本发明涉及有载分接开关故障诊断，具体地说是一种一种基于相空间重构理论的有载分接开关故障诊断方法。
背景技术：
1、电力变压器是电力系统中不可或缺的核心设备，具有不可替代的作用，其运行状况对到整个供配电系统的可靠运行影响极大。其中，有载分接开关oltc作为变压器的重要部件，发挥着稳定负荷中心电压、增加电网灵活度、改善电能质量等重要功能。oltc作为变压器唯一频繁运动的部件，长期工作在高电压、大电流的环境下，易发生构件磨损、烧蚀等故障。据故障类型统计分析，oltc故障占有载调压变压器总体故障的20%，其中机械故障占比高达70%，异常工况下的oltc对变压器的安全稳定运行造成了巨大的安全隐患。因此，如何对oltc的运行状态进行有效监测，及时发现和预防潜在的故障隐患，对保障变压器的安全运行及电网系统的可靠输电具有重要意义。
2、在机械式有载分接开关oltc换挡过程中，传动机构将电机的动力传递至分接选择器和切换开关等部件并按序动作，换挡时产生的振动信号包含了丰富的设备状态信息。目前，振动分析法已成为机械式oltc故障诊断的研究重点,oltc振动分析通常包括三个步骤：振动爆发数据的选择、特征提取和故障诊断。目前常用的信号特征类型包括时域特征、频域特征和时频域特征。通过小波分析、模态分解提取信号特征，可以更好地反映设备的整体状态，从而用于故障诊断和趋势预测。
3、小波分析以及模态分解可以快速提取振动信号特征，但无法有效解决小波基选取问题和模态混叠问题对信号分解的影响，造成信号特征提取不充分或误差增大，从而影响故障识别的准确性。上述两类方法通常侧重于时域或频域特征，缺乏对信号的整体空间特性和复杂结构的深入分析，这使得其在面对复杂的故障模式时的识别能力受到限制。振动信号往往受到复杂的机械结构、运动状态和外界因素的影响，表现出非线性和混沌的行为，传统的线性分析方法难以捕捉这种复杂性。
技术实现思路
1、本发明的目的在于提供一种基于相空间重构理论的有载分接开关故障诊断方法，用于解决小波分析以及模态分解法侧重于时域或频域特征，缺乏对信号的整体空间特性和复杂结构的深入分析，使得其在面对复杂的故障模式时的识别能力受到限制的问题。
2、本发明解决其技术问题所采取的技术方案是： 一种基于相空间重构理论的有载分接开关故障诊断方法，包括以下步骤：
3、s1、数据采集。
4、s1.1在oltc顶部安装加速度传感器，以采集oltc振动信号。
5、s1.2设置4种工况以模拟oltc常见故障，4种工况包括正常状态，以及弧形板与触头松动状况、传动轴螺丝松动状况和传动齿轮卡涩状况三种机械故障状况。
6、s1.3在oltc正常状态和三种机械故障状况下进行同档位多次测试和多档位多组测试，每种工况分别采集160组数据。
7、s2、数据选取。
8、s2.1在原始信号序列的基础上加入组白噪声的模态分量以构造个含噪信号，即
9、。
10、式中，表示第个含噪构造信号；为原始信号；表示信噪比；e表示emd分解；表示白噪声。
11、s2.2使用emd对含噪信号进行次重复分解，然后与含噪信号作差并计算均值，得到第1个残差信号和对应的模态分量。
12、。
13、。
14、s2.3向添加多组白噪声分量，得到并求均值再与作差得模态分量。
15、。
16、。
17、。
18、是在第一个残差信号的基础上再次加入白噪声后的加噪信号，表示信噪比；表示第2个残差信号。
19、s2.4重复步骤s2.3，直到所有余量信号不能再继续分解，得到所有模态分量imf；取模态分量imf1-imf4作为后续进一步特征提取的处理对象。
20、s3、特征提取。
21、s3.1相空间重构。
22、对于给定的时间序列，n为时间序列的长度，重构的相空间坐标表示为：
23、。
24、其中，为重构后相空间中的相点坐标；τ为延迟时间；m为嵌入维数。
25、s3.2相空间曲面重构。
26、使用python中griddata函数的三次插值方法构成重构曲面。
27、s3.3灰度共生矩阵特征提取。
28、s3.3.1构造灰度共生矩阵。
29、给定图像i，其尺寸为 ，灰度共生矩阵定义为：
30、（8）。
31、其中，为灰度级别，范围为，为灰度级数数值；为相对距离，为相对方向，表示像素在水平方向上的位移，表示像素在竖直方向上的位移，和取决于相对距离和相对方向；选取灰度共生矩阵的对比度con、能量e、同质性h以及相关性cor作为图像纹理特征进行特征提取。
32、1）对比度con：衡量图像灰度差异的强度，计算公式为：
33、（9）。
34、2）能量e：反映纹理的均匀性，越大表明纹理越均匀，计算公式为：
35、（10）。
36、3）同质性h：衡量邻近灰度值的相似程度，计算公式为：
37、（11）。
38、4）相关性cor：反映像素间的灰度值线性相关性，计算公式为：
39、（12）。
40、其中是灰度级的均值，是灰度级的均值；、为标准差。
41、s3.3.2相空间重构曲面投影图像纹理特征提取。
42、s3.3.2.1使用全局最小值和最大值进行归一化，通过计算数据集的整体最小值min（x）和最大值max（x）以确保数据使用相同的归一化标准，公式如下：
43、（13）。
44、式中，为归一化后的数据。
45、s3.3.2.2灰度级粗量化。
46、将灰度级降至一个合适的数值，同时又不影响图像的纹理特性，将256的灰度级量化成48级。
47、s3.3.2.3绘制灰度图像。
48、将数据映射到0-47之间的灰度级，绘制曲面投影到xy平面的灰度图像。
49、s3.3.2.4计算灰度共生矩阵。
50、取距离为1个像素，计算0°、45°、90°、135°四个方向的灰度共生矩阵。
51、s3.3.2.5求出每个灰度共生矩阵的对比度、能量、同质性和相关性4个特征值。
52、s4、样本划分。
53、对于每组原始信号，分解得到模态分量imf1、模态分量imf2、模态分量imf3和模态分量imf4，对每个模态分量imf提取16维特征，最终每组信号获得一个64维的特征向量并以此构成训练集与测试集，并输入分类器进行训练与测试。
54、s5、基于贝叶斯优化catboost的oltc故障诊断与识别。
55、catboost的步骤为：
56、s5.1初始化模型。
57、s5.2对于每一轮迭代，计算当前模型的残差，基于残差拟合新的弱学习器并更新模型：
58、（14）。
59、其中，为表示第m-1轮迭代后的模型，为对应的学习率。
60、s5.3基于早停机制或指定的迭代次数，通过一系列的弱学习器累积构建出最终模型：
61、（15）。
62、运用贝叶斯超参数自动优化对catboost模型中迭代次数iterations、树的深度depth、学习率learning rate、l2正则化参数12 leaf reg、抽样温度bagging_temperature五个超参数进行优化，得到catboost模型的最优参数。
63、进一步地，三种机械故障状况的模拟方式为：
64、故障1：弧形板松动是将oltc的a相弧形板上的静触头拧松一个螺丝环模拟实现；触头松动通过松动中性点触头以及主通断触头相关螺丝模拟实现。
65、故障2：传动轴螺丝松动是将传动杆连接处的螺丝松动实现故障模拟实现。
66、故障3：传动齿轮卡涩是通过在开关传动机构的齿轮盒中塞木屑，以增大齿轮间的摩擦力，从而模拟传动轴卡滞的故障。
67、进一步地，使用互信息法确定延迟时间τ：假设原始振动信号,经过时间延迟τ后信号变为，则序列s和q之间的互信息值通过如下信息熵和概率获得：
68、（16）。
69、式中：为信号s的信息熵；为信号q的信息熵；为s和q的联合信息熵；为采样点中值为的点在整个数据段内出现的概率；为采样点中值为的点在整个数据段内出现的概率；为原始信号中采样值为且延迟信号采样值为的概率。
70、进一步地，采用伪近邻法确定最佳嵌入维数m。
71、当嵌入维数m较小时，相空间中的轨迹未完全展开，导致轨迹出现折叠和缠绕现象，进而使原本相距较远的相点距离变得较近，这些靠近的相点被称为伪近邻点；为使伪近邻点分开，需要逐步增加嵌入维数m；当嵌入维数m增加到伪近邻点基本减少为零时，所对应的嵌入维数m即为系统的最佳嵌入维数m。
72、进一步地，对于四种工况下的振动信号，经过iceemdan分解后的模态分量imf1、模态分量imf2、模态分量imf3和模态分量imf4，分别计算其延迟时间τ与嵌入维数m；为确保变量一致性，将所有振动信号在相同的相空间中重构，并对模态分量imf计算得出的延迟时间τ与嵌入维数m取平均值，最终确定重构参数τ和m。
73、进一步地，步骤s3.2的具体内容为：
74、s3.2.1将重构点集进行delaunay三角剖分，确保每个三角形的外接圆内不包含其它点，从而构建出一个覆盖所有点的三角形网格。
75、s3.2.2在每个三角形内，使用三次多项式对数据进行局部插值，在每个三角形区域内通过三次多项式平滑地估算点之间的值以生成平滑且连续的曲面，从而反映重构点的局部变化。
76、s3.2.3通过三次插值将离散的重构点连接成一个光滑的曲面，即为重构曲面，该曲面反映了所有重构点的信息，当oltc机械状态发生变化时，插值生成的曲面也会发生相应的变化。
77、本发明的有益效果是：本发明针对km型油浸式在线变压器分接开关oltc的故障诊断与识别问题，采用了振动信号分析、特征提取及机器学习技术，提出了一种有效的故障分类方法，旨在提升设备的可靠性与运行效率。（1）通过对oltc在不同工况下的振动信号采集进行详细的实验设计，模拟了常见故障情况，包括弧形板与触头松动、传动轴螺丝松动及传动齿轮卡涩以确保对oltc各种故障状态的全面分析。（2）采用iceemdan分解技术对采集的振动信号进行处理，提取包含丰富故障特征的本征模态函数imf。通过相空间重构，构建了高维特征空间，为故障分类提供了可靠的支持。此外，使用灰度共生矩阵glcm对相空间重构曲面的xy平面投影进行处理，提取了对比度、能量、同质性和相关性等多维度图像特征，进一步丰富了特征描述。相空间重构能够通过延时嵌入，将一维时间序列数据扩展为多维相空间，使得信号的动态行为如周期性、混沌性等能够被更清晰地揭示出来，有助于分析设备的动态特性，为非线性时间序列分析奠定了坚实的理论基础。由于相空间重构对初始条件的高度敏感性，它能放大设备振动信号的微小变化，实现故障的准确识别。（3）选择贝叶斯优化catboost作为故障分类模型，利用贝叶斯优化catboost对超参数进行了系统调整，获得最佳的超参数配置。这一过程显著提高了模型的分类准确率，增强了其鲁棒性。经训练与测试，模型在测试集上的分类准确率达到了95%，同时通过5折交叉验证得到了93%的分类准确率。这表明所提出的模型在实际应用中具有良好的性能和可靠性。
1.一种基于相空间重构理论的有载分接开关故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于相空间重构理论的有载分接开关故障诊断方法，其特征在于，三种机械故障状况的模拟方式为：
3.根据权利要求1所述的一种基于相空间重构理论的有载分接开关故障诊断方法，其特征在于，使用互信息法确定延迟时间τ：
4.根据权利要求1所述的一种基于相空间重构理论的有载分接开关故障诊断方法，其特征在于，采用伪近邻法确定最佳嵌入维数m：
5.根据权利要求1所述的一种基于相空间重构理论的有载分接开关故障诊断方法，其特征在于，对于四种工况下的振动信号，经过iceemdan分解后的模态分量imf1、模态分量imf2、模态分量imf3和模态分量imf4，分别计算其延迟时间τ与嵌入维数m；为确保变量一致性，将所有振动信号在相同的相空间中重构，并对模态分量imf计算得出的延迟时间τ与嵌入维数m取平均值，最终确定重构参数τ和m。
6.根据权利要求1所述的一种基于相空间重构理论的有载分接开关故障诊断方法，其特征在于，步骤s3.2的具体内容为:
