输电铁塔螺栓松动故障诊断及定位方法

摘要

螺栓松动是输电铁塔等桁架结构最常见的机械故障之一，易引发铁塔结构失稳甚至倒塌，严重威胁电力系统安全稳定运行。针对该问题，提出一种基于多域特征融合与选择的半监督学习算法。该算法首先从铁塔声纹信号中同步提取时域特征、Mel频谱系数与小波包变换特征，完成多维度特征拼接融合并作标准化处理以消除量纲差异；再通过基于评分的特征选择算法筛选出判别力最强的K个特征构成最优子集，剔除冗余特征提升模型效率；最后将优选特征输入结合流形正则化的半监督极限学习机模型，利用少量标签数据与大量易获取的无标签数据完成训练。实验以500 kV干字型输电铁塔为对象，搭建便携式声纹采集装置获取螺栓紧固、多位置松动的真实工况数据集，通过与短时傅里叶变换特征提取方法及经典分类模型进行对比的结果表明：在极少标签样本条件下，所提算法的故障识别准确率均保持在90%以上；当最优特征数K取50、选用coif3小波包基且分解层数为4、5层时，模型性能达到最佳。与现有方法相比，该算法在诊断准确率、运行效率与鲁棒性上均具备显著优势，可有效实现输电铁塔螺栓松动的精准诊断与定位，为电力铁塔结构健康监测提供了新的技术方案。

关键词

输电铁塔 / 螺栓松动 / 半监督学习 / 特征融合与选择 / 极限学习机 / 声纹信号 / 结构健康监测

基金资助

国网安徽省电力有限公司经济技术研究院科技项目(B6120923001G)