神经网络在局部放电模式识别中的实验研究.pdf

《神经网络在局部放电模式识别中的实验研究.pdf》由会员分享，可在线阅读，更多相关《神经网络在局部放电模式识别中的实验研究.pdf（60页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、工学硕士学位论文神经网络在局部放电模式识别中的实验研究孙学勇哈尔滨理工大学2 0 0 5 年3 月哈尔滨理工大学工学硕士学位论文神经网络在局部放电模式识别中的实验研究摘要局部放电量是评价在线高压电器绝缘状态的最重要技术参数之一。绝缘缺陷和局部放电紧密关联，在线监测高压电器运行状态，实时采集绝缘局部放电信号并对其进行数理分析处理和属性分类，推断、预测绝缘缺陷部位及放电发展程度，可以预报预防事故发生。因此，局部放电模式识别技术的研究和理论探讨具有重要的工程应用价值和学术意义。本文在参阅大量国内外现有的局部放电模式识别文献基础上，从局部放电产生机理出发，设计了三种局部放电模型尖对尖电极系统、尖对板电

2、极系统和球对板电极系统。运用现代信号采集和数字处理技术，构建局部放电信号采集系统，通过D S O 2 9 0 2 数据采集装置将局部放电模拟信号转化为数字信号直接输入到计算机。计算机通过自行设计的采集软件系统对局部放电信号进行操作。为使局部放电信号采集软件系统更具可操作性，采用C+B u i l d e r 和M A T L A B 两种语言混合编程。局部放电模式识别分类效果取决于模式特征、分类器拓扑结构和相应算法。本文在综合局部放电特征提取方法、最优特征向量选择理论和模式分类器设计原理的基础上，提出自适应特征提取小波神经网络，并给出相应拓扑结构和网络学习训练算法。自适应特征提取小波神经网络是

3、一种集最优局部放电时频特征提取和模式分类器功能于一体的前馈型网络，在网络学习过程中，其学习步长的选择采用自适应学习步长算法，提高网络的收敛速度。同时，将自适应特征提取小波神经网络与以局部放电图像灰度矩为特征的B P神经网络及以局部放电统计量为特征的正交小波神经网络的学习训练和识别效果进行比较试验研究和理论分析，结果表明，最优特征向量的选择提取对于局部放电模式识别是至关重要的，自适应特征提取小波神经网络于此具有很大的优越性，同时，自适应特征提取小波神经网络与B P 神经网络和正交小波神经网络相比，其网络拓扑结构的确定具有先验性和明确理论依据。关键词局部放电：模式识别；特征提取；小波神经网络竺查堡

4、矍三查兰三兰堡圭兰堡丝兰T h eE x p e r i m e n tS t u d yo fN e u r a lN e t w o r kA p p l i c a t i o ni nP DP a t t e r nR e c o g n i t i o nA b s t r a c tT h eq u a n t i t yo fp a r t i a ld i s c h a r g e(P D)i so n eo ft h em o s ti m p o r t a n tt e c h n i c a lp a r a m e t e r sw h i c ha r eu s

5、e dt oa s s e s st h ei n s u l a t i o ns t a t eo fh i g hv o l t a g ee l e c t r i c a la p p a r a t u so n 1 i n e T h er e l a t i o no fi n s u l a t i o nd e f e c t sw i t hP Ds o u r c e si Sc l o s e l yi n t e r r e l a t e dS Ot h a to p e r a t i n gs t a t e so fh i g hv o l t a g ee

6、 l e c t r i c a la p p a r a t u sC a nb ec l e a r l ym o n i t o r e d，a n dt h ei n s u l a t i o nf a i l u r e sc a nb es i m u l t a n e o u s l yd i a g n o s e d，p r e d i c t e d，a n dt h el o c a t i o n so fi n s u l a t i o nd e f e c t sa n dt h ed e t e r i o r a t e dd e g r e e sc o

7、 u l db ed e d u c e dl o g i c a l l yf r o mt h eP Dd a t a b a s em i n e dr e a lt i m e T h e r e f o r e，t h e o r e t i c a ls t u d ya n ds c i e n t i f i ce x p e r i m e n to np a t t e r nr e c o g n i t i o nm e t h o do fP Ds i g n a lw a v e f o r mn o to n l yh a v ei m p o r t a n t

8、a c a d e m i cs i g n i f i c a n c e，b u th a v eg r e a tp r a c t i c a la p p l i c a t i o nv a l u e s R e v i e w e dm a n yr e s e a r c h e r s w o r k i n gr e s u l t sa n db a s e do nag r e a td e a lo fr e s e a r c hl i t e r a t u r e sp u b l i s h e di nd o m e s t i ca n da b o a

9、 r do np a t t e r nr e c o g n i t i o no fP Df a i l u r e s，t h et h r e ek i n d so fP Dm o d e l sa r es t r u c t u r e da c c o r d i n gt ot h em e c h a n i s mo fg e n e r a t i n gP Df o rs i m u l a t i n ga n dd e m o n s t r a t i n gt h eP Dp h y s i c a la n dc h e m i s t r yp h e n

10、 o m e n aw h i l ea p p e a r i n gt h ei n s u l a t i n gf a i l u r e so ft h eo p e r a t i n ga p p a r a t u si nt h eL a b，w h i c hi n c l u d ep o i n t-p o i n te l e c t r o d es y s t e m，p o i n t-p l a t ee l e c t r o d es y s t e ma n ds p h e r e p l a t ee l e c t r o d es y s t e

11、 m A n dt h ed e v i c e sf o rs a m p l i n gP Ds i g n a l sa r ed e s i g n e da c c o r d i n gt ot h ee l e c t r o n i ct e c h n i q u e，f u r t h e r m o r e，t h ec o m p u t e rs o f t w a r ep a c k a g e sa n dt h eo p e r a t i n gi n t e r f a c ea r em a d eu pf o rp r o c e s s i n gP

12、 Dd a t aa c q u i r e df r o mt h ee x p e r i m e n tm o d e l s，a n df o rt h es o f t w a r eb e i n gm o r em a n e u v e r a b l e t h eC+B u i l d e rp r o g r a m m i n gl a n g u a g e sa r ec o m b i n e dw i t ht h eM A T L A B T h ec l a s s i f i c a t i o ne f f e c t so fP Dp a t t e

13、r nr e c o g n i t i o nd e p e n do nt h ef e a t u r e so ft h ep a t t e r n，t o p o l o g yc o n s t i t u t i o no ft h en e t w o r k sa n dt h e i rt r a i n i n ga r i t h m e t i c B a s e do nt h em e t h o do fe x t r a c t i n gP Df e a t u r e，c h o o s i n gt h eo p t i m u mf e a t u

14、r ev e c t o rs p a c et h e o r ya n dm e t h o do fp a t t e r nc l a s s i f i c a t i o n，an e wk i n do fW N Ni S1 1 堕玺篓竺三查耋三兰塑圭主垒笙兰c r e a t e d，w h i c hp o s s e s s e st h eP Ds i g n a lf e a t u r e sc o u l db ee x t r a c t e db ys e l f-a d a p t i v e，a n dt h et r a i n i n ga r i t

15、h m e t i ci sp r o v e da n dd e m o n s t r a t e db yt h em a t h e m a t i c sa n dt h ee x p e r i m e n tr e s u l t s T h ee x t r a c t i n gf e a t t i r es e l f-a d a p t i v ew a v e l e tn e l l r a ln e t w o r ki Sas o r to ff e e d-r e t w a r dn e u r a ln e t w o r kh a sb o t hf u

16、 n c t i o no fc h o o s i n gt h eb e s te f f i c i e n c yP Dt i m e-f r e q u e n c yf e a t u r e sa n dp a t t e r ns o r t s，i no r d e rt oi n c r e a s et h en e t w o r kc o n v e r g e n c er a t e，t h ea d a p t i v el e a r n i n gs t e ps i z ea r i t h m e t i ci se m p l o y e dt oa

17、d j u s tt h en e t w o r kl e a r n i n gr a t e s M e a n w h i l e，t h eP Dp a t t e r nr e c o g n i t i o ne x p e r i m e n t sa r ec a r r i e do u ti n d i v i d u a l l yb yu s i n go ft h ee x t r a c t i n gf e a t u r es e l fa d a p t i v e l yw a v e l e tn e u r a ln e t w o r k，c o m

18、 b i n i n gt h em o m e n tf c a t u r eo fP Dp i c t u r eg r a yw i t hB Pn e u r a ln e t w o r ka n dt h eP Ds t a t i s t i c a lf e a t u r ew i t ho r t h o g o n a lw a v e l e tn e u r a ln e t w o r k，t h e i rr e s u l t ss h o wt h a tc h o o s i n gt h eb e s te f f i c i e n c yf e a

19、t u r eo ft h eP Dp a t t e r nr e c o g n i t i o na n dt o p o l o g yc o n s t i t u t i o no ft h en e t w o r k sa n dt h e i rt r a i n i n ga r i t h m e t i ca r ev i t a la n dg r e a te f f e c tf o rc o r r e c tc l a s s i f y i n g，a n dt h a te x t r a c t i n gf e a t u r es e l f-a d

20、 a p t i v ew a v e l e tn e u r a ln e t w o r kc a nb ed e t e r m i n e de a s i l yb yt h et h e o r e t i c a lb a s ea n dt h et r a i n i n gm e t h o d sa r es a m p l i n gt h e c o n v e r g e n c er a t e sa r ev e r yq u i c k l yc o m p a r i n ge x t r a c t i n gf e a t u r es e l f-a

21、 d a p t i v ew a v e l e tn e u r a ln e t w o r kt oB Pn e u r a ln e t w o r ka n do r t h o g o n a lw a v e l e tn e u r a ln e t w o r k K e y w o r d sP D；P a t t e r nR e c o g n i t i o n；E x t r a c t i n gF e a t u r e；W a v e l e tN e u r a lN e t w o r kI I I 呛尔演理1 二大学工学钡十学位论文第1 章绪论1 1

22、局部放电模式识别发展概况随着经济发展，电力系统正向着高f 电压、大容量、大网络、自动化和智能化方向发展，这种趋势不但对用电的安全可靠性提出更高要求，而且也促进高压电器在线运行状态监测、故障诊断预报技术的进步。高压电器中出现的大部分故障都是出绝缘缺陷(金属突起、自由移动的金属粒子、绝缘内部气隙等)引起的。在这些绝缘缺陷引发事故之自口，高压电器中都会出现局部放电现象”I。局部放电是指高压电器中绝缘介质局部区域发生放电，且放电没有贯穿施加电压的导体之间的现象”I。局部放电信号虽然很微弱，但它却包含有关绝缘的丰富信息，局部放电与其引发原因绝缘缺陷是紧密关联的H l。对局部放电进行模式识别，从而确定弓l

23、 起此局部放电的绝缘缺陷类型，有利于电力系统中高压电器运行状态监测预报和维护方案的确定。实践证明，目前电力系统中采用的对高压电器进行定期实验和维修的方法对减少和防止事故的发生起到了很好的效果，但是此种方法存在诸如盲目性和过度维修等不足之处 1。通过局部放电模式识别的技术方法，对高压电器运行状态实时监测预报，能克服现行高压电器维护方案的上述不足，从而达到故障科学预测、数据自动采集、状态诊断分析智能化、维护维修合理化。模式识别理论诞生于2 0 世纪6 0 年代，7 0 年代模式识别技术被首次应用于局部放电识别中，替代放电谱的目测判断，提高了局部放电模式识别的科学性和有效性”。8 0 年代初神经网络

24、(N e u r a lN e t w o r k，N N)得到空前的发展，理论上，对它的计算能力、对任意连续映射的逼近能力、学习理论及动念网络的稳定性分析等取得丰硕的成果，应用上神经网络的应用迅速扩展渗透到许多重要领域r I。进入9 0 年代，神经网络理论丌始应用于局部放电模式识别领域。在众多神经网络中，出于反向传播算法(B a c kP r o p a g a t i o na l g o r i t h m，B P)神经网络算法简单、可靠性好，所以，在局部放电模式识别中，将各种形式的局部放电特征量与B P 神经网络相结合的识别方法得到广泛研究。文献f 8 1 通过在环氧树脂中制造一个针状

25、气隙模拟两种模式的局部放电(电树产生之前的局部放电和电树产生之后的局部放电)，对采集到的局部放电信号提取由视在放电量g、放电次数H 和放电相位妒组成的局部放电特征向量，将局部放电特征向量输入到B P 神经网络中，进行局部放电模式识别。文献【9 同文献(8 相似，采用F 一q 一舻局部放电特征向量，选用B P 神经网络，对交链聚乙烯电缆中的局部放电进行模式=别。文献0 1 模拟G I S(G a sI n s u l a t e dS u b s t a t i o n s)中自由移动金属颗粒绝缘缺陷产生的局部放电，提取此局部放电信号的统计特征，利用B P 神经网络对此局部放电信号模式识别。文献

26、【1 1】，同样，结合局部放电统计特征和B P 神经网络对介质中气体空腔绝缘缺陷产生的局部放电进行模式识别，并在此基础上讨论局部放电统计特征在局部放电模式识别中的重要性。文献1 1 2】将局部放电的偏斜度(S k e w n e s s)、峰度(K u r t o s i s)、脉冲个数(N u m b e ro fp e a k s)输入到B P 神经网络，对人工模拟的局部放电进行模式识别。1 9 7 5 年美籍法国数学家曼德尔稚岁特(B B M a n d e l b r o t)提出分形理论，其后，L S a t i s h 和W S Z a e n g l 对将分形理论应用于局部放电特

27、征提取进行了深入研究，并结合B P 神经网络对模拟的局部放电信号进行模式识别实验和理论分析I。随着问题研究的深入，模-分炎器神经酬络的研究也确：J 1 泛的展。文献1 4 1 分别将B P 神经网络、自组织特征映射网络(K o h o n e ns e l f-o r g a n i z i n gm a p)和训练向量分区网络(1 e a r n i n gv e c t o rq u a n t i z a t i o nn e t w o r k)作为模式分类器，利用统计方法提取局部放电特征对由人工制造的绝缘缺陷产生的局部放电进行模式识别，识别结果显示，模式分类器神经网络的结构、收敛标准

28、、训练时I-白j 都会影响到局部放电模式识别率。文献f 1 5 1 椒掘7 I：物学中动物神经理沦一一突触神经足m 许多具有独立功能的细胞神经组合丽成的，将5 个细胞B P 神经网络(每个嗨个细胞B p 神经网络都是一个具有独立功能的B P 神经网络)和一个最大函数选择器组合形成一个突触复合型神经网络，选择与局部放电相位相关的三个量相位脉冲个数、平均放电量、最大放电量组成局部放电特征向量，进行局部放电模式谚 别的。专家系统是指一种以知识法则为依据，以推理为方法的智慧型程序，它是知诅 库和推理机的结合体。文献 1 6 1 在局部放电模式识别模拟实验中，结合专家系统和B P 神经网络构建局部放电模

29、式分类器。小波变换是空问(时问)和频率的局部变换，通过伸缩和平移等运算功能，对函数或信号进行多尺度的细化分析。1 9 9 2 年Z h a n gQ i n g h u a 和B e n v e n i s t e 结合神经网络和小波变换明确提小波神绎网络的概念和诈交小波神经网络的算法f|”。1 9 9 5 年，J u nZ h a n g 等在Z h a n gQ i n g h u a 提出的F 交小波神经网络基础上。对F 交小波神经网络与B P 神经网络和径向基神经网络的函数逼近能力进行比较研究，实验结果和理论分析结果表明F 交小波神经网络能弥补B P 神经网络和径向基神经网络的一些不足

30、I l”。其后，小波神经网络被应晴尔滨理T 人学T 学顿1：学位论义用各种领域的模式识别中。文献【1 9】应用小波神经网络对脑血栓脑超声波信号进行模式识别。文献1 2 0 1 构造离散小波神经网络对心瓣膜疾病多普勒信号进行模式识剐，该小波神经网络包括两部分：小波部分和多层感知器部分，小波部分负责提取信号的时频特征，多层感知器则用于学习训练和模式识别。文献 2 1 利用P r t i 小波神经网络对复杂的动力系统进行在线故障诊断。由上述可以看出，小波神经网络作为一种新型的模式分类器，在局部放电模式识别领域有着广阔的应用前景。1 2 本课题研究意义模式识别中，特征是决定相似性与分类的关键。对于局部

31、放电模式识别，如何找到合适的局部放电特征量就成为认知与识别的核心问题。文献 2 2】对局部放电信号的时域特征和频域特征进行了分析研究，证明不同模式的局部放电信号具有不同的时域信息和频域信息根据时域特征和频域特征可以J 下确识别出局部放电模式。文献1 2 3 用E M T P A T P 系统模拟G I S 中局部放电，根据时频联合特征对此局部放电信号进行模式识别。对局部放电特征研究结果表明，利用局部放电时频特征可以独立完成局部放电模式识别任务。但局部放电时频特征量大，对于具体识别任务而苦，在众多的时频特征量中包含一些冗余的时频特征，这些冗余时频特征在一定程度上会降低局部放电模式识别率。若要使模

32、式识别率达到更高，就必须将这些无用的时频特征从特征向量中剔除出去，这方面的工作需要进一步研究和探索。模式分类器的质量直接影响到局部放电模式识别率。输入特征向量一定时，好的模式分类器能得到高的局部放电模式识别率和快的收敛速度。传统模式分类器B P 神经网络的学习算法是利用梯度下降法使目标函数误差平方t f I i 函数达剑最小，般h t l S d,F 洪差1 2 力，f|函数很难傈赶l I：定，这样岗娜极小的问题不可避免的存在于B P 神经网络中B“。同时，B P 神经网络学习算法常出现学新忘旧的现象，使得B P 神经网络收敛速度不快m 1。并且，利用B P 神经网络对局部放电进行模式识别时，

33、隐层单元的数目对模式识别率影响大，如何选择隐层单元数目却没有理论依据指导p“。径向基神经网络实质上是将低维空间非线性可分的问题转化为高维空间线性可分的问题，径向基神经网络一定程度上解决了B P 神经网络的局部极小和隐层单元数目选择的问题，但它的激励函数径向基函数的非正交性使得径向基神经网络的网络参数存在很大冗余度，造成网络学习速度不快m l。另外，在将径向綦神经网络用于模式识别之前哈尔滨理T 火学丁学硕J：学位论文应先确定好径向基函数的中心位置和方差但如何确定径向基函数的中心位置和方差却没有理论依据指导，只能根据经验选择。正交小波神经网络和径向基神经网络结构相似，只是在正交小波神经网络中，用正

34、交小波函数替代径向基函数作为激励函数，从而克服径向摹神经网络的一些不足但正交小波神经删络自身存在“维数灾难”问题。模式识别中。一般来说用于模式识别的模式特征量多，这样正交小波神经网络“维数灾难”就限制它在模式识别领域中的应用。综k 所述，局部放电模式识别模式分类器的设汁些刁i 足需要弥补。1 3 本课题的来源及主要内容局部放电模式识别是个综合性研究课题。本文在前人研究的基础上，构建一新型小波神经网络对模拟的局部放电进行模式识别，本文的主要内容包括：(1)、制作局部放电实验模型，通过对尖对板电极系统、球对板电极系统和尖对尖电极系统施加电压模拟三种模式的局部放电；(2)、局部放电信号采集系统的构建

35、：(3)、综合局部放电特征提取理论、最优特征向量选择理论和模式分类器的设计理论，设计一种集最优局部放电时频特征提取和模式分类器功能于一身的前馈网络；(4)、进行局部放电模式识别比较实验研究。本课题得到黑龙江自然科学基金委员会资助，题目：气体绝缘局部放电信号采集与模式识别技术的研究，编号：E 0 3 0 3。哈尔滨理工大学工学硕士学位论文第2 章局部放电实验及信号采集2 1 局部放电实验模型理论分析和实验表明。电介质在电场作用下产生的局部放电与旌加的外电场的种类和介质结构中的电场分布有关【2 6】。1 试验模拟局部放电发生发展的物化过程，研究局部放电信号与绝缘结构缺陷的相关性，其实质是模拟不同电

36、场分布条件下，采集伴随绝缘介质局部放电过程出现的不同种类信息，运用数理分析方法和现代信号处理技术，揭示局部放电信号模式特征与局部放电源属性的内在联系，为高压电气绝缘故障在线监测、诊断、预报提供理论依据和技术参考。实践证明不同电场分布导致的局部放电具有不同的表现形式。依据高压电器运行过程发生局部放电故障统计数据，可以将局部放电形式归纳为极不均匀电场、不均匀电场和稍不均匀电场分布条件下，绝缘介质局部发生放电的表现。因此，实验室制作三种局部放电模型，用以模拟三种不同电场分布情况下的局部放电。(1)、尖对尖局部放电模型，如图2 1 所示，模拟电场分布极不均匀情况下局部放电。实验模型中，尖和尖之间的距离

37、为l O 7 5 舢。(2)、尖对板局部放电模型，如图2-2 所示，模拟电场分布不均匀情况下局部放电。实验模型中，尖和板之间的距离为1 1 3 5 咖。(3 1、球对板局部放电模型，如图2 3 所示。模拟电场分布稍不均匀情况下局部放电。实验模型中，球和板之间的距离为“2 哪，球电极直径为2 0h i m。图2-1 尖对尖局部放电模型F i g 2-1T h eP Dm o d e lo f p o i n t-p o i n t图2-2 尖对板局部放电模型F i g 2 2T h eP Dm o d e lo f p o i n t-p l a t e图2-3 球对板局部放电模型F i g 2

38、-3T h eP Dm o d e lo f s p h e r e p l a t e2 2 局部放电信号采集系统2 2 1 局部放电信号采集线路本课题试验研究过程，运用脉冲电流法采集局部放电信号。其基本原理是：局部放电发生过程产生电荷交换，使试样两端出现视在放电电荷，当把试样连接在图2 4 所示的测试回路中，试样两端的视在放电电荷就会通过测试回路形成脉冲电流，在检测阻抗R z 两端就可采集到脉冲电压信号I z”。可以看出，此脉冲电压信号为不同电场分布下，绝缘介质局部出现放电现象的外在表现，它是局部放电信号的表征。哈尔滨理工人学工学坝。l：学位论立z t、z 2 一低通滤波器；c s 一标准

39、也容|；c x 一试样l U 容：R z 一榆测5 儿抗：c 一轴1 4 _ l 缆幽2-4 局部放电信号检测线路F i g 2-4S c h e m a t i cc i r c u i to fP Ds i g n a la c q u i s i t i o n2 2 2 局部放电信号采集抗干扰措施在进行局部放电试验过程，为有效准确提取局部放电脉冲信号，必须采取严密的抑制电磁干扰措施。局部放电电磁干扰一般可分为传导干扰和辐射干扰两种”。传导干扰是通过会属导体如导线或任何金属结构(包括电感器，电容器和变压器)传播的干扰；辐射干扰是以电磁场形式传播的。在局部放电试验过程可能存在不同种类的电磁

40、干扰源，既有传导干扰也有辐射干扰，主要表现为：架空线和变电站母线上的电晕放电，导体接触不良产生的电晕放电和电弧放电，站内可挎硅产牛的强点脉冲，附近的电焊机及电弧炉，无线电波，载波通讯各种继电器触点动作产生的火花放电，系统内丌关动作等。本实验过程中。采取如下措旋抑制电磁干扰。(I)、在电源前加装一个玎型低通滤波器Z I，抑制来自电网的干扰，包括：架空线和变电站母线上的电晕放电导体接触不良产生的电晕放电和电弧放电，站内可控硅产生的强点脉冲，以及其它祸合到检测系统的高频信号等；(2)、在实验变压器的二次侧加装r 型低通滤波器Z 2，抑制变压器由于调压励磁过程产生高次谐波干扰；(3)、实验过程在个专用

41、的封闭屏蔽室中进行，抑制各种空怄：l 辐劓电磁波干扰；(4)、用均压球将实验系统引线接头处罩住，以防止接头处电场不均匀产生电晕，实验用的均压球如图2 5 所示；(5)、用同轴电缆传输信号，能一定程度上屏蔽掉空间电磁干扰信号；(6)、根据加电压和不加压，接入放电试品和接入不放电试品时示波器屏幕哈尔滨理T 人学T 学碳I：学位论文显示的变化来区分和消除实验回路的其它干扰1。幽2-5 均压球F i g 2 5V o l t a g es h a r i n gg l o b a l2。2 3 局部放电数据采集软件系统设计准确采集原始局部放电信号数据是分析处理局部放电信号的基础，是将局部放电故障属性正

42、确分类的保证1 3“。在本课题的实验过程，由检测阻抗R：采集到的局部放电信号经由同轴传输线C 通过D S O 2 9 0 2 数掘采集装置直接输送到计算机内指定存储单元，由自行研制的局部放电数据采集软件系统对计算机内的信号数据进行操作。D S O 2 9 0 2 具有最大2 5 0 M H z 实时采样速率，且采样速率从l H z 到2 5 0 M H z 可调，模拟带宽为8 0 M H z，最大2 5 6 K 的存储深度(可调)，U S B 口连计算机。在实际软件开发设计过程，采集软件系统是以c+B u i l d e r 和M A T L A B 作为基本语言工具实现联合编程的。2 2 3

43、 1 局部放电数据采集局部放电信号数据采集流程如图2-6 所示。在局部放电数据信号采集过程中，数据采集装置D S O 2 9 0 2 的硬件驱动程序与采集软件系统的通信十分重要。0 U T d 1 1 文件提供大量的数据采集装置的硬件驱动程序，软件可以通过d l l(动态连接库)的调用很方便的完成数据采集过程。在c+B u i l d e r 中使用d u 有两种方式，一种是静态调用，一种是动态调用。采用静态调用方式时，d l l 在程序_ 丌始执行的时候就自动载入，占用的系统内存较多。而动态调用方式仅仅在需要的时候才将d l l 调入内存，占用的系统内存少，付出的代价是调用过程复杂反复从内存

44、中调进调出需要占用一定的C P U。在实验过程，出于局部放电发生具有随机性，数掘采集装置需要随时处于对局部放电信号进行捕捉采集状态。所以，局部放电采集软件系统采用静态调用方式比较合理。静态调用d n 需要三个文件，它们分别是调用的d 1 1 文件、此d l l 对应的输入库文件(+1 i b)以及此d U 对应的头文件(+h)。d l l 对应的输入库文件可以由用户通过I m p l i b 命令在D O S 环境下生成，其命令格式为：i m p l i bF：一卜l i bF：一d l l。得到这三个文件后，将它们拷到工程所在目录下，在c+B u i l d e r 工程环境中点选e r o

45、 j e c t l A d dt oP r o j e c t 将d l l 文件和库文堕堡鋈墨王查茎三兰翟；!兰堡垒兰件加入到：r 程中，井在头文件中包含d l l 文件对应的头文件。(一并鼯)软件以演d 方式启动硬件自测试测到硬1、一7l 是!一毫u 始化采集参数设训启动采集L 学n 赢I。1 1。1。1。_ jC 壶、闺2-6 局部放电采集流稗酗F i g 2-6T h eP Ds i g n a la c q u i s i t i o nf l o wc h a r t从流程图2-6 可以看出，在数据采集时，首先要进行数据采集装置的硬件检测。D S O 一2 9 0 2 硬件检测流

46、程如图2-7 所示。图中，U S B1：3 检测是用于对计算机U S B1：3 的寻址，并将其口地址返回给软件：D S O 硬件检测用于软件检测D S O 数掘采集装最是否已连接在计算机的U S B 口上。动态连接库中，相应的甬数格式分别为：c h a rF i n d P o r t(i n t+U I P,c h a r+U C P,c h a rS y s v e 0；c h a rF i n d H a r d w a r e(i n tw i n v e r s i o n，c h a r*b o a r dm o d e l，i n t*U I R c h a r*U C P)；参

47、数U C P、U I P 共同表示返回的U S B 口地址。哈尔滨理工大学工学硕士学位论文絮兰二，黑i!堡竺堡!L 迄，足f 软件以演示方i软件以检测方式运行式运行图2 7 硬件检测流程图F i g 2-7T h eh a r d w a r ed e t e c t i n gf l o wc h a r l进行完硬件检测之后，在进行局部放电数据采集之前，还应先进行数据采集D A Q(D a t aA c q u i s i t i o n)参数设置。在D A Q 参数设置中，需要设罱每通道采集数据的参数和一次循环采集的数据块的大小。其中，每通道采集数据的参数具体包括：触发方式、触发源、触发

48、水平、触发位置、触发速率(采样速率)、每分区的电压值、耦合方式(直流和交流)、探头衰减倍数、偏移位置。进行完上述工作后，采集程序将用c a p t u r e 函数命令开始数据的采集，以E n d C a p t u r e 结束本次采集。2 2 3 2 局部放电信号图形绘制局部放电信号数据存入计算机后，根据需要调用和显示相应的信号波形。在设计显示程序时，需要考虑三种不同的显示状态(文中，将数掘采集装置的第一通道以通道A 表示，同理，通道B 则代表数据采集装置的第二通道)：通道A、B 同时显示(A&B)，通道A 单独显示(A)，通道B 单独显示(B)。木文显示程序设计的思路足只构造一个双通道显

49、示程序，显示程序的输入端1和2 分别对应数据采集中的通道A 和通道B。若需要单独显示A 或B 通道的信号时将该通道的数据送入显示程序的输入端l 或2，显示程序的另一个数据输入端2 或1 全部输入数据O，并且0 的个数必须与实际采集的数据个数相等：当用户选择两个通道同时显示时，才将两个通道的数据同时送入显示喻尔滨理工大学T 学硕1：学位论文程序的输入端。这样不管用户选择何种显示状态，都可以用一个双通道显示程序来显示对应的信号数据。在显示程序的输入端所获得的是离散数据，要绘制局部放电信号波形就要对离散的信号数据进行处理以便重构局部放电信号波形。即采用一种插值算法对离散的信号数据进行插值处理，尽量不

50、失真地重构信号波形。在本课题的研究过程，采用分段线性拉格郎日插值算法，对相邻的两个离散数据点进行拉格朗同插值。算法如下：设Y。=1，)为显示程序输入端所获得的离散信号数据序列，S 似)为分段一次多项式，满足S(k)=Y k，则在各个小区间陋，k+1 内S(x)为：s I 扛)=坼+1 一x)y+x 一后抄“l(2-1)式中x 局部放电信号波形横轴的时间变量式(2 2)给出了利用此分段线性拉格郎日插值算法产生的误差，o，、，(x)一S(x)=L 裂0 一I+1)(X-七)x 陆一1，k 1(2 2)式中f(x 卜一局部放电真实信号图2-8 给出了信号波形显示程序的流程图。开始读取显示通道号ii