GIL機械故障診斷與預警技術研究*

王立憲,馬宏忠,戴 鋒

(1.河海大學 能源與電氣學院，江蘇 南京 211100；2.國網江蘇省電力有限公司檢修分公司，江蘇 南京 211102)

0 引 言

隨著西電東送項目不斷推進、區域電力能源互聯速度加快，氣體絕緣輸電線路(GIL)以其傳輸容量大、傳輸距離長、環境兼容性好等優點先后在中國天生橋水電站、溪洛渡水電站和蘇通GIL綜合管廊等重大電力輸送建設中投運[1-3]。文獻[4]統計了GIL設備發生故障的原因，其中機械故障占比2/3。因為GIL設備應用場合多為特高壓且封閉結構，一旦發生故障將造成巨大經濟損失，所以對其進行故障診斷對電能安全傳輸和電網穩定運行具有重大意義。

振動信號是電力設備運行時的典型表征[5]，并且具有不受電磁干擾等優點。目前國內外對于GIL設備機械故障的研究主要依靠在GIL設備外部設置加速度傳感器來分析正常運行狀態時GIL設備的振動特征，利用GIL外殼的振動來檢測內部的電磁與絕緣故障[6-7]，而對于GIL設備機械故障引起的異常振動信息理論研究與機械故障模式診斷的研究尚不充分。文獻[8]結合機電融合技術，利用GIL設備異常振動信號對內部的絕緣故障進行故障模式識別；文獻[9]以GIL低頻信號為研究對象，對GIL機械故障進行診斷，但局限于是否對故障產生進行判斷，并不能對機械故障類型進行識別。

在信號分析方面，經驗模態分解(EMD)在處理非平穩、非線性信號方面比傳統的小波變換、傅里葉變換具有一定的優越性，但是EMD也存在端點效應、模式混疊等問題[10-11]。文獻[12]在傳統EMD的方法上引入白噪聲進行改進，形成了新的集合經驗模態分解(EEMD)算法，解決了模式混疊效應，但引入白噪聲帶來了噪聲集總不平均的問題。互補集合經驗模態分解(CEEMD)總結了EMD和EEMD的優勢，既可以在GIL振動信號中分解出模態信號(IMF)，又避免了引入白噪聲的干擾。同時，樣本熵、能量熵等非線性動力學方法有很多種，文獻[13-14]利用奇異熵值和能量熵對GIL設備局部放電故障信號進行特征值提取，但以上方法對熵值的控制、樣本尺度劃分以及特征優化仍有不足之處。

針對現有GIL設備機械故障模式識別與診斷研究的空白與信號分析存在的問題，文中以振動信號為研究對象，對GIL機械故障診斷進行研究。搭建110 kV GIL設備試驗平臺，模擬螺絲松動、外力沖擊和導電桿嵌入不完全3種機械故障，利用CEEMD算法對GIL振動信號進行分解，提取模態分量；利用模糊熵提取模態分量特征值，并通過鯨魚優化極限學習機(WOA-ELM)對特征值向量展開聚類分析，結合自適應閾值進行故障預警，實現GIL機械故障有效診斷與預警。

1 試驗平臺與方案

1.1 試驗平臺

GIL試驗平臺包含：GIL試驗腔體，材料為鋁，導體外直徑80 mm，殼體內直徑390 mm，殼體厚度15 mm，試驗電壓由GDYT-5/100 無局放耐壓試驗裝置進行調節；GH-313A型振動加速度傳感器，檢測范圍40 Hz～8 kHz(-3 dB)，靈敏度100 mV/g±10%；LC-01A型彈簧沖擊錘，靈敏度4.14 pC/N，測量范圍0～5 kN；Luomk 718 Series振動信號采集儀，正負25 V寬電壓輸入，采樣頻率最高102.4 kHz。試驗原理圖如圖1所示，現場試驗平臺如圖2所示。

圖1 試驗設置示意圖

圖2 試驗現場圖

1.2 故障設計

(1)螺絲松動。螺絲松動是誘發GIL設備機械故障最普遍的原因，試驗過程中通過將盆式絕緣子固定螺絲松旋40%來模擬故障。

(2)外力沖擊。由于GIL腔體在運行時安裝支架松動、以及其他腔體故障等原因會產生外力沖擊進而引發振動，試驗采用LC-01A型彈簧沖擊錘模擬外力沖擊故障。

(3)導電桿嵌入未完全。在國內外對于GIL機械振動故障的研究之中對GIL導電桿嵌入未完全所引發的機械故障研究較少。而在實際工程中，由于安裝工藝以及導電桿的電-熱伸縮效應，在GIL設備的端部會出現導電桿嵌入未完全的情況，這也是引起GIL設備出現機械故障的主要原因，如不及時進行診斷與處理，在長期的振動下還會導致絕緣子的裂解。為模擬此故障，將端部導電桿向遠離盆式絕緣子方向抽離3 cm，形成導電桿嵌入欠完全的情況。

1.3 試驗方法

(1)在每個測量點測量正常運行狀態下GIL設備運行的振動信號，作為對比樣本。

(2)依次設置3種典型故障，并測取3種故障狀態下的GIL設備異常振動信號。

(3)將正常振動信號與故障振動信號進行對比，并對故障振動信號進行特征提取與分析，實現GIL設備機械故障模式識別與診斷。

為避免試驗的偶然性，試驗時間統一測取8 s，每種故障類型測試12組，單組試驗重復5次。

2 基于CEEMD與模糊熵的信號特征提取

2.1 CEEMD信號分析法

EMD方法實際上是通過選取原始信號的極大值和極小值點進行3次插值求出上下包絡線，并通過求平均的方法得到模態函數與余量，但其本身存在端點效應與模式混疊的問題。文獻[15]提出了一種EEMD分解方法，即在原始信號中加入白噪聲信號，解除端點效應與模式混疊。EEMD算法在對IMF信號逐次平均的過程中可以減小白噪聲信號，但卻不能消除白噪聲對原始信號的影響，在某些情況下，剩余的白噪聲信號還可能產生偽分量影響分解效果。針對EMD方法與EEMD方法的不足，文中提出了一種以EMD原理為基礎，以白噪聲信號數據分析方法為輔助的CEEMD方法，該方法在原始信號中加入符號相反的白噪聲組，平衡EEMD方法中造成白噪聲信號殘余的問題，過程如下：

步驟(1)對于原始信號尋求極大值與極小值點,擬合出包絡線，并求出上下包絡線的均值n(t)。

步驟(2)向原始信號中加入一定對數的白噪聲輔助信號組s(t)，得到重組信號：

(1)

步驟(3)利用重組信號減去n(t)，得到初始模態分量IMF1，令IMF1=n(t)，重復步驟(3)。

步驟(4)直到原始函數不能繼續分解，最終得到m階模態函數IMF和一個殘差，即：

(2)

2.2 模糊熵

熵常用來描述一個數據集的復雜程度，作為一種特征數據提取的非線性分析方法，模糊熵這一概念由De Luca等[16]提出，其核心思想是通過模糊熵值的大小來反映數據序列集的混亂程度。由于GIL振動信號的非平穩、非線性的特性，并考慮相鄰尺度因子個元素關系，文中利用模糊熵對其進行分析與特征值提取，過程如下：

步驟(1)定義時間序列[Xi](i=1,2,…,n)維數(窗)為l(l≤n-2)，將時間序列劃分為k=n-l+1個序列，得到相空間：

Xl(i)=[x(i),x(i+1),…,x(i+l-1)]-x0(i)

(3)

(4)

步驟(3)引入隸屬度函數，令相似容忍限度為r：

(5)

步驟(4)對所有隸屬度求平均：

(6)

步驟(5)定義函數：

(7)

步驟(6)擴展窗l至l+1，重復步驟(2)至步驟(4)，得到對于有限數據集的模糊熵為

FuzzyEn(l,r,n)=lnCm(r)-lnCm+1(r)

(8)

2.3 振動信號的時頻特征提取

通過模擬試驗測取的正常運行和3種GIL機械故障時域圖譜如圖3所示，橫坐標為試驗時間，縱坐標為振動加速度。

圖3 不同工況下GIL時域信號圖譜

由圖3可以看出，發生機械故障時的時域圖與GIL正常運行時的時域圖存在明顯區別，證明通過振動特征對機械故障進行判斷具有可行性，但3種故障模式難以通過時域信號進行判別，需進行信號的處理與進一步分析。由文獻[17]可知，故障信息多集中于振動能量分布集中的位置，故利用CEEMD分解法，以導電桿嵌入未完全故障為例在3.3～5.1 s范圍內進行信號分解，引入原信號0.15倍標準差正負白噪聲信號20組，集總平均200次，并與EEMD分解方法進行對比，結果如圖4所示。

圖4 EEMD與CEEMD分解對比圖

由圖4可以看出利用EEMD法分解得到的模態分量雖然可以體現部分原始信號的特征，但引入的白噪聲信號不能很好地消除，導致在IMF4～IMF7模態分量中出現了偽分量，造成了部分無序信號，此類可視為虛假模態不能用做故障分析；利用文中CEEMD方法分解得到的信號，比CEEMD分解方法更具有規律性和有效性，能夠反映異常振動信號的特征，由于引入了符號相反的白噪聲信號，在分解過程中也不會出現偽分量的情況，證明了文中CEEMD分解方法的有效性，圖5利用Teager-Kaiser能量算子計算CEEMD分解下導電桿嵌入未完全故障6階模態分量能量變化率。

圖5 能量變化率圖譜

由能量變化率圖譜可以看出，隨著模態分解階數的增加，其模態分量包含的振動能量逐漸降低，為選取特征熵值時提供參考，對于階數較大的模態函數特征熵值，需考慮其包含的振動特征信息是否豐富再將其作為識別依據。對GIL設備振動信號進行模態分解后，并不能直觀得出不同故障下的特征，因此文中利用模糊熵對包含正常運行和3種故障狀態的CEEMD模態函數進行計算，分別得出含剩余分量在內的7階模態函數的模糊熵值，如圖6所示。

圖6 不同狀態下7階IMF模糊熵值

進行模態分解之后，信號的無序程度依次降低，模糊熵值呈下降趨勢。由于不同運行狀態的模態函數無序度不相同，故模糊熵值也存在差異。在圖6所示的7階模態函數模糊熵值中，2、5、6、7階4種模態函數的模糊熵值較為接近，且5、6、7階均為階數較大的模態函數，不適合設為特征量進行聚類分析，文中選擇差異較為明顯，且階數靠前的1、3、4階模態函數模糊熵值作為不同運行狀態下的特征值，進行故障模式識別與分類診斷。

3 基于WOA-ELM的GIL機械故障診斷

3.1 極限學習機

極限學習機(ELM)作為一種改進的單隱含層前饋神經網絡算法[18-19]，優勢在于其中唯一需要設定的只有隱藏層節點個數，在運行過程中網絡的輸入權值以及隱元偏置無需人為調整，并且產生的最優解有且僅有一個。因而比BP神經網絡必須反向處理權值和閾值，ELM的訓練參數更少、學習速度更快、泛化性能更好，其結構圖如7所示。

圖7 ELM結構圖

ELM的反向傳播過程如下：

T=Hβ

(9)

式中:H是隱藏層輸出矩陣,

在算法初始化過程中隨機給定輸入權值與偏置，矩陣H即為確定矩陣。訓練過程就是利用目標函數，不斷迭代求解非線性最小二乘解的過程，最終結果即為ELM的最優權值。

3.2 鯨魚優化算法

鯨魚優化算法(WOA)是一種啟發式優化算法[20]，WOA采用隨機或最佳搜索代理來模擬搜捕獵物(最優解)行為，并使用螺旋模擬座頭鯨的泡泡網攻擊機制，與其他群優化算法相比，WOA具有操作簡便、參數調整少、優化速度快等優點。WOA優化行為可以表述如下：

(1)搜尋獵物。因為優化算法在搜索范圍的位置是未知的，所以WOA假設當前候選位置是目標獵物(最優解)，在定義了當前搜索個體之后，接下來的搜索行為已該獵物為基準調整搜索位置。

D=|CXBest(n)-X(n)|

(10)

X(n+1)=XBest(n)-AD

(11)

式中：n為當前迭代值;A與C為系數向量;XBest(n)和X(n)分別是最優解位置和當前解的位置。

(2)氣泡網攻擊方式。此階段為利用階段，包含包圍行為和螺旋更新行為。

收縮包圍機制。當迭代次數不斷增加時，A的波動范圍不斷降低，A∈[-a,a]，當a→0時，A∈[-1,1]，即新的代理位置處于原位置與最優位置之間，經過不斷迭代達到縮小獵物范圍的目的:

(12)

(13)

式中：Nmax為最大迭代次數。

螺旋更新位置。設鯨魚位置為(X,Y)，獵物位置為(X′,Y′)，在兩者之間建立螺旋等式，模擬鯨魚的螺旋狀移動：

X(N+1)=

(14)

式中：D′表示鯨魚與獵物之間的距離；b為定義對數螺線形狀的常數，l∈[-1,1]，p∈[0,1]。

3.3 WOA-ELM模型

為了降低ELM權值與閾值等參數選取的隨機性，文中利用WOA進行優化，適應度函數如下：

(15)

WOA-ELM模型優化流程如下所示：

(1)設置WOA-ELM模型參數,初始化ELM可調參數，并設置為WOA初始位置向量，設置種群規模30，迭代100，利用式(15)計算模型預測與實際之間的均方根誤差。

(2)設置初始參數后，計算適應度值并作為WOA第1次循環最佳結果，大于最小適應度值則進行下一次循環，記錄每次循環中的最優適應度位置，在每次循環中將此位置作為最優個體位置。

(3)利用式(14)更新鯨魚與獵物之間的位置和個體位置，并重新進入下一次迭代。

(4)保留鯨魚的最優位置，在滿足最大位置與誤差精度要求后終止循環，將最優參數賦值ELM。

整體故障診斷與預警流程如圖8所示。

圖8 故障診斷流程圖

3.4 診斷結果分析

文中采集正常運行狀態與3種不同機械故障下GIL的振動信號各60組，共240組數據，將所有數據利用CEEMD方法分解并計算模糊熵值，將240組數據得到的1、3、4階模態的模糊熵值按訓練與檢驗比4…1的比例作為特征輸入WOA-ELM模型進行故障診斷與預警分析，結果如圖9所示。

圖9 診斷結果聚類

由圖9可以看出，在經過CEEMD分解與模糊熵值計算之后，GIL 4種運行模式下的特征值在WOA-ELM模型中得到了較好的分類效果，各特征向量之間聚集性較強，只有少量特征數據出現偏移聚類中心的現象，但各聚類簇之間未出現交叉混疊現象，說明CEEMD與模糊熵結合能夠準確地計算不同故障信號的特征值，且此特征值可以作為GIL設備機械故障模式識別的依據；利用WOA-ELM模型可以很好地反映GIL機械故障的狀態，并對狀態進行分類診斷，參數尋優適應度曲線如圖10所示。

3.5 實際應用預警分析

分別測取南京220 kV變電站GIL設備4種工況下的現場數據，計算得到的故障監測指標和自適應閾值如圖11所示。

圖11 故障監測指標及自適應閾值

由圖11可以看出：(1)在正常工況下，GIL設備的故障監測指標較小且分布均在自適應閾值之下，未出現故障誤預警的情況；(2)在螺絲松動工況下，GIL故障監測指標波動明顯，這是由于在螺絲松動故障狀態下GIL設備的振動具有一定的規律性，在振幅較大處，故障監測指標已越過自適應閾值，模型提出預警信息；(3)在外力沖擊工況下，故障監測指標出現了高峰值，此后伴隨余振出現幾處指標次峰值，在故障監測指標高峰值突破自適應閾值后，模型進行反向尋優下調自適應閾值，對外力沖擊后的余振監測指標也起到了預警效果；(4)在導電桿嵌入未完全工況下，伴隨GIL固有機械振動，其故障監測指標逐漸增大，突破自適應閾值，模型亦提出故障預警。結合實際應用與以上分析，WOA-ELM可以有效實現GIL設備的故障診斷與預警。

4 結 語

文中建立試驗平臺對3種典型GIL機械故障進行模擬，并利用CEEMD模糊熵對故障振動信號進行分解與特征提取，結合WOA-ELM模型對GIL機械故障進行分類診斷與預警，最后通過GIL實際運行數據驗證了文中方法，得到以下結論：

(1)利用CEEMD方法可以實現對振動信號的有效分解，避免了EMD和EEMD方法造成的端點效應與模態混疊等弊端。

(2)利用信號模態模糊熵值作為特征值代入WOA-ELM模型可以有效對故障類型進行診斷。

(3)通過實測證明WOA-ELM方法可以有效實現GIL設備機械故障預警，為GIL機械故障診斷與預警提供了新方法。