基于振動信號的高壓斷路器彈簧疲勞程度檢測方法

豆龍江 何玉靈 萬書亭 張 雄 王曉龍

基于振動信號的高壓斷路器彈簧疲勞程度檢測方法

豆龍江1,2何玉靈1,2萬書亭1,2張 雄1,2王曉龍1,2

（1. 華北電力大學機械工程系 保定 071003 2. 河北省電力機械裝備健康維護與失效預防重點實驗室 保定 071003）

針對在運高壓斷路器時有發生彈簧疲勞故障且傳統方法無法在線檢測的問題，該文提出一種基于振動信號的高壓斷路器彈簧疲勞程度檢測方法。首先，根據高壓斷路器的工作原理，對其運動過程能量傳遞機理進行分析，并將整體進行了質點簡化；然后，對振動信號進行濾波處理，結合簡化的質點模型，構建不同測點動能的函數關系式，換算得到各個質點的等效能量分布；最后，采用非線性最小二乘法構建出高壓斷路器能量傳遞函數，并推算出了彈簧儲能值。實驗結果表明，利用所提方法計算得到的彈簧儲能值檢測誤差在2.2%以內，驗證了所提方法的有效性和準確性，為高壓斷路器彈簧疲勞程度在線檢測提供了一種新的思路。

高壓斷路器 彈簧疲勞 振動信號 非線性最小二乘法

0 引言

高壓斷路器在電力系統中起著重要的保護與控制作用[1-2]，其分合閘性能的穩定性對于選相合閘控制、故障情況下及時斷開線路均具有重要意義[3-5]。國網和南網運行多年的高壓斷路器時常出現因彈簧疲勞導致的合閘不到位或分閘時間長燃弧爆炸的事故，且隨投運年數的增長，彈簧疲勞故障發生率越高，及時檢測出彈簧疲勞并采取相應的措施避免安全事故，對于提高供電可靠性以及電力系統的安全穩定運行具有重要意義[6-8]，而如何有效檢測出彈簧疲勞的問題成為擺在運維人員面前的難題，亟待解決。

針對高壓斷路器彈簧疲勞機理，部分學者對高壓斷路器發生彈簧疲勞后其動特性的變化開展相關研究，楊秋玉等利用機械系統動力學自動分析（Automatic Dynamic Analysis of Mechanical Systems, ADAMS）軟件對高壓斷路器彈簧機構進行仿真研究，建立了相應的動力學模型，對分合閘彈簧故障進行了仿真分析，揭示了彈簧疲勞故障下其特性參數的動態變化規律[9]。文獻[10]分析了彈簧儲能和負載之間的關系，得出完成合閘動作最小儲能值，分析得到長期處于壓縮狀態下合閘彈簧的靜態應力變化，建立了合閘彈簧的儲能壽命和疲勞壽命模型，實現了高壓斷路器合閘彈簧壽命預測。文獻[11]對合閘彈簧疲勞后高壓斷路器動觸頭的行程曲線變化進行了研究，提出了將振動信號中包含的振動事件時間節點用來評估彈簧疲勞特性，取得了一定的成效。但上述研究更多的是從理論層面對彈簧疲勞后高壓斷路器性能展開分析，可對高壓斷路器的設計、制造和組裝等環節提供指導，在推廣到實際在運高壓斷路器彈簧疲勞故障檢測方面還有一定的應用壁壘。

對于高壓斷路器的故障診斷，國內外學者開展了大量相關研究[12-18]。其中，Zhang Guogang等開展了彈簧應力松弛研究，建立了預測彈簧疲勞的線性回歸方程，分析總結出高壓斷路器在不同疲勞情況下其特性參數的變化規律，嘗試將多種模式識別算法應用在彈簧操動機構的力學狀態識別和預測中，取得了一定的效果[19]。劉寶穩團隊提出了基于S變換D-SVM AlexNet模型的氣體絕緣組合電器（Gas Insulated Switchgear, GIS）機械故障診斷方法，通過搭建合閘驅動彈簧疲勞松動故障模擬系統，從模式識別的角度對S變換圖像進行處理，取得了較好的時頻圖像分類效果[20]。王繼鋒針對彈簧疲勞故障進行了大量模擬實驗，采用小波包對振動信號進行處理，提取各頻帶的小波包能量作為特征向量，結合Kolmogorov-Smirnov檢驗法實現降維處理，利用支持向量機準確診斷出彈簧疲勞故障[21]。武建文團隊探索了利用多個傳感器診斷高壓斷路器彈簧疲勞等機械故障問題，提出了一種改進的多傳感器證據組合規則，對不同傳感器收集起來的特征進行了優化，實驗測試表明，所提方法具有良好的優越性[22]。

總體而言，目前學者們更多的是從模式識別的角度來對彈簧疲勞等機械故障進行定性診斷[23-28]，然而高壓斷路器在實際運行中由于長期處于拉伸或壓縮的狀態其疲勞演變是逐漸發生的，直至分合閘時間等特性參數超過核定的閾值時認為高壓斷路器達到退役標準，如何針對彈簧的疲勞程度進行定量的在線監測，實現高壓斷路器彈簧狀態的實時感知和故障的及時診斷具有重要意義，也是目前工程領域亟須攻關解決的瓶頸問題之一。

作為探索和改進，本文以高壓斷路器分閘過程振動信號作為研究對象，提出了一種基于振動信號的高壓斷路器彈簧疲勞程度檢測方法。利用不同測點的振動信號反推高壓斷路器能量變化規律，構建不同測點動能的函數關系式，探尋能量變化敏感測點，推導不同測點能量和系統總能量的映射關系。利用非線性最小二乘法推導出彈簧儲能的計算公式，基于多個測點的振動信號分析來實現對彈簧的疲勞程度在線檢測。

1 高壓斷路器能量傳遞機理及模型

1.1 高壓斷路器能量傳遞機理

配備彈簧操動機構的高壓斷路器分合閘過程，本質上是將彈簧儲存的操作功轉化為機構零件的運動的過程，以實現動觸頭的上下移動完成分合閘動作，下面結合高壓斷路器的機械結構，對其分合閘過程中能量傳遞機理進行解釋說明。

高壓斷路器質點模型如圖1所示，高壓斷路器彈簧操動機構能量傳遞機理如下：

（1）合閘過程。合閘電磁鐵通電后，觸發合閘摯子脫扣，在合閘彈簧的作用下，凸輪開始轉動擠壓滾輪向下運動，滾輪帶動轉軸轉動，轉軸帶動傳動桿和動觸頭向上運動，同時壓縮緩沖彈簧、拉伸分閘彈簧，直至完成合閘動作系統回到靜止狀態。彈簧儲能克服摩擦力后，部分轉化為緩沖彈簧和分閘彈簧的彈性勢能，部分轉化為運動部件動能，經零件沖擊碰撞后轉化為高壓斷路器本體振動。

圖1 高壓斷路器質點模型

（2）分閘過程。分閘電磁鐵通電后，觸發分閘摯子脫扣，在分閘彈簧和緩沖彈簧的作用下，帶動三相連桿轉動，使得動觸頭向下運動，動觸頭和運動部件從靜止到加速運動再到碰撞停止的過程，緩沖彈簧和分閘彈簧釋放的能量轉化為高壓斷路器本體的振動。

1.2 高壓斷路器質點簡化模型

表1 高壓斷路器各個質點質量

Tab.1 Particle mass of high voltage circuit breaker （單位: kg）

根據高壓斷路器能量傳遞機理分析，結合能量守恒定律，在分閘過程中，彈簧儲存能量最終轉化為7個質點的振動能量，嘗試根據各個質點的振動能量評估彈簧儲能情況。

2 振動測點能量換算及彈簧儲能檢測

以某開關廠生產的ZW57-40.5型高壓斷路器和LW42A-40.5型高壓斷路器為研究對象，二者均配備彈簧操動機構，探索其分閘過程中不同測點振動信號的變化，并構建能量計算模型，推導換算公式。

2.1 測點信號去噪處理

高壓斷路器平常處于靜止狀態，在接收到分合閘指令后會在極短時間內完成動作，一般只有幾十毫秒?？紤]到斷路器工作環境特殊，在采集到的振動信號中，難免會受到電磁等噪聲的干擾，本文利用變分模態分解對信號進行分解，變分模態分解（Variational Mode Decomposition, VMD）是K. Dragomiretskiy等提出的一種信號處理新方法，其核心思想是變分問題。該方法在獲取本征模態分量（Intrinsic Mode Function, IMF）時不同于經驗模態分解和局部均值分解算法所使用的循環篩分剝離的信號處理方式，而是將信號分解過程轉移到變分框架內，通過迭代搜尋變分模型最優解來確定每個分量的頻率中心及帶寬，從而能夠自適應地實現信號的頻域剖分及各分量的有效分離，突出了數據的局部特征，表現出更好的噪聲魯棒性，且具有良好的采樣效應，算法詳見文獻[29]。

2.2 不同測點能量換算

2.3 彈簧儲能與測點能量的映射關系

研究各個質點振動信號能量和彈簧儲能的對應關系，嘗試根據各個質點的能量變化推導彈簧儲存能量變化，結合上述構建的7個質點的能量公式，推導彈簧儲能公式系數。

結合高壓斷路器能量傳遞機理，根據能量守恒定律，分析得出高壓斷路器能量傳遞函數為

式（4）可以轉化為

利用多組測量得到的數據，構建彈簧疲勞推導公式，采用非線性最小二乘（Nonlinear Least Square, NLS）法對權重系數進行推導求解。

式（8）變換可得

非線性最小二乘法需采用復雜的優化算法求解，常用的包括搜索算法和迭代算法，本文采用迭代算法求解。

2.4 彈簧儲能與測點能量的映射關系

通過獲取高壓斷路器在不同儲能狀態下的振動信號，并對振動信號進行濾波處理，換算得到各個質點的能量，結合擬合得到的彈簧儲能與測點能量的映射函數，實現了高壓斷路器彈簧儲能的檢測。具體來說，高壓斷路器彈簧儲能檢測流程如圖2所示。

圖2 彈簧疲勞檢測流程

3 實驗檢測與驗證

3.1 實驗測量分析

高壓斷路器實驗如圖3所示。利用加速度傳感器分別選取7個測點對高壓斷路器各部分振動進行測量（圖3標號代表各個測點），包括ABC三相滅弧室的振動、橫梁振動、操動機構振動和支架的振動，分別檢測觸頭沖擊、緩沖振動以及零件碰撞能量。

圖3 高壓斷路器實驗

高壓斷路器分閘時，系統是按照起動、加速、沖擊（緩沖）和停止的過程完成分閘動作，彈簧儲存的彈性勢能首先轉化為零件的動能，然后零件的動能轉化為動觸頭和緩沖零件的沖擊碰撞，進而引起局部和整體的振動。因零件沖擊形成振源位置的差異性，造成不同測點的振動信號能量及變化存在一定的差異，測點1～3可直接檢測到ABC三相動觸頭的振動情況，測點4可對三相連桿以及緩沖能量引起的振動進行準確檢測，測點6可準確反映彈簧操動機構在一系列的沖擊、碰撞等連續動作下振動能量變化，測點5、7能反映斷路器整體阻尼衰減情況，故不同的檢測位置對應不同沖擊源，相應的對其沖擊力（能量）的變化等更敏感，構建的測點體系有利于全方位評估斷路器各部分能量變化。

實驗采用東華1A115E型號的加速度傳感器，量程為1 000g，采集儀型號為東華動態信號測試分析系統5 922N，采樣頻率設置為10K，采樣時間設置為200ms，利用開口型霍爾傳感器夾持到分閘線圈的控制線上，當檢測到線圈電流時觸發采集儀開始信號采集，7個測點采集到的信號如圖4所示。

從圖4中可以發現，ABC三相絕緣子處振動沖擊非常敏感，形成了多個明顯的振動沖擊；另外，橫梁和操動機構處的振動沖擊也較為明顯，兩側支柱的振動沖擊相對于其他測點并不明顯。

圖4 高壓斷路器振動信號

3.2 彈簧疲勞模擬及儲能計算

高壓斷路器分閘彈簧由4根型號一樣的彈簧構成，分閘彈簧基本參數見表2。緩沖彈簧的剛度系數為19.8N/mm，分閘動作位移為45mm，預緊力為100N，計算得出儲能值為24.55J；通過調節分閘彈簧緊固螺栓改變預緊力大小的方式模擬分閘彈簧疲勞故障，分別模擬分閘彈簧在正常狀態、輕微疲勞（預緊力退化19.20%）、一般疲勞（預緊力退化37.55%）和嚴重疲勞（預緊力退化75.15%）共四種工況下的高壓斷路器分閘動作，不同疲勞程度下分閘彈簧儲能計算結果見表3。每種工況各動作10次，測量得到不同疲勞程度下各個測點的振動信號。

表2 分閘彈簧基本參數

Tab.2 The basic parameters of opening spring

表3 分閘彈簧儲能結果

Tab.3 The energy storage results of opening spring

進一步研究，通過對比不同彈簧疲勞程度下各個測點的時域信號，不能直觀地觀測出各路信號的明顯變化，無法簡單地根據多個測點的時域信號評估彈簧儲能狀態，需對信號內有效信息進一步提取。

3.3 振動信號去噪處理

對采集到的多路信號進行濾波處理，進一步增強信號中有效信息。首先利用VMD對振動信號進行分解，根據各模態分量中心頻率是否接近確定分解分量的個數，實驗表明，當分量個數設置為7的時候中心頻率出現了相近的情況，所以設置為6。提取與原始信號匹配方差較小的模態分量進行重構，達到去噪的目的。以采集到的A相滅弧室的振動信號為例，對其進行VMD分解，結果如圖5所示。然后求取各模態分量與原始信號的匹配方差，見表4。

根據各分量與原始信號的匹配方差，參考分解結果時域信號的關鍵時刻點，選取匹配方差較小的5個分量重構斷路器分閘過程A相滅弧室振動信號，A相滅弧室振動信號重構信號如圖6所示。

通過圖6和原始信號的對比可以看出，原始信號中的噪聲得到有效濾除，振動事件的沖擊得到進一步的強化，有效抑制了干擾信號。

3.4 彈簧儲能與測點能量的映射關系

如3.1節所述，對采集到的四種工況（正常狀態和三種疲勞故障）下的振動信號進行濾波處理后，得到40組數據，每種工況10組數據，取每種工況7組數據共28組數據作為訓練數據，用來構建彈簧儲能推導公式，擬采用非線性最小二乘法對權重系數進行推導求解。

部分訓練數據各個簡化質點的動能按照式（2）計算得到的結果見表5。

圖5 VMD分解結果

表4 各模態分量與原始信號匹配方差

Tab.4 The matching variance of IMFs and the original signal

圖6 重構信號

表5 各個質點動能計算結果

Tab.5 The calculation results of each particle kinetic energy（單位: J）

分析圖7可發現，對于同一類型的斷路器，不同質點的等效能量相差較大，其中橫梁、操動機構本體以及支架處能量相對較大。雖然不同質點的等效能量大小不一，但隨著彈簧疲勞程度的加深，各個質點的等效能量總體呈現逐步下降的趨勢，變化趨勢基本一致，可評估各測點能量變化敏感性，據此為彈簧疲勞測點的選擇提供參考。

圖7a與圖7b對比可發現，兩種斷路器因結構、型號的差異性，質點等效能量大小存在一定的差異性，但各個質點的等效能量變化趨勢一致，隨著彈簧疲勞程度的加深，各個質點的等效能量總體呈逐步下降的趨勢，表明了所提方法的有效性。

為了對比非線性最小二乘（Nonlinear Least Square, NLS）法的處理效果，同時運用了非線性回歸（Nonlinear Regression, NR）法和多元線性回歸（Multiple Linear Regression, MLR）法對ZW57-40.5型高壓斷路器信號進行處理，求解得出的權重系數見表6，利用不同方法擬合得到的彈簧儲能值如圖8所示。

表6 不同方法求解得到的權重系數

Tab.6 The weight coefficient obtained by different methods

通過分析表6可以發現，不同質點的能量權重系數相差較大，但橫梁和兩個支架處振動信號權重系數相對于其他測點的權重系數較大，且不同方法求解結果相一致，說明這3個測點處能量和分閘彈簧儲能更相關，能較好地反映分閘彈簧釋放能量的變化。

圖8中，圓點實線為彈簧儲能理論真實值，擬合值越接近圓點實線代表擬合效果越好。通過分析對比可發現，不同擬合方法的整體變化趨勢一致，隨著彈簧疲勞程度的加深，能量呈現逐步下降的趨勢，且均在理論儲能值附近上下波動，驗證了所提方法理論的可行性。通過三種擬合方法對比可以看出，采用非線性最小二乘法擬合得到的彈簧儲能結果和理論儲能值大小更接近，誤差相對于其他算法更小，相對于其他算法擬合效果更好。

圖8 不同擬合方法結果對比

3.5 分閘彈簧儲能檢測結果

利用本文所提出的VMD和NLS相結合（VMD- NLS）的方法評估高壓斷路器分閘彈簧性能，為了對比VMD去噪效果，同時利用NLS處理原始振動信號構建出擬合公式。測量彈簧在正常和不同疲勞程度共四種狀態下7個測點的振動信號，每種狀態測量3次數據，分別利用上述方法求解彈簧儲能檢測結果，不同疲勞狀態下檢測結果見表7。

表7 分閘彈簧儲能檢測結果對比

Tab.7 Comparison of opening spring energy

從表7中可以看出，利用VMD-NLS處理測量得到的信號，對于同一運行狀態下，擬合得到的儲能值和理論儲能值基本一致，多次測量誤差相對較??；對于不同運行狀態下，利用振動信號擬合得出的儲能值存在明顯的大小層次，且基本接近理論儲能值。與此同時，利用NLS直接處理原始信號擬合得到的結果對比發現，雖然不同運行狀態下擬合得到的儲能值呈現階梯式下降趨勢，但對于同一運行狀態下擬合得到的儲能值與理論儲能值誤差較大，因信號中噪聲成分的干擾降低了擬合效果，實驗結果表明，所提VMD-NLS檢測方法相對于NLS可更為精準計算出彈簧儲能值。

為了對比非線性最小二乘法的處理效果，同時運用非線性回歸法和多元線性回歸法處理得到的權重系數對振動信號能量進行擬合，對擬合結果與理論儲能值求取誤差平均值，對比結果如圖9所示。

圖9 不同方法擬合誤差

從圖9中可以看出，無論是在同一運行狀態還是不同運行狀態下，采用非線性最小二乘法的擬合得到的數值與理論儲能值對比，誤差都最小；非線性回歸法和多元線性回歸法擬合誤差在不同程度上均大于非線性最小二乘法的誤差。通過不同算法的對比，有效驗證了非線性最小二乘擬合算法的優越性。本文所提方法對于高壓斷路器分閘彈簧儲能值檢測誤差均控制在2.2%以內，從實驗角度驗證了所提方法的準確性。

4 結論

本文以高壓斷路器分閘過程振動信號作為研究對象，提出了一種利用振動信號評估彈簧疲勞程度的檢測方法。首先采用變分模態分解處理各個測點振動信號，選擇與原始信號匹配方差較小的成分分量進行重構，實現信號濾波；然后分析各個測點的等效能量變化規律；最后利用非線性最小二乘法推導出彈簧儲能和測點響應能量的映射關系，構建出彈簧儲能的計算公式，實現了高壓斷路器彈簧疲勞程度的檢測。通過本文研究得出以下結論：

1）首次提出了利用多個測點振動信號實現高壓斷路器彈簧疲勞程度的檢測方法，解決了傳統測量方法需停電檢修、無法在線測試的問題。

2）提出了基于質點簡化的高壓斷路器能量分布分析方法，總結了質點能量隨彈簧疲勞程度變化規律，對高壓斷路器振動測點的選擇提供有益參考。

3）利用變分模態分解與非線性最小二乘法相結合的方法處理斷路器振動信號，構建了彈簧儲能的計算公式，可準確檢測彈簧儲存能量值。

4）通過對配備彈簧操動機構的高壓斷路器開展分閘彈簧疲勞模擬實驗，驗證所提方法的有效性和準確性，與理論儲能值對比表明檢測精度較好，檢測誤差可收斂在2.2%以內。本文研究為高壓斷路器彈簧儲能在線檢測提供了一種新的思路。

[1] 溫偉杰, 李鵬宇, 李斌, 等. 多端口機械式直流斷路器的動作策略與參數優化[J]. 電力系統自動化, 2021, 45(11): 86-94.

Wen Weijie, Li Pengyu, Li Bin, et al. Operation strategy and parameter optimization of multi-port mechanical DC circuit breaker[J]. Automation of Electric Power Systems, 2021, 45(11): 86-94.

[2] 王燦, 杜船, 徐杰雄. 中高壓直流斷路器拓撲綜述[J]. 電力系統自動化, 2020, 44(9): 187-199.

Wang Can, Du Chuan, Xu Jiexiong. Review of topologies for medium-and high-voltage DC circuit breaker[J]. Automation of Electric Power Systems, 2020, 44(9): 187-199.

[3] Polycarpou A A, Soom A, Swarnakar V, et al. Event timing and shape analysis of vibration bursts from power circuit breakers[J]. IEEE Transactions on Power Delivery, 1996, 11(2): 848-857.

[4] Lee D W, Sohn J H, Yoo W S. Mass effect analysis of a coil spring for the performance evaluation of a gas insulated circuit breaker[J]. International Journal of Precision Engineering and Manufacturing, 2014, 15(12): 2543-2548.

[5] Rudsari F N, Razi-Kazemi A A, Shoorehdeli M A. Fault analysis of high-voltage circuit breakers based on coil current and contact travel waveforms through modified SVM classifier[J]. IEEE Transactions on Power Delivery, 2019, 34(4): 1608-1618.

[6] 林莘, 王飛鳴, 劉衛東, 等. 高壓SF6斷路器冷態介質恢復特性試驗研究[J]. 中國電機工程學報, 2016, 36(14): 3973-3981.

Lin Xin, Wang Feiming, Liu Weidong, et al. Experi- ment researches on cold state dielectric recovery characteristics in high voltage SF6circuit breakers[J]. Proceedings of the CSEE, 2016, 36(14): 3973- 3981.

[7] Runde M, Ottesen G E, Skyberg B, et al. Vibration analysis for diagnostic testing of circuit-breakers[J]. IEEE Transactions on Power Delivery, 1996, 11(4): 1816-1823.

[8] 李鵬飛, 周文俊, 曾國, 等. 高壓斷路器合閘彈簧動態特性及儲能狀態檢測方法[J]. 電工技術學報, 2016, 31(3): 104-112.

Li Pengfei, Zhou Wenjun, Zeng Guo, et al. The dynamic characteristics and energy storage state detection method of high-voltage circuit breaker closing spring[J]. Transactions of China Electro- technical Society, 2016, 31(3): 104-112.

[9] 楊秋玉, 彭彥卿, 莊志堅. 基于ADAMS的高壓斷路器彈簧機構動力學仿真與故障分析[J]. 高壓電器, 2018, 54(6): 67-73, 80.

Yang Qiuyu, Peng Yanqing, Zhuang Zhijian. Dynamic simulation and failure analysis of spring mechanism of high-voltage circuit breaker based on ADAMS[J]. High Voltage Apparatus, 2018, 54(6): 67-73, 80.

[10] Su Yi, Lu Yufeng, Xie Zhibiao, et al. Study on closing spring fatigue characteristics of high voltage circuit breaker[J]. IOP Conference Series: Earth and Environmental Science, 2020, 508(1): 012174.

[11] Dou Longjiang, Wan Shuting. Characteristic para- meter change of circuit breaker under closing spring fatigue[J]. Transactions of the Canadian Society for Mechanical Engineering, 2019, 43(2): 189-198.

[12] 程顯, 袁曉東, 葛國偉, 等. 真空開關高動作穩定性的永磁操動機構控制系統[J]. 電工技術學報, 2021, 36(21): 4617-4626.

Cheng Xian, Yuan Xiaodong, Ge Guowei, et al. Permanent magnet mechanism control system with high operation stability of vacuum switch[J]. Transa- ctions of China Electrotechnical Society, 2021, 36(21): 4617-4626.

[13] 萬書亭, 豆龍江, 李聰, 等. 基于振動信號的高壓斷路器合閘特性參數在線檢測方法研究[J]. 振動工程學報, 2019, 32(2): 359-367.

Wan Shuting, Dou Longjiang, Li Cong, et al. Study on on-line detection of high voltage circuit breaker closing characteristic parameters based on vibration signal[J]. Journal of Vibration Engineering, 2019, 32(2): 359-367.

[14] 楊秋玉, 王棟, 阮江軍, 等. 基于振動信號的斷路器機械零部件故障程度識別[J]. 電工技術學報, 2021, 36(13): 2880-2892.

Yang Qiuyu, Wang Dong, Ruan Jiangjun, et al. Fault severity estimation method for mechanical parts in circuit breakers based on vibration analysis[J]. Transactions of China Electrotechnical Society, 2021, 36(13): 2880-2892.

[15] 孫曙光, 張偉, 王景芹, 等. 基于動作過程振動檢測的低壓斷路器機械壽命預測[J]. 儀器儀表學報, 2020, 41(12): 146-157.

Sun Shuguang, Zhang Wei, Wang Jingqin, et al. Mechanical life prediction of low-voltage circuit breaker based on vibration detection during operation[J]. Chinese Journal of Scientific Instrument, 2020, 41(12): 146-157.

[16] 楊秋玉, 阮江軍, 張燦, 等. 基于定量遞歸分析的高壓斷路器機械缺陷辨識及應用[J]. 電工技術學報, 2020, 35(18): 3848-3859.

Yang Qiuyu, Ruan Jiangjun, Zhang Can, et al. Study and application of mechanical defect identification for high-voltage circuit breakers using recurrence quanti- fication analysis[J]. Transactions of China Elec- trotechnical Society, 2020, 35(18): 3848-3859.

[17] 楊元威, 關永剛, 陳士剛, 等. 基于聲音信號的高壓斷路器機械故障診斷方法[J]. 中國電機工程學報, 2018, 38(22): 6730-6737.

Yang Yuanwei, Guan Yonggang, Chen Shigang, et al. Mechanical fault diagnosis method of high voltage circuit breaker based on sound signal[J]. Proceedings of the CSEE, 2018, 38(22): 6730-6737.

[18] 孫曙光, 李勤, 杜太行, 等. 基于一維卷積神經網絡的低壓萬能式斷路器附件故障診斷[J]. 電工技術學報, 2020, 35(12): 2562-2573.

Sun Shuguang, Li Qin, Du Taihang, et al. Fault diagnosis of accessories for the low voltage con- ventional circuit breaker based on one-dimensional convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(12): 2562- 2573.

[19] Liu Yakui, Zhang Guogang, Zhao Chenchen, et al. Mechanical condition identification and prediction of spring operating mechanism of high voltage circuit breaker[J]. IEEE Access, 8: 210328-210338.

[20] 劉寶穩, 湯容川, 馬鉦洲, 等. 基于S變換D-SVM AlexNet模型的GIS機械故障診斷與試驗分析[J]. 高電壓技術, 2021, 47(7): 2526-2538.

Liu Baowen, Tang Rongchuan, Ma Zhengzhou, et al. GIS mechanical fault diagnosis and test analysis based on S transform D-SVM AlexNet model[J]. High Voltage Engineering, 2021, 47(7): 2526-2538.

[21] 王繼鋒. 基于信號多維特征值提取的彈簧操動機構斷路器故障診斷方法研究[D]. 廣州: 華南理工大學, 2016.

[22] Ma Suliang, Yuan Yang, Wu Jianwen, et al. Multi- sensor decision approach for HVCB fault detection based on the vibration information[J]. IEEE Sensors Journal, 2021, 21(2): 985-994.

[23] Zhao Shutao, Ma Li, Wang Kedeng, et al. Research on optimal identification method of circuit breaker defect type based on phase space reconstruction and SVM[J]. IEEJ Transactions on Electrical and Electronic Engineering, 2019, 14(10): 1471-1477.

[24] Zhang Yingjie, Jiang Yuan, Chen Yan, et al. Fault diagnosis of high voltage circuit breaker based on multi-classification relevance vector machine[J]. Journal of Electrical Engineering & Technology, 2020, 15(1): 413-420.

[25] Zhang Hongye, Xie Yanzhao, Yi Tongqiang, et al. Fault detection for high-voltage circuit breakers based on time-frequency analysis of switching transient E-fields[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 69(4): 1620-1631.

[26] Yao Yu, Wang Nan. Fault diagnosis model of adaptive miniature circuit breaker based on fractal theory and probabilistic neural network[J]. Mechani- cal Systems and Signal Processing, 2020, 142: 106772.

[27] Liu Mingliang, Li Bing, Zhang Jianfeng, et al. An application of ensemble empirical mode decom- position and correlation dimension for the HV circuit breaker diagnosis[J]. Automatika, 2019, 60(1): 105- 112.

[28] 趙書濤, 許文杰, 李云鵬, 等. 基于優選泛特征的真空斷路器彈簧機構儲能狀態辨識方法[J]. 高電壓技術, 2021, 47(11): 3777-3784.

Zhao Shutao, Xu Wenjie, Li Yunpeng, et al. Identification method for energy storage state of spring mechanism of vacuum circuit breaker based on optimal multi-characteristics[J]. High Voltage Engin- eering, 2021, 47(11): 3777-3784.

[29] Dragomiretskiy K, Zosso D. Variational mode decomposition[J]. IEEE Transactions on Signal Pro- cessing, 2014, 62(3): 531-544.

Detecting Method of High Voltage Circuit Breaker Spring Fatigue Based on Vibration Signal

1,21,21,21,21,2

（1. Department of Mechanical Engineering North China Electric Power University Baoding 071003 China 2. Hebei Key Laboratory of Health Maintenance and Failure Prevention of Electrical Machinery and Equipment Baoding 071003 China）

Spring fatigue is a typical fault that frequently occurs in high-voltage circuit breakers. However, most traditional test methods cannot detect online. Therefore, a way to detect the spring fatigue fault based on vibration signals is proposed. Firstly, according to the working principle of the high-voltage circuit breaker, the energy transfer mechanism in the operation process is analyzed, and the whole structure is simplified into particle points. Then, after filtering the noise in the vibration signal, the equivalent energy distribution is calculated by constructing the kinetic energy function of each particle point. Finally, the energy transfer function of the high voltage circuit breaker is constructed by the nonlinear least square method to calculate the spring energy. The experimental results show that the detection error of the spring energy is within 2.2%, which verifies the effectiveness and accuracy of the proposed method. This method can provide a new way to detect spring fatigue in high-voltage circuit breakers.

High voltage circuit breaker, spring fatigue, vibration signal, nonlinear least square method

10.19595/j.cnki.1000-6753.tces.212014

TM561

國家自然科學基金（51777075, 51777074）、中央高?；究蒲袠I務資金（2020MS110）、河北省自然科學基金（E2020502031）、保定市科技計劃基礎研究專項基金（2172P010）和河北省青年拔尖人才支持計劃（[2018]-27）資助項目。

2021-12-10

2022-01-05

豆龍江 男，1988年生，博士，講師，研究方向為電站設備在線監測與故障診斷。E-mail: doulongjiang@126.com

何玉靈 男，1984年生，副教授，博士生導師，研究方向為復雜機電系統建模。E-mail: heyuling1@ncepu.edu.cn（通信作者）

（編輯 崔文靜）