亭，王萱，等.基于 WPT-ESCDE 的电气设备运输车轮对轴承故障特征提取方法J.中国工程机械学报，2023，21(2):183-188.4商继东，高润鸿，胡文龙，等.CR400BF 型动车组异常振动的研究及故障排查建议 J.铁道机车车辆，2023，43(1):148-154.5苏连成，朱娇娇，郭高鑫，等.基于 XGBoost 和 Wasserstein 距离的风电机组塔架振动监测研究J.太阳能学报，2023，44(1):306-312.10-