斷路器故障特征提取及識別方法研究

南方電網文山供電局 李開平 竇體權

斷路器的機械結構在動作過程中會產生包含豐富信息的振動信號，并且這種振動信號在斷路器各部件間進行傳播時不會發生太大的損耗，十分有助于傳感器的高效捕捉，除此之外，還可靈活的選擇傳感器的安裝點，為安裝提供便利。因此，在對斷路器的機械故障進行診斷時，利用振動信號這一方式十分常見。

目前振動信號的采集技術已較為完善，目前研究的重點相對集中在如何對信號進行分析和處理。通常情況下，經振動信號檢測裝置采集到的數據維數較高，而相應的機械狀態的內在維數較低，兩者之間并不統一。因此，斷路器故障特征提取指的是通過利用各種方法，在低維的特征子空間將振動信號檢測裝置采集到的高維數據進行反映，然后從中提取特征向量；而斷路器故障識別，即在低維的特征子空間中通過分類器進行分類[1]。在研究初期，常見的分析方法有人工神經網絡、時域包絡法、短時譜等。隨著研究的深入，還發現了多種新型的數學工具在研究中的應用。

總體上來說，斷路器的故障診斷對研究的發展具有重大意義，一方面優化完善原有的傳統研究方法，另一方面還引進了如支持向量機、小波分析、分形方法等新方法，為相關研究奠定了堅實的基礎[2]。

1 特征提取方法

隨著社會的發展，數字信號處理方法被普遍應用于信號的特征提取上。通過分析測量數據，不僅能提取具有明確物理意義的時頻特征，如時間、頻奉等，除此之外，對無明確物理意義的數據序列特征，如分形維數等同樣可以進行提取。

1.1 時域法

時域法是指在時間域內直接對采集數據的分析，主要研究系統的動態性能，能夠將如幅值等特征參量的指標提取[3]。

短時能量法。簡稱STE，這種方法在使用時需先將數據進行平方變換，然后利用窗函數濾波獲取能量函數序列，從而深入研究分析。相較于其他傳統方法還具有信噪比較高的優點。除此之外，將短時能量法與分辨系數等參數結合，還能應用到提取振動事件的幅值和起始時刻等信息的變化情況。

包絡分析。通常情況下，信號包絡會隨著振動信號的改變相應發生變化，當振動信號發生突變時相應的信號包絡隨之發生顯著變化。因此，常常通過包絡分析進行振動事件的信息提取。我國西安交大的著名學者張國鋼等人在分析采集數據時通過經驗模態分解，將較好時間分辨率的模態分量進行提取，再利用分量包絡提取時間信息，最后將其與標準值比對，從而完成斷路器的故障診斷。

1.2 頻域法

頻域法并不在時間域內直接對采集數據進行分析，而是將其由時域轉換到頻域，之后有針對的分析各頻率成分，從而完成斷路器的故障診斷。

模態分析。一般來說，在振動激勵的作用下機械結構往往會表現出一定的動態特性，因此能夠通過模態分析法分析，從而提取阻尼比、固有頻率等特性，完成故障診斷。

包絡譜分析。為了將振動信號的包絡在頻域內進行表示，能夠通過包絡譜分析法分析。不僅一方面能夠從頻域角度表述信號特征提高特異性，另一方面還能更精確的診斷斷路器故障。

1.3 時頻法

時頻法同樣不在時間域內對采集數據直接進行分析，而是將其轉換到時頻域，然后從時域和頻域兩方面同時進行分析，從而完成故障診斷。通常時頻法在斷路器的機械故障診斷中被廣泛使用，這是因為其相較于時域法和頻域法診斷更全面，不僅能保留信號中的局部特征，且在進行非平穩振動信號的分析時更具優勢[4]。

經驗模態分解。簡稱為EMD，被普遍應用于非平穩信號的分析。這是由于EMD具有一定的自適應性，在進行信號分析時，能將其分解為不同的模態分量從而突顯局部特征。重慶大學的陳偉根等通過這一方法對信號進行分析處理后，進一步求解各分量的能量熵，以此對特征量進行構造后進行斷路器故障診斷。

小波分析。簡稱WT，其具備時頻分辨率可變的特性，能夠在伸縮、平移等操作下，將小波母函數構建成小波基，以此達到時頻局部變換的目的。哈工大著名學者胡曉光等人通過小波分解及重構實現了振動信號去噪的效果。

1.4 數據序列法

數據序列法主要是分析采集到的數據序列。通過這種方式能夠直接獲得代表數據特征的數值或數學模型，并不要求具有明確的物理意義。

分形方法。1982年此領域著名學者Mandelbrot提出分形理論，研究幾何的自相似性方面受到廣泛應用。一般來說，系統的狀態與分形維數間是相對應的，就同一臺斷路器而言，其信號的分形維數會隨著機械狀態的不同而差異較大，而狀態相同時其維數則會保持相對穩定狀態。北京交大的吳振升等相關學者在小波變換分析的基礎上對信號的分形維數進行提取，并以此作為特征量診斷斷路器故障。

信息熵。通常情況下，數據的復雜度將會影響到信息熵的大小，因此信息熵能夠度量信號的復雜程度。在這一方法的研究上，陳偉根等通過WPD計算出各頻帶的信息熵，將其數據序列進行量化，從而有助于更直觀的反映與表達。

2 故障識別方法

總體來說，在斷路器的故障診斷上，除提取振動信號外還需進一步分析提取其特征向量，以此完成對斷路器故障的診斷。如今在故障診斷系統使用最為廣泛的是基于統計與人工智能算法二者。系統能對比已有故障與待診斷故障的特征，從比對結果中找出其異同，以此實現斷路器故障診斷的目的。一般來說，基于統計與人工智能算法二者主要包括了協方差法、動態時間規整法、支持向量機等[5]。

協方差。利用這一方法進行兩個不同變量的誤差分析時，能夠在整體上進行綜合性的評估，而方差則是指兩個變量相同的這一特殊情況。清華大學的黃瑜瓏等在進行斷路器的故障識別研究中應用這一方法進行分析，結果表明，在斷路器不同狀態下協方差會根據區域的不同分類。

動態時間規整。簡稱DTW算法，指的是通過動態規整函數對兩個數據序列進行對比分析，從而獲取兩者之間的相似性關系。DTW算法在幅值、時間等特征量方面靈敏度高。國外學者RundeM等人通過DTW算法，對待處理和正常狀態下的振動信號進行比對分析，從二者幅值、時間等特征量的差異來判斷斷路器的狀態情況。

支持向量機。簡稱為SVM算法，核函數會對這一算法的分類效果產生影響，數據序列在核函數的映射下，至高維特征空間并進行分類，適用于二分類問題。相對來說，斷路器在正常狀態下很少發生合閘動作，因此常用支持向量機算法進行斷路器故障識別。