基于振動信號的高壓斷路器故障診斷

鄒宇 章守宇 陸元翠 楊駿 王晨

摘 要：為實現(xiàn)高壓斷路器的故障診斷，提出了基于振動信號的故障特征提取與診斷方法。首先采用變分模態(tài)分解對振動信號進行處理，綜合考慮模態(tài)重復系數(shù)與歸一化距離來確定模態(tài)分解個數(shù)，最終將本征模態(tài)分量的分段奇異值作為斷路器的故障特征。將特征數(shù)據集輸入機器學習模型，故障分類結果表明，所提的故障特征可以準確實現(xiàn)斷路器的故障診斷。

關鍵詞：高壓斷路器;振動信號;故障診斷;變分模態(tài)分解

中圖分類號：TM561? 文獻標志碼：A? 文章編號：1671-0797（2022）07-0020-04

DOI：10.19514/j.cnki.cn32-1628/tm.2022.07.006

0? ? 引言

高壓斷路器是電力系統(tǒng)中最為重要的控制和保護設備之一，其運行可靠性直接影響電力系統(tǒng)能否穩(wěn)定運行。因此，對高壓斷路器進行狀態(tài)監(jiān)測以及時發(fā)現(xiàn)其故障是目前的研究熱點之一。

過去，高壓斷路器運維常采取事故檢修或定時檢修的方式，顯然這兩種方式存在一定的局限性。事故檢修即在故障發(fā)生后進行檢修，無法有效避免事故的發(fā)生;定時檢修即固定時間間隔的檢修，常常因此反而導致斷路器的損壞。因此，發(fā)展斷路器的在線監(jiān)測技術及在線故障診斷方法是十分必要的。

高壓斷路器動作時的振動信號包含了豐富的信息，學者們對基于振動信號的斷路器故障診斷方法已經進行了大量研究。首先是斷路器振動信號的處理方面，經驗模態(tài)分解（EMD）[1]、小波變換[2]、S變換[3]等都是斷路器振動信號的常用處理方法，可以有效反映信號的暫態(tài)特性，但EMD存在模態(tài)混疊問題，小波基函數(shù)的選取需要一定的經驗。在特征提取方面，動作時間、振動幅值、能量、熵、高階統(tǒng)計參數(shù)[4-5]等是常見的特征參數(shù)，可以有效反映高壓斷路器的鐵芯卡澀、螺絲松動等問題，但特征重復性還有待提高。在故障診斷方面，神經網絡[6]、支持向量機[7]等模型均在高壓斷路器的故障診斷中得到了應用，并取得了較好的診斷效果。

為進一步挖掘高壓斷路器振動信號所包含的狀態(tài)信息，提高故障診斷準確率，本文提出了一種基于變分模態(tài)分解的振動信號處理與特征挖掘方法，并采用機器學習算法對振動特征進行分類，驗證了所提方法的有效性。

1? ? 高壓斷路器故障診斷原理

拒動和誤動是高壓斷路器的主要故障，機械結構的變形、移位或斷裂均有可能導致斷路器拒動，而二次回路故障和操作機構故障是導致斷路器誤動的主要原因。以上這些缺陷在斷路器振動信號中均有所體現(xiàn)。典型的斷路器振動信號波形圖如圖1所示，圖中高壓斷路器動作時間節(jié)點如表1所示。

由圖1和表1可知，高壓斷路器的振動信號包含了各零部件的動作時間信息，當各部件動作異?；虬l(fā)生卡澀拒動等情況時可以在振動信號中有所體現(xiàn)。此外，根據振動的時域波形還可以進一步得到信號的幅值以及頻率，這些信息進一步反映了斷路器的機械狀態(tài)信息，當斷路器結構變形損壞或觸頭燒毀時，振動信號的幅值和頻率均會有所變化，因此，可以根據振動信號的時頻信息來實現(xiàn)高壓斷路器的故障診斷。

2? ? 高壓斷路器振動信號處理

2.1? ? 變分模態(tài)分解原理

高壓斷路器的振動信號可以看作是由多個呈指數(shù)衰減的正弦信號疊加而成，為研究高壓斷路器的時頻特性，生成仿真振動信號如圖2所示。

對于振動信號或聲學信號的分類，現(xiàn)在一般采用時頻圖結合卷積神經網絡的方式，但對于高壓斷路器的振動信號，其時頻圖是稀疏的，直接作為訓練樣本將導致訓練時間過長，因此可以對其進行壓縮或降維。為此，可采用變分模態(tài)分解（VMD）對其進行處理[8]。

VMD可以將一個復雜的信號分解成為多個本征模態(tài)分量，并使得這些分量的帶寬之和最小。VMD的模型如下：

?tδ（t）+

×uk（t）e

（1）

s.t.uk=x（t）（2）

uk即本征模態(tài)分量，它具有如下形式：

uk（t）=Ak（t）cos[φ（t）]（3）

式中：Ak（t）為瞬時幅值;φ（t）為瞬時頻率。

式（1）所表達的含義為對本征模態(tài)分量進行希爾伯特變換，得到解析信號，并通過加入e將頻譜調制到相應的基頻帶。然后上述解調信號梯度的L2范數(shù)，并使得各模態(tài)的帶寬之和最小。式（2）即滿足的約束為各本征模態(tài)分量之和和原始信號x（t）相等。

VMD通過構造增廣拉格朗日函數(shù)并結合乘法算子交替方向法求解上述約束問題，最終得到各本征模態(tài)分量uk以及對應的中心頻率ωk。

2.2? ? 模態(tài)個數(shù)選取

分解個數(shù)k的選取對分解結果具有較大的影響，既要信號充分分解，又要使得分解后的信號完整保留原始信號的信息，因此根據高壓斷路器的振動特點，本文提出了一種分解模態(tài)個數(shù)k的確定方法。

首先要保證分解后的信號完整保留了原始信號的信息，可以計算分解重構信號r與原始信號x的歸一化距離[9]，表達式如下：

d=（4）

選取k=1～15，計算圖2所示仿真信號與分解重構信號的歸一化距離如圖3所示。

當分解個數(shù)達到5個時，重構信號與原始信號已經幾乎沒有差別，因此選擇分解個數(shù)k≥5是比較合適的。為防止過度分解，本文采用模態(tài)重復系數(shù)[10]來進一步確定k的取值。

模態(tài)重復系數(shù)c定義為：

c=（5）

如圖4所示，當分解個數(shù)超過5個時，模態(tài)便發(fā)生了重疊現(xiàn)象，此時模態(tài)重復系數(shù)明顯升高，因此分解個數(shù)k應當小于等于5。綜上，對于該仿真信號，可以選擇模態(tài)個數(shù)為5。

在處理實測信號時，可能存在多個數(shù)值滿足重復系數(shù)和歸一化距離，此時應盡量選取較大的數(shù)值。若重復系數(shù)取值小于歸一化距離取值，則應按照歸一化距離的計算結果進行取值，并對重復模態(tài)進行合并。選取k為5時，圖2所示的仿真振動信號分解結果如圖5所示。

從分解結果可以看出，各模態(tài)之間沒有發(fā)生混疊重復現(xiàn)象，表明所采用的分解方法及分解個數(shù)選取方法是合理有效的。

2.3? ? 特征參數(shù)提取

振動信號經模態(tài)分解后得到了多個本征模態(tài)分量，實現(xiàn)了對信號時頻信息的初步壓縮提取，但此時數(shù)據量仍然較大，為進一步實現(xiàn)數(shù)據壓縮并提取狀態(tài)信息，本文采用奇異值分解的方式。

對于一個矩陣A，必定存在兩個正交的矩陣U、V以及一個對角矩陣Σ滿足：

A=UΣVT（6）

Σ=diag（λ1，λ2，…，λr）（7）

λ即矩陣A的奇異值，并且λ1≥λ2≥…≥λn，數(shù)值越大包含的信息也就越多。為充分體現(xiàn)振動信號的時頻特性，這里對本征模態(tài)分量進行時間上的分割[11]，以仿真信號為例，模態(tài)分解后得到5×2 048的矩陣，將其在時域上平均分割為32個矩陣，即5×64×32，計算每個小矩陣的奇異值且只保留最大值，得到32個最大奇異值，將其視作特征信號的特征向量。圖2仿真信號的特征向量如圖6所示。

3? ? 高壓斷路器故障診斷

對高壓斷路器進行故障模擬得到了正常狀態(tài)、鐵芯卡澀、基座螺絲松動、拐臂潤滑不良4種狀態(tài)下共40組振動信號，首先采用歸一化距離和模態(tài)重復系數(shù)確定分解層數(shù)，以正常狀態(tài)為例，結果如圖7所示。

綜合二者來看，當k取7時重構信號與原始信號已經幾乎一致，且此時沒有發(fā)生模態(tài)重疊現(xiàn)象，因此選取分解個數(shù)為7。對各組信號進行特征提取，結果如圖8所示。

結果表明，相同狀態(tài)下，振動信號特征向量具有較好的重復性，不同狀態(tài)下振動特征向量具有較大的差異性，可以滿足狀態(tài)分類的需求。

基于Matlab的機器學習工具箱，采用不同的故障診斷方法對振動信號進行分類，特征數(shù)為32，數(shù)據集共40組，選擇5組數(shù)據用作交叉驗證，分類準確率如表2所示。

結果表明，采用當前特征數(shù)據時，常用的分類方法均能取得較高的分類準確率，這就驗證了本文所提故障診斷特征的有效性。

4? ? 結語

本文提出采用變分模態(tài)分解對高壓斷路器振動信號進行處理，采用歸一化距離和模態(tài)重復系數(shù)結合的方式確定分解模態(tài)個數(shù)，并采用奇異值分解提取狀態(tài)特征。機器學習工具箱分類結果表明，所提特征和方法可以有效實現(xiàn)高壓斷路器的狀態(tài)分類。

[參考文獻]

[1] 孫抗，劉永超.基于EEMD和馬氏距離的高壓斷路器機械故障診斷研究[J].高壓電器，2018，54（12）：43-49.

[2] 王俊波，武利會，羅容波，等.基于小波變換—振動起始時刻分析的高壓斷路器故障診斷方法[J].高壓電器，2020，56（6）：211-217.

[3] 黃南天，陳懷金，林琳，等.基于S變換和極限學習機的高壓斷路器機械故障診斷[J].高壓電器，2018，54（6）：74-80.

[4] 萬書亭，馬曉棣，陳磊，等.基于振動信號短時能熵比與DTW的高壓斷路器狀態(tài)評估及故障診斷[J].高電壓技術，2020，46（12）：4249-4257.

[5] 楊秋玉，阮江軍，黃道春，等.基于VMD-Hilbert邊際譜能量熵和SVM的高壓斷路器機械故障診斷[J].電機與控制學報，2020，24（3）：11-19.

[6] 陳欣昌，馮玎，林圣.基于深度自編碼網絡的高壓斷路器操作機構機械故障診斷方法[J].高電壓技術，2020，46（9）：3080-3088.

[7] 邵陽，武建文，馬速良，等.用于高壓斷路器機械故障診斷的AM-ReliefF特征選擇下集成SVM方法[J].中國電機工程學報，2021，41（8）：2890-2900.

[8] ZOSSO D，DRAGOMIRETSKIY K.Variational mode decomposition[J].IEEE Transactions on Signal Processing，2013，62（3）：531-544.

[9] HUANG N T，CHEN H J，CAI G，et al.Mechanical fault diagnosis of high voltage circuit breakers based on variational mode decomposition and multi-layer classifier[J].Sensors，2016，16（11）：1887.

[10] 殷紅，董康立，彭珍瑞.基于VMD-SSI的結構模態(tài)參數(shù)識別[J].振動與沖擊，2020，39（10）：81-91.

[11] 陳懷金.基于振動分析的高壓斷路器機械故障診斷研究[D].吉林：東北電力大學，2017.

收稿日期：2022-01-10

作者簡介：鄒宇（1983—），男，江蘇南京人，高級工程師，主要從事電力工程施工管理工作。