淺談有關高壓斷路器振聲聯合故障的診斷方法

王建平

摘要：根據現有高壓斷路器機械的故障診斷方案不足，本文就高壓斷路器發生振聲聯合故障提出一種新的診斷方法。此方法基于改進集合經驗模式分解（EEMD），利用核獨立分量（fast KIcA）對采集到的聲波信號進行分析核對盲源進行分離處理，并對處理后的聲波信號以及振動信號進行EEMD處理。再對每一個分解后產生的固有模態函數（IMF）進行二維譜熵求解，再以此二維譜熵矩陣為基礎對矩陣進行變換，作為其支持向量機的特征向量的輸入識別斷路器機械的狀態?？梢园l現，振聲聯合分析方法可以有效提高高壓斷路器機械診斷的正確和可使用性。

關鍵詞：高壓斷路器；振聲數據級融合；振聲特征級融合；改進 EEMD 分解；改進 BEEMD 分解；支持向量機

高壓斷路器在電力系統中能夠起到控制和保護的關鍵作用，一旦設備出現問題，可能會引起很大的損失，因此高壓斷路器需要進行定時的檢查和定期故障診斷?，F在人工智能技術飛速發展，神經網絡、人工免疫網絡和向量機等一系列新型方法開始被應用于常規或高級機械故障的診斷。神經網絡具有一定泛化抗噪能力，但在進行實際的操作時會出現多樣本的情況，導致使用存在局限性；但人工免疫網絡穩定性和學習能力都較強，使用過程中，其輸入的樣本種類數量較多并且模型實際診斷十分復雜，計算量巨大且浪費時長。同時，一些小規模的、非線性關系以及高緯度的問題是適合用向量機解決的。

高壓電路器的故障診斷難就難在實際運行環境可能十分復雜。而運用振動聲波信號是明顯表現出非線性和不穩定性的。經驗和集合經驗模式對故障的診斷和分解都有一定的有效性。但是EMD在使用時可能出現模式混疊，EEMD解決了這方面的問題，若原始信號信噪比較低，分解效果依然不夠明顯。

1 高壓斷路器振聲聯合機械故障診斷總體方案

振動信號有非線性和穩定性較差的特性。應用加速度振動傳感器和聲波傳感器對高壓斷路器分閘的聲波信號和振動進行采集工作。振動信號可以用L0102T壓電加速度傳感器來進行采集，為使其依附到機構箱和中間觸頭的豎直部位的機構箱的表層上，可利用磁鐵作用吸引傳感器。采集聲波信號可以用502A型拾音器，然后與斷路器進行非接觸安裝。

研究結果表明，振動信號有著非線性和不穩定性、沖擊響應大和響應迅速的特點；聲波的特點是噪音組成大、頻率寬、重復性低。由此，提出了斷路器振聲聯合機械診斷方法是振聲特征級進行融合的特征故障診斷方法，還有數據級進行融合的優良診斷方法。

2 振聲聯合高壓斷路器故障診斷方法

2.1 振聲特征級進行融合聯合高壓斷路器故障診斷

外界環境處于劣勢時，斷路器在分閘時就會造成較強的振動信號和聲波信號。特別注意大量隨機的噪點會在空氣傳播的過程中混入聲波信號，即使幅值小但頻率是較高的，仍然影響故障的診斷。特征級融合診斷的方法實施原理如下：同時進行采集振動信號和聲波信號，利用相關快速核獨立分量分析對所收集的聲波信號進行處理非線性的粗略分離。Fast KICA是可以去除無關的特征、并且降低噪音的，非線性信號的辨處能力是很強的。通過處理將斷路器分合閘施行過程中混入的無關聲波，可能是人聲、自然聲音以及短路去分著的聲波，最后從采集到的混合原始聲波中充分有效分離出來。

而混入的無關聲波等一些噪音信號的幅度一般較小、頻率較大。這些噪聲堆積越多，對分解的準確度和完成度影響越大。中值濾波器可以用來對傳統EEMD分解的過程中所殘余的函數實行濾波工作，精準完成EMD的分解過程，來更好地控制完整的EEMD 分解過程，本文提出的EEMD算法設計為：

（1）具有一定強度的噪音分別排列到信號序列中以便多次進行EMD分解。

（2）高壓斷路器分閘的過程中收集到了振動信號和聲波信號，在其中找到局部極大值點還有局部極小值點。

（3）然后擬合該次數據序列的前后包絡線，確立平均包絡線，精確計算信號和包絡線之間的差距，反復多次執行這步，一直到這差值達到能使IMF成立的兩個條件。

（4）運算殘余函數，對差運用中值濾波法進行平滑化處理。高效去消除噪聲極強點、保護信號易變的信號邊界并且抑制信號和噪聲的隨機，使得殘余函數的方差值減小。重復多次3、4步驟一直到殘余函數成為不能再次進行分解的單調函數。

（5）EMD經多次分解可得到對應的IMF，從而根據得到的整體平均值求得最終的IMF。

（6）運算各個IMF的二維譜熵（一維譜熵、中心頻率）。

2.2 振聲數據級進行融合對高壓斷路器故障的診斷方案

用同收集的方法采集高壓斷路器的分閘振動和聲波信號，但采集到的信號因為環境和傳感器的影響仍然在時間上存在差異，聲波信號一般是稍落后于其振動信號的，那么將所采集的聲波信號進行適量移動，到振動信號振聲之前。聯合圖像。

二維經驗集合模態分解（BEEMD）是直接應用EMD和希爾伯特黃變換方法（HHT）到處理二維數據中，分解改進就是用改進版EEMD對所有維度數據進行的分解，依據可比的最小尺度對對應的IMF進行最后的合并重組。

二維EEMD分解改進后 是以EEMD為基礎的，相應的設計流程如下：

（1）BEEMD首先認為振聲聯合圖像也就是振動和聲波信號聯合而成的二維的空間數據是簡單兩個維度的一維序列組合的。

（2）然后EMMD分解所有一維片段序列，重構近似尺度片段，相似于IMF的二維分量隨之產生。

（3）進一步分解新二維分量，此時BEEMD會聯合并集合兩個各異的維度。

（4）依據最小尺度合并的原理將經以上步驟得到的這些分量合并，最后運算得其能量熵。

2.3 支持向量機基礎下的故障識別

（1）找尋確立合適的支持向量機模型和核函數，可以使用CSVC，或者選擇徑向基函數。

（2）設置初始化模型參數。

（3）SVM分類后進行測試模型的準確率然后識別相關發生的實驗故障。

3 結語

本文立足于Fast KICA、改進經驗集合模態分解和改進后的二維經驗聚合模態分解，將其應用到高壓斷路器對振聲聯合機械的問題故障診斷方案中，再采用粒子群優化（PSO）后的支持向量機模型來診斷故障。現實情況下，是需要收集更多的現實現場數據來深入探究其他故障問題概況來增強振聲聯合診斷的在當下的實用性。

參考文獻：

[1]張佩，趙書濤，申路，等.基于改進EEMD的高壓斷路器振聲聯合故障診斷方法[J].電力系統保護與控制，2014，（8）：7781.

[2]趙書濤，張佩，申路，等.高壓斷路器振聲聯合故障診斷方法[J].電工技術學報，2014，29（7）：216221.