基于聲紋特征EMD提取的GIS斷路器機械故障診斷方法研究

中圖分類號：TM561 文獻標志碼：A doi：10.3969/j.issn.1006-0316.2025.08.011

文章編號：1006-0316（2025）08-0069-06

AGISCircuitBreakerMechanical FaultDiagnosisMethodBased on EMDExtractionof Voiceprint Features

GUOBin，DIAOWenzheng，WUXiaorui （SDEE Hitachi High-Voltage Switchgear Co.，Ltd.， Jinan， China）

Abstract ： The voiceprint signal of GIS circuit breaker usually has multiple frequency components and complex nonlinear characteristics.The direct analysis can only capture some of the features，thereby reducing the efficiency offault diagnosis.This paper proposes a GIS circuit breaker mechanical fault diagnosis method based on EMD extraction of voiceprint features.The GIS circuit breaker voiceprint signal is processed by EMD algorithm，and the complex signal is decomposed into multiple IMFcomponents.ThenRMS energyand linear discriminant analysisare used to extractkeyfeatures，and the feature set with the most eficient classification is selected bytheRelief-Falgorithm.Accordingly，the thresholdof edge diagnosis features is established，anda clasificationalgorithm model is introduced to evaluate the matching degree between the test samples and the known fault samples，so as to realize the mechanical fault diagnosis of GIS circuit breaker.The experimental results show that the proposed method can accurately match the actual diagnosis types among various simulated types of GIS circuit breaker mechanical fault. It also shows fast diagnosis speed under diferent fault severity， which significantly improves the diagnosis efficiency.

Keywords ：EMD decomposition i voiceprint features; feature extraction;GIS circuit breaker; fault diagnosis

隨著電力系統的不斷發展，高壓斷路器的機械故障診斷成為了確保電網穩定運行的關鍵環節。氣體絕緣開關設備（GasInsulatedSwitchgear，GIS）斷路器作為高壓斷路器的一種，其機械故障的診斷尤為重要[1-2]。然而，GIS斷路器內部結構的復雜性和故障信號的多樣性，使得其機械故障的診斷面臨諸多挑戰，眾多學者對此展開了研究。

例如，馬兆興等[3通過采集高壓斷路器振動信號，利用信號處理技術對信號進行分析和處理，從而實現對機械故障的診斷，然而由于振動信號易受到環境噪聲和其他干擾因素的影響，導致信號質量不穩定，進而影響了診斷的效率。駱佳樑等[4利用神經網絡的非線性映射能力和自學習能力，對故障特征進行提取和分類，但神經網絡模型的訓練需要大量數據支持，且對數據的依賴性強，導致在實際應用中診斷效率受到一定限制。朱斌等5通過分析高壓斷路器機械故障與各種影響因素之間的動態關系，建立灰色關聯模型，實現對機械故障的診斷，然而動態灰色關聯分析法的計算過程較為復雜，且對模型的參數設置較為敏感，這在一定程度上影響了診斷的效率。王國東等通過局部均值分解方法（LocalMeanDecomposition，LMD）分解得到信號的各個分量，并計算各分量的邊際譜能量熵，從而實現對機械故障的識別，但LMD分解結果的準確性易受信號質量的影響，導致了診斷效率的降低。

針對上述方法的不足，本文提出一種基于聲紋特征經驗模態分解（EmpiricalModeDecomposition，EMD）提取的GIS斷路器機械故障診斷方法。通過EMD算法對聲紋信號進行分解，并提取GIS斷路器的聲紋特征，從而實現對機械故障的快速準確診斷。

1基于EMD處理聲紋信號

GIS斷路器在操作過程中產生的聲紋信號包含豐富的機械狀態信息，但直接分析這些信號往往較為復雜且難以直接提取故障特征[7-8]。為了將復雜的聲紋信號分解為更易于分析和處理的成分，本文采用EMD方法對聲紋信號進行處理。

處理之前，為確保數據的高保真度與完整性，依據Nyquist采樣定理，選取不低于 16kHz 的采樣頻率，對GIS斷路器聲紋信號進行精確采樣，以避免潛在的采樣失真問題[9-10]。利用EMD方法對采集到的聲紋信號進行處理。

本征模態函數（Intrinsic Mode Function，IMF）分量篩選的迭代過程可以表示為：

h_k^（i+1）（t）=h_k^（i）（t）-b_k^（i）（t）

式中： h_k^（i）（t） 為第 k 個IMF分量在第 i 次迭代時的聲紋信號 ;b_k^（i）（t） 為 h_k^（i）（t） 上下包絡線的均值；t 為時間。

為確保IMF分量的有效性，引入標準偏差作為停止準則，用于評估篩分過程的收斂程度，其定義為：

式中： S_d 為標準偏差； N 為GIS斷路器離散聲紋信號序列的總時間長度。

當 S_d 小于某個預設的閾值時，認為篩分過程已經收斂，可以停止迭代。

經過多次迭代和篩選，EMD分解的最終結果可以表示為：

式中： x（t） 為GIS 斷路器原始聲紋信號； f_k（t） 為經過EMD分解后得到的IMF分量； d_n（t） 為余項； n 為IMF分量的個數。

至此，通過EMD方法，GIS斷路器原始聲紋信號的分解處理已完成，原始的復雜聲紋信號被分解為了多個IMF分量。

2提取聲紋信號特征

基于分解后的GIS斷路器聲紋信號，采用均方根（RootMeanSquare，RMS）能量作為關鍵時域特征，以全面捕捉聲紋信號的整體能量表現。計算為：

式中： R_RMS 為第 i 個本征模態函數的均方根能量 ;T 為GIS 斷路器聲紋信號的時間長度； I_i（t） 為第 i 個IMF在時間 Φ_t 上的值。

通過計算每個IMF的均方根能量值，能夠獲得GIS斷路器聲紋信號在不同頻率成分上的能量分布特征。為了深化對聲紋特征的理解，并進一步量化這些能量分布特征向量中各維度數據的分類效能，引入線性判別分析（LinearDiscriminantAnalysis，LDA）這一評估手段，計算為：

式中 ∴L_j 為聲紋特征向量第 j 維數據的LDA值；n_i 為第 i 類中的樣本數； c 為類別數； R_ki 為第 i 類中第 k 個樣本的第 j 維聲紋特征值； μ_ij 為第i 類中第 j 維聲紋特征的均值 為所有樣本中第 j 維聲紋特征的總體均值[11]。

選取LDA值較高的前 k 個維度數據，形成GIS斷路器聲紋特征數據集。在這一數據集中，應用Relief-F算法進行特征篩選，以提升特征提取的精確度和效率。Relief-F算法通過選代計算各特征的權重，能夠有效識別出對分類任務最具貢獻的特征子集[12-13]。特征權重的更新過程可以表示為：

W_f^（t+1）=W_f^（t）-ΔW_f^Hit+W_f^Miss

式中： W_f^（t） 和 W_f^（t+1） 分別為聲紋特征 f 在第 t 次和 t+1 次迭代后的權重； ΔW_f^Ht 為由于同類近鄰導致的聲紋特征權重變化量； W_f^Miss 為異類近鄰導致的聲紋特征權重變化量。

最終，通過Relief-F算法篩選，得到貢獻值最高的特征集合。這些特征即作為所提取的GIS斷路器聲紋信號特征。

3診斷GIS斷路器機械故障

為實現GIS斷路器的機械故障診斷，依據上述提取的聲紋信號特征，確立一個邊緣診斷特征閾值 D 該閥值作為區分GIS斷路器正常狀態與潛在機械故障狀態的關鍵特征指標，計算為：

式中： p 為經過量化處理的故障覆蓋單元數值；u 為GIS斷路器機械故障特征提取的迭代次數；Z 為調節不同機械故障特征對閾值設定的影響權重； a 為調整因子。

通過 D 值能夠有效評估GIS斷路器的當前狀態，進而判斷其是否處于正常運行范圍或已接近機械故障特征閾值。在此基礎上，為進一步實現對GIS斷路器故障的高精度診斷，引入分類算法模型，用以評估測試樣本與已知機械故障樣本之間的匹配程度。計算為：

P_ζ（G）=acxC₀y_G+b

式中： P₅（G） 為測試聲紋樣本與特定機械故障類別 G 的匹配程度； x 為測試聲紋樣本的特征向量； C₀ 為狀態表征矩陣； y_G 為機械故障類別 G 的已知故障樣本聲紋特征向量；a、 Ψ_c 為常數項；b 為偏置項。

當測試聲紋樣本與某一機械故障類別的匹配度達到預設的閥值時，即可判定該測試樣本為 GIS 斷路器的機械故障類別[14-15]。由此，完成了基于聲紋特征EMD提取的GIS斷路器機械故障診斷方法的研究。

4實驗

4.1實驗準備

選擇一套額定電壓為 126kV 、額定電流為3150A的GIS實驗裝置，并配備相關的實驗設備，具體參數如表1所示。

在實驗現場搭建實驗環境，模擬GIS斷路器的故障場景。現場部分設備布局如圖1所示。

4.2實驗場景設計

為了能夠全面診斷GIS斷路器的機械故障，設計了多種故障場景，以模擬不同類型的機械故障，如表2所示。

4.3實驗結果及分析

為了驗證研究方法的優越性，設計對比實驗，采用四種方法對GIS斷路器可能發生的多種機械故障類型進行診斷，如表3所示。

圖1實驗現場部分設備布局示意圖

表1GIS斷路器機械故障診斷實驗設備參數表

表2GIS斷路器機械故障診斷實驗故障場景表

表3對比實驗所用方法

模擬的故障類型與各方法所得出的實際診斷結果如圖2所示。

可以看出，本文方法能夠準確診斷出五種不同類型的機械故障，明顯優于另外三種方法。

這一優異表現主要是因為本文方法通過EMD算法對GIS斷路器的聲紋特征進行提取，能夠捕捉到故障發生時細微的聲學變化，從而實現對故障類型的精確區分與診斷。

圖2四種方法模擬故障類型與實際診斷類型對比結果

為了更全面地評估四種方法的性能，將五種故障類型放在一起同時進行模擬，并模擬不同故障嚴重程度的情況。實驗結束后，記錄四種方法的診斷速度，如圖3所示。

圖3四種方法在不同故障嚴重程度下的診斷速度對比

5結束語

可以看出，在不同的故障嚴重程度下，本文方法都能較快地診斷出GIS斷路器的機械故障。特別是在故障程度較輕時，本文方法仍能保持較快的故障診斷速度。

通過精確采樣GIS斷路器在操作過程中的聲紋信號，并結合EMD技術，將復雜的聲紋信號分解為多個本征模態函數分量，簡化了信號分析的過程。在特征提取階段，采用RMS作為關鍵時域特征，全面捕捉聲紋信號在不同頻率成分上的能量分布特征。并采用LDA和Relief-F算法，篩選出對分類任務最具貢獻的特征子集，提升特征提取的精確度。在故障診斷環節，確立了一個邊緣診斷特征閾值，引入分類算法模型，精確評估測試樣本與已知機械故障樣本之間的匹配程度，從而實現了對GIS斷路器故障的高精度診斷。

參考文獻：

[1]陳超.基于振動信號的斷路器機械故障診斷研究[J].傳感器世界，2024，30（3）：9-13.

[2]李可，姚忠遠，王梟，等.基于聲紋的GIS斷路器機械故障診斷[J].振動.測試與診斷，2023，43（5）：866-871.

[3]馬兆興，劉金鑫，李繼，等.基于振動信號分析的高壓斷路器機械故障診斷方法[J].湖南電力，2024，44（5）：124-130.

[4]駱佳樑，劉曉.基于神經網絡的10kV配網高壓斷路器機械故障診斷方法[J].中國高新科技，2024（16）：117-119.

[5]朱斌，陳昊，張若微，等．基于動態灰色關聯分析法的高壓斷路器機械故障診斷[J].東北電力技術，2024，45（4）：12-17.

[6]王國東，馬莉，李科云，等.基于LMD邊際譜能量熵的高壓斷路器機械故障診斷[J].儀器儀表與分析監測，2024（1）：17-22.

[7]夏加富，葉奕君，郭嘉俊，等.基于支持向量機與特征降維的直流斷路器機械故障診斷技術研究[J].高壓電器，2024，60（2）：51-61.

[8]丁順航，李先允，單光瑞，等，基于自適應濾波和采樣的 10kV

[9]常遠.基于EMD與神經網絡的配電網真空斷路器機械故障診斷[J].中國機械，2024（1）：96-98.

[10]付振晶，張超，王俊偉.基于聲學成像的GIS機械故障帶電作業檢測系統設計[J].電氣技術與經濟，2024（12）：96-99

[11]肖鵬斌，韋云清.基于改進S變換的高壓真空斷路器機械故障診斷方法研究[J].機械研究與應用，2023，36（6）：162-165.

[12]孫宇晨，李永剛，趙書濤，等.基于ICEEMDAN-RCMDE的高壓斷路器機械故障診斷方法[J].儀器儀表與分析監測，2023（4）： 1-7.

[13]王亞瀟.基于三維振動信號差異特征的斷路器故障診斷方法研究[J].儀器儀表與分析監測，2024（3）：11-14.

[14]彭彥軍，王璐，潘寧波，等.基于小波包能量譜與支持向量機的斷路器機械故障診斷[J].機電工程技術，2023，52（7）：159-163.

[15]萬書亭，郭胡森，豆龍江，等，基于電振聯合特征的高壓斷路器多故障診斷[J].電子測量技術，2024，47（20）：140-149.