高壓斷路器機械故障的診斷技術之研究

何 剛

（ 肇東市人民政府油田服務中心，黑龍江 肇東151100）

1 振動信號分析技術在高壓斷路器機械故障診斷中的應用

在高壓斷路器機械故障診斷中， 可以對振動信號分析技術進行運用，由于高壓斷路器產生的振動信號具有非線性的特征，并且其中含有諧波，所以在進行振動信號分析前，需要先去除噪聲，并對特征進行提取，隨后構建診斷模型進行故障診斷。

1.1 噪聲去除

在高壓斷路器的振動信號中，除了有高頻之外，還有低頻，與機械狀態相關聯的信息大部分都集中在高頻上， 如觸頭撞擊形成的沖擊信號，除此之外的信息則集中在低頻上。 在現場對高壓斷路器進行振動信號采集時，若是其它斷路器進行分合閘操作，則會對振動信號測量結果的準確性造成影響。 不僅如此，采集的振動信號本身也存在噪聲，所以需要進行去噪處理，將無用的信息除去，保留具有利用價值的信息，從而提高機械故障診斷結果的準確性。 在對高壓斷路器振動信號的噪聲進行去除時， 可以采用小波變換的方法，這種方法分為兩種情況，一種是借助軟閾值來去除振動信號中的噪聲，另一種則是通過硬閾值來完成去噪[1]。 在實際應用中發現，軟閾值的函數雖然要比硬閾值的函數更加光滑， 但卻會導致部分具有利用價值的信息損失，為避免該情況的發生，可以采用硬閾值的方法對振動信號中的噪聲進行去除。

1.2 振動信號提取

當高壓斷路器發生機械故障后，在分閘時振動信號會出現兩次非常明顯的振動波。 同時，還有一些幅值相對較小的振動波會在機械內進行傳播，在對振動信號進行提取時，要先對起止位置進行確定，其中起點時間的確定方法如下：當振動信號連續10 個采樣點全部大于設定值，便可判定為發生振動事件，振動信號的起始點為事件發生前的25ms，由于在此之后還有幅值比較小的振動信號，故此將振動信號的分析時間最終確定后30ms。 對振動信號特征進行提取時，可以采用時頻特征譜，這是一種較為實用的特征提取方法，在詳細的時頻劃分后，得到的時頻能量譜具有明顯的差別，其特征非常明顯[2]。 當高壓斷路器的機械狀態出現變化后，振動信號會隨之改變，能夠在時頻特征能量譜上如實地反映出來，換言之，對振動信號的時頻能量特征進行分析，能了解高壓斷路器的機械狀態，將能量譜作為機械故障診斷模型的輸入量，可對機械故障進行快速診斷。

1.3 構建故障診斷模型

在對高壓斷路器機械故障診斷模型進行構建時， 可以利用深度學習網絡中的自編碼網絡， 其又被稱之為SAE， 即棧式自編碼器，它在復雜非線性問題的處理中效果較好，能夠快速完成特征提取，并對故障進行準確分類。 SAE 是由多個AE（ 自編碼器）以堆疊的方式組合而成，具體的學習過程包括預訓練和微調，前者為無監督學習，后者為監督學習，使網絡達到全局最優為止。 AE 作為SAE中的基本單元，其結構與神經網絡相類似，它的預訓練是一個逐層訓練過程，輸入層數據為振動信號劃分后的時頻段能量，輸出層為高壓斷路器機械故障振動的結果。 隨后通過微調能夠大幅度增強網絡的性能，從而使診斷結果變得更加準確。

2 基于線圈電流的高壓斷路器機械故障診斷技術

對于高壓斷路器而言， 分合閘線圈電流是其機械運行狀態的重要監測數據，由監測結果可知，當高壓斷路器出現機械故障時，分合閘線圈電流會隨之出現較為明顯的變化。 因此，通過對分合閘線圈電流波形的分析，并對相關的特征進行提取，能夠為機械故障診斷提供依據。 與振動信號相比，由于線圈電流波形信號并不會受到傳感器裝設位置的影響，所以得到的數據更加可靠，并且便于特征向量的提取。

2.1 線圈電流的特性

2.1.1 等效電路

當高壓斷路器進行分合閘時， 動觸頭會在操作機構的帶動下發生動作，進而完成分合閘，這個操作最初是線圈通電后生成電磁場，在電磁力的作用下，鐵芯引起脫口機構動作，并帶動分合閘杠桿運動[3]。由此可知，分合閘線圈電流是鐵芯由靜止狀態轉變為運動狀態，最終恢復為靜止狀態時，線圈中流過的電流波形，它可以反映出操作機構當前所處的工況。 比如，線圈的電阻是否處于正常狀態、鐵芯以及操作機構有無卡澀的現象等。 據此，便可對高壓斷路器的機械故障進行快速診斷。 可以采用等效的方法，將高壓斷路器分合閘線圈的回路轉換為以下器件的串聯形式：電源（ 直流）、電阻和電感、開關，這樣便組成了一個等效電路[3]。

2.1.2 電流波形

在高壓斷路器的分合閘線圈中， 電流信號波形主要與鐵芯的運動特性有關， 大體上可將鐵芯的運動分為以下幾個階段：A 階段為靜止欲動， 在該階段分合閘線圈電流呈現出指數形式增長的特點，電流的特征能夠反映出線圈的工作狀態；B 階段為鐵芯運動，在該階段，線圈電流出現明顯的下降，并且鐵芯開始運動，從電流的變化趨勢中能夠反映出鐵芯的運動狀況， 如卡澀、 所受阻力的大小、脫扣等等；C 階段為觸頭分合閘，在該階段，高壓斷路器的輔助接點會被切斷， 線圈電路特征能夠反映出操作機構的工作狀態；D階段為電流切斷，在該階段，電流的變化能夠反映出電磁輔助電路的性能。

2.2 線圈電流的處理

由于通過傳感器采集到的電流，除了會受到電磁的干擾之外，還會受到噪聲的影響，所以在對線圈電流進行提取之前，應當對噪聲進行有效去除。 分合閘線圈的電流從性質上看具有簡單的特點，它的處理要比振動信號更加容易， 可以采用軟閾值對線圈電流信號進行處理，經過處理后，能夠為特征提取提供有利條件。 以小波對線圈電流信號進行分解，并對閾值進行合理設定，用軟閾值處理小波系數后，經重構便可得到去噪后的電流波形。

2.3 線圈電流的故障特性

為對高壓斷路器不同機械狀態的電流波形特征是否相同進行驗證，分別對正常和故障狀態的線圈電流進行處理，然后以隨機的方式選取電流信號， 共計三組進行對比分析。 在正常與故障狀態下，分合閘線圈的電流波形在時域平面內呈現出不同的狀態，并且特征量的分布也不相同。 由于各個故障狀態與正常狀態之間的距離存在明顯的差異， 所以可對特征向量間的距離變化趨勢進行計算，來對線圈電流當前所處的狀態進行具體分類，正常狀態時，三條線圈電流為基本重合狀態。 當高壓斷路器基座的螺栓出現松動故障時，線圈電流比正常狀態時的電流大，之所以會出現這樣的情況，主要是因為螺栓松動導致機構的牢固性降低，增大了分合閘操作時機構的磨損程度，鐵芯的摩擦面變得過于光滑，運動時間隨之縮短。 鐵芯卡澀故障時，由于需要克服摩擦阻力，從而使得鐵芯的運動時間延長，電流值增大[4]。

2.4 故障診斷模型的構建

在對基于分合閘線圈電流信號的高壓斷路器機械故障診斷模型進行構建時，可以引入KNN（ k 最鄰近算法），這是數據挖掘中最為簡單且實用的一種方法，可將之視作為非參數化分類器，在該分類器當中，狀態都是特征空間中由特征向量組成的點[5]。診斷模型的構建過程如下： 對傳感器采集到的高壓斷路器正常與故障狀態的分合閘線圈電流數據進行處理，然后以隨機的方法，從處理好的數據中選取一部分作為訓練樣本，另一部分作為待分類樣本；對初始值k 進行設定，按照距離從大到小的順序，建立隊列，以此來對最近的訓練樣本進行存儲；對訓練樣本集進行編歷，并對歐氏距離進行計算，經比較之后進行舍棄，當編歷完成后，找出的k 歸類到元素最多的類別中，最后給出故障識別結果。 實踐證明，這種方法在高壓斷路器機械故障診斷中的效果較好。

3 結論

綜上所述， 高壓斷路器機械故障診斷是一個較為復雜的過程，為加快診斷速度，并提高診斷結果的準確性，可以對振動信號和線圈電流加以利用，據此構建相關的診斷模型，借助模型對高壓斷路器的機械故障進行診斷。