基于振動信號的高速鐵路高壓斷路器故障診斷研究

劉 淺

0 引言

截至2021年底，我國高速鐵路運營里程超4萬公里。在中國高速鐵路建設、運營里程快速攀升的同時，為了更好地落實黨中央“交通強國”的工作部署，中國國家鐵路集團有限公司頒布了包含智能高鐵大腦平臺、智能建造、智能裝備、智能運營，并在此基礎上開展基于信息物理融合系統的智能高鐵方案[1]，作為我國高速鐵路的發展規劃。

智能牽引供電系統作為智能高速鐵路的重要組成部分，已由科研、試驗走向了工程實際應用，并形成了完善的技術架構、明確的功能組成和系列化的技術條件，極大提升了我國牽引供電系統安全可靠性及可維護性[2～5]。斷路器尤其是高壓斷路器作為高速鐵路牽引供電系統中切斷電流、保護動作的重要設備，其服役性態的狀況不僅影響牽引供電系統自身的安全穩定，也時刻影響著外部電力系統的運行狀態。因此，有必要在傳統斷路器的基礎上進行智能化升級，實時獲取斷路器的監測、監控和運行信息的全息感知[6]；構建涵蓋斷路器設備本體、智能組件及智能匯控柜的智能斷路器方案[7，8]。雖然高壓斷路器的故障類型多種多樣，但是基于神經網絡的故障診斷正確率高，易于工程實現[9]；可以有效減少過早或不必要的停電試驗和檢修，降低維護費用，提高牽引供電的可靠性。

智能斷路器為智能牽引供電系統中智能一次設備的重要組成，將信息技術、傳感器技術、自動控制技術與傳統斷路器有機結合，實時獲取斷路器的監測、監控和運行信息，實現斷路器的控制、監測的信息化[10，11]。本文從牽引供電系統高壓斷路器的結構入手，簡述高壓斷路器的故障機理及故障表征，制定基于深度自編碼模型的斷路器故障預測方案；詳述基于深度自編碼模型的斷路器故障預測時的數據預處理、特征提取及模型訓練等步驟，并通過現場實例驗證基于深度自編碼模型的斷路器故障預測方案的準確性。

1 高壓斷路器故障特征量的選取及處理

1.1 高壓斷路器故障特征量的選取

高壓斷路器作為高速鐵路牽引供電系統中起著切斷作用的關鍵設備，在實際運營中不可避免地不斷進行分、合閘操作；分、合閘操作時機構間的碰撞、摩擦等振動事件均會反映到振動信號中。根據實際運行數據，高壓斷路器故障主要可分為機械故障、絕緣故障兩大類，其中斷路器機械故障（主要包括拒動、誤動）占到了斷路器總故障的70%；故當高壓斷路器處于故障狀態或臨近故障狀態時，其分、合閘等一系列操作所產生的振動信號必定與其正常狀態下的振動信號不同。因此，可通過監測高壓斷路器工作時所發出的振動信號，對高壓斷路器的服役狀態進行判斷，實現斷路器的故障診斷。

1.2 高壓斷路器振動信號的提取

可在傳統高壓斷路器的基礎上集成斷路器機械特性IED（智能電子設備）、SF6氣體IED、電流在線監測IED于一體，采用光增量型位移編碼器、SF6一體化傳感器、高精度霍爾電流傳感器對斷路器的位移特性、氣體微水及壓力、分合閘電磁鐵及電機等進行全方位的監視，構建智能高壓斷路器，進而對高壓斷路器的振動信號進行實時監測。智能高壓斷路器構架如圖1所示。

圖1 智能高壓斷路器構架

1.3 振動信號的預處理

高壓斷路器的振動信號是一種頻率成分復雜的加速度信號，具有非平穩、非線性的特點。在各種振動事件中，動靜觸頭撞擊和鐵心撞擊產生的振動信號是高頻信號；其余各振動事件產生的振動頻率分布于中低頻段，且其分布頻率具有隨機性，即同一機構動作產生的振動信號在頻域上存在一定差別。因此，對斷路器振動信號的分析往往是基于對信號不同頻帶的分析。當高壓斷路器機械狀態發生改變時，對應振動事件的頻率、振動強度以及時間可能會發生改變。這些變化會改變每個頻帶內信號的分布情況，為了量化這種振動事件的變化，將提取不同時頻子平面內的能量分布作為特征向量，用于高壓斷路器故障診斷。

高壓斷路器故障診斷中，實測信號的真實性及準確性直接決定了后續診斷的使用效果和精度。但實測信號在噪音、電磁干擾等外界環境的影響下往往包含大量冗余信息，故有必要對高壓斷路器振動信號進行預處理，盡可能還原真實的振動信號。

振動信號預處理步驟：首先精確截取實測信號中的分合閘振動部分，有效防止非分合閘振動對后續診斷帶來的影響；其次采用去趨勢化去除實測信號發生基線偏移的弊端；最后通過小波去噪去除噪聲，盡可能保證分合閘振動信號的真實性。

完成振動信號的預處理后，利用小波包變換觀察振動信號頻率特性發生的變化。小波包變換廣泛運用于特征提取領域，解決了小波變換只能對低頻部分不斷進行變換的問題，可將信號變換到不同的子頻帶中，這些子頻帶能夠覆蓋原信號的頻帶且每個頻帶帶寬相等，能夠對信號局部信息進行更好的時頻分析，對于高壓斷路器振動信號這樣的非平穩信號有著極好的適用性。

小波包變換只關注了不同振動事件在不同頻域內的分布情況，而忽視了振動信號的時間特性，時間特性表征了振動過程中振動事件發生的相對順序，也包含著十分重要的特征信息。高壓斷路器振動信號FMi(t)經M層小波包變換后，得到2M個頻帶的信號包絡FMi(t)，各頻帶范圍為Fi，i=0,1,2,…, 2M-1。為了反映振動事件的時間特性，將各頻帶信號根據時域分為N份，此時時頻平面被劃分為M×N個不同的時頻子平面。

1.4 振動信號的特征提取

選取某126 kV斷路器的合閘振動信號進行特征提取，選取其中具有代表性的正常狀態、操動機構卡澀、鐵心卡澀以及基座螺絲松動4種機械狀態進行特征提取。以正常狀態為例，圖2所示為完成去噪后正常狀態下斷路器的振動信號。該信號由多個振動事件產生的時間振動波構成，頻率成分復雜，難以分析。

圖2 正常狀態時斷路器合閘振動信號

為反映振動事件在不同頻域中的分布情況，首先對信號進行小波包變換，經過多次試驗，選取db10小波函數對預處理后的高壓斷路器振動信號進行3層小波包變換，變換結果如圖3所示。

圖3 振動信號的小波包分解

2 基于深度自編碼網絡的故障診斷方法

2.1 深度自編碼模型簡介

深度自編碼網絡是由多個自編碼器堆疊形成的網絡結構，其訓練過程分為兩個階段。第一階段是預訓練階段，即對自編碼器進行從底層向頂層的逐層訓練，當完成當前自編碼器的訓練后，將其隱藏層輸出作為下一層自編碼器的輸入，并開始下一層自編碼器訓練，直至利用這種數據傳播方式完成所有自編碼器的訓練過程。通過預訓練過程可以完成網絡初始的參數設置。第二部分是微調階段，該階段采用有監督的學習方式，由分類結果層向輸入層對上一階段得到的網絡參數進行微調，使深度自編碼網絡趨向于全局最優，該過程與饋神經網絡的訓練過程相似。深度自編碼網絡結構如圖4所示。

圖4 深度自編碼網絡結構

2.2 深度自編碼模型訓練流程

自編碼器是深度自編碼網絡最基本的組成單元，預訓練過程就是對自編碼器逐一進行訓練的過程。本文以一層自編碼器的訓練為例，對深度自編碼網絡的預訓練階段進行詳細介紹。

自編碼器的訓練目標是令輸入層與輸出層數據相同，是一種無監督的網絡結構。自編碼器結構與一般的神經網絡相似，但輸入層與輸出層有著相同的神經節點數目。該網絡通過輸出數據重構輸入數據的方式對網絡參數進行不斷優化，這個過程中隱藏層得到了輸入數據的特征表達，輸出層再通過該特征表達重構輸入層數據，使輸入層輸出層盡可能相等，此時隱藏層的特征表達就能夠認為包含了輸入數據的全部信息。將該特征表達作為下一層自編碼器的輸入層數據，逐層構建深度自編碼網絡，深度自編碼網絡就能夠學習到輸入數據的深層特征。自編碼器的網絡結構如圖5所示。

圖5 自編碼器網絡結構

自編碼器各層內部的神經元間不連接，層與層之間神經元通過不同的權值全連接。假設自編碼器的輸入信號X= {x1,x2, …xn}，經訓練后可以得到隱藏層數據H= {h1,h2,…hm}，該過程被稱為編碼。其中n表示輸入層神經元個數，m表示隱藏層神經元個數。則輸入層數據xj與隱藏層數據hi的關系可表示為

式中：wi,j表示輸入層神經元xj與隱藏層神經元hi間的權值，bj表示隱藏層偏置。

隱藏層數據H通過網絡參數計算可以獲得輸出層數據。從隱藏層數據得到輸出層數據的計算過程稱為解碼，其過程式為

式（1）、式（2）中f和g分別為隱藏層和輸出層的激活函數，本文中f和g兩個激活函數均為sigmoid函數，如式（3）所示。

為使輸入數據和輸出數據盡可能相等，本文需要定義一個目標函數表示輸入層數據X與輸出層數據的相似程度，這種相似程度通過損失函數L(X)表示：

為進一步去除隱藏層輸出中的冗余信息，更高效地表達輸入數據特征，本文在隱藏層單元加入稀疏懲罰項，對損失函數進行稀疏性限制。采用相對熵作為稀疏懲罰項，設網絡參數為θ，訓練集S= {x1,x2,…xm} ，則損失函數J(θ)表達式為

式中：β為稀疏懲罰的稀疏權重；pj為隱藏層第j個神經元在訓練集上的平均激活程度；ρ為設定的稀疏參數；KL(ρ‖pj)為神經元平均激活程度pj與稀疏參數ρ間的相對熵，即

式（5）、式（6）中隱藏層第j個神經元在訓練集上的平均激活程度pj均可通過式（7）計算。

式中：m為輸入自編碼器的樣本個數；hj,i為在輸入第i組數據時隱藏層第j個神經元的輸出結果。

對自編碼器進行訓練的目的是不斷調整權值參數wi,j、和偏置bj、，使損失函數J(θ)達到最小，其訓練流程如圖6所示。

圖6 自編碼器訓練流程

通過梯度下降算法可以不斷更新權值和偏置，尋找最優的網絡參數使損失函數達到最小，如式（8）所示：

式中：α為學習率，能夠對網絡參數的更新步長進行控制。

當某層自編碼器訓練完成后，輸出層數據與輸入層數據基本相等，而這一過程是由輸入層數據進行編碼得到隱藏層數據、隱藏層數據進行解碼得到輸出層數據兩個步驟完成，因此可以認為隱藏層數據包含了輸入層數據的全部信息，可以作為特征使用。深度自編碼網絡就是將該自編碼器隱藏層的輸出作為下一層自編碼器的輸入，當進行下一層訓練時完成訓練的自編碼器參數保持不變，實現輸入數據的特征挖掘。

通過深度自編碼網絡的預訓練階段可以有效地初始化網絡連接參數，防止網絡欠擬合的情況發生。預訓練階段是對深度自編碼網絡進行無監督的學習，能夠初始化網絡連接參數；而微調階段則是保留預訓練網絡連接參數的同時，用少量帶標簽的數據進行有監督的學習以對其進行優化，網絡收斂較快，且不易陷入局部最優，使訓練模型能夠達到全局最優。深度自編碼網絡訓練過程中，對整個深度結構進行微調，優化了局部層次的決策規則，使最終結果更加可靠。

2.3 深度自編碼模型數據標準化及特征提取流程

通過特征能夠提取得到高壓斷路器合閘振動信號的時頻能量分布，但由于各時頻子平面內能量量級差異較大，直接用于訓練會對深度自編碼網絡的訓練效果產生影響，從而進一步影響故障診斷的準確性。因此，首先要對時頻能量分布進行Z-score標準化處理，提高數據的可比性。

通過原始數據的均值與標準差對數據進行Z-score標準化處理，處理后數據滿足均值為0、方差為1的標準正態分布。原始信號X經標準化后得到數據Y，如式（9）所示。

式中：μ為原始數據的均值，σ為原始數據的標準差。

對于本文中的時頻能量分布來說，X是不同振動信號中相同時頻子平面內的能量，經Z-score標準化處理后，不同時頻子平面內的能量將都屬于同一量級，有利于后續進一步識別分析。

深度自編碼網絡輸入層節點數即為特征提取過程中時頻子平面的數量。提取原始信號數據表示化后的數據特征，即將合閘振動信號進行M層小波包變換，再將各頻帶信號等時間分為N份，得到 2M×N個時頻子平面，因此輸入層將有 2M×N個神經節點。小波包變換的層數M決定了頻率分辨率，時間分段數目N決定了時間分辨率。分辨率過低將不能檢測出小幅度頻率及時間波動引起的變化；分辨率過高會將正常的頻率、時間波動誤判為故障，且網絡的訓練時間也會加長。因此，小波包變換層數M及時間分段數目N的選擇是影響深度自編碼網絡故障識別效果的重要因素之一。

為確定小波包變換層數M及時間分段數目N的大小，從而進一步確定輸入層神經節點數目，對合閘振動信號設置2～5層小波包變換，將各頻帶信號等時間分為4～40份，且設置實驗中網絡深度為3層，隱藏層節點分布設置為恒定型，其故障識別效果如圖7所示。

圖7 自編碼器訓練流程

由圖7可知，當小波包分解層數為2～5層時，故障識別準確率均呈現隨時間分段數目N的增加先上升，再上下小范圍波動的情況。當時間分段數目N保持不變時，故障識別準確率大致隨小波包變換層數的增加而上升；但當N足夠大時，3、4、5層小波包變換后最終準確率基本相等。因此，對振動信號進行3層小波包分解，并將各頻帶信號等時間分為12份，得到96個時頻子平面，此時深度自編碼網絡故障識別準確率較高，且訓練耗時較短。綜上所述，深度自編碼網絡輸入層節點數為96。

深度自編碼網絡由多個自編碼器堆疊形成，自編碼器的數量決定了網絡的深度。通過隱藏層間的層層映射，深度自編碼網絡中的輸入層數據不斷被挖掘，獲得更加高級的特征。通常情況下，堆疊的自編碼器數量越多，網絡層數越深，則最后隱藏層挖掘到的特征更加抽象也更加接近于本質，越有利于故障識別；但隨著網絡層數的不斷加深，訓練時間不斷加長，同時也可能將訓練樣本本身的獨有特性作為所有樣本均具有的普適特性，從而陷入過擬合的情況。

堆疊1～6個自編碼器形成結構不同的6個深度自編碼網絡進行比較，最后確定適用于該領域的深度自編碼網絡深度。深度自編碼網絡輸入層含96個神經節點，每個自編碼器迭代500次，學習率為0.1，其故障診斷效果如表1所示。

表1 條件概率參數

由表1可知，深度自編碼網絡中，堆疊的自編碼器數量并不是越多越好，隨著網絡層數的上升，故障識別準確率呈現先上升再穩定的趨勢。這是因為隨著深度自編碼網絡深度的不斷增加，訓練時產生的誤差積累以及冗余信息將干擾正常的網絡訓練過程，使故障識別更加困難；且隨著網絡深度的增加，訓練該網絡的時間成本也隨之增加。因此，考慮準確率及訓練耗時兩方面因素后，本文選擇將堆疊2個自編碼器即4層深度的深度自編碼網絡用于高壓斷路器故障識別。

3 基于現場實例的模型驗證

以某鐵路項目現場實測數據為基礎，對基于深度自編碼網絡的斷路器故障診斷方法進行驗證。首先對斷路器正常狀態、操動機構卡澀、鐵心卡澀以及基座螺絲松動 4種常見的機械狀態進行故障診斷，對其進行編碼如表2所示，診斷結果對應的不同編碼表示不同的機械狀態。

表2 條件概率參數

隨機采用 240組現場實測數據進行預訓練以及微調，其中正常狀態100組，操動機構卡澀40組，鐵心卡澀40組，基座螺絲松動60組；102組數據作為測試集，其中正常狀態36組，操動機構卡澀19組，鐵心卡澀21組，基座螺絲松動26組。

斷路器各工作狀態分類準確率如表3所示，可見：該診斷方法對斷路器故障類型識別準確率較高，完成深度自編碼網絡的訓練后，最終故障診斷準確率可高達 98.04%；該診斷方法對鐵心卡澀故障識別準確率較低，對其余狀態的識別準確率較高。

表3 各工作狀態分類準確率 %

如圖8所示，對診斷情況進一步深入分析，該故障診斷模型易將高壓斷路器的正常工作狀態、鐵心卡澀與基座螺絲松動混淆。可能存在兩方面的原因：一是訓練樣本數量較少，導致深度學習網絡未能進行足夠準確的學習；二是特征提取方法需要改進，如改進小波包變換中頻帶混疊的問題等，從而提高時頻特征的準確性。

圖8 故障診斷結果

4 結語

本文從牽引供電系統高壓斷路器的結構入手，簡述了高壓斷路器的故障機理及故障表征形式，選取高壓斷路器日常運行時的動作信號作為故障預測模型的關鍵參量，制定了基于深度自編碼模型的斷路器故障預測方案；詳述了基于深度自編碼模型的斷路器故障預測時的數據預處理、特征提取及模型訓練等步驟，并通過現場實例予以驗證，得到以下結論：

（1）基于深度自編碼模型的斷路器故障預測方案可對高壓斷路器的服役狀態進行準確判斷，減小了現場運維的工作量，提高了牽引供電系統的安全可靠性。

（2）目前該斷路器故障預測方法依賴于斷路器振動信號的提取，對斷路器絕緣類故障缺乏判斷能力，可通過智能斷路器的SF6氣體監測單元并設置閾值報警的方式予以解決。

通過現場實例可知，本文提出的基于高壓斷路器振動信號特征參量構建深度自編碼網絡的故障預測方案對于高壓斷路器的機械類故障識別有著較高的準確率，對現場設備的維修具有很強的指導作用，具有廣泛的應用前景。