低壓斷路器振動特性分析與合閘同期性研究

繆希仁 王 燕

（福州大學電氣工程與自動化學院 福州 350108）

1 引言

斷路器振動信號含有豐富的機械特性信息，且具有非侵入式狀態(tài)監(jiān)測特點，在該領(lǐng)域國內(nèi)外研究人員已開展了大量有關(guān)斷路器機械故障診斷的理論研究[1,2]。文獻[3]提出基于小波變換的信號奇異性檢測理論處理振動信號，并提出小波變換故障特征參數(shù)的多尺度提取方法，即利用信號包絡小波變換各尺度上模極大值的傳遞性計算奇異性指數(shù)，且取得較為實用的效果；文獻[4]利用小波包和短時能量分析的方法處理振動信號，分析高壓斷路器合閘同期性且取得良好的效果；文獻[5]試驗表明，同類型的斷路器動作時所產(chǎn)生的振動信號相似，這就使通過比較同種類型不同斷路器的振動信號檢測斷路器故障成為可能，使基于振動信號所進行的斷路器狀態(tài)檢測和故障診斷推廣性與實用性得到進一步提高。

三相同期性是斷路器重要的機械特性參數(shù)之一。斷路器因多次合閘及分斷保護主回路產(chǎn)生的觸頭磨損、撞擊或定期檢修調(diào)整不當，都會造成斷路器三相觸頭合閘同期性變化。當三相同期性不在容許的范圍內(nèi)時，會影響斷路器的性能和壽命以及電網(wǎng)的穩(wěn)定性運行，因此，斷路器合閘同期性研究對其狀態(tài)監(jiān)測與故障診斷具有重要意義，但目前斷路器同期性研究還局限在中高壓斷路器。隨著智能配電網(wǎng)發(fā)展，對配電系統(tǒng)安全可靠性提出更高的要求，作為主要機械性能指標的低壓斷路器的同期性研究顯得十分必要。

小波包能量譜[6-8]分析技術(shù)，具有對振動信號高頻部分更精細的分解能力，其小波包重構(gòu)可用于斷路器振動信號的頻帶能量分布情況分析，由于不同合閘同期性狀態(tài)具有不同的振動信號的頻帶能量分布，由此可識別斷路器合閘不同期性故障狀態(tài)。低壓斷路器電動式操作機構(gòu)具有在電機驅(qū)動結(jié)束后斷路器立即合閘的特點，利用驅(qū)動電機的電流信號作為時間標識可有效提取合閘振動信號。因此，本文提出將小波包能量譜與操動機構(gòu)電流驅(qū)動信號相結(jié)合分析與提取低壓斷路器合閘同期性特征矢量的新方法，并應用BP 神經(jīng)網(wǎng)絡良好的狀態(tài)分類能力[9]，識別低壓斷路器三相不同期合閘故障。

2 振動信號小波包能量譜分析技術(shù)

小波包變換具有任意多尺度分解的特性，它對小波變換未分解的高頻部分進行更精細的分解，并且該分解無冗余，從而可根據(jù)信號特性和分析要求，在一定頻域范圍內(nèi)提高頻率分辨率，在一定時間范圍內(nèi)提高時間分辨率，從而彌補了小波變換因為頻率分辨率隨頻率升高而降低所導致的“高頻低分辨率”問題。本文針對低壓斷路器振動信號特性，采用三層的小波包分解[10]如圖1 所示的二叉樹分解結(jié)構(gòu)，其中節(jié)點(0,0)代表原始信號S，節(jié)點(i,j)代表小波包分解的第i層（i為分解尺度）第j個頻帶信號分量Sij(i=1,2,3;j=0,1,2,…,7)。其中每一層都覆蓋信號所有頻率，但各層分辨率不同；分解層數(shù)越多，頻域分辨率越高；其三層小波包分解關(guān)系為

圖1 三層小波包分解Fig.1 Three layer wavelet packet decomposition

此外，式（1）小波包分解的各節(jié)點系數(shù)重構(gòu)算法可詳見文獻[10]。小波包分解各節(jié)點重構(gòu)的信號，表示該節(jié)點所對應頻帶分量在原始信號中的分布情況，實現(xiàn)了對原始信號的頻域抽取，可反映故障狀態(tài)特征頻率的變化。

本文應用小波包分解與重構(gòu)原理，提取斷路器振動信號特征矢量的步驟如下：

（1）選擇適當?shù)男〔ê瘮?shù)對振動信號進行三層小波包分解。因為振動信號分解質(zhì)量的好壞很大程度上依賴于所選的基波函數(shù)，評價所選的基函數(shù)可以用信息代價函數(shù)來描述。本文針對低壓斷路器振動信號選用db5 小波函數(shù)，并以適用于振動信號分析的Shannon 信息熵[11]為標準進行小波包分解。

（2）分別對各頻率范圍的小波包分解系數(shù)進行重構(gòu)。本文只對式（1）小波包的第三層8 個節(jié)點進行分析，因最大頻率為8kHz（見圖2，振動信號頻率范圍為0～8kHz），則每個節(jié)點代表1kHz的頻率范圍，經(jīng)小波包分解系數(shù)重構(gòu)分別提取振動信號從低頻到高頻8 個頻帶上的信號特征。

圖2 正常振動合閘信號Fig.2 Normal vibration closing signal

（3）求振動信號分布在各個頻帶中的能量。設節(jié)點S3j(j=0,1,…,7)對應的能量為E3j(j=0,1,…,7)，在上述各頻帶信號特征提取的基礎上，計算各個頻段的能量。

式（2）的含義為一個信號在時域的能量與頻域的能量相等。式中X3j（k）（j=0,1,…,7；k=1,2,…,N）表示小波包重構(gòu)信號各離散點的幅值，N為采樣點數(shù)。

（4）構(gòu)造特征矢量。低壓斷路器合閘過程三相不同期發(fā)生時，各頻帶內(nèi)信號特征會有相應變化，本文以頻帶能量譜構(gòu)造一個特征矢量

由于低壓斷路器振動信號各頻帶能量相差較大，為了便于比較三相不同期狀態(tài)下各個頻帶能量及其數(shù)據(jù)分析，將各頻帶能量歸一化處理

因此，矢量T1即為歸一化后的低壓斷路器振動信號能量譜特征矢量。

3 有效振動信號的提取

本文針對電動機操作機構(gòu)的低壓斷路器，在電機驅(qū)動結(jié)束后斷路器立即合閘的特點，以電機電流信號結(jié)束為振動信號提取的時間標識點，以限定斷路器合閘過程觸頭碰撞時振動信號的提取范圍，為合閘過程三相同期性分析提供更有效的振動信號區(qū)間。

本文以 DW15—1600 萬能式斷路器為試驗樣機，將單個振動加速度傳感器安裝在斷路器基座橫梁上，其檢測的振動方向與觸頭合閘撞擊方向一致，在空載條件下采集反映三相同期性狀態(tài)的觸頭合閘振動信號，并將振動信號采樣頻率設置為16kHz，采樣數(shù)據(jù)點數(shù)為40000。

根據(jù) DW15—1600 萬能式斷路器出廠技術(shù)要求，當觸頭厚度低于2mm 時應予以更換。在斷路器正常合閘振動試驗基礎上，本文通過調(diào)整觸頭的開距和超程，分別模擬三相觸頭機構(gòu)磨損或調(diào)整不當造成的各種合閘不同期性狀態(tài)。以電機驅(qū)動電流結(jié)束為振動信號提取標識點，本文分別對低壓斷路器A、B、C 相觸頭磨損造成的不同期故障進行振動信號檢測試驗，獲得的合閘振動信號及對應的傅里葉變換頻譜分析如圖3 所示。

圖3 合閘不同期振動信號及頻譜圖Fig.3 Vibration signal & spectrum diagram of closing asynchronous

由圖2 和圖3 可以看出，低壓斷路器正常合閘及A、B、C 三相分別存在不同期合閘時，其各頻帶內(nèi)振動信號特征有相應變化，因此，利用前述小波包能量譜分析技術(shù)，對圖2c 和圖3的振動信號分別計算得出4 種合閘同期性狀態(tài)歸一化后各頻段能量譜特征矢量柱狀圖如圖4 所示。

圖4 振動信號頻帶能量柱狀圖Fig.4 Vibration signal frequency band energy column

4 三相不同期故障神經(jīng)網(wǎng)絡識別

本文利用多次斷路器正常合閘狀態(tài)的振動信號和三相同期故障合閘狀態(tài)（分別為A 相不同期、B相不同期、C 相不同期）的振動信號來進行小波包分解及重構(gòu)，然后提取相應的振動信號在各個頻帶的能量譜特征矢量作為BP 神經(jīng)網(wǎng)絡的輸入矢量，并選用trainlm 函數(shù)（Levenberg-Marquardt 優(yōu)化方法）訓練BP 網(wǎng)絡，以建立低壓斷路器三相不同期故障識別模型。其神經(jīng)網(wǎng)絡訓練和測試數(shù)據(jù)分別用矢量（000）表示正常狀態(tài)，（001）表示A 相觸頭不同期故障，（010）表示B 相觸頭不同期故障，（011）表示C 相觸頭不同期故障，從而建立基于振動信號能量譜特征矢量及BP 神經(jīng)網(wǎng)絡的斷路器三相不同期故障識別模型。

本文以正常、A 相不同期、B 相不同期及C 相不同期合閘振動信號的各頻帶能量特征矢量為神經(jīng)網(wǎng)絡輸入，以低壓斷路器三相合閘同期或不同期的上述4 種類型同期性狀態(tài)為神經(jīng)網(wǎng)絡輸出，建立低壓斷路器三相不同期故障識別模型，表1 為部分訓練樣本數(shù)據(jù)（限于篇幅，每種狀態(tài)僅列出三次試驗數(shù)據(jù)），表2 為測試樣本數(shù)據(jù)。

表1 部分訓練樣本Tab.1 Part of train samples

表2 測試樣本Tab.2 Testing samples

（續(xù)）

本文在BP 神經(jīng)網(wǎng)絡中采用trainlm 函數(shù)，是依據(jù)Levenberg-Marquardt 優(yōu)化理論，并利用誤差函數(shù)的近似二階導數(shù)信息對網(wǎng)絡的權(quán)值和閾值進行調(diào)整，克服采用梯度下降反向傳播算法的BP 網(wǎng)絡通常具有的收斂速度慢、易陷入局部極小點等缺點。使用trainlm 函數(shù)的訓練過程如圖5 所示，圖中實線為訓練過程，虛線為目標值。其訓練結(jié)果見表3。

圖5 trainlm 函數(shù)的訓練過程Fig.5 Trainlm training process

表3 trainlm 函數(shù)的訓練結(jié)果Tab.3 Testing result of trainlm fuction

由圖5 與表3 可以得出，使用trainlm 訓練函數(shù)的BP 神經(jīng)網(wǎng)絡迭代9 次后就達到了收斂要求，即本文建立的基于振動信號小波包能量譜分析的神經(jīng)網(wǎng)絡模型，可有效識別低壓斷路器三相合閘不同期性故障。

5 結(jié)論

（1）以操動電機驅(qū)動電流信號結(jié)束點作為提取合閘振動信號的標識，可有效提取及限定斷路器合閘時振動信號的分析范圍。

（2）低壓斷路器三相合閘同期性發(fā)生變化時，引起振動信號的時頻域分量相應變化，利用小波包分解與重構(gòu)可有效提取各種三相同期性狀態(tài)的能量譜故障特征矢量。

（3）小波包能量譜與神經(jīng)網(wǎng)絡相結(jié)合，可對機構(gòu)磨損或調(diào)整不當造成的各種合閘同期性狀態(tài)加以有效識別。

[1]楊飛,王小華,榮命哲,等.一種新的中壓真空斷路器三相同期在線監(jiān)測方法[J].中國電機工程學報,2008,28(12):139-144.Yang Fei,Wang Xiaohua,Rong Mingzhe,et al.A novel on-line monitoring method for three phase synchronization of medium voltage vacuum circuit breaker[J].Proceedings of the CSEE,2008,28(12):139-144.

[2]孫來軍,胡曉光,紀延超.改進的小波包–特征熵在高壓斷路器[J].中國電機工程學報,2007,27(12):103-108.Sun Laijun,Hu Xiaoguang,Ji Yanchao.Fault diagnosis for high voltage circuit breakers with improved characteristic entropy of wavelet packet[J].Proceedings of the CSEE,2007,27(12):103-108.

[3]胡曉光,戴景民,紀延超,等.基于小波奇異性檢測的高壓斷路器故障診斷[J].中國電機工程學報,2001,21(5):67-70． Hu Xiaoguang,Dai Jingmin,Ji Yanchao,et al.The fault diagnosis of high voltage breakers based on wavelet singularity detection[J].Proceedings of the CSEE,2001,21(5):67-70.

[4]馬強,榮命哲,賈申利.基于振動信號小波包提取和短時能量分析的高壓斷路器合閘同期性的研究[J].中國電機工程學報,2005,25(13):150-154.Ma Qiang,Rong Mingzhe,Jia Shenli.Study of switching synchronization of high voltage breakers based on the wavelet packets etractional gorithm and short time analysis method[J].Proceedings of the CSEE,2005,25(13):150-154.

[5]Runde M,Skyberg B,Ohlen M.Vibration analysis for periodic diagnostic testing of circuit breakers[C].High Voltage Engineering Symposium,London,UK,1999:98-101.

[6]Pan Hongxia,Men Jifang.Fault diagnosis of diesel engine based on energy spectrum analysis[C].Proceedings of the International Conference on Control,2012:697-701.

[7]趙志宏,楊紹普.基于小波包變換與樣本熵的滾動軸承故障診斷[J].振動、測試與診斷,2012,32(4):640-644,692.Zhao Zhihong,Yang Shaopu.Roller bearing fault diagnosis based on wavelet packet transform[J].Journal of Vibration,Measurement & Diagnosis,2012,32(4):640-644,692.

[8]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)絡在高壓斷路器機械故障診斷中的應用[J].高電壓技術(shù),2012,38(6):1299-1306.Xu Jianyuan,Zhang Bin,Lin Xin,et al.Application of energy spectrum entropy vector method and RBF neural networks optimized by the particle swarm in high-voltage circuit breaker mechanical fault diagnosis[J].High Voltage Engineering,2012,38(6):1299-1306.

[9]Shariatinasab Reza,Akbari Mohsen,Aghaebrahimi M R.A novel wavelet-neural network method for fault location analysis on transmission lines[C].Proceedin-gs of the Mediterranean Electrotechnical Conference,2012:963-966.

[10]程正興.小波分析算法與應用[M].西安:西安交通大學出版社,1998.

[11]李舜銘,李香蓮.振動信號的現(xiàn)代分析技術(shù)與應用[M].北京:國防工業(yè)出版社,2008.