基于CEEMDAN與樣本熵的高壓斷路器機械故障診斷

王國東，馬莉，古彥龍，王啟陽，魏亮

(1.國網寧夏電力有限公司檢修公司，寧夏 銀川 750011；2.國網寧夏電力有限公司電力科學研究院，寧夏 銀川 750011)

高壓斷路器是電力系統重要的控制和保護裝置，其操作可靠性是電網安全、穩定運行的必要保障[1-2]。在高壓斷路器運行過程中，振動信號是通過操作機構部件間能量傳遞過程獲取的蘊含豐富機械狀態信息的信號，是評估斷路器機械狀態的常用特征信號之一[3-4]。通常采用小波變換(wavelet transform，WT)[5-6]、經驗模態分解(empirical mode decomposition，EMD)[7-8]、(Hilbert-Huang Transform)集總經驗模態分解(ensemble empirical mode decomposition，EEMD)[9]等方法提取信號特征。文獻[5]運用WT處理斷路器振動信號，提取奇異性指數特征，通過分析斷路器不同狀態下的特征差異進行故障辨識，診斷效果良好，但WT不能夠自適應分解信號且分解過程存在能量泄露問題；文獻[7-8]采用EMD將振動信號分解成多個相互獨立的IMF分量之和，提取IMF樣本熵[7]、總樣本熵[8]等作為特征，并進行斷路器缺陷辨識，該方法避免了WT的缺點，是一種自適應分解方法，但EMD在分解過程中，易發生端點效應、模態混疊等現象。文獻[9]采用EEMD和SVM對斷路器分閘過程中的振動信號進行故障診斷，EEMD通過添加輔助噪聲消除了EMD過程中出現的模態混疊問題，提高了故障診斷率，但其分解完備性較差，存在添加高斯白噪聲的參數設置以及集成次數選擇等問題。

在EEMD基礎上，Torres等人提出一種具有自適應白噪聲的完整集成經驗模態分解方法—CEEMDAN[10]，該方法克服了WT、EMD和EEMD分解過程中存在的缺陷，提高了振動信號的分解效率，消除了信號的重構誤差，目前已被成功應用于變壓器放電噪聲診斷[11]、滾動軸承故障診斷[12]、風機故障診斷[13]、電力負荷預測[14]等各個方面的信號分析問題中。……