楊秋玉 阮江軍 黃道春 邱志斌 莊志堅

摘 要：針對高壓斷路器分、合閘動作過程中產(chǎn)生的振動信號持續(xù)時間短暫及強烈的非線性非平穩(wěn)性，導(dǎo)致的特征提取困難問題，提出一種變分模態(tài)分解（VMD）-希爾伯特（Hilbert）邊際譜能量熵，及支持向量機（SVM）的高壓斷路器振動信號組合特征提取和機械故障診斷方法。采用VMD對高壓斷路器振動信號進行分解，得到一系列反映振動信號局部特性的本征模態(tài)函數(shù)（IMF）;對IMF進行Hilbert變換，并求取對高壓斷路器機械狀態(tài)變化敏感的Hilbert邊際譜能量熵作為特征向量;將特征向量輸入到SVM分類器，實現(xiàn)高壓斷路器機械故障的智能診斷。試驗結(jié)果表明：該方法能夠準確識別高壓斷路器的常見機械故障類型，具有一定的工程應(yīng)用價值。

關(guān)鍵詞：高壓斷路器;變分模態(tài)分解;希爾伯特邊際譜;能量熵;支持向量機;機械故障識別

DOI：10.15938/j.emc.2020.03.002

中圖分類號：TM 561文獻標志碼：A文章編號：1007-449X（2020）03-0011-09

Abstract：In this paper， a feature extraction method and fault diagnosis for high voltage circuit breakers （HVCBs） is presented and discussed. The vibration signals are nonlinear and timevarying since the complicated structure and extremely fast operation of HVCBs， which makes the extraction and selection of sensitive features for fault diagnosis difficult. Therefore， it is of vital importance to explore a new vibration feature extraction algorithm to improve the accuracy of fault diagnosis for HVCBs. A combination feature extraction method based on variational mode decomposition （VMD） and Hilbert marginal spectrum energy entropy， and support vector machine （SVM） for the diagnosis of HVCBs mechanical condition is presented and clearly discussed. Vibration signals were decomposed into several intrinsic mode functions （IMFs） by using VMD. Marginal spectral energy entropies of IMFs （which vary with different fault types of HVCB） were obtained and served as feature vectors for the SVM classifier for the diagnosis of HVCB. Experimental results indicate that the proposed method can accurately identify the common mechanical faults of HVCB and has potential of practical application.

Keywords：high voltage circuit breakers; variational mode decomposition; Hilbert marginal spectrum; energy entropy; support vector machine; mechanical fault detection

0 引 言

高壓斷路器的可靠性對于保障電力系統(tǒng)的安全穩(wěn)定運行具有重要的作用。運行實踐表明，機械故障是導(dǎo)致高壓斷路器故障的主要原因。近年來，對高壓斷路器機械故障診斷的研究越來越多，一些研究成果也已用于實際工程，其中，基于振動信號的高壓斷路器機械故障診斷技術(shù)越來越受到人們的關(guān)注[1-3]。

高壓斷路器分、合閘動作時產(chǎn)生的振動信號蘊含著豐富、重要的高壓斷路器狀態(tài)信息[4-6]。由于高壓斷路器動作時間極短（常常是幾十毫秒）、各運動件之間強烈碰撞沖擊等特點質(zhì)，使得其振動信號具有時域時間短、頻域分布寬、強烈的非線性非平穩(wěn)性。所以，一方面，對傳感器的性能提出了更高的要求：傳感器必須具有足夠高的采樣精確度，且頻響范圍及量程應(yīng)足夠大;另一方面，對振動信號的處理也提出了更高的要求，傳統(tǒng)的信號處理方法不能有效提取高壓斷路器這種具有強沖擊時變特性振動信號的關(guān)鍵信息。

針對高壓斷路器振動信號的特殊性，時頻分析方法無疑是較適合的，因此，越來越多的時頻分析方法被用于分析高壓斷路器的振動信號。如小波變換[7-9]、經(jīng)驗?zāi)B(tài)分解[10-12]（empirical mode decomposition，EMD）。實際上，小波變換的本質(zhì)還是一種傅里葉變換，存在信號能量泄漏、基函數(shù)選擇等問題，且不具備自適應(yīng)性。EMD是一種可以根據(jù)信號自身特點進行自適應(yīng)多分辨率分解的信號分析方法，但其在分解過程中容易產(chǎn)生模態(tài)混疊、本征模態(tài)函數(shù)（intrinsic mode function，IMF）篩分停止條件和端點效應(yīng)等問題[13-14]。而變分模態(tài)分解[15-17]（variational mode decomposition，VMD）通過尋找約束變分模型最優(yōu)解實現(xiàn)信號的分解，各IMF分量中心頻率和帶寬不斷交替迭代更新，實現(xiàn)信號頻帶的自適應(yīng)分解。VMD方法克服了EMD方法的諸多缺陷（如模態(tài)混疊等），大大提高信號分解的準確性。振動信號經(jīng)VMD處理得到一系列反映振動信號局部特性的本征模態(tài)函數(shù)（IMF）;IMF通過希爾伯特（Hilbert）變換可更有效、更真實地獲得振動信號中所含的重要信息，即Hilbert譜（Hilbert譜可精確地描述信號幅值在整個頻段上隨時間和頻率的變化規(guī)律）。

[6] RUNDE M， OTTESEN G E， SKYBERG B，et al. Vibration analysis for diagnostic testing of circuitbreakers[J]. IEEE Transactions on Power Delivery， 1996， 11（4）： 1816.

[7] LEE D S S， LITHGOW B J， MORRISON R E. New fault diagnosis of circuit breakers[J]. IEEE Transactions on Power Delivery， 2003， 18（2）： 454.

[8] CHARBKAEW N， SUWANASR T， BUNYAGUL T， et al. Vibration signal analysis for condition monitoring of puffertype highvoltage circuit breakers using wavelet transform[J]. IEEJ Transactions on Electrical and Electronic Engineering， 2012， 7（1）：13.

[9] LIU Mingliang， WANG Keqi， SUN Laijun， et al. Fault diagnosis method of HV circuit breaker based on wavelets neural network[J]. The Open Automation and Control Systems Journal， 2015， 7：126.

[10] HUANG Jian， HU Xiaoguang， GENG Xin. An intelligent fault diagnosis method of high voltage circuit breaker based on improved EMD energy entropy and multiclass support vector machine[J]. Electric Power Systems Research， 2011， 81： 400.

[11] 張麗萍， 石敦義， 繆希仁. 低壓斷路器振動特性分析及其故障診斷研究[J]. 電機與控制學(xué)報， 2016， 20（10）：82.

ZHANGLiping， SHI Dunyi， MIAO Xiren. Research on vibration signal feature analysis and its fault diagnosis[J]. Electric Machines and Control， 2016， 20（10）： 82.

[12] 李建鵬， 趙書濤， 夏燕青. 基于雙譜和希爾伯特-黃變換的斷路器故障診斷方法[J]. 電力自動化設(shè)備， 2013， 33（2）：115.

LI Jianpeng， ZHAO Shu Tao， XIA Yanqing. Machinery fault diagnosis of high voltage circuit breaker based on empirical mode decomposition[J]. Electric Power Automation Equipment， 2013， 33（2）：115.

[13] HUANG N E， SHEN Z， LONG S R， et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis[C]//Proc. Roy. Soc. London Ser. A， 1998， 454： 903-995.

[14] 任宜春， 翁璞. 基于改進HilbertHuang變換的結(jié)構(gòu)損傷識別方法研究[J]. 振動與沖擊， 2015， 34（18）： 195.

REN Yichun， WENG Pu. Structural damage detection based on improved HilbertHuang transform[J]. Journal of Vibration and Shock， 2015， 34（18）： 195.

[15] DRAGOMIRETSKIY K， ZOSSO D. Variational mode decomposition[J]. IEEE Transactions on Signal Processing， 2014， 62（3）： 531.

[16] 徐元博， 蔡宗琰， 胡永彪， 等. 強噪聲背景下頻率加權(quán)能量算子和變分模態(tài)分解在軸承故障提取中的應(yīng)用[J]. 振動工程學(xué)報， 2018， 31（3）： 513.

XU Yuanbo，CAI Zongyan，HU Yongbiao，et al.A frequencyweighted energy operator and variational mode decomposition for bearing fault detection[J].Journal of Vibration Engineering，2018，31（3）：513.

[17] 趙巖， 朱均超， 張寶峰， 等. 基于VMD與Hilbert譜的旋轉(zhuǎn)機械碰摩故障診斷方法[J]. 振動、測試與診斷， 2018， 38（2）： 381.

ZHAO Yan， ZHUYunchao， ZHANG Baofeng， et al. Runimpact fault diagnosis of rotating machinety based on VMD and Hilbert spectrum[J]. Journal of Vibration， Measurement & Diagnosis， 2018， 38（2）： 381.

[18] 艾延廷， 費成巍. 轉(zhuǎn)子振動故障的小波能譜熵SVM診斷方法[J]. 航空動力學(xué)報， 2011， 26（8）：1830.

AI Yanting， FEI Chenwei. Rotor vibration fault diagnosis method based on wavelet energy spectrum entropy and SVM[J]. Journal of Aerospace Power， 2011， 26（8）： 1830.

[19] 徐建源， 張彬， 林莘， 等. 能譜熵向量法及粒子群優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)在高壓斷路器機械故障診斷中的應(yīng)用[J]. 高電壓技術(shù)， 2012， 38（6）： 1299.

XU Jianyuan， ZHANG Bin， LIN Xin， et al. Application of energy spectrum entropy vector method and RBF neural networks optimized by the particla swarm in highvoltage circuit breaker mechanical fault diagnosis[J]. High Voltage Engineering， 2012， 38（6）： 1299.

[20] LIU Mingliang， WANG Keqi， SUN Laijun， et al. Applying energyequal entropy of wavelet packet to diagnose circuit breaker faults[J]. The Open Electrical & Electronic Engineering Journal， 2014， 8： 445.

[21] 張彬， 徐建源， 陳江波， 等. 基于電力變壓器振動信息的繞組形變診斷方法[J]. 高電壓技術(shù)， 2015， 41（7）： 2341.

ZHANG Bin， XU Jianyuan， CHEN Jiangbo， et al. Diagnosis method of winding deformation based on transformer vibration information[J]. High Voltage Engineering， 2015， 41（7）： 2341.

[22] VAPNIK V N. Statistical Learning Theory[M]. Hoboken， NJ， USA： Wiley， 1998.

[23] REN Likun， L Weimin， JIANG Shiwei， et al. Fault diagnosis using a joint model based on sparse representation and SVM[J]. IEEE Transactions on Instrumentations and Measurement， 2016， 65（10）： 2313.

[24] 劉學(xué)藝， 宋春躍， 李平. 基于VapnikChervonenkis泛化界的極限學(xué)習(xí)機模型復(fù)雜性控制[J]. 控制理論與應(yīng)用， 2014， 31（5）： 644.

LIU Xueyi， SONG Chunyue， LI Ping. Model complexity control of extreme learning machine using VapnikChervonenkis generalization bounds[J]. Control Theory & Applications， 2014， 31（5）： 644.

[25] ANGUITA D， GHIO A， ONETO L， et al. Insample and outofsample model selection and error estimation for support vector machines[J]. IEEE Transactions on Neural Networks and Learning Systems， 2012， 23（9）： 1390.

（編輯：賈志超）