面向高壓斷路器故障分類的電流-振動(dòng)信號(hào)類聚幾何敏感特征優(yōu)選方法

劉會(huì)蘭 許文杰 趙書濤 裘 實(shí) 劉教民

面向高壓斷路器故障分類的電流-振動(dòng)信號(hào)類聚幾何敏感特征優(yōu)選方法

劉會(huì)蘭1許文杰1趙書濤1裘 實(shí)2劉教民1

（1. 河北省輸變電設(shè)備安全防御重點(diǎn)實(shí)驗(yàn)室（華北電力大學(xué)） 保定 071003 2. 國網(wǎng)河北省電力有限公司保定供電分公司 保定 071000）

針對(duì)利用電流-振動(dòng)信號(hào)聯(lián)合進(jìn)行高壓斷路器故障分類過程中原始特征集維數(shù)較高，因而造成識(shí)別率低、分類性能退化的問題，該文提出一種適用于高維小樣本的類聚幾何敏感特征優(yōu)選方法。首先，利用廣義維數(shù)譜和敏感維數(shù)定量刻畫經(jīng)魏格納-威爾分布處理的振動(dòng)信號(hào)時(shí)頻圖，結(jié)合線圈電流信號(hào)的突變信息，構(gòu)建斷路器完整動(dòng)作過程的電-振聯(lián)合多征兆域原始特征集；其次，通過定義“變異系數(shù)”細(xì)致描繪特征在樣本類內(nèi)和類間的波動(dòng)性，由“賞函數(shù)”對(duì)類間發(fā)散性強(qiáng)的特征予以加權(quán)，根據(jù)特征敏感因子優(yōu)選得到不同故障類型下的類聚幾何最優(yōu)特征集；最后，采用支持向量機(jī)和其他識(shí)別方法進(jìn)行故障分類。試驗(yàn)結(jié)果表明采用最優(yōu)特征集識(shí)別準(zhǔn)確率明顯提高，具有工程應(yīng)用價(jià)值。

高壓斷路器 電流-振動(dòng)信號(hào)聯(lián)合 類聚幾何 特征優(yōu)選 敏感維數(shù)

0 引言

高壓斷路器是電力系統(tǒng)的關(guān)鍵安全控制設(shè)備，其故障造成的損失遠(yuǎn)超自身價(jià)值[1-3]。斷路器動(dòng)作涉及二次電氣回路控制和機(jī)械部件間能量傳動(dòng)過程，其復(fù)雜的結(jié)構(gòu)和惡劣的運(yùn)行環(huán)境容易導(dǎo)致發(fā)生電氣故障或機(jī)械故障[4-5]。

控制線圈電流和傳動(dòng)過程振動(dòng)信號(hào)是分析斷路器操動(dòng)狀態(tài)異常的有效特征量。非平穩(wěn)、非線性振動(dòng)信號(hào)是能量變化的優(yōu)良載體，衰減小且易捕捉，因此基于振動(dòng)信號(hào)的斷路器故障診斷方法受到了學(xué)者們的關(guān)注[6-9]。但振動(dòng)分析法對(duì)于電氣控制回路缺陷不敏感，控制線圈電流信號(hào)蘊(yùn)藏完整的二次回路和電磁鐵控制信息[10-11]。“電流-振動(dòng)”聯(lián)合分析（以下簡(jiǎn)稱“‘電-振’聯(lián)合分析”）實(shí)現(xiàn)斷路器動(dòng)作全過程的故障研判更具優(yōu)勢(shì)，可有效填補(bǔ)斷路器部件開始動(dòng)作前電氣信息的空白。文獻(xiàn)[12-13]將由振動(dòng)、電流信號(hào)提取的原始特征全部納入特征集進(jìn)行識(shí)別。而斷路器結(jié)構(gòu)復(fù)雜，傳動(dòng)過程各部件之間相互關(guān)聯(lián)、緊密耦合，導(dǎo)致建立的原始特征集維數(shù)過高，不僅增加了計(jì)算時(shí)間，也造成分類性能退化和識(shí)別率降低。

特征優(yōu)選能夠根據(jù)定量的評(píng)價(jià)準(zhǔn)則來度量特征對(duì)目標(biāo)分類的敏感程度，從高維的特征中篩選出能夠有效識(shí)別目標(biāo)的最小特征子集[14]。文獻(xiàn)[15-18]在高壓斷路器的機(jī)械故障診斷中運(yùn)用傳統(tǒng)的Relief算法進(jìn)行特征降維處理，但對(duì)于特定故障類型與低維特征向量的映射關(guān)系未進(jìn)行進(jìn)一步的研究。文獻(xiàn)[19]提出了用于醫(yī)學(xué)影像識(shí)別的基于核空間的距離測(cè)量，有效提高了線性不可分?jǐn)?shù)據(jù)集的高維特征篩選能力，但先驗(yàn)知識(shí)直接關(guān)系到核參數(shù)的選擇，影響了分類精度。文獻(xiàn)[20]通過定義“緊密度”和“分離度”函數(shù)，更為細(xì)致地描述了彈道目標(biāo)識(shí)別多特征的類內(nèi)類間距離，但忽略了由于樣本的波動(dòng)而引起的變異性，并且“松緊度”權(quán)重對(duì)于類間發(fā)散性不敏感。

鑒于此，本文提出一種適用于高維小樣本的類聚幾何敏感特征優(yōu)選方法。通過廣義維數(shù)譜和敏感維數(shù)挖掘潛藏在振動(dòng)信號(hào)時(shí)頻圖像中的二維信息，以時(shí)域突變點(diǎn)提取電流信號(hào)波形變異信息，構(gòu)成斷路器多征兆域原始特征集。在此基礎(chǔ)上，定義“變異系數(shù)”、“賞函數(shù)”和“特征敏感因子”量化特征對(duì)于特定故障類型的分類敏感性，構(gòu)造與支持向量機(jī)（Support Vector Machine, SVM）模型匹配的最優(yōu)特征集，明確了故障類型與最優(yōu)特征集之間的對(duì)應(yīng)關(guān)系。最后通過試驗(yàn)驗(yàn)證了本文方法對(duì)于斷路器不同故障類型最優(yōu)特征集優(yōu)選的有效性，提高了目標(biāo)分類的識(shí)別準(zhǔn)確率。

1 基于特征優(yōu)選的斷路器故障分類流程

彈簧操動(dòng)機(jī)構(gòu)動(dòng)作線圈通電后，電磁鐵中電磁吸力大于阻力時(shí)鐵心開始運(yùn)動(dòng)，到達(dá)預(yù)設(shè)位置時(shí)觸發(fā)脫扣裝置釋放彈簧勢(shì)能，驅(qū)動(dòng)主軸、凸輪、拐臂和拉桿等機(jī)構(gòu)部件聯(lián)動(dòng)，直至動(dòng)觸頭到位切除線圈電源，完成一個(gè)完整操動(dòng)過程。電流信號(hào)從出現(xiàn)到衰減為零呈現(xiàn)雙峰分布，振動(dòng)信號(hào)在能量傳遞和動(dòng)靜觸頭強(qiáng)烈沖擊下呈現(xiàn)非平穩(wěn)的振蕩衰減過程。ZN63—12斷路器合閘過程監(jiān)測(cè)到的電流和振動(dòng)信號(hào)如圖1所示。

由靜轉(zhuǎn)動(dòng)、再到動(dòng)轉(zhuǎn)靜的斷路器操動(dòng)過程伴隨的電流、振動(dòng)信號(hào)特征與電氣和機(jī)械狀態(tài)息息相關(guān)。當(dāng)出現(xiàn)操作電壓過高或過低、控制回路電阻異常等電氣故障，斷路器分合閘線圈電流波形會(huì)發(fā)生明顯變化；彈簧疲勞、軸銷脫落等機(jī)械故障的振動(dòng)信號(hào)也會(huì)有明顯差異。引入電流信號(hào)延展了振動(dòng)信號(hào)分析時(shí)間歷程，包含部件運(yùn)動(dòng)發(fā)生前二次回路和電磁鐵觸發(fā)機(jī)構(gòu)動(dòng)作的全過程。電流和振動(dòng)信號(hào)聯(lián)合分析可涵蓋斷路器動(dòng)作的電氣故障和機(jī)械故障。建立故障類型與最優(yōu)特征集映射關(guān)系至關(guān)重要，因此提出面向斷路器故障分類的類聚幾何敏感特征優(yōu)選模型。甄選故障最優(yōu)特征集流程如圖2所示。

圖1 ZN63-12斷路器合閘過程監(jiān)測(cè)信號(hào)

圖2 基于特征優(yōu)選的斷路器故障分類流程

2 振動(dòng)信號(hào)和電流信號(hào)特征提取

科學(xué)提取振動(dòng)信號(hào)和電流信號(hào)有效特征及遴選最優(yōu)特征子集是識(shí)別斷路器故障類型的關(guān)鍵環(huán)節(jié)。

2.1 振動(dòng)信號(hào)時(shí)頻圖多重分形信息特征提取

2.1.1振動(dòng)信號(hào)時(shí)頻圖

振動(dòng)信號(hào)時(shí)頻圖從時(shí)間、頻率、能量三個(gè)維度呈現(xiàn)斷路器分合閘的動(dòng)作特性，魏格納-威爾分布（Wigner-Ville Distribution, WVD）時(shí)頻分析方法[21]適用于處理瞬時(shí)沖擊、頻率時(shí)變的非平穩(wěn)信號(hào)。

對(duì)振動(dòng)信號(hào)()進(jìn)行WVD時(shí)頻變換，可得

式中，為頻率；為積分變量；*為的共軛。

對(duì)斷路器鐵心卡澀、軸銷脫落、彈簧疲勞和正常狀態(tài)的合閘振動(dòng)信號(hào)進(jìn)行WVD處理得到圖3所示時(shí)頻圖。圖3中振動(dòng)信號(hào)在頻率和時(shí)間方面的能量差異均以色階形式體現(xiàn)出來，四種狀態(tài)的時(shí)頻圖均有明顯的差異性。基于WVD處理的時(shí)頻圖細(xì)致描述了振動(dòng)信號(hào)的時(shí)頻特征。

圖3 正常及三種故障狀態(tài)合閘振動(dòng)信號(hào)時(shí)頻圖

2.1.2 多重分形信息特征

分形理論是處理工程中不規(guī)則圖形強(qiáng)有力的工具[22]。多重分形維數(shù)是在單一分形維數(shù)發(fā)展的基礎(chǔ)上，由不同階數(shù)的維數(shù)構(gòu)成的高階特征集合，在刻畫非線性復(fù)雜機(jī)械系統(tǒng)時(shí)不易出現(xiàn)狀態(tài)混疊現(xiàn)象。采用覆蓋法[23]來描述多重分形的廣義維數(shù)譜。

使用尺度為的相同大小的盒子對(duì)整個(gè)分形集進(jìn)行覆蓋，設(shè)所需盒子的總數(shù)為，設(shè)點(diǎn)落入第個(gè)盒子的概率為p()，給定參數(shù)，可以計(jì)算General信息熵K()，即

改變的大小可計(jì)算出一系列K()值，從而在lg-lgK()圖上得到標(biāo)度律的存在范圍，該范圍的斜率的絕對(duì)值就是給定參數(shù)的廣義維數(shù)(q)，即

圖4 四種狀態(tài)的廣義維數(shù)譜

引入敏感維數(shù)描繪廣義維數(shù)譜的突變性，將曲線上突變點(diǎn)所對(duì)應(yīng)的維數(shù)定義為敏感維數(shù)，記為m。通過最小二乘法可計(jì)算得出廣義維數(shù)譜曲線最大值的敏感維數(shù)，由圖4可知斷路器操動(dòng)的四種狀態(tài)的敏感維數(shù)分別為0.8、0.85、0.9和0.95，具有較大的差異性。

2.2 電流信號(hào)突變信息特征提取

線圈電流信號(hào)是典型的雙峰波形，操作時(shí)標(biāo)準(zhǔn)電壓和電壓偏低都會(huì)對(duì)線圈電流信號(hào)產(chǎn)生影響。以斷路器合閘為例，正常和故障狀態(tài)下的線圈電流信號(hào)如圖5所示。

圖5 合閘線圈電流信號(hào)

操作電壓的變化體現(xiàn)為相對(duì)于正常雙峰波形的時(shí)延和幅值大小變異。鐵心卡澀直接影響撞擊脫扣裝置時(shí)刻，其電流波形與正常操作狀態(tài)存在差異。故通過提取線圈電流信號(hào)對(duì)斷路器二次回路和操動(dòng)過程進(jìn)行辨識(shí)，以線圈電流波形突變點(diǎn)信息作為信號(hào)特征。

（1）突變電流特征和時(shí)間特征

根據(jù)圖5所示的合閘線圈電流信號(hào)可將分合閘操作分為四個(gè)時(shí)間段，獲取波峰和波谷的突變電流特征1～3以及起始、波峰、波谷及結(jié)束時(shí)間特征0～4。

（2）累積能量特征

為了全面地反映電流信號(hào)的波形形狀，進(jìn)一步提取各時(shí)間段累積能量1～4作為補(bǔ)充信號(hào)特征。累積能量可定量反映線圈電流波形在每個(gè)階段的波形斜率、波形抖動(dòng)等信息。

式中，為線圈電流信號(hào)采樣點(diǎn)；為采樣長(zhǎng)度。

2.3 “電-振”聯(lián)合原始特征集

構(gòu)建“電-振”聯(lián)合原始特征集，取振動(dòng)信號(hào)的多重分形信息特征，廣義維數(shù)譜的的取值范圍選擇為[-7, 7]，包含15個(gè)特征，加上1個(gè)敏感維數(shù)特征m，共有16個(gè)特征量；對(duì)于電流信號(hào)的突變信息特征，包含3個(gè)電流特征（1～3）、5個(gè)時(shí)間特征（0～4）和4個(gè)累積能量特征（1～4），共有12個(gè)特征量。因此，“電-振”聯(lián)合原始特征集共有28個(gè)特征量，如圖6所示。

圖6 “電-振”聯(lián)合原始特征集

“電-振”聯(lián)合原始特征集涵蓋了斷路器操動(dòng)過程的全部動(dòng)作信息。但對(duì)于特定故障類型，一部分特征是與故障息息相關(guān)的，一部分特征則是冗余的。冗余的特征可能會(huì)干擾斷路器的故障識(shí)別，并且高維原始特征集可能將帶來較大計(jì)算時(shí)間開銷，同時(shí)造成分類性能退化或識(shí)別率降低。

3 類聚幾何敏感特征優(yōu)選算法

為提高分類模型的識(shí)別率和泛化能力，必須篩選出“好”的敏感特征，剔除“壞”的冗余特征。類聚幾何敏感特征優(yōu)選算法通過“變異系數(shù)”細(xì)致描繪特征類內(nèi)的一致性和類間的區(qū)分度，并定義“賞函數(shù)”對(duì)類間發(fā)散性強(qiáng)的特征進(jìn)行加權(quán)，以特征敏感因子定量刻畫特征對(duì)于不同故障的敏感性。計(jì)算步驟如下。

假設(shè)有類目標(biāo)狀態(tài)，維特征，第類的特征集樣本數(shù)為，則第類的特征矩陣可表示為

（1）歸一化，消除特征在不同量綱量級(jí)之間的影響。歸一化后的特征值為

式（10）即為樣本的標(biāo)準(zhǔn)差，表征了同類樣本內(nèi)特征的波動(dòng)情況，其值越小，波動(dòng)越小。從而得到類第維特征的每個(gè)樣本到類中心的平均距離的平均值為

D是根據(jù)統(tǒng)計(jì)學(xué)中的相關(guān)知識(shí)定義的，可衡量同變量在不同樣本間的變異程度，直觀反映特征在類內(nèi)樣本的波動(dòng)情況，其值越小，波動(dòng)越小，類內(nèi)樣本的緊密程度越高。

計(jì)算每個(gè)類中心到所有類的中心的平均距離，即

（7）將兩個(gè)類近似看成幾何圖形的兩個(gè)圓，則兩個(gè)類區(qū)分性的優(yōu)劣可以根據(jù)兩個(gè)圓的相對(duì)位置來判斷，若兩個(gè)圓相交說明類間具有模糊性；若兩個(gè)圓相離則說明在類間有很好的區(qū)分度。定義“賞函數(shù)”來“獎(jiǎng)勵(lì)”“相離”伴隨的強(qiáng)區(qū)分性，減弱“相交”的模糊性。

定義類間“賞函數(shù)”為

引入賞函數(shù)對(duì)類間強(qiáng)發(fā)散性的特征予以加權(quán)，能夠有效地提高類間分類性好的特征敏感性，更好地體現(xiàn)有效特征對(duì)分類能力的影響。

對(duì)本文所用的數(shù)據(jù)樣本選取10組數(shù)據(jù)進(jìn)行分析，由于篇幅所限，選取二維特征，即振動(dòng)信號(hào)的敏感維數(shù)m和電流第一波峰特征1；目標(biāo)狀態(tài)選取三種，分別為正常合閘、彈簧疲勞和軸銷脫落。具體結(jié)果如圖7所示。

圖7 特征敏感性比較示意圖

圖7中特征m對(duì)于三種狀態(tài)的類內(nèi)平均距離d1（虛線圓的半徑11、21、31）與每個(gè)類樣本到類中心的平均距離f比特征1的小，所以顯得比較集中。因此特征m比特征1的類內(nèi)變異系數(shù)小（1＜2）。同時(shí)，特征m的三種狀態(tài)的幾何圓是相離的，而特征1的幾何圓是相交的，說明特征m類間平均距離比特征1的大，類間顯得比較分散。因此特征m比特征1的類間變異系數(shù)大（1*＞2*）。

由式（18）可知，在三種狀態(tài)分類問題上，特征m比特征1更敏感。

類聚幾何敏感特征優(yōu)選方法具有明確的幾何意義，并且計(jì)算量不大，直觀清晰，符合斷路器故障分類特征優(yōu)選的原則。

4 試驗(yàn)及結(jié)果分析

4.1 故障模擬試驗(yàn)

以ZN63—12型高壓斷路器為研究對(duì)象搭建故障模擬實(shí)驗(yàn)平臺(tái)，選取24位自帶高速IEPE恒流源輸出的信號(hào)采集設(shè)備，將AD50S振動(dòng)傳感器通過強(qiáng)磁座吸附在斷路器操動(dòng)機(jī)構(gòu)頂壁，霍爾開口式電流鉗夾在控制線圈上，由上位機(jī)記錄斷路器操動(dòng)時(shí)的電流和振動(dòng)信號(hào)。實(shí)驗(yàn)平臺(tái)如圖8所示。

圖8 實(shí)驗(yàn)平臺(tái)

利用實(shí)驗(yàn)平臺(tái)模擬斷路器九種狀態(tài)，采集數(shù)據(jù)樣本集的每個(gè)子集對(duì)應(yīng)一種運(yùn)行狀態(tài)，9個(gè)子集各包含50組樣本。每種狀態(tài)隨機(jī)選擇30組樣本數(shù)據(jù)用于訓(xùn)練，余下的20組用于測(cè)試。斷路器的九種狀態(tài)及狀態(tài)標(biāo)記見表1，狀態(tài)包括電氣故障、機(jī)械故障1、機(jī)械故障2和復(fù)合故障四大類。

表1 斷路器的九種運(yùn)行狀態(tài)

Tab.1 Nine operating states of circuit breaker

4.2 特征敏感性對(duì)比

對(duì)于表1中的九種運(yùn)行狀態(tài)，劃分為四類目標(biāo)狀態(tài)組，見表2。

表2 四類目標(biāo)狀態(tài)組

Tab.2 Category four target status group

表1包含斷路器運(yùn)行中常見的故障類型，但斷路器實(shí)際運(yùn)行環(huán)境惡劣，故障復(fù)雜多樣，如現(xiàn)場(chǎng)溫度、濕度和沙塵等因素會(huì)引起電流波形變異和機(jī)構(gòu)動(dòng)作延緩，但這些缺陷都可以歸類為表2的電氣故障、機(jī)械故障或復(fù)合故障，其造成的影響可以體現(xiàn)為“電-振”聯(lián)合原始特征集的變化。

由于篇幅有限，選擇Ⅲ類目標(biāo)狀態(tài)，隨機(jī)列舉三種狀態(tài)下樣本構(gòu)建原始特征集，見表3。對(duì)于斷路器正常、彈簧疲勞和軸銷脫落三種狀態(tài)，振動(dòng)信號(hào)16個(gè)特征區(qū)分度都較明顯，而線圈電流信號(hào)12個(gè)特征中只有特征2存在較大差異性。

針對(duì)每類目標(biāo)狀態(tài)組，分別計(jì)算特定狀態(tài)組的特征敏感因子，具體結(jié)果如圖9所示。由圖9可知，在不同目標(biāo)狀態(tài)組，同一特征敏感因子不同。由振動(dòng)信號(hào)提取的敏感維數(shù)特征m對(duì)于以機(jī)械故障有關(guān)的目標(biāo)狀態(tài)表現(xiàn)出較高的敏感性。

表3 Ⅲ類目標(biāo)狀態(tài)的原始特征集

Tab.3 Original feature set of class III target state

圖9 各特征在不同目標(biāo)狀態(tài)的敏感性

4.3 優(yōu)選最優(yōu)特征集

特征優(yōu)選的最終目的是為明確不同故障類型的最優(yōu)特征集。針對(duì)斷路器在運(yùn)行中操作較少，導(dǎo)致用于故障分類的數(shù)據(jù)樣本有限的問題，采用支持向量機(jī)方法[24]進(jìn)行故障分類。

通過訓(xùn)練樣本優(yōu)選特征時(shí)，將全部特征按照敏感因子降序排列，先由前兩個(gè)敏感因子構(gòu)成特征集，然后特征集數(shù)依次加1來得到不同特征數(shù)的分類精度，四類目標(biāo)狀態(tài)組的識(shí)別準(zhǔn)確率隨特征組合數(shù)變化的結(jié)果如圖10所示。

由圖10可知，不同特征組合數(shù)下，四類目標(biāo)狀態(tài)的識(shí)別準(zhǔn)確率均呈現(xiàn)為先上升后下降。在特征組合數(shù)由2不斷增大的前期，各類的識(shí)別準(zhǔn)確率迅速遞增，直至穩(wěn)定于識(shí)別準(zhǔn)確率最大值附近，并以最大識(shí)別準(zhǔn)確率對(duì)應(yīng)的最小特征子集作為最優(yōu)特征集。隨著敏感因子低的特征的加入，各類的識(shí)別準(zhǔn)確率明顯下降，說明敏感因子較低的冗余特征對(duì)斷路器故障分類起到干擾作用，在后續(xù)故障分類時(shí)將直接剔除。四類故障類型下的最優(yōu)特征集與最大識(shí)別準(zhǔn)確率見表4。

圖10 不同特征組合數(shù)的識(shí)別精度對(duì)比

表4 四類故障類型下的最優(yōu)特征集與最大識(shí)別準(zhǔn)確率

Tab.4 Optimal feature set and maximum recognition accuracy under four fault types

由表4可知，對(duì)于四類目標(biāo)狀態(tài)組，最優(yōu)特征集均是由電流和振動(dòng)信號(hào)的特征共同構(gòu)造的，說明斷路器操動(dòng)過程“電-振”聯(lián)合分析的必要性。值得注意的是，敏感維數(shù)m包含在每類故障的最優(yōu)特征集中，充分展示其定量描繪振動(dòng)信號(hào)時(shí)頻圖的能力。另外，表4給出了典型故障類型對(duì)應(yīng)的最優(yōu)敏感特征集，可為后續(xù)對(duì)典型故障的研究提供借鑒意義。

為了驗(yàn)證典型故障類型對(duì)應(yīng)最優(yōu)特征集的通用性，選用實(shí)驗(yàn)室LW34—40.5斷路器操動(dòng)機(jī)構(gòu)繼續(xù)進(jìn)行故障模擬試驗(yàn)。通過減少合閘彈簧預(yù)壓縮來模擬合閘彈簧疲勞故障，重復(fù)試驗(yàn)30次，正常狀態(tài)與彈簧疲勞狀態(tài)的“電-振”信號(hào)對(duì)比如圖11所示。兩種狀態(tài)的電流信號(hào)基本一致，彈簧疲勞狀態(tài)的振動(dòng)信號(hào)幅值略小，并出現(xiàn)一定的時(shí)延。

圖11 正常與彈簧疲勞狀態(tài)的“電-振”信號(hào)

采用類聚幾何敏感特征優(yōu)選方法確定最優(yōu)特征集為m,(1),(0),(2),(6),(-1),(-2),(5)，與表4中Ⅲ類機(jī)械故障的最優(yōu)特征集對(duì)比，缺少了2，可見最優(yōu)特征集雖稍有差別，但本文的優(yōu)選方法仍具有通用性。表4中的最優(yōu)特征集可在同類典型故障的后續(xù)研究中優(yōu)先考慮。

4.4 不同模式識(shí)別算法對(duì)比

斷路器故障識(shí)別準(zhǔn)確率能夠直觀反映特征優(yōu)選方法的優(yōu)劣。為了進(jìn)一步驗(yàn)證本文方法的識(shí)別精度，分別采用SVM、反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network, BPNN）、K近鄰（k-Nearest Neighbor, KNN）和隨機(jī)森林（Random Forest, RF）對(duì)比識(shí)別效果。隨機(jī)選擇30組樣本數(shù)據(jù)進(jìn)行訓(xùn)練，20組樣本進(jìn)行測(cè)試，計(jì)算各識(shí)別方法對(duì)于四類目標(biāo)狀態(tài)組的最大平均準(zhǔn)確率，結(jié)果如圖12所示。

圖12 不同模式識(shí)別算法識(shí)別精度對(duì)比

由圖12可知，SVM方法的識(shí)別準(zhǔn)確率平均值達(dá)到97.5%，BPNN、KNN和RF識(shí)別算法的識(shí)別準(zhǔn)確率平均值比SVM方法略低，但也達(dá)到91.25%以上，驗(yàn)證了類聚幾何特征優(yōu)選方法在斷路器故障識(shí)別中的有效性。

5 結(jié)論

斷路器操作過程伴隨著控制線圈電流突變和機(jī)構(gòu)振動(dòng)沖擊，故障分類準(zhǔn)確性和快速性取決于電-振信號(hào)聯(lián)合特征提取及優(yōu)選。本文得到如下結(jié)論：

1）提出基于WVD振動(dòng)時(shí)頻圖的多重分形信息特征提取方法。時(shí)頻圖以色階形式體現(xiàn)斷路器振動(dòng)信號(hào)能量差異性；廣義維數(shù)譜和敏感維數(shù)m定量刻畫時(shí)頻圖的局部特性、細(xì)致捕捉時(shí)頻變化，并將m納入了所有故障類型的最優(yōu)特征集。

2）結(jié)合電流信號(hào)的突變信息，延展振動(dòng)信號(hào)的時(shí)間歷程，構(gòu)建斷路器完整動(dòng)作過程的電-振聯(lián)合多征兆域原始特征集，能夠全面反映斷路器的電氣故障、機(jī)械故障和復(fù)合故障。

3）提出類聚幾何敏感特征優(yōu)選方法來解決故障分類的高維小樣本問題，通過更全面的“獎(jiǎng)懲”科學(xué)地篩選了面向不同故障類型的最優(yōu)特征集。試驗(yàn)表明基于類聚幾何優(yōu)選特征集的SVM方法兼顧了故障分類準(zhǔn)確率和計(jì)算性能，四類狀態(tài)組的識(shí)別準(zhǔn)確率平均值達(dá)97.5%。

[1] 楊秋玉, 王棟, 阮江軍, 等. 基于振動(dòng)信號(hào)的斷路器機(jī)械零部件故障程度識(shí)別[J]. 電工技術(shù)學(xué)報(bào), 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.

[2] 游穎敏, 王景芹, 舒亮, 等. 斷路器保護(hù)特性測(cè)試電流的自適應(yīng)控制策略[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(15): 3203-3213.

You Yingmin, Wang Jingqin, Shu Liang, et al. Research on adaptive current control method in circuit breaker protection characteristic test[J]. Transactions of China Electrotechnical Society, 2020, 35(15): 3203-3213.

[3] 王昱皓, 武建文, 馬速良, 等. 基于核主成分分析-SoftMax的高壓斷路器機(jī)械故障診斷技術(shù)研究[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(增刊1): 267-276.

Wang Yuhao, Wu Jianwen, Ma Suliang, et al. Mechanical fault diagnosis research of high voltage circuit breaker based on kernel principal component analysis and SoftMax[J]. Transactions of China Electrotechnical Society, 2020, 35(S1): 267-276.

[4] Carvalho A, Cormenzana M L, Furuta H, et al. CIGRé technical brochure 510: final report of the 2004-2007 international enquiry on reliability of high voltage equipment, part 2 - reliability of high voltage SF6circuit-breakers[M]. Paris: CIGRé, 2012.

[5] Yang Qiuyu, Ruan Jiangjun, Zhuang Zhijian, et al. Chaotic analysis and feature extraction of vibration signals from power circuit breakers[J]. IEEE Transactions on Power Delivery, 2020, 35(3): 1124-1135.

[6] 李建鵬, 趙書濤, 夏燕青. 基于雙譜和希爾伯特-黃變換的斷路器故障診斷方法[J]. 電力自動(dòng)化設(shè)備, 2013, 33(2): 115-119, 125.

Li Jianpeng, Zhao Shutao, Xia Yanqing. Fault diagnosis based on bispectrum and Hilbert-Huang transform for circuit breaker[J]. Electric Power Automation Equipment, 2013, 33(2): 115-119, 125.

[7] 馬強(qiáng), 榮命哲, 賈申利. 基于振動(dòng)信號(hào)小波包提取和短時(shí)能量分析的高壓斷路器合閘同期性的研究[J]. 中國電機(jī)工程學(xué)報(bào), 2005, 25(13): 149-154.

Ma Qiang, Rong Mingzhe, Jia Shenli. Study of switching synchronization of high voltage breakers based on the wavelet packets extraction algorithm and short time analysis method[J]. Proceedings of the CSEE, 2005, 25(13): 149-154.

[8] 馬速良, 武建文, 袁洋, 等. 多振動(dòng)信息下的高壓斷路器機(jī)械故障隨機(jī)森林融合診斷方法[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(增刊2): 421-431.

Ma Suliang, Wu Jianwen, Yuan Yang, et al. Mechanical fault fusion diagnosis of high voltage circuit breaker using multi-vibration information based on random forest[J]. Transactions of China Electrotechnical Society, 2020, 35(S2): 421-431.

[9] 楊秋玉, 阮江軍, 張燦, 等. 基于定量遞歸分析的高壓斷路器機(jī)械缺陷辨識(shí)及應(yīng)用[J]. 電工技術(shù)學(xué)報(bào), 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 quantification analysis[J]. Transactions of China Electrotechnical Society, 2020, 35(18): 3848-3859.

[10] 趙書濤, 朱繼鵬, 王波, 等. 斷路器控制線圈電流特征診斷故障的技術(shù)分析及展望[J]. 華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版), 2018, 45(5): 70-77.

Zhao Shutao, Zhu Jipeng, Wang Bo, et al. Technical analysis and prospect of circuit breaker fault diagnosis based on control coil current characteristics[J]. Journal of North China Electric Power University (Natural Science Edition), 2018, 45(5): 70-77.

[11] 韓宇, 董波. 一種基于線圈電流的高壓斷路器機(jī)械故障診斷方法[J]. 高壓電器, 2019, 55(9): 241-246.

Han Yu, Dong Bo. Mechanical fault diagnosis method for high voltage circuit breaker based on coil current[J]. High Voltage Apparatus, 2019, 55(9): 241-246.

[12] 趙科, 王飛, 楊元威, 等. 基于信號(hào)特征融合與優(yōu)化的高壓斷路器機(jī)械狀態(tài)評(píng)估[J]. 高壓電器, 2018, 54(4): 14-19.

Zhao Ke, Wang Fei, Yang Yuanwei, et al. Mechanical condition evaluation of high voltage circuit breaker based on the features fusion and optimization of different signals[J]. High Voltage Apparatus, 2018, 54(4): 14-19.

[13] 萬書亭, 李聰, 豆龍江, 等. 基于振電結(jié)合的高壓斷路器特征提取及分類方法研究[J]. 華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版), 2019, 46(4): 31-38, 53.

Wan Shuting, Li Cong, Dou Longjiang, et al. Study on the signal feature extraction and classification of high voltage circuit breaker based on vibration signal and current signal[J]. Journal of North China Electric Power University (Natural Science Edition), 2019, 46(4): 31-38, 53.

[14] 姚旭, 王曉丹, 張玉璽, 等. 特征選擇方法綜述[J]. 控制與決策, 2012, 27(2): 161-166, 192.

Yao Xu, Wang Xiaodan, Zhang Yuxi, et al. Summary of feature selection algorithms[J]. Control and Decision, 2012, 27(2): 161-166, 192.

[15] 張浩, 趙莉華, 景偉, 等. 基于Relief特征量?jī)?yōu)化及SOM網(wǎng)絡(luò)的斷路器操作機(jī)構(gòu)狀態(tài)評(píng)估[J]. 高壓電器, 2017, 53(9): 240-246.

Zhang Hao, Zhao Lihua, Jing Wei, et al. Condition assessment of the circuit breaker operating mechanism based on Relief feature vector optimization and SOM network[J]. High Voltage Apparatus, 2017, 53(9): 240-246.

[16] 楊秋玉, 阮江軍, 黃道春, 等. 基于振動(dòng)信號(hào)時(shí)頻圖像識(shí)別的高壓斷路器分閘緩沖器狀態(tài)評(píng)估[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(19): 4048-4057.

Yang Qiuyu, Ruan Jiangjun, Huang Daochun, et al. Opening damper condition evaluation based on vibration time-frequency images for high-voltage circuit breakers[J]. Transactions of China Electrotechnical Society, 2019, 34(19): 4048-4057.

[17] 李邦彥, 齊偉強(qiáng), 桂媛, 等. 基于Relief F和灰色關(guān)聯(lián)分析的高壓斷路器機(jī)械故障診斷[J]. 高壓電器, 2020, 56(6): 197-203, 210.

Li Bangyan, Qi Weiqiang, Gui Yuan, et al. Mechanical fault diagnosis of high voltage circuit breaker based on Relief F and grey relation analysis[J]. High Voltage Apparatus, 2020, 56(6): 197-203, 210.

[18] 邵陽, 武建文, 馬速良, 等. 用于高壓斷路器機(jī)械故障診斷的AM-ReliefF特征選擇下集成SVM方法[J]. 中國電機(jī)工程學(xué)報(bào), 2021, 41(8): 2890-2901.

Shao Yang, Wu Jianwen, Ma Suliang, et al. Integrated SVM method with AM-ReliefF feature selection for mechanical fault diagnosis of high voltage circuit breakers[J]. Proceedings of the CSEE, 2021, 41(8): 2890-2901.

[19] 蔡哲元, 余建國, 李先鵬, 等. 基于核空間距離測(cè)度的特征選擇[J]. 模式識(shí)別與人工智能, 2010, 23(2): 235-240.

Cai Zheyuan, Yu Jianguo, Li Xianpeng, et al. Feature selection algorithm based on kernel distance measure[J]. Pattern Recognition and Artificial Intelligence, 2010, 23(2): 235-240.

[20] 吳瑕, 周焰, 楊龍坡, 等. 基于聚類分析與幾何的目標(biāo)特征敏感性評(píng)估算法[J]. 控制與決策, 2012, 27(6): 914-918.

Wu Xia, Zhou Yan, Yang Longpo, et al. Target feature sensitivity evaluation method based on clustering analysis and geometry[J]. Control and Decision, 2012, 27(6): 914-918.

[21] 穆利智, 李澤文, 呂佳佳, 等. 結(jié)合EMD-WVD和布谷鳥搜索算法的輸電線路故障暫態(tài)保護(hù)[J]. 電力系統(tǒng)自動(dòng)化, 2020, 44(16): 137-144.

Mu Lizhi, Li Zewen, Lü Jiajia, et al. Transient protection for transmission line fault combining empirical mode decomposition-Wigner ville distribution and cuckoo search algorithm[J]. Automation of Electric Power Systems, 2020, 44(16): 137-144.

[22] Kantelhardt J W, Zschiegner S A, Koscielny-Bunde E, et al. Multifractal detrended fluctuation analysis of nonstationary time series[J]. Physica A: Statistical Mechanics and Its Applications, 2002, 316(1-4): 87-114.

[23] 徐玉秀, 張劍, 侯榮濤. 機(jī)械系統(tǒng)動(dòng)力學(xué)分形特征及故障診斷方法[M]. 北京: 國防工業(yè)出版社, 2006.

[24] 謝樺, 亞夏爾·吐爾洪, 陳昊, 等. 基于支持向量機(jī)算法的配電線路時(shí)變狀態(tài)預(yù)測(cè)方法[J]. 電力系統(tǒng)自動(dòng)化, 2020, 44(18): 74-80.

Xie Hua, Yaxar Turgun, Chen Hao, et al. Prediction method for time-variant states of distribution line based on support vector machine algorithm[J]. Automation of Electric Power Systems, 2020, 44(18): 74-80.

Optimization Method of Clustering Geometric Sensitive Features of Current Vibration Signals for Fault Classification of High Voltage Circuit Breakers

Liu Huilan1Xu Wenjie1Zhao Shutao1Qiu Shi2Liu Jiaomin1

（1. Hebei Provincial Key Laboratory of Power Transmission Equipment Security Defense North China Electric Power University Baoding 071003 China 2. Baoding Power Supply Company State Grid Hebei Electric Power Co. Ltd Baoding 071000 China）

High voltage circuit breaker is the key safety control equipment of power system, and the loss caused by its failure is far more than its own value. The action of the circuit breaker involves the secondary electrical circuit control and the energy transmission process between mechanical components. Its complex structure and harsh operating environment are easy to cause electrical or mechanical failures. The control coil current and the vibration signal in the transmission process are effective characteristics for analyzing the abnormal operating state of the circuit breaker. In the process of fault classification of high-voltage circuit breakers using current vibration signals, the dimension of the original feature set is high, resulting in low recognition rate and degradation of classification performance. This paper proposes a clustering geometric sensitive feature optimization method suitable for high-dimensional and small samples.

Firstly, the time-frequency diagram of vibration signal processed by Wigner-Ville Distribution (WVD) is quantitatively characterized by generalized dimension spectrum and sensitive dimension. The time-frequency diagram reflects the energy difference of the circuit breaker vibration signal in the form of color scale. The generalized dimension spectrum and sensitive dimension quantitatively depict the local characteristics of the time-frequency diagram, and carefully capture the time-frequency changes. Secondly, using the mutation information of the coil current signal decomposed by singular value decomposition to extend the time history of the vibration signal, the original feature set of the electrical vibration joint multi symptom domain for the complete action process of the circuit breaker is constructed. Finally, the "coefficient of variation" is defined to describe the volatility of the characteristics in the samples within and between classes, the "reward function" is used to weight the characteristics of strong divergence between classes, and the optimal collection of clustering geometry under different fault types is obtained according to the optimization of feature sensitivity factors. The corresponding relationship between the fault types and the optimal feature set is clarified.

Taking ZN63-12 high-voltage circuit breaker as the research object, a fault simulation experiment platform is built. The experimental platform is used to simulate nine states of the circuit breaker, including normal, electrical fault, mechanical fault and compound fault. For each type of target state group, the feature sensitivity factor of a specific state group is calculated respectively, and the support vector machine (SVM) method is used to classify faults, and finally the optimal feature set under a specific fault type is selected. The experiment shows that: ①The original feature set of electrical vibration combined multi symptom domain in the complete action process of the circuit breaker can fully reflect the electrical fault, mechanical fault and compound fault of the circuit breaker. ②The optimization method of clustered geometric sensitive features is proposed to solve the problem of high-dimensional small samples of fault classification, and the optimal feature set for different fault types is scientifically screened through more comprehensive "rewards and punishments". ③The SVM method based on clustering geometric optimization feature set gives consideration to the accuracy of fault classification and computational performance, and has engineering application value.

High voltage circuit breaker, current-vibration combination, aggregation geometry, feature optimization, sensitive dimension

10.19595/j.cnki.1000-6753.tces.220639

TM561

劉會(huì)蘭 女，1986年生，博士研究生，工程師，研究方向?yàn)殡娏υO(shè)備故障診斷、智能電器監(jiān)測(cè)技術(shù)及分布式電源并網(wǎng)技術(shù)。E-mail：liuhuilan111@163.com（通信作者）

許文杰 男，1997年生，碩士研究生，研究方向?yàn)殡娏υO(shè)備在線監(jiān)測(cè)與故障診斷。E-mail: xuwenjie19784624@126.com

中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目（2021MS064）。

2022-04-23

2022-05-12

（編輯 李冰）