高壓斷路器振聲聯(lián)合故障診斷方法

趙書濤 張 佩 申 路 郭 靜

（華北電力大學(xué)保定校區(qū)電氣工程學(xué)院 保定 071003）

1 引言

高壓斷路器是電力系統(tǒng)中最重要的設(shè)備之一[1,2]，隨著人工智能的發(fā)展，神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、人工免疫網(wǎng)絡(luò)等新方法被引入故障診斷的領(lǐng)域，但支持向量機(jī)適于解決小樣本、高維數(shù)、非線性等問題[3-5]。由于高壓斷路器運(yùn)行現(xiàn)場(chǎng)環(huán)境復(fù)雜，采集到的信號(hào)若采用傳統(tǒng)的時(shí)頻分析方法，如短時(shí)傅里葉分析、Wigner-Ville分布、小波分析等[6,7]，由于這些方法中均包含了基函數(shù)固定的積分運(yùn)算，分析效果不是很理想。經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥mpirical Mode Decomposition，EMD）和集合經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥nsemble Empirical Mode Decomposition，EEMD）對(duì)平穩(wěn)信號(hào)和非平穩(wěn)動(dòng)態(tài)信號(hào)的分解都比較有效，但是EMD存在模式混疊現(xiàn)象，EEMD雖然克服了其不足，但如果原始信號(hào)的信噪比很低則分解效果仍不理想[8,9]。針對(duì)高壓斷路器振動(dòng)和聲波信號(hào)的非線性、非平穩(wěn)特性，振聲聯(lián)合診斷成為高壓斷路器機(jī)械故障的新興研究方向[10]，本文提出了一種基于Fast KICA和EEMD斷路器振聲聯(lián)合時(shí)頻分析方法，并結(jié)合支持向量機(jī)（SVM）將其應(yīng)用于高壓斷路器故障診斷。

2 高壓斷路器振聲聯(lián)合機(jī)械故障診斷總體方案

根據(jù)振動(dòng)信號(hào)和聲波信號(hào)具有的非線性、非平穩(wěn)的特點(diǎn)，斷路器振聲聯(lián)合機(jī)械故障診斷的總體方案如圖1所示。圖中系統(tǒng)可以分為監(jiān)測(cè)部分和故障診斷部分。對(duì)采集到的聲波信號(hào)首先進(jìn)行Fast KICA盲源分離，接著對(duì)兩種信號(hào)同時(shí)進(jìn)行改進(jìn)EEMD分解提取特征向量輸入診斷系統(tǒng)，最后通過支持向量機(jī)（SVM）進(jìn)行故障診斷分析。

圖1 斷路器機(jī)械故障診斷的總體方案Fig.1 The overall scheme of the circuit breaker mechanical fault diagnosis

3 振聲聯(lián)合機(jī)械故障診斷方法原理

高壓開關(guān)動(dòng)靜觸頭撞擊時(shí)，伴隨著撞擊會(huì)發(fā)生機(jī)械振蕩運(yùn)動(dòng)，同時(shí)這種振動(dòng)發(fā)出聲波會(huì)在空氣中傳播。因此在理論層面上，聲波與振動(dòng)兩者之間是相互聯(lián)系的，在高壓斷路器開合閘過程中，兩者是同源的，只是傳播介質(zhì)不同。振動(dòng)信號(hào)通過固體傳播衰減小，不易受外界干擾。采用壓電式加速度傳感器采集信號(hào)時(shí)，雖然傳感器靈敏度高，但在振幅較大時(shí)信號(hào)存在飽和現(xiàn)象，波形存在削頂現(xiàn)象，且電荷累計(jì)效應(yīng)會(huì)導(dǎo)致傳感器連續(xù)高頻沖擊失效。聲波信號(hào)在空氣中傳播易受背景噪聲干擾，信噪比低，但其屬于非接觸式測(cè)量，安裝方便；另外測(cè)量頻帶寬，能夠有效避免飽和及失效現(xiàn)象。綜上所述，振動(dòng)信號(hào)衰減小、抗干擾強(qiáng)，壓電加速度傳感器高靈敏度高，能捕捉信號(hào)細(xì)微變化，可作為基準(zhǔn)信號(hào)來剔除聲波信號(hào)背景噪聲；聲波信號(hào)頻帶寬，可選擇寬頻拾音器，避免振動(dòng)信號(hào)失真對(duì)診斷結(jié)果的影響，二者聯(lián)合分析可充分發(fā)揮各自優(yōu)勢(shì)。

3.1 快速核獨(dú)立分量分析（Fast KICA）

本文引入快速核獨(dú)立分量分析（Fast KICA）進(jìn)行非線性信號(hào)的盲分離，提高了盲源分離算法處理非線性信號(hào)的能力和穩(wěn)定性。快速核獨(dú)立分量分析（fast KICA）利用Hilbert-Schmidt獨(dú)立性判決準(zhǔn)則（HSIC）作為衡量變量統(tǒng)計(jì)獨(dú)立性的目標(biāo)函數(shù)，用牛頓類法對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)化，極小化該目標(biāo)函數(shù)，獲取分離矩陣。并采用不完全Cholesky分解方法來提高計(jì)算性能、剔除冗余特征、降低噪聲，具有較強(qiáng)的非線性處理能力[11]。

Fast KICA算法的基本計(jì)算流程如下：

（1）確定觀測(cè)數(shù)據(jù)向量z1, z2,…,zn，和核函數(shù)在本文中選用高斯徑向基核函數(shù)，其定義為

（2）對(duì)觀測(cè)數(shù)據(jù)向量進(jìn)行白化預(yù)處理，令白化后的觀測(cè)向量為：

（3）對(duì)目標(biāo)函數(shù) H(X)的Hessian矩陣進(jìn)行不完全Cholesky估計(jì)。

（4）用牛頓類法優(yōu)化求解分離矩陣。

（5）將分離出來的信號(hào)與模板庫中的信號(hào)進(jìn)行匹配。

3.2 改進(jìn)集合經(jīng)驗(yàn)?zāi)Ｊ椒纸釫EMD方法

在環(huán)境惡劣的情況下斷路器分閘過程中的振動(dòng)信號(hào)和聲波信號(hào)存在噪聲強(qiáng)點(diǎn)，同時(shí)，由于這兩種信號(hào)通過介質(zhì)傳播，尤其是聲波信號(hào)通過空氣傳播會(huì)混入大量的隨機(jī)噪聲，其幅值雖不大，但頻率很高，噪聲的不斷累積會(huì)影響信號(hào)EEMD分解的準(zhǔn)確性。本文采用一種改進(jìn)的 EEMD方法，在傳統(tǒng) EEMD的分解過程中利用中值濾波器對(duì)殘余函數(shù)進(jìn)行濾波，雖然殘余函數(shù)的大小不直接參與后續(xù)的故障診斷，但其直接控制整個(gè)EEMD的分解過程。中值濾波是一種非線性濾波方法，僅需對(duì)濾波器窗口內(nèi)的信號(hào)進(jìn)行排序處理，其實(shí)質(zhì)是以誤差的絕對(duì)值之和達(dá)到最小來確定濾波器輸出響應(yīng)的方法，濾波器的輸出為有序數(shù)的中值。對(duì)殘余函數(shù)進(jìn)行中值濾波不但能有效的去除噪聲強(qiáng)點(diǎn)、保護(hù)信號(hào)變化邊界而且可抑制隨機(jī)噪聲和信號(hào)的隨機(jī)起伏性，使殘余函數(shù)信號(hào)的方差減小，更精確地終止 EMD分解過程。改進(jìn)EEMD的算法流程為：

（1）對(duì)含噪的振動(dòng)和聲波信號(hào)先用中值濾波法平滑處理。

（2）將一定強(qiáng)度的不同的白噪聲分別添加到信號(hào)序列中，將添加了白噪聲的序列進(jìn)行 EMD分解即執(zhí)行步驟3～步驟6，總共進(jìn)行M次分解。

（3）確定斷路器振動(dòng)和聲波信號(hào)所有的局部極大值點(diǎn)和局部極小值點(diǎn)。

（4）用三次樣條函數(shù)擬合成該數(shù)據(jù)序列的上、下包絡(luò)線，其均值為平均包絡(luò)線n(t)。

（5）求出 h(t)=x(t)-n(t)，判斷 h(t)是否滿足IMF成立的兩個(gè)條件，如果滿足，那么h(t)就是x(t)的第一個(gè)IMF分量；否則把重復(fù)步驟3～步驟4。

（6）計(jì)算殘余函數(shù) r(t)=x(t)-h(t)，對(duì)殘余函數(shù)信號(hào)用中值濾波法平滑處理，重復(fù)步驟 3～步驟 5，直到 r(t)成為一個(gè)不可再被分解的單調(diào)函數(shù)為止。由此，原信號(hào)x(t)可以表示為1個(gè)殘余函數(shù)和n個(gè)IMF分量之和。

（7）對(duì) M次 EMD分解得到的相應(yīng)固有模態(tài)函數(shù)（Intrinsic Mode Function，IMF）逐個(gè)求整體平均，作為最終的IMF。計(jì)算每個(gè)IMF的二維譜熵（一維譜熵、中心頻率）。

4 實(shí)驗(yàn)分析

采用ZN28A型真空斷路器模擬正常、操動(dòng)機(jī)構(gòu)卡滯和拐臂潤滑不足三種狀態(tài)。振動(dòng)信號(hào)采用L0102T型壓電加速度傳感器采集，利用磁鐵將傳感器吸附在在機(jī)構(gòu)箱和中間相觸頭垂直位置的機(jī)構(gòu)箱表面上。聲波傳感器采用 502A型拾音器，與斷路器非接觸式安裝。振聲聯(lián)合分析的步驟如下。

4.1 特征向量的提取

（1）對(duì)采集到的聲波信號(hào)用Fast KICA進(jìn)行盲源處理：分析斷路器開合閘過程中常見的信號(hào)分別為現(xiàn)場(chǎng)工作人員的語音、打雷的聲音和斷路器分閘的聲波，經(jīng)隨機(jī)生成的矩陣混合生成三路混合信號(hào)。然后利用Fast KICA方法實(shí)現(xiàn)這三路信號(hào)的分離，本實(shí)驗(yàn)過程如圖2所示。分離后的聲波信號(hào)與模板庫中的信號(hào)進(jìn)行匹配，可以得到解混聲波1是斷路器分閘的聲波，解混聲波2是打雷的聲音，解混聲波3是現(xiàn)場(chǎng)工作人員的語音。從實(shí)驗(yàn)結(jié)果可以看出該方法可以有效的實(shí)現(xiàn)這三路信號(hào)的分離。

圖2 聲波信號(hào)的Fast KICA處理Fig.2 Fast KICA acoustic signal processing

（2）本實(shí)驗(yàn)選定所加白噪聲的幅值是原始信號(hào)標(biāo)準(zhǔn)差的0.1倍，EEMD分解次數(shù)為50次。正常狀態(tài)分閘振動(dòng)和聲波信號(hào)的改進(jìn)EEMD分解后的IMF分量如圖3所示，二維譜熵見表1。

表1 正常狀態(tài)改進(jìn)EEMD分解后的能量熵Tab.1 Improved EEMD decomposition energy entropy in normal state

4.2 基于支持向量機(jī)的故障識(shí)別

（1）確定選用的支持向量機(jī)模型和核函數(shù)，本實(shí)驗(yàn)中模型選用C-SVC，核函數(shù)選用徑向基函數(shù)。

（2）初始化設(shè)置模型參數(shù)，尋優(yōu)得c=0.01，λ= 25.1202。

（3）SVM分類，測(cè)試模型準(zhǔn)確率。

實(shí)驗(yàn)一：測(cè)試單振動(dòng)信號(hào)與單聲波信號(hào)聯(lián)合診斷的正確率。

將待識(shí)別的 30組聲波信號(hào)和振動(dòng)信號(hào)作為測(cè)試樣本，對(duì)應(yīng)編號(hào)見表2，其中包括10個(gè)正常、10個(gè)操動(dòng)機(jī)構(gòu)卡滯和10個(gè)拐臂潤滑不足故障樣本。將樣本輸入該診斷模型，測(cè)試結(jié)果如圖 4所示。圖 4中類別標(biāo)簽數(shù)字3、6、9分別為正常狀態(tài)、操動(dòng)機(jī)構(gòu)卡滯狀態(tài)和拐臂潤滑不足狀態(tài)，從圖中可見，第8組數(shù)據(jù)（操動(dòng)機(jī)構(gòu)卡滯故障）錯(cuò)判為拐臂潤滑不足故障，分類準(zhǔn)確率為96.67%。其誤判為拐臂潤滑不足的原因是第8組數(shù)據(jù)（操動(dòng)機(jī)構(gòu)卡滯故障）由于斷路器所處環(huán)境惡劣，采集到的聲波信號(hào)存在大量噪聲，導(dǎo)致了在振聲聯(lián)合診斷時(shí)發(fā)生了誤判。優(yōu)化Fast KICA盲源處理的分離矩陣，去除惡劣天氣下的背景噪聲，可降低誤判可能性。

圖3 正常狀態(tài)分閘振動(dòng)和聲波信號(hào)的IMF分量Fig.3 IMF component of the brake vibration and acoustic signals in normal state

表2 待測(cè)狀態(tài)類型的樣本編號(hào)Tab.2 Sample number of status types to be tested

圖4 測(cè)試樣本分類圖Fig.4 Test sample classification map

實(shí)驗(yàn)二：測(cè)試振聲聯(lián)合診斷與單一信號(hào)診斷的診斷性能。

采用“一對(duì)其余”的策略，選用徑向基函數(shù)（RBF）作為診斷模型中各SVM分類器的核函數(shù)，按照斷路器機(jī)械故障的頻發(fā)性及危害性原則確定各故障的診斷順序。實(shí)驗(yàn)中，隨機(jī)選取正常狀態(tài)、操動(dòng)機(jī)構(gòu)卡滯和拐臂潤滑不足各20組作為訓(xùn)練集，再各選取 20組用來測(cè)試分類效果。采用基于 Fast KICA和改進(jìn)EEMD的斷路器時(shí)頻分析方法，并結(jié)合支持向量機(jī)（SVM）診斷高壓斷路器故障，本節(jié)研究的診斷模型有如下五種：

（1）單振動(dòng)與單聲波信號(hào)聯(lián)合診斷：采集每個(gè)樣本的振動(dòng)信號(hào)和聲波信號(hào)組，信號(hào)數(shù)量一共 120組。

（2）單振動(dòng)信號(hào)診斷：取樣本振動(dòng)信號(hào)60組。

（3）雙振動(dòng)信號(hào)診斷：將兩個(gè)傳感器安裝在機(jī)構(gòu)箱和中間相觸頭垂直線的頂端和底端的機(jī)構(gòu)箱表面上。每一個(gè)樣本采集兩組信號(hào)共120組。

（4）單聲波信號(hào)診斷：取樣本聲波信號(hào)60組。

（5）雙聲波信號(hào)診斷：在斷路器兩側(cè)50cm處，非接觸安裝兩個(gè) 502A拾音器，每一個(gè)樣本采集兩組聲波信號(hào)共120組。

振聲聯(lián)合診斷與單一信號(hào)診斷性能對(duì)比實(shí)驗(yàn)結(jié)果見表3。

表3 振聲聯(lián)合診斷與單一信號(hào)診斷性能（正確率）對(duì)比Tab.3 Vibration acoustic joint diagnosis and single signal diagnosis performance(accuracy)

由實(shí)驗(yàn)一和實(shí)驗(yàn)二可得出以下結(jié)論：

（1）由實(shí)驗(yàn)一可知單振動(dòng)與單聲波信號(hào)的聯(lián)合診斷正確率為96.67%，具有較好的診斷性能。

（2）由實(shí)驗(yàn)二可知這五種診斷模型都能將正常狀態(tài)從故障狀態(tài)中完全分離出來。

（3）單振動(dòng)和雙振動(dòng)信號(hào)診斷的診斷結(jié)果正確率相同，單聲波信號(hào)診斷比雙聲波信號(hào)診斷的在拐臂潤滑不足狀態(tài)的正確率低 5%，如此可知，對(duì)于單一信號(hào)，增大信號(hào)的數(shù)量并不能使診斷正確率顯著提高。

（4）對(duì)于故障狀態(tài)的診斷，在信號(hào)數(shù)量相同的情況下，信號(hào)振聲聯(lián)合診斷的正確率明顯要好于單一信號(hào)的診斷。

4.3 IMF個(gè)數(shù)對(duì)分類正確率的影響

支持向量機(jī)方法中，需要適當(dāng)選擇特征向量。本實(shí)驗(yàn)中特征向量維數(shù)為選取的 IMF的個(gè)數(shù)的四倍。從圖5可以看出，改進(jìn)EEMD的分類正確率要明顯高于EEMD，最高為97.00%，EEMD的分類正確率高于EMD，最高為94.38%，EMD的最高分類率為 74.50%。原因在于采用 EEMD分解能夠消除EMD分解中存在的模式混合問題，改進(jìn) EEMD不但能消除模式混疊同時(shí)能有效抑制原始信號(hào)中的噪聲。由于全部16個(gè)IMF才能充分反映斷路器每種狀態(tài)的信號(hào)特征，因此其分類正確率高于采用部分IMF作為特征向量的情況。

圖5 分類正確率與IMF個(gè)數(shù)間的關(guān)系Fig.5 Classification accuracy and the relationship between the number of IMF

5 結(jié)論

本文將Fast KICA和改進(jìn)EEMD運(yùn)用到高壓斷路器振動(dòng)和聲波信號(hào)特征向量提取中，同時(shí)運(yùn)用粒子群優(yōu)化方法對(duì)支持向量機(jī)模型參數(shù)尋優(yōu)，最后利用SVM很好地解決了斷路器狀態(tài)識(shí)別中的小樣本、高維數(shù)和非線性等實(shí)際問題，具有良好的診斷效果。但是由于振聲聯(lián)合診斷機(jī)械故障的方法使檢測(cè)信號(hào)的數(shù)量和處理量都成倍增加，導(dǎo)致了分類時(shí)間長，相關(guān)問題仍有待進(jìn)一步研究。由于實(shí)驗(yàn)條件的限制，本文只研究了兩種故障類型，工程應(yīng)用中，斷路器故障診斷十分復(fù)雜，還需要采集更多的現(xiàn)場(chǎng)數(shù)據(jù)并進(jìn)一步綜合考慮其他故障類型下情況來完善振聲聯(lián)合診斷的實(shí)用性。

[1] 孫來軍, 胡曉光, 紀(jì)延超. 基于支持向量機(jī)的高壓斷路器機(jī)械狀態(tài)分類[J]. 電工技術(shù)學(xué)報(bào), 2006, 08:53-58.Sun Laijun, Hu Xiaoguang, Ji Yanchao. Mechanical fault classification of high voltage circuit breakers based on support vector machine[J]. Transactions of China Electrometrical Society, 2006, 08: 53-58.

[2] 吳振升, 王瑋, 黃梅, 等. 基于相空間重構(gòu)的高壓斷路器振動(dòng)信號(hào)特征分析[J]. 現(xiàn)代電力, 2006,23(1): 10-14.Wu Zhensheng, Wang Wei, Huang Mei, et al. Analysis of characteristics of vibration signals in high-voltage circuit breakers based on phase space reconstruc-tion[J]. Modern Electric Power, 2006, 23(1): 10-14.

[3] 常廣, 張振乾, 王毅. 高壓斷路器機(jī)械故障振動(dòng)診斷綜述[J]. 高壓電器, 2011, 8(8): 85-89.Chang Guang, Zhang Zhenqian, Wang Yi. Review on mechanical fault diagnosis of high-voltage circuit breakers based on vibration diagnosis[J]. High Voltage Apparatus, 2011, 8(8): 85-89.

[4] 陳濤. 一種新的支持向量機(jī)混合集成算法[J]. 科學(xué)技術(shù)與工程, 2012, 12(21): 5312-5315.Chen Tao. A new hybrid SVM ensemble algorithm[J].Science Technology and Engineering, 2012, 12(21):5312-5315.

[5] Meng Yongpeng, Jia Shenli, Shi Zongqian, et al. The detection of the closing moments of a vacuum circuit breaker by vibration analysis[J]. IEEE Transactions on Power Delivery, 2006, 21(2): 652-658.

[6] 趙海龍, 王芳, 胡曉光. 小波包一能量譜在高壓斷路器機(jī)械故障診斷中的應(yīng)用[J]. 電網(wǎng)技術(shù), 2004,28(6): 46-48.Zhao Hailong, Wang Fang, Hu Xiaoguang. Application of wavelet packet-energy spectrum mechanical fault diagnosis of high voltage circuit breakers[J]. Power System Technology, 2004, 28(6): 46-48.

[7] 王增才, 王樹梁, 任鍇勝, 等. 基于 EEMD 的提升機(jī)天輪軸承故障診斷方法[J]. 煤炭學(xué)報(bào), 2012,37(4): 689-694.Wang Zengcai, Wang Shuliang, Ren Kaisheng, et al.Research on the method of hoist head sheave bearing fault diagnosis based on EEMD[J]. Journal of China Coal Society, 2012, 37(4): 689-694.

[8] 董紹江, 湯寶平, 張焱. 基于最優(yōu)匹配跟蹤算法的單通道機(jī)械信號(hào)盲源分離[J]. 振動(dòng)工程學(xué)報(bào), 2012,25(6): 724-731.Dong Shaojiang, Tang Baoping, Zhang Yan. Blind source separation of single-channel mechanical signal based on optimal matching pursuit algorithm[J]. Journal of Vibration Engineering, 2012, 25(6): 724-731.

[9] Lei Yaguo, He Zhengjia, Zi Yanyang. Application of the EEMD method to rotor fault diagnosis of rotating machinery[J]. Mechanical Systems and Signal Processing, 2009, 23: 1327-1338.

[10] 李建鵬. 基于振—聲聯(lián)合分析的高壓斷路器機(jī)械故障診斷研究[D]. 保定: 華北電力大學(xué), 2012.

[11] Shen H, Jegelka S, Gretton A. Fast kernel-based independent component analysis[J]. IEEE Transactions on Signal Process, 2009, 57(9): 202-857.