基于線圈電流分析的操動(dòng)機(jī)構(gòu)故障診斷方法

陳　辰,厲小潤(rùn)

(浙江大學(xué) 電氣工程學(xué)院,浙江 杭州 310027)

?

基于線圈電流分析的操動(dòng)機(jī)構(gòu)故障診斷方法

陳辰,厲小潤(rùn)

(浙江大學(xué) 電氣工程學(xué)院,浙江 杭州 310027)

摘要:提出一種貝葉斯更新和DS證據(jù)理論相結(jié)合的分合閘線圈電流分析方法。運(yùn)用線圈模型提取線圈電流理想特征,與實(shí)際電流特征進(jìn)行校正得到特征殘差,以補(bǔ)償環(huán)境對(duì)線圈電流的影響；利用歷史樣本數(shù)據(jù)和貝葉斯方法對(duì)各個(gè)特征殘差分布參數(shù)進(jìn)行后驗(yàn)估計(jì),降低測(cè)量誤差的干擾；在后驗(yàn)分布結(jié)果上,依據(jù)不確定性規(guī)則對(duì)概率進(jìn)行分割,使用DS證據(jù)理論融合分割結(jié)果,實(shí)現(xiàn)操動(dòng)機(jī)構(gòu)各類故障的有效評(píng)估.在實(shí)驗(yàn)平臺(tái)上進(jìn)行故障模擬與故障成因診斷實(shí)驗(yàn),結(jié)果表明：該方法在故障征兆發(fā)生的1～2次內(nèi)即可準(zhǔn)確地識(shí)別出故障原因,說(shuō)明改進(jìn)方法能夠有效減少系統(tǒng)測(cè)量誤差帶來(lái)的影響,具有較強(qiáng)診斷的敏感性與分類準(zhǔn)確性,為視情維修提供較可靠依據(jù).

關(guān)鍵詞：斷路器；操動(dòng)機(jī)構(gòu)；故障診斷；貝葉斯更新；DS證據(jù)理論

操動(dòng)機(jī)構(gòu)是斷路器系統(tǒng)中故障最為高發(fā)的部件[1-5],而分合閘線圈電流分析法則是一種廣泛用于斷路器操動(dòng)機(jī)構(gòu)故障診斷的方法,該方法通過(guò)斷路器分合閘測(cè)試過(guò)程中采集到的操作線圈電流作為故障診斷的依據(jù),對(duì)斷路器的可靠性作出評(píng)估.與操動(dòng)機(jī)構(gòu)機(jī)體震動(dòng)分析[6-8]、傳動(dòng)主軸位移分析[9-10]等其他方法相比,線圈電流采集無(wú)需大幅改動(dòng)的機(jī)械結(jié)構(gòu)[11],在相對(duì)較低的改裝成本下有著較好的故障診斷表現(xiàn)，因此得到了許多國(guó)內(nèi)外學(xué)者們的關(guān)注.在診斷算法方面,Rao等[12]使用小波去噪和歐氏空間距離對(duì)比的方法實(shí)現(xiàn)了線圈故障的識(shí)別,但該方法不能判斷故障的具體類型.Razi-Kazemi等[13]則在大量線圈電流觀測(cè)的基礎(chǔ)上,分析了不同故障下的電流特征變化,制定了一系列的故障分類規(guī)則,實(shí)現(xiàn)了故障的分類,然而該方法只能在波形發(fā)生明顯畸變后對(duì)故障原因進(jìn)行分析.Strachan等[14]采取了聚類方法和決策樹(shù)規(guī)則提取,實(shí)現(xiàn)了基于數(shù)據(jù)挖掘的故障診斷方法,但是該方法依賴大量故障樣本，在應(yīng)用時(shí)容易受到繼路器樣本匱乏的制約.張弛[15]通過(guò)引入DS理論,對(duì)線圈電流特征進(jìn)行了數(shù)據(jù)融合,實(shí)現(xiàn)了故障的融合推理,但該方法在證據(jù)測(cè)度分配過(guò)程中存在主觀過(guò)強(qiáng)的缺點(diǎn).為彌補(bǔ)這一缺點(diǎn),李海英等[16]提出了基于模糊-證據(jù)理論的診斷方法,取得了較好的診斷結(jié)果,然而模糊隸屬度函數(shù)的選擇在極大程度上影響著方法的可靠性.葛葆華[17]則從粗糙集的角度出發(fā),對(duì)線圈電流特征進(jìn)行了屬性簡(jiǎn)約,建立了最小診斷規(guī)則決策表,但其離散型的輸出結(jié)果依然不能滿足視情維修的需要.Guan等[18]為了解決視情維修對(duì)于數(shù)字型評(píng)價(jià)指標(biāo)的需求,提出了將特征概率分布劃分為劣化、故障、正常等區(qū)域,并依據(jù)事件獨(dú)立的假設(shè)計(jì)算出各類故障的概率大小,實(shí)現(xiàn)了對(duì)故障風(fēng)險(xiǎn)的評(píng)估,但是依然存在線圈電流特征易受電壓輸入影響、特征數(shù)據(jù)間并非簡(jiǎn)單的獨(dú)立關(guān)系的缺點(diǎn),容易造成故障的誤判.

減少環(huán)境因素對(duì)于分合閘線圈電流的影響,從歷史數(shù)據(jù)中發(fā)掘反映故障的數(shù)據(jù)特征是分合閘線圈電流分析法研究的熱點(diǎn).本文針對(duì)中壓真空斷路器彈簧操動(dòng)機(jī)構(gòu)提出一種分合閘線圈電流分析方法.該方法首先利用分合閘線圈模型對(duì)電流特征進(jìn)行校正,提取特征殘差；繼而通過(guò)貝葉斯更新,將歷史數(shù)據(jù)與斷路器先驗(yàn)知識(shí)相結(jié)合,求取出樣本分布參數(shù)的后驗(yàn)估計(jì)；最后通過(guò)DS證據(jù)理論,實(shí)現(xiàn)對(duì)貝葉斯參數(shù)估計(jì)結(jié)果的不確定性推理,提高算法在故障分類方面的可靠性.

1原理與模型分析

1.1分合閘線圈工作原理與電流分析

典型的分合閘線圈結(jié)構(gòu)如圖1所示.依據(jù)分合閘線圈的動(dòng)作時(shí)序[19]可將其分為線圈勵(lì)磁階段、銜鐵運(yùn)動(dòng)階段、脫扣動(dòng)作階段以及線圈斷路階段.

在不同工作階段下,分合閘線圈電流曲線的形狀也會(huì)隨之產(chǎn)生相應(yīng)的變化,一個(gè)正常工作的分合閘線圈電流通常表現(xiàn)為如圖2所示的輪廓.

圖2　正常分合閘線圈電流-時(shí)間曲線Fig.2　Current-time curve of normal trip coil current

1.2分合閘線圈模型構(gòu)建

線圈電流輪廓分析法是利用被測(cè)線圈電流與正常電流波形模板間的形態(tài)差異來(lái)進(jìn)行操動(dòng)機(jī)構(gòu)故障判定的一種方法.除了斷路器本身故障會(huì)引起線圈電流形態(tài)上的變化以外,電流波形作為不穩(wěn)定的信號(hào)還容易受到輸入電壓、溫度等其他因素的影響.為了判定波形變化是由環(huán)境變動(dòng)影響所造成的還是由于操動(dòng)機(jī)構(gòu)自身故障引起的,可以通過(guò)數(shù)學(xué)建模的方式對(duì)分合閘線圈電流變化進(jìn)行預(yù)測(cè),以補(bǔ)償環(huán)境對(duì)于電流波形的影響.在工程應(yīng)用的條件下,分合閘線圈模型可以近似等效為如圖3所示的電路圖[22].其中L(x)與R為分合閘線圈電感和等效電阻，Ll為線圈漏感,Rp線圈鐵損.由于線圈工作在低頻條件下,線圈寄生電容C對(duì)等效電路影響可以忽略不計(jì).

圖3　分合閘線圈電路等效原理圖Fig.3　Simplified equivalent circuit diagram of trip coil

參考圖1坐標(biāo)系以及圖3等效電路,在動(dòng)力學(xué)體系下對(duì)分合閘線圈進(jìn)行建模,其中拉格朗日方程為

(1)

分別寫(xiě)出分合閘線圈系統(tǒng)在式(1)中的廣義能量形式,其中系統(tǒng)動(dòng)能為

(2)

廣義勢(shì)能為

(3)

耗散能為

(4)

繼而將式(2)～(4)代入動(dòng)力學(xué)方程式(1),對(duì)廣義坐標(biāo)電量q和位移x求倒數(shù),簡(jiǎn)化后即可得到分合閘電磁鐵的3階模型:

(5)

式中：qi為廣義坐標(biāo)，Qi為廣義力，i為線圈電流，m為銜鐵質(zhì)量，k為彈簧系數(shù)，R為電阻.x0為銜鐵最大行程,F0為銜鐵的初始受力,v為銜鐵運(yùn)動(dòng)速度,b為摩擦黏滯系數(shù)；L(x)、Ll分別為分合閘線圈的自感與漏感.在圖1坐標(biāo)系下,若銜鐵氣隙距離x減小,則L(x)逐漸變大.函數(shù)L(x)表達(dá)式可取電磁鐵自感計(jì)算公式[23]：

由于分合閘線圈電流波形剛性不明顯,對(duì)式(5)采取4級(jí)5階的Runge-Kutta法求解即可獲得較好的仿真曲線,圖4為求解的仿真波形和實(shí)測(cè)波形的對(duì)比,可見(jiàn)模型較好地還原了實(shí)際波形的形成原理.另外,根據(jù)實(shí)測(cè)的溫度和電壓變化,對(duì)模型中的電壓、電阻以及磁導(dǎo)率進(jìn)行修正,即可對(duì)環(huán)境引起的波形變化進(jìn)行預(yù)測(cè).

圖4　實(shí)測(cè)線圈電流與模型仿真電流-時(shí)間曲線對(duì)比Fig.4　Comparison of current-time curves between real coil current and proposed model simulation results

2診斷算法

故障監(jiān)測(cè)數(shù)據(jù)存在偶然性,這是由于狀態(tài)監(jiān)測(cè)裝置的測(cè)量誤差以及信號(hào)噪聲所致.利用貝葉斯更新的方法對(duì)斷路器歷史數(shù)據(jù)進(jìn)行參數(shù)分布的后驗(yàn)估計(jì)[24],并在事件獨(dú)立的假設(shè)條件下對(duì)分合閘線圈實(shí)現(xiàn)失效風(fēng)險(xiǎn)評(píng)估,可以降低單次樣本偏差對(duì)于估計(jì)結(jié)果的影響.然而,該方法在實(shí)際應(yīng)用中仍然存在一些問(wèn)題.例如：當(dāng)線圈輸入電壓、所處的環(huán)境溫度發(fā)生改變時(shí),特征的參數(shù)估計(jì)結(jié)果也會(huì)隨之發(fā)生漂移,估計(jì)的失效概率也會(huì)隨之增加.另外,基于獨(dú)立假設(shè)的概率計(jì)算雖然能夠很好地給出各個(gè)故障的風(fēng)險(xiǎn)指標(biāo),為視情維修提供依據(jù),但是故障與特征間關(guān)系復(fù)雜,而獨(dú)立假設(shè)過(guò)于簡(jiǎn)單,計(jì)算結(jié)果中經(jīng)常出現(xiàn)多類故障并發(fā)而難以斷定真正失效誘因的情況,因此并不適合作為故障分類的算法.

針對(duì)這些問(wèn)題,改進(jìn)算法如圖5所示,算法增加了特征殘差的提取步驟,通過(guò)對(duì)實(shí)際特征與理想特征作差,將差值作為新的分類特征的方式,來(lái)補(bǔ)償環(huán)境對(duì)于參數(shù)估計(jì)的影響.在貝葉斯參數(shù)估計(jì)的結(jié)果上,引入不確定性概率與推理方法,實(shí)現(xiàn)DS數(shù)據(jù)融合,以達(dá)到提高故障分類準(zhǔn)確性的目的.因此本章將按照系統(tǒng)框架,分為特征殘差提取、貝葉斯更新、DS證據(jù)推理3部分予以闡述.

圖5　貝葉斯更新和DS證據(jù)理論相結(jié)合的診斷算法示意圖Fig.5　Outline of proposed fault detection algorithm based on combination of Bayesian updating and DS theory

2.1特征殘差提取

根據(jù)第1章中分合閘線圈電流形成的原理分析,電流信號(hào)的特征點(diǎn)往往集中在電流波形的極值點(diǎn)附近.然而并非所有極值點(diǎn)都適合作為故障診斷的特征點(diǎn),例如圖2中點(diǎn)D雖然表現(xiàn)為波形電流極大值點(diǎn),但是由于干擾信號(hào)的存在,時(shí)間特征tD在提取時(shí)的不一致性較強(qiáng),不適合作為時(shí)間特征出現(xiàn).綜合考慮特征提取效果和特征代表性兩方面的因素,本文選取的基本特征如表1所示.其中，tA～tF對(duì)應(yīng)圖2中點(diǎn)A～F的時(shí)間特征，IB、IC、ID為電流波形的幅值特征選取，其中I(tB)、I(tC)、I(tD)指tB、tC、tD時(shí)刻記得的電流.另外對(duì)于提取過(guò)程中大部分的干擾信號(hào)和波形畸變的問(wèn)題,采取小波閾值去噪和多窗口定位的方法[25]即可取得良好的特征提取結(jié)果,這里不再詳述.

為了求取這些特征的殘差,分別對(duì)實(shí)際測(cè)量信號(hào)以及帶入實(shí)測(cè)環(huán)境參數(shù)的仿真波形(參考1.2節(jié)中線圈模型)進(jìn)行特征提取,其差值即可作為故障診斷的特征數(shù)據(jù).具體原理框圖如圖6所示.

表1 電流波形特征點(diǎn)的選取與描述

圖6　電流特征殘差提取過(guò)程示意圖Fig.6　Extraction process of current feature residues

2.2貝葉斯更新

現(xiàn)有的大部分?jǐn)嗦菲鳡顟B(tài)監(jiān)測(cè)裝置都具有歷史數(shù)據(jù)存儲(chǔ)的功能,而貝葉斯更新的引入能夠有效利用歷史數(shù)據(jù)對(duì)樣本的真實(shí)分布情況進(jìn)行后驗(yàn)估計(jì).考慮到斷路器在近期內(nèi)的多次分合閘測(cè)試中,電流特征可以被認(rèn)為是短期平穩(wěn)分布的,因此對(duì)第i次測(cè)量到的特征殘差,其表達(dá)式如下：

(6)

(7)

式中:μ、σ的先驗(yàn)分布取

(8)

根據(jù)式(6)的定義可以發(fā)現(xiàn),參數(shù)μ表示測(cè)量特征與預(yù)期特征之間的偏差,參數(shù)σ則表示測(cè)量噪聲εi的標(biāo)準(zhǔn)差.由于在故障分析中,故障的辨識(shí)需要對(duì)殘差偏離情況進(jìn)行分析而非測(cè)量噪聲進(jìn)行分析,所以只需對(duì)參數(shù)μ的邊界分布進(jìn)行計(jì)算即可.μ的邊界分布如下式所示：

P(μ|R,σ)=∫P(μ,σ|R)dσ.

(9)

由于式(9)的邊界積分較難求取,可以采取Gibbs抽樣的方法對(duì)每個(gè)殘差分布參數(shù)μ的分布情況進(jìn)行統(tǒng)計(jì).

2.3DS證據(jù)推理

采用貝葉斯更新的目的是通過(guò)區(qū)域劃分的方式來(lái)獲取特征參數(shù)位于某些定義域上的概率大小.不同故障的發(fā)生會(huì)使得參數(shù)分布在這些定義域內(nèi)的概率產(chǎn)生相應(yīng)變化,據(jù)此可以得到單個(gè)特征對(duì)于某種故障發(fā)生的概率評(píng)估,繼而將多種概率評(píng)估結(jié)果以獨(dú)立概率計(jì)算的方式進(jìn)行相乘,從而得到線圈某種故障的風(fēng)險(xiǎn)預(yù)測(cè).然而,這種方法忽略了各類特征與不同故障間相關(guān)性的差異,對(duì)概率事件的定義也是非黑即白,因此隨著乘積項(xiàng)的增多,概率乘積會(huì)以指數(shù)的形式迅速縮減,以致故障分類的準(zhǔn)確度大幅下降.當(dāng)采取DS證據(jù)融合作為推理算法時(shí),由于在參數(shù)分布結(jié)果中加入了無(wú)證據(jù)測(cè)度的分配,緩解了多特征下概率融合困難的問(wèn)題.對(duì)各個(gè)故障進(jìn)行證據(jù)測(cè)度分配.主要過(guò)程分為下述4步來(lái)實(shí)現(xiàn).

1) 確定故障識(shí)別框架{θ0,θ1,θ2,…，θn}，其中θ0代表斷路器處于健康狀態(tài),θ1～θn為兩兩互斥的故障狀態(tài).

2) 根據(jù)故障θk在特征殘差Rk定義域上的表現(xiàn),劃分對(duì)應(yīng)的證據(jù)測(cè)度區(qū)間，其中，k∈{1,2,…，n}.對(duì)于每個(gè)可識(shí)別故障θk,都有相應(yīng)的識(shí)別區(qū)間為{Xk|Xk?R}.

3) 在特征殘差的貝葉斯更新估計(jì)結(jié)果下,計(jì)算各類故障的證據(jù)測(cè)度.其中,對(duì)于測(cè)度區(qū)間沒(méi)有重疊的區(qū)間,證據(jù)測(cè)度取

(10)

式中：{X|X?Xk,X?Xj,k≠j}.

對(duì)于測(cè)度區(qū)間存在重疊的區(qū)域,取證據(jù)測(cè)度為

(11)

式中：θa、θb、θc為重疊區(qū)域支持的故障類別:

{X|X=Xa∩Xb∩…∩Xc}.

對(duì)于定義域上沒(méi)有任何證據(jù)區(qū)間覆蓋的區(qū)域:

{X|X?X0∪X1∪…∪XN,X?R},

將其區(qū)間上的概率積分賦值給無(wú)信任測(cè)度mass({Θ}).P(x)即為式(9)中μ的概率分布,由于對(duì)μ的分布情況可以采用Gibbs抽樣法,不必直接求取概率分布的積分結(jié)果,各故障的證據(jù)測(cè)度可以采取如下方式進(jìn)行計(jì)算:

(12)

4) 對(duì)分所有合閘線圈特征進(jìn)行步驟2)與3)中的證據(jù)測(cè)度分配，將為故障識(shí)別框架Θ提供分類證據(jù)的所有特征值進(jìn)行DS證據(jù)融合,根據(jù)融合證據(jù)大小確定當(dāng)前操動(dòng)機(jī)構(gòu)在故障識(shí)別框架下的狀態(tài)θk.

圖7　DS證據(jù)測(cè)度的分配示意圖Fig.7　Schematic of mass assignment for DS inference

針對(duì)各類特征對(duì)于分合閘線圈電流波形產(chǎn)生的影響,對(duì)表1中7種特征值證據(jù)測(cè)度的分配區(qū)間具體如表2所示.在選取故障識(shí)別框架時(shí),診斷算法的選取方式以冪集的形式表示:Θ1={線圈電阻正常,線圈電阻偏大,線圈電阻偏小};Θ2={銜鐵阻力正常,銜鐵阻力異常};Θ3={銜鐵行程正常,銜鐵行程不足};Θ4={輔助開(kāi)關(guān)正常,輔助開(kāi)關(guān)異常};Θ5={分合閘機(jī)構(gòu)正常,分合閘機(jī)構(gòu)異常}.

表2　各特征殘差的證據(jù)區(qū)間分配表

(13)

式中：X、Y對(duì)應(yīng)不同焦元,1/(1-κ)為歸一化因子.

判決采用基于概率賦值函數(shù)的決策方法,對(duì)于

m(A1)=max {m(Ai),Ai?Θ},

m(A2)=max {m(Ai),Ai?ΘandAi≠A1},

若存在:

(14)

則A1即為判決結(jié)果,其中ξ1、ξ2為預(yù)先設(shè)定的門(mén)限值.

3案例分析

良好的故障診斷算法不僅需要能夠準(zhǔn)確還原出故障原因,還要在故障劣化的早期就能夠及時(shí)識(shí)別出故障.為了驗(yàn)證算法在這兩方面的表現(xiàn),實(shí)驗(yàn)通過(guò)對(duì)圖8中的實(shí)驗(yàn)平臺(tái)進(jìn)行故障模擬,并以基于獨(dú)立假設(shè)和基于模糊推理的2種診斷方法作為對(duì)比算法,來(lái)說(shuō)明改進(jìn)算法的優(yōu)勢(shì).其中,分合閘線圈卡滯是操動(dòng)機(jī)構(gòu)中最為常見(jiàn)也是最具代表性的故障之一,通常是由于線圈銜鐵銹蝕、頂桿變形或是線圈內(nèi)混入異物所致,最終發(fā)展為線圈不能觸發(fā)脫扣器以致分合閘失敗.由于判斷銜鐵阻力異常相對(duì)于其他故障需要融合的特征數(shù)據(jù)最多,計(jì)算最為復(fù)雜,而識(shí)別準(zhǔn)確度相對(duì)于其他故障往往表現(xiàn)最差,因此在案例分析中選取線圈卡滯故障樣本作為診斷算法的輸入來(lái)進(jìn)行說(shuō)明.

圖8　故障模擬實(shí)驗(yàn)測(cè)試平臺(tái)Fig.8　Experimental device for fault emulation

為了模擬卡滯故障發(fā)生的漸變過(guò)程,實(shí)驗(yàn)測(cè)試平臺(tái)共采集了10組數(shù)據(jù).其中,前5組數(shù)據(jù)來(lái)自于正常樣本,此時(shí)操動(dòng)機(jī)構(gòu)運(yùn)作正常.從第6組數(shù)據(jù)開(kāi)始,實(shí)驗(yàn)在分合閘線圈內(nèi)部加入了黏性物質(zhì)來(lái)增加銜鐵運(yùn)動(dòng)阻力,以模擬銜鐵阻力異常的情況發(fā)生,其電流波形特征樣本如表3所示.

根據(jù)前文中征殘差的提取算法,表3中數(shù)據(jù)的殘差提取結(jié)果如圖9所示.圖中橫軸表示不同的特征種類,與表3中t1～I(xiàn)D相對(duì)應(yīng),縱軸則為實(shí)測(cè)特征與理想特征的殘差值.可以發(fā)現(xiàn),虛線表示的線圈卡滯樣本的特征與正常特征的差異主要集中在t1、t2以及IC上.但是,除了銜鐵卡滯可以引起這些特征值的變化,線圈電阻的變化和銜鐵行程不足同樣可以產(chǎn)生t1、t2以及IC的偏移,如果在數(shù)據(jù)融合過(guò)程中將這些殘差的偏離歸因于其它故障,則會(huì)造成故障的誤分類.

表3　銜鐵卡滯異常故障模擬特征數(shù)據(jù)

圖9　卡滯樣本與正常樣本特征殘差Fig.9　Residual error between normal samples and clamping stagnation samples

利用該組樣本,實(shí)驗(yàn)對(duì)5種不同故障進(jìn)行風(fēng)險(xiǎn)評(píng)估,結(jié)果如圖10所示.圖中N表示輸入樣本的次序,P為相應(yīng)次序下對(duì)于該故障診斷框架下的可靠性評(píng)估.P取值越高,則對(duì)應(yīng)發(fā)生相應(yīng)風(fēng)險(xiǎn)的可能性就越小；相反,若曲線急劇下降,則說(shuō)明很有可能發(fā)生了該故障.此外,除了給出基于獨(dú)立假設(shè)方法(對(duì)比方法1)以及基于模糊推理(對(duì)比方法2)的結(jié)果曲線外,改進(jìn)方法采用了不確定性推理,因此不確定性概率輸出也以點(diǎn)虛線的形式在圖中給出.

圖10(a)是電阻識(shí)別框架下的診斷輸出.可以發(fā)現(xiàn)改進(jìn)算法從第6次開(kāi)始對(duì)線圈電阻處于正常狀態(tài)的概率估計(jì)出現(xiàn)了略微下降.但是其概率下降平緩且始終維持在0.7以上,診斷結(jié)果為線圈電阻處于正常狀態(tài).對(duì)比方法2雖然在第6次后同樣出現(xiàn)了略微下降,但是由于未采用貝葉斯參數(shù)估計(jì),其估計(jì)結(jié)果容易受到測(cè)量干擾的影響,曲線發(fā)生了反復(fù)波動(dòng).另外對(duì)于對(duì)比方法1,可以觀察到其輸出結(jié)果并未出現(xiàn)較為明顯的下降,為了說(shuō)明診斷中存在的問(wèn)題,對(duì)比方法1和改進(jìn)方法以第10項(xiàng)故障樣本作為輸入進(jìn)行推理的結(jié)果如下.根據(jù)表4證據(jù)分配結(jié)果采用改進(jìn)方法推理結(jié)果為

mt1⊕mt2⊕mID(電阻正常)=0.700 5.

采用比方法1的推理結(jié)果為

表4第10次樣本的電阻異常證據(jù)分配結(jié)果

Tab.410thmassassignmentresultsunderresistancerecognitionframework

特征m(正常)m(電阻偏大)m(電阻偏小)m(Θ)t10.1120.09500.793t20.0010.77400.226IC0.9090.00000.091

圖10　全部10次測(cè)試樣本在不同故障風(fēng)險(xiǎn)下的評(píng)估結(jié)果比較Fig.10　Comparison of assessment results between 10 times testing samples with different kinds of fault risks and algorithms

如圖10(b)所示是針對(duì)銜鐵阻力異常的診斷輸出.從第6次開(kāi)始,3種方法對(duì)線圈銜鐵阻力處于正常狀態(tài)的概率估計(jì)均出現(xiàn)了不同程度的下降,而以改進(jìn)方法表現(xiàn)最為明顯.相對(duì)于對(duì)比方法2,其診斷結(jié)論在抗干擾能力方面同樣具有優(yōu)勢(shì).對(duì)于對(duì)比方法1，該方法以第10次故障樣本作為輸入的推理過(guò)程如下，說(shuō)明該診斷輸出變化不明顯的原因.根據(jù)表5證據(jù)分配采用改進(jìn)方法推理結(jié)果為

表5第10次樣本的銜鐵阻力異常證據(jù)分配結(jié)果

Tab.510thmassassignmentresultsunderclampingstagnationrecognitionframework

特征m(正常)m(銜鐵卡滯)m(Θ)t10.1170.7160.167t20.0010.8330.167IB0.4800.3480.172IC0.0520.8570.091

mt1⊕mt2⊕mIB⊕mID(阻力正常)=0.009.對(duì)比方法1的推理結(jié)果為

可以發(fā)現(xiàn),雖然表5中的特征都在證據(jù)上支持阻力異常的結(jié)果,但是由于異常乘積項(xiàng)的增多,導(dǎo)致對(duì)比方法1的異常概率乘積項(xiàng)偏小.這也是基于獨(dú)立假設(shè)的方法在多特征融合下的難題.改進(jìn)方法較好地融合了多種特征,準(zhǔn)確地還原了樣本故障的原因.

如圖10(c)所示是對(duì)電磁鐵行程的估計(jì)結(jié)果,雖然直觀上對(duì)比方法與改進(jìn)方法的曲線較為接近,但是其診斷結(jié)論卻存在不同.由于對(duì)比方法1采取概率計(jì)算的方式,依據(jù)樸素貝葉斯分類規(guī)則,應(yīng)當(dāng)判定系統(tǒng)發(fā)生行程異常.值得注意的是,改進(jìn)方法在正常概率下降的同時(shí),其推理的不確定性概率也隨之上升,由于DS判決過(guò)程中需要滿足m(Θ)<ξ2這一條件,在判決過(guò)程中,改進(jìn)方法所得到的診斷結(jié)論并非確定性結(jié)論,而是輸出可能發(fā)生電磁鐵行程不足的結(jié)論,以供檢修人員作為參考.如果需要進(jìn)一步判斷該故障的發(fā)生,可以通過(guò)加裝并融合其他的傳感器(如：銜鐵吸合位置檢測(cè)傳感器)的信息來(lái)確定該故障的發(fā)生,由于文章主要是針對(duì)線圈電流進(jìn)行分析,這里不再展開(kāi)討論.如圖10(d) 、(e)所示則是對(duì)輔助開(kāi)關(guān)以及分合閘異常風(fēng)險(xiǎn)評(píng)估的結(jié)果,由于測(cè)試樣本與這2種故障間并無(wú)直接性關(guān)聯(lián), 3種方法都具有良好的估計(jì)結(jié)果.

綜上實(shí)驗(yàn)結(jié)果可以得出,改進(jìn)算法不僅對(duì)于系統(tǒng)的測(cè)量噪聲具有很強(qiáng)的處理能力,而且在故障征兆發(fā)生的1～2次內(nèi)即可準(zhǔn)確的識(shí)別出故障原因,具有較強(qiáng)診斷的敏感性與分類準(zhǔn)確性,因而能夠在故障劣化的早期給出較為精確的診斷結(jié)論.

4結(jié)語(yǔ)

與基于模糊理論的方法相比,所提方法具有較低的知識(shí)依賴度,主觀程度較弱,信任分配無(wú)需構(gòu)造復(fù)雜的隸屬度函數(shù).與基于機(jī)器學(xué)習(xí)一類的故障診斷方法相比,由于可以借鑒專家對(duì)于先驗(yàn)知識(shí)的認(rèn)識(shí),所提方法對(duì)于故障樣本的依賴程度較低,較為適合高壓斷路器這類可靠性要求較高而故障樣本又相對(duì)難以獲得的場(chǎng)合.在實(shí)踐應(yīng)用中,該方法在融合過(guò)程中還可引入震動(dòng)、位移、壓力等信號(hào)的特征,以實(shí)現(xiàn)更為全面、故障診斷準(zhǔn)確程度更高的斷路器狀態(tài)監(jiān)測(cè)系統(tǒng).

參考文獻(xiàn)(References)：

[1]CIGREWorkingGroup13.06.Finalreportofthesecondinternationalenquiryonhighvoltagecircuitbreakerfailuresanddefectsinservice[R].Paris:InternationalCouncilonLargeElectricsystems, 1994．

[2]BOSMAA,THOMASR.Conditionmonitoringandmaintenancestrategiesforhigh-voltagecircuit-breakers[C] ∥SixthInternationalConferenceonAdvancesinPowerSystemControl,OperationandManagement.HongKong:IET, 2003: 191-196．

[3]SUWANASRIC,SUWNANSRIT,SRISONGKRAMW.AnalysisoffailuredatatodeterminethefailurepatternofHVcircuitbreakercomponents[C] ∥ 2014InternationalElectricalEngineeringCongress.Chonburi:IEEE, 2014: 1-4．

[4]ZHANGX,LEIBNIZU,ZHANGJ,etal.LifemanagementofSF6circuitbreakersbasedonmonitoringanddiagnosis[J].ElectricalInsulationMagazine, 2009, 25(3): 21-29.

[5]PAOLETTIG,BAIERM.FailurecontributorsofMVelectricalequipmentandconditionassessmentprogramdevelopment[C] ∥ 2001PulpandPaperIndustryTechnicalConference.Portland:IEEE, 2001: 37-47．

[6]DENNISSL,BRIANJL,ROBEM.Newfaultdiagnosisofcircuitbreakers[J].IEEETransactionsonPowerDelivery, 2003, 18(2): 454-459.

[7]BEATTIES.Circuitbreakerconditionassessmentbyvibrationandtripcoilanalysis[C] ∥IEEColloquiumonMonitorsandConditionAssessmentEquipment.Leatherhead:IET, 1996: 91-95．

[8]HINOWM,MEVISSENM.Substationmaintenancestrategyadaptationforlife-cyclecostreductionusinggeneticalgorithm[J].IEEETransactionsonPowerDelivery, 2011, 26(1): 197-204．

[9]RONGMZ,WANGXH,YANGW,etal.Mechanicalconditionrecognitionofmedium-voltagevacuumcircuitbreakerbasedonmechanismdynamicfeaturessimulationandANN[J].IEEETransactionsonPowerDelivery, 2005, 20(3): 1904-1909．

[10]GALATIA,ENELD,CHELIS,etal.ConditionbasedmaintenanceonMVcircuitbreakers[C] ∥ 20thInternationalConferenceandExhibitiononElectricityDistribution.Prague:IET, 2009: 1-4.

[11]HUANGXB,HEX.Designofanon-linemonitoringsystemofmechanicalcharacteristicsofhighvoltagecircuitbreakers[C] ∥2011InternationalConferenceonElectronics,CommunicationsandControl.Ningbo:IEEE, 2011:3646-3649.

[12]RAOPL,HUANGJ,HUXG,etal.Testingofcircuitbreakersusingcoilcurrentcharacteristicsanalysis[C] ∥IEEEInternationalConferenceonControlandAutomation.Christchurch:IEEE, 2009: 185-189．

[13]RAZIKAZEMIAA,VAKILIANM,NIAYESHK,etal.Circuit-Breakerautomatedfailuretrackingbasedoncoilcurrentsignature[J].IEEETransactionsonPowerDelivery, 2014, 29(1): 283-290．

[14]STRACHANSM,MCARTHURSDJ,STEPHENB,etal.Providingdecisionsupportforthecondition-basedmaintenanceofcircuitbreakersthroughdataminingoftripcoilcurrentsignatures[J].IEEETransactionsonPowerDelivery, 2007, 22(1): 178-186．

[15] 張弛. 高壓斷路器在線監(jiān)測(cè)與故障診斷系統(tǒng)研究[D]. 北京： 北京交通大學(xué), 2007: 28．

ZHANGChi.Theresearchofon-linemonitoringandfaultsdiagnosisofhighvoltagecircuitbreaker[D].Beijing:BeijingJiaotongUniversity, 2007∶28．

[16] 李海英, 馮冬, 宋建成. 中壓真空斷路器的模糊—證據(jù)理論在線狀態(tài)評(píng)估模型 [J]. 高壓電氣, 2013, 49(1):40-45．

LIHai-ying,FENGDong,SONGJian-cheng.Fuzzy-DSevidencetheoryonlineassessmentmodelofMVvacuumcircuitbreaker[J].HighVoltageApparatus, 2013, 49(1):40-45．

[17] 葛葆華. 高壓斷路器狀態(tài)監(jiān)測(cè)與故障診斷[D]. 河北: 燕山大學(xué), 2010: 12．

GEBao-hua.Highvoltagecircuitbreakerconditionmonitoringandfaultdiagnosis[D].Hebei:YanshanUniversity, 2010:12．

[18]GUANYF,KEZUNOVICM,DEHGHANIANP,etal.Assessingcircuitbreakerlifecycleusingcondition-baseddata[C]∥PowerandEnergySocietyGeneralMeeting.Vancouver:IEEE, 2013: 21-25．

[19]YANGZZ,XUJY.Monitoringandrecordingsystemofmechanicalcharacteristicsofhighvoltagecircuitbreaker[C] ∥InternationalConferenceonElectricPowerEquipment.Matsue:IEEE, 2013: 1-5．

[20] 董越.SF6高壓斷路器在線監(jiān)測(cè)及振動(dòng)信號(hào)的分析[D]. 上海: 上海交通大學(xué), 2008:19．

DONGYue.SF6highvoltagebreakeron-linemonitoringandvibrationsignalanalysis[D].Shanghai:ShanghaiJiaotongUniversity, 2008:19．

[21] 彭搏. 高壓斷路器在線監(jiān)測(cè)與故障診斷系統(tǒng)的研究[D]. 上海: 上海交通大學(xué), 2013:29．PENGBo.Researchabouttheon-linemonitoringandfaultdiagnosissystemofhighvoltagecircuitbreaker[D].Shanghai:ShanghaiJiaotongUniversity, 2013:29．[22]HUXG,LVC.Researchontheconditionparametertesterofhighvoltagecircuitbreakers[C] ∥IEEEConferenceonIndustrialElectronicsandApplications.Singapore:IEEE, 2008: 2389-2393．

[23]LYSHEVSKISE.Electromechanicalsystems,electricmachines,andappliedmechatronics[M].BocaRaton:CRCPress, 1999: 71-73．

[24]NATTIS,KEZUNOVICM.Modelforquantifyingtheeffectofcircuitbreakermaintenanceusingcondition-baseddata[C]∥IEEEConferenceonPowerTech.Lausanne:IEEE, 2007: 1605-1610．

[25]JOHALH,MOUSAVIMJ.Coilcurrentanalysismethodforpredictivemaintenanceofcircuitbreakers[C] ∥TransmissionandDistributionConferenceandExposition.Chicago:IEEE, 2008: 1-7．

DOI:10.3785/j.issn.1008-973X.2016.03.017

收稿日期：2015-10-10.

基金項(xiàng)目：浙江省自然科學(xué)基金資助項(xiàng)目(LZ14F030004).

作者簡(jiǎn)介：陳辰(1988-), 男, 碩士生, 從事故障診斷技術(shù)研究. ORCID: 0000-0003-4518-7959. Email: chenchen1988@zju.edu.cn 通信聯(lián)系人: 厲小潤(rùn), 男, 教授, 博導(dǎo). ORCID: 0000-0002-4312-7533. Email: lxrly@zju.edu.cn

中圖分類號(hào)：TM 561

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1008-973X(2016)03-09-0527

Faultdiagnosismethodofcircuitbreakeroperatingmechanismbasedoncoilcurrentanalysis

CHENChen,LIXiao-run

(Institute of System Science and Control, Zhejiang University, Hangzhou 310027, China)

Abstract:A coil current analytical method for diagnosing circuit breaker (CB) operation mechanism malfunction was proposed based on the combination of Bayesian updating and Dempster/shafer (DS) theory. By obtaining ideal features of coil current from the coil model, the feature error was compensated with the comparison between ideal and real current features in order to offset the environment effect. On the purpose of reducing the influence of measurement error, the posteriori estimation was calculated with history sampling data for describing the distribution parameters of feature error by means of Bayesian updating. On the basis of posteriori distribution, the probability was segmented and fused by the way of uncertainty rules and DS methodology respectively,so that the malfunctions of operation mechanism can be assessed effectively. Experimented with the testing platform, malfunctions were simulated and diagnosed. The result illustrates that the proposed algorithm can quickly recognize fault within 1 to 2 times after the appearance of failure data,which means that the modified method can work against the impact of system measurement error effectively. The diagnosis and classification are sensitive and accurate, which provides maintenance with reliable basis．

Key words:circuit breaker, operating mechanism, fault diagnosis, Bayesian updating, Dempste/Shafer (DS) theory