基于智能理論的高壓斷路器機械故障診斷

田 濤 ，陳 昊，，張建忠，李子吉，張 明，王 斌，杭 俊

(1.江蘇省電力公司檢修分公司，江蘇南京 211102；2.東南大學電氣工程學院，江蘇南京 210096)

高壓斷路器是電力系統中重要的電力設備[1-4]，當電力系統出現短路等異常情況時，斷路器的拒動﹑誤動﹑慢動和三相不同期性等機械故障都可能造成惡性事故，甚至可以引起設備爆炸。國內外大量調查數據表明，機械故障是高壓斷路器的主要故障，因此對高壓斷路器運行中出現的機械故障及時進行診斷顯得十分重要，進行高壓斷路器機械故障的診斷研究具有巨大的經濟和社會效益[5-14]。斷路器操作時發出的機械振動信號是一個包含豐富信息的載體，它含有大量的設備狀態信息[6，7]。高壓斷路器是一種瞬動式的機械，在動作時，具有高強度沖擊、高速的特點，這樣強烈的沖擊振動在傳感器測量上比較容易實現，因此通過測量振動信號就可以進行斷路器的故障診斷。目前，振動信號檢測成為高壓斷路器機械狀態監測和診斷最有前途的方法之一。

1 系統框架和配置

選用高壓斷路器的合閘振動信號作為監測對象，設計了高壓斷路器機械故障診斷系統，其結構框圖如圖1 所示。采用加速度傳感器獲取斷路器合閘動作過程中的振動信號，用MP4221 數據采集卡對信號進行采集后再送入計算機進行信號處理和故障模式識別。

圖1 系統結構框圖

采用朗斯傳感器技術研發有限公司的LC0155T加速度傳感器。在傳感器的安裝過程中將傳感器安裝在關鍵部件（故障率高、重復性高）的振動源附近，滿足故障反應清晰、所受干擾小、便于安裝、信號傳輸可靠、穩定性好等要求。本文最終選擇傳感器的安裝位置如圖2 所示，該構件位于連接液壓操作機構和滅弧室支柱的支撐面上。采用的數據采集卡為北京雙諾公司的MP4221 數據采集卡。MP4221 是一款USB2.0 總線多功能12 位高速采集模塊，具有8 路模擬輸入、開關量16 路輸入/16 路輸出、二路24 位減法計數器。

圖2 加速度傳感器的安裝位置

2 故障診斷方法

通過對高壓斷路器的振動信號進行分析，可以提取出高壓斷路器的狀態特征。小波分析是一種很好的時頻分析方法，在時域和頻率同時具有良好的局部化特性，它可以很好地展現信號的細節信息，并且利用小波分解可以很好地提取出故障特征量[8]。在故障類型識別中，常用的智能方法是人工神經網絡[8，11，13]。此方法具有較強的自學習、非線性模式識別能力，但其本身存在著一些無法克服的缺點：如網絡中的結構選擇和權重的初值設定需要借助于經驗、網絡訓練速度慢、易陷入局部極小值點、過學習等。支持向量機（SVM）是近年來出現的一種新型方法[15]。它是建立在統計學習理論和結構風險最小原理的基礎上，比起傳統基于風險最小的人工神經網絡，具有很多優點，能有效地克服人工神經網絡的不足。其中很重要的一個優點就是小樣本學習，特別適合高壓斷路器等樣本少，不能反復操作以提取測試樣本的設備診斷。

基于此，本文提出了一種基于小波分析和支持向量機的高壓斷路器機械故障的智能診斷方法，即利用離散小波分解來提取能量分布并作為故障特征量，然后利用支持向量機來完成機械故障的分類診斷。高壓斷路器機械故障診斷的流程如圖3 所示。其具體內容為：（1）建立樣本斷路器振動數據庫，所述數據庫包括無故障時的斷路器振動數據和存在機械故障時候斷路器振動數據；（2）采集目標斷路器的振動信號，并對其進行如下處理：首先利用離散小波分解對振動信號分解提取故障特征，最后對故障特征進行歸一化處理來提取故障特征向量；（3）將得到的故障特征向量輸入到訓練好的支持向量機進行故障識別，實現故障診斷。

圖3 故障診斷步驟

2.1 離散小波分解

小波變換屬于一種多分辨率的時頻分析方法，為非平穩信號的分析提供了一個有價值的工具。實際應用中常使用簡單方便的二進離散小波變換。從多分辨率分析的角度上看，小波分解相當于一個高通濾波器和一個低通濾波器，每次分解總是把原信號分解成2個子信號，分別稱為逼近信號和細節信號，如此分解n次即可得到第n 層的小波分解結果，如圖4 所示。因此，一個信號x（t）經過離散小波分解后可以表示為：

式（1）中：d1，d2，…，dn分別為第1 層到第n 層共n個高頻小波重構序列；an為第n 層低頻小波重構序列。

圖4 離散小波分解

2.2 提取故障特征向量

當斷路器出現故障時，會對各頻帶內的采樣點能量有較大的影響，故以能量為元素構造特征向量。設Ej*為小波重構序列的能量，其表示為：

設對樣本進行n 層小波分解的各頻段的能量值為E*=（E0*，E1*，E2*，…，En*），將該向量進行歸一化處理即可得到特征向量為：

式（4）中：∑=E0*+E1*+E2*+…+En*。

2.3 支持向量機

SVM 是實現結構風險最小化原則的一種通用學習算法，比較適合于小樣本數據的分類，其基本思想如圖5 所示。圖中方點和圓點分別表示2 類訓練樣本，H為把2 類樣本完全無誤分開的分類線，H1，H2分別為通過樣本中離分類線最近的樣本且平行于分類線的直線，他們之間的間隔為分類間隔，線上的樣本點就是支持向量。該最優面不但將2 類樣本無誤地分開，而且要使分類間隔最大，前者保證經驗風險最小，后者使問題的真實風險最小。

圖5 SVM 兩類分類

假設訓練樣本集為：

式（5）中：xi∈Rl為樣本輸入；l為輸入空間的維數；yi∈｛-1，1｝為樣本輸出。假設φ 是將原始空間映射到高維特征空間的非線性映射。

在特征空間中利用結構風險最小化原理和分類間隔最大化思想，求最優分類超平面問題轉化為下面的最優化問題：

式（6）中：ω，b 分別為分類超平面的權值和偏置；εi為非負松弛變量；C＞0為懲罰系數，是為了保持分類最大間隔和分類誤差之間的平衡。

為求解上述約束最優化問題，引入Lagrange 函數：

式（7）中：ai≥0，βi≥0 是Lagrange 系數。

將L 分別對ω，b，εi求偏微并令其等于0，就可以把最優化問題式（7）轉化為等價的對偶規劃問題：

式（8）中：K（xi，xj）=（φ（xi），φ（xj））為核函數。

通過求解最優化問題，得到最優決策函數為：

式（9）中：ai，ω 和b為優化問題的最優解。

3 故障診斷平臺

根據故障診斷流程，開發了基于LabVIEW 和MATLAB的合閘振動信號高壓斷路器機械故障診斷平臺。將LabVIEW 虛擬儀器開發平臺良好的用戶圖形界面和MATLAB 軟件強大的數值分析功能相結合[16，17]，利用LabVIEW 調用MATLAB 實現高壓斷路器機械故障分析的方法，如圖6 所示。

圖6 操作界面

圖6（a）中，計算機操作界面上設置了“復位”按鈕、“采集數據”按鈕、“采樣頻率”輸入量、“采樣時間”輸入控制量以及采樣“量程”選擇控制量。另外使用一個圖表窗口來顯示采集信號的波形，同時使用輸出文本框和彈出對話框來說明“故障類型”。“采樣頻率”輸入控制量可以設置振動信號的采樣頻率，這個量需要與MATLAB 中的程序相對應，本文中設置的采樣頻率為50 kHz。“采樣時間”輸入控制量可以設置采集振動信號的時間，這個量與“采樣頻率”相結合，可以得到采集信號的點數，便于MATLAB 程序的數據處理。采樣“量程”選擇控制量設置了3個選擇量程，根據不同的實驗對象以及傳感器的量程選擇相應的采樣量程，這里默認量程選擇為-5～5V。實驗過程中根據采集到的振動信號，程序會自動判斷是何種故障類型，并文本輸入同時彈出對話框。當測得的合閘信號是在斷路器故障（底座松動）工作的情況下時，則輸出如圖6（b）所示的界面。

4 實驗研究

為驗證本文提出的方法，搭建了實驗平臺，如圖7所示。以高性能加速度傳感器測量合閘過程中的振動信號，在故障信號采集的實驗中，通過人為的設置故障類型，來采集相應故障類型下的合閘振動信號。由于實驗條件的限制，主要研究了無故障和斷路器底座松動故障2 種情況。利用設計的數據采集系統采集合閘振動信號，數據采集系統在斷路器動作時以50 kHz的速率進行150 ms時長的數據采集。

圖7 實驗平臺

首先利用離散小波分解對采集數據進行分解，然后得到重構信號，并計算出重構信號的能量分布。最后將每種狀態的9 組數據，6 組數據用于訓練SVM，另外3 組用于測試訓練好的SVM，驗證算法的診斷效果。其診斷結果如表1 所示。

表1 故障診斷結果

從表1 可看出，利用本文提出的方法，可以有效地診斷出高壓斷路器的機械故障。

5 結束語

通過監測合閘振動信號，本文對高壓斷路器機械故障診斷展開了研究，提出了故障診斷系統的框架和配置，研究了故障診斷的算法并開發了基于Labview和MATLAB 軟件的故障診斷軟件平臺，最后完成了實驗驗證測試。通過本文工作，可以得到如下結論：（1）利用離散小波分解處理高壓斷路器合閘過程的振動信號，可提取出故障特征向量。（2）將SVM 應用到高壓斷路器的故障診斷中，顯現出SVM 在小樣本問題中強大的推廣能力，適合于故障樣本獲得困難的高壓斷路器的故障診斷，能快速有效地識別出故障。

[1]吉亞明，周志成，馬 勇，等.真空斷路器投切并聯電抗器過電壓故障分析[J].江蘇電機工程，2014，33(2)：12-14.

[2]李 曄，朱 江，吳 玲.基于綜合自動化系統的斷路器遙控操作分析[J].江蘇電機工程，2013，32(2)：46-48，52.

[3]薛 峰，童勤毅，謝夏寅，等.斷路器跳閘脈沖監測系統的研制與應用[J].江蘇電機工程，2012，31(4)：58-62.

[4]朱 江，董余凡，李 曄.“六統一”設計下的雙母線方式斷路器失靈保護運行分析[J].江蘇電機工程，2012，31(6)：71-74.

[5]陳 昊.隔離開關閉鎖回路電子檔案構建及應用[J].中國電力，2012，45(7)：20-23.

[6]胡曉光，王建賾，劉桂芝，等.基于振動信號高壓斷路器故障診斷的仿真研究[J].哈爾濱工業大學學報，2001，33(4)：530-533.

[7]趙 洋，劉漢宇，曾慶軍.基于機械振動信號的高壓真空斷路器故障診斷的研究[J].高壓電器，2010，46(2)：46-51.

[8]陳偉根，范海爐，王有元，等.基于小波能量與神經網絡的斷路器振動信號識別方法[J].電力自動化設備，2008，28(2)：29-32.

[9]王振浩，杜凌艷，李國慶，等.動態時間規整算法診斷高壓斷路器故障[J].高電壓技術，2006，32(10)：36-38.

[10]榮亞君，葛葆華，趙 杰，等.用粗糙集理論和貝葉斯網絡診斷SF6斷路器故障[J].高電壓技術，2009，35(12)：2995-2999.

[11]徐建源，張 彬，林 莘，等.能譜熵向量法及粒子群優化的RBF 神經網絡在高壓斷路器機械故障診斷中的應用[J].高電壓技術，2012，38(6)：1299-1306.

[12]吳振升，王 瑋，楊學昌，等.基于分形理論的高壓斷路器機械振動信號處理[J].高電壓技術，2005，31(6)：19-21.

[13]郭鳳儀，馬文龍，李 斌.RBF 神經網絡在斷路器故障診斷中的應用[J].傳感器與微系統，2010，29(9)：128-130.

[14]關永剛，黃瑜瓏，錢家驪.基于振動信號的高壓斷路器機械故障診斷[J].高電壓技術，2000，26(3)：66-68.

[15]克里斯特安尼.支持向量機導論[M].李國正，王 猛，曾華軍，譯.北京：電子工業出版社，2004：82-83.

[16]徐 明，于業明.LabVIEW 中MATLAB的調用[J].山東理工大學學報（自然科學版），2005，19(4)：92-95.

[17]徐 何，李 滔，李 勇.MATLAN 與LabVIEW 混合編程方法應用研究[J].科學技術與工程，2010，10(33)：8267-8271.