劉 艷，陳麗安

LIU Yan, CHEN Li-an

（廈門(mén)理工學(xué)院 福建省高電壓技術(shù)重點(diǎn)實(shí)驗(yàn)室，廈門(mén) 361024）

0 引言

高壓斷路器是電網(wǎng)中起保護(hù)和控制作用的重要電力設(shè)備，其運(yùn)行狀態(tài)和電網(wǎng)的穩(wěn)定息息相關(guān)，因此，對(duì)于斷路器的故障診斷有著重要意義[1]。其中，基于振動(dòng)信號(hào)的斷路器機(jī)械故障診斷已經(jīng)取得了較多成果，其故障特征提取方法包括：短時(shí)傅里葉變換提取特征量[2]；高階譜分析提取特征量[3]；小波包-特征熵提取特征量[4]；小波包特征節(jié)點(diǎn)最大系數(shù)提取特征量[5]；經(jīng)驗(yàn)?zāi)B(tài)分解能量熵提取特征量[6]；希爾伯特變換提取振動(dòng)信號(hào)零相位濾波時(shí)頻熵作為特征量[7]等。以上方法都僅提取振動(dòng)信號(hào)的一類特征量，為了綜合反映斷路器的機(jī)械運(yùn)行狀態(tài)，本文提出了使用兩種特征提取方法共同提取振動(dòng)信號(hào)特征，將不同特征的信息融合作為斷路器的故障診斷依據(jù)。此外，鑒于斷路器的某些故障（如：緩沖器失效）僅對(duì)斷路器的分閘過(guò)程產(chǎn)生影響，為了更好地對(duì)斷路器開(kāi)斷時(shí)的機(jī)械狀態(tài)進(jìn)行監(jiān)測(cè)，本文選取斷路器分閘過(guò)程的振動(dòng)信號(hào)作為特征樣本。

在人工智能算法的選取方面，目前常見(jiàn)的算法有：傳統(tǒng)神經(jīng)網(wǎng)絡(luò)（如BP神經(jīng)網(wǎng)絡(luò)）和支持向量機(jī)。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)雖然具有較好的泛化能力和抗噪性，但是訓(xùn)練時(shí)需要大量的樣本[8]，實(shí)際操作中斷路器不宜長(zhǎng)期在故障狀態(tài)下動(dòng)作，可獲取的故障狀態(tài)訓(xùn)練樣本不大，故傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不能滿足斷路器的小樣本分類；SVM支持向量機(jī)訓(xùn)練過(guò)程中有較多的參數(shù)需要設(shè)置[9]；小樣本分類算法中，SOM網(wǎng)絡(luò)訓(xùn)練樣本數(shù)少，需要確保訓(xùn)練樣本的典型性才能使網(wǎng)絡(luò)具有良好的泛化能力[10]。本文提出使用ELM極限學(xué)習(xí)機(jī)的人工智能網(wǎng)絡(luò)進(jìn)行分類，訓(xùn)練樣本數(shù)可根據(jù)具體情況設(shè)置，且該種網(wǎng)絡(luò)隨機(jī)產(chǎn)生隱含層神經(jīng)元閾值以及輸入層和隱含層之間的連接權(quán)值，訓(xùn)練過(guò)程中無(wú)需調(diào)整，學(xué)習(xí)效率快、泛化性能好[11]。通過(guò)實(shí)驗(yàn)驗(yàn)證，該種故障診斷方法具有良好的分類效果。

1 特征量的提取

1.1 Hilbert邊際譜能量

信號(hào)經(jīng)過(guò)HHT變換（Hilbert-Huang Transform，希爾伯特黃變換）可以得到瞬時(shí)頻率和瞬時(shí)幅值，即表示出信號(hào)完整的時(shí)間-頻率分布，進(jìn)一步將Hilbert譜對(duì)時(shí)間積分，得到Hilbert邊際譜，從統(tǒng)計(jì)學(xué)意義上表示出整個(gè)信號(hào)每個(gè)頻率點(diǎn)的積累幅值分布[12～14]。因此，Hilbert邊際譜更能反映非平穩(wěn)信號(hào)的特點(diǎn)。

能量是振動(dòng)信號(hào)的一個(gè)重要特征，能夠反映機(jī)械運(yùn)動(dòng)的狀態(tài)：機(jī)械部件發(fā)生變化時(shí)，振動(dòng)信號(hào)的各個(gè)頻率成分也會(huì)產(chǎn)生變化，而同一頻率帶內(nèi)信號(hào)能量的變化會(huì)更加明顯[15]。

Hilbert邊際譜總能量E(w)定義如下：

式(1)中，h(w)為信號(hào)的希爾伯特邊際譜，n為信號(hào)總長(zhǎng)度。由該式可知，Hilbert邊際譜能量將Hilbert邊際譜經(jīng)過(guò)平方處理，使得信號(hào)的強(qiáng)弱對(duì)比度進(jìn)一步增大，即高頻沖擊信號(hào)代表的信號(hào)成分更加強(qiáng)烈，比重更大；而噪聲產(chǎn)生的影響可進(jìn)一步削弱。

1.2 振動(dòng)信號(hào)的Hilbert邊際譜分析

正常狀態(tài)（T1）、緩沖器失效狀態(tài)（T2）、分閘不到位狀態(tài)（T3）和分閘彈簧失效狀態(tài)（T4）振動(dòng)信號(hào)的頻域分布如圖1～圖4所示。

圖1 正常狀態(tài)分閘頻域

圖2 緩沖器失效狀態(tài)分閘頻域

圖3 分閘不到位狀態(tài)分閘頻域

圖4 分閘彈簧失效狀態(tài)頻域

表1 斷路器四類狀態(tài)的頻域特點(diǎn)

取一組正常振動(dòng)信號(hào)進(jìn)行EMD分解，得若干組IMF（intrinsic mode function），不同的IMF代表原始信號(hào)中的不同頻率段，分別求前8組IMF各自的頻譜，如圖5所示。

圖5 IMF1～I(xiàn)MF8頻域

由圖5可知，斷路器分閘振動(dòng)信號(hào)分解得的IMF1至IMF8反應(yīng)了振動(dòng)信號(hào)由高頻段到低頻段的情況。結(jié)合前文可知，區(qū)分不同狀態(tài)下振動(dòng)信號(hào)頻域分布的成分主要集中在高頻段（IMF1～I(xiàn)MF4）信息，故選取IMF1、IMF2、IMF3、IMF4四組固有模態(tài)分量作為特征提取對(duì)象，以四組固有模態(tài)分量各自能量占4個(gè)能量總和的比例作為衡量頻率分布差異的方法。此外，為了有效區(qū)分正常狀態(tài)（T1）和分閘彈簧失效狀態(tài)（T4）這種分布比例具有相似性，幅值差異大的故障類別，將振動(dòng)信號(hào)總能量一同作為特征值。

1.3 振動(dòng)信號(hào)樣本庫(kù)的建立

表2列舉了正常狀態(tài)（T1）、緩沖器失效狀態(tài)（T2）、分閘不到位狀態(tài)（T3）以及分閘彈簧失效狀態(tài)（T4）下，12kV真空斷路器經(jīng)過(guò)多次實(shí)驗(yàn)得到的振動(dòng)信號(hào)特征量典型值。前四列數(shù)據(jù)依次代表振動(dòng)信號(hào)經(jīng)過(guò)EMD分解后得到的IMF1、IMF2、IMF3、IMF4四個(gè)固有模態(tài)分量各自能量占四組能量和的比例，第五列列舉了該樣本信號(hào)總能量。

將表2故障診斷知識(shí)庫(kù)里四種狀態(tài)的前4個(gè)特征值，即IMF1、IMF2、IMF3、IMF4四個(gè)固有模態(tài)分量能量占其能量和的各自比例的典型值整理成餅狀圖，如圖6所示；將四種狀態(tài)的第五個(gè)特征值，即振動(dòng)信號(hào)總能量整理成柱形圖進(jìn)行對(duì)比，如圖7所示。

圖6 四種狀態(tài)斷路器IMF1～I(xiàn)MF4能量比例

從圖6可看出，正常狀態(tài)（T1）、緩沖器失效狀態(tài)（T2）、分閘不到位狀態(tài)（T3）三種情況下，IMF1、IMF2、IMF3、IMF4四個(gè)固有模態(tài)分量能量占其能量和的各自比例具有明顯的區(qū)別；分閘彈簧失效狀態(tài)（T4）與正常狀態(tài)（T1）下的斷路器的IMF1、IMF2、IMF3、IMF4四個(gè)固有模態(tài)分量能量占其能量和的比例具有類似性。

圖7 四種狀態(tài)斷路器振動(dòng)信號(hào)總能量

圖7可知，四種狀態(tài)的總能量值相互存在差異，可以輔助IMF1、IMF2、IMF3、IMF4四個(gè)固有模態(tài)分量能量占其能量和的比例分布，對(duì)斷路器進(jìn)行機(jī)械故障診斷。

表2 故障診斷知識(shí)庫(kù)

2 ELM極限學(xué)習(xí)機(jī)

ELM網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示，其中ω代表輸入層與隱含層神經(jīng)元間的連接權(quán)值；β代表隱含層與輸出層神經(jīng)元間的連接權(quán)值。

圖8 典型單隱含層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.1 構(gòu)建ELM極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)

1）確定輸入層節(jié)點(diǎn)數(shù)和輸出向量

輸入層節(jié)點(diǎn)數(shù)與樣本的維數(shù)直接相關(guān)，與影響的特征數(shù)相同，本文提取的特征數(shù)據(jù)有5個(gè)：IMF1、IMF2、IMF3、IMF4四個(gè)固有模態(tài)分量能量占其能量和百分比以及振動(dòng)信號(hào)的總能量。待分類狀態(tài)有以下四類：正常狀態(tài)（T1）、緩沖器失效狀態(tài)（T2）、分閘不到位狀態(tài)（T3）以及分閘彈簧失效狀態(tài)（T4），故ELM網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)I=5×4=20個(gè)。輸出向量為四種狀態(tài)的分類標(biāo)簽：1、2、3、4分別代表正常狀態(tài)、緩沖器失效狀態(tài)、機(jī)構(gòu)卡澀狀態(tài)和分閘彈簧失效狀態(tài)。

2）確定隱含層節(jié)點(diǎn)數(shù)

隱含層節(jié)點(diǎn)數(shù)受到輸入輸出層節(jié)點(diǎn)數(shù)影響，節(jié)點(diǎn)數(shù)過(guò)少會(huì)影響訓(xùn)練精度；反之，訓(xùn)練次數(shù)過(guò)多則會(huì)使控制過(guò)程復(fù)雜化，導(dǎo)致訓(xùn)練結(jié)果不夠精確，一般取小于訓(xùn)練樣本數(shù)的正數(shù)作為隱含層節(jié)點(diǎn)數(shù)[16]。

2.2 極限學(xué)習(xí)機(jī)ELM網(wǎng)絡(luò)的訓(xùn)練

極限學(xué)習(xí)機(jī)ELM網(wǎng)絡(luò)的訓(xùn)練步驟如下[17]：

其中，xil～xi5分別為第i組振動(dòng)信號(hào)分解得IMF1、IMF2、IMF3、IMF4四個(gè)固有模態(tài)分量能量占其能量和的比例以及該振動(dòng)信號(hào)的總能量；yi為第i組特征量對(duì)應(yīng)的狀態(tài)類型。

2）設(shè)定初始隱含層節(jié)點(diǎn)數(shù)Q和訓(xùn)練樣本數(shù)量N，利用步驟1）中輸入的樣本訓(xùn)練ELM網(wǎng)絡(luò)，確定網(wǎng)絡(luò)的權(quán)重參數(shù)。

3）隨機(jī)選擇隱含層節(jié)點(diǎn)偏移值bi和輸入連接權(quán)值ai，因?yàn)殡[含層節(jié)點(diǎn)為可加性的，所以選擇sigmoid函數(shù)作為激活函數(shù)。

4）計(jì)算隱含層節(jié)點(diǎn)輸出矩陣H，按照公式：

將aibixi代入式(3)計(jì)算隱含層節(jié)點(diǎn)輸出矩陣H。

5）選取最小二乘估計(jì)的β=(HTH)-1HTT為迭代初始值，求得網(wǎng)絡(luò)的輸出權(quán)重βi。

6）將xi輸入已知權(quán)重參數(shù) (ai，bi，βi)的ELM網(wǎng)絡(luò)，得到訓(xùn)練結(jié)果Ti為：

計(jì)算訓(xùn)練樣本的輸出誤差為：

7）網(wǎng)絡(luò)訓(xùn)練根據(jù)輸出誤差來(lái)適當(dāng)增加或減少隱含節(jié)點(diǎn)數(shù)，尋求合適的隱節(jié)點(diǎn)數(shù)。當(dāng)誤差大于允許范圍就增加節(jié)點(diǎn)數(shù)，反之減少節(jié)點(diǎn)數(shù)。重復(fù)步驟3）～步驟7），直到訓(xùn)練樣本的誤差小于10%，訓(xùn)練完后，保存網(wǎng)絡(luò)的輸出權(quán)重。

3 故障診斷實(shí)驗(yàn)和結(jié)果分析

利用1.3節(jié)建立的振動(dòng)信號(hào)特征量知識(shí)庫(kù)里分閘過(guò)程的四個(gè)狀態(tài)（正常狀態(tài)、緩沖器失效狀態(tài)、分閘不到位狀態(tài)和分閘彈簧失效狀態(tài)）各選取30個(gè)樣本作為斷路器分閘過(guò)程故障診斷ELM網(wǎng)絡(luò)模型的訓(xùn)練樣本，訓(xùn)練樣本編號(hào)及分類標(biāo)簽如表3所示。結(jié)合2.1節(jié)設(shè)置的參數(shù)及2.2節(jié)ELM網(wǎng)絡(luò)的訓(xùn)練步驟，進(jìn)行分閘過(guò)程ELM網(wǎng)絡(luò)的訓(xùn)練，隨后利用訓(xùn)練所得ELM網(wǎng)絡(luò)模型對(duì)40組預(yù)測(cè)樣本進(jìn)行狀態(tài)分類，用于分類的預(yù)測(cè)樣本編號(hào)及期望分類標(biāo)簽如表4所示。

表3 分閘過(guò)程訓(xùn)練樣本編號(hào)及分類標(biāo)簽

表4 分閘過(guò)程預(yù)測(cè)樣本編號(hào)及期望分類標(biāo)簽

由2.1節(jié)知：隱含層節(jié)點(diǎn)數(shù)G受到輸入輸出層節(jié)點(diǎn)數(shù)影響，則通過(guò)對(duì)該參數(shù)的不同賦值，進(jìn)行對(duì)比分析。

圖9 Q=8時(shí)預(yù)測(cè)情況

圖10 Q=15時(shí)預(yù)測(cè)情況

圖11 Q=20時(shí)預(yù)測(cè)情況

圖12 Q=80 時(shí)預(yù)測(cè)情況

由圖9～圖12可知：當(dāng)隱含層神經(jīng)元個(gè)數(shù)得到恰當(dāng)賦值，如圖10中Q=15時(shí)，訓(xùn)練得到的ELM模型可以零誤差逼近所有訓(xùn)練樣本。然而，并非隱含層神經(jīng)元個(gè)數(shù)越多越好，如圖12所示，將隱含層神經(jīng)元個(gè)數(shù)增加至80，預(yù)測(cè)率反而大大下降。綜上可知，分閘過(guò)程使用的ELM網(wǎng)絡(luò)訓(xùn)練過(guò)程中，隱含層神經(jīng)元個(gè)數(shù)Q設(shè)置為15時(shí)，應(yīng)用樣本庫(kù)里的預(yù)測(cè)樣本可以達(dá)到100%準(zhǔn)確分類。

4 結(jié)束語(yǔ)

本文提出了一種基于振動(dòng)信號(hào)的高壓斷路器故障診斷的新方法，與現(xiàn)有的基于振動(dòng)信號(hào)的高壓斷路器故障診斷方法相比，該方法具有如下優(yōu)點(diǎn)：

1）提出了結(jié)合固有模態(tài)邊際譜能量比例和振動(dòng)信號(hào)總能量共同作為故障特征提取對(duì)象的信息融合診斷方法，更加全面反映斷路器的真實(shí)狀態(tài)。

2）采用極限學(xué)習(xí)機(jī)進(jìn)行故障分類，避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)需要龐大的數(shù)據(jù)信息作為訓(xùn)練樣本的需求，以及SVM支持向量機(jī)使用過(guò)程中需要設(shè)置眾多參數(shù)的不便。

經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，該方法對(duì)本文使用的樣本庫(kù)進(jìn)行分類，準(zhǔn)確率可以達(dá)到100%，具有良好的工程應(yīng)用價(jià)值。

[1]段傳宗,鄢志平,鄢志輝.高壓斷路器故障檢測(cè)與診斷技術(shù)[M].北京:中國(guó)電力出版社,2014:9-12.

[2]Hoidalen H.K.,Runde M.Continuous monitoring of circuit breakers using vibration analysis[J].IEEE Transactions on Power Delivery,2005,20(4):2458-2465.

[3]董越,肖登明.基于WP-AR模型的雙譜估計(jì)在高壓斷路器振動(dòng)信號(hào)處理中的應(yīng)用[J].高壓電器,2009,45(4):137-141.

[4]鐘建英,劉洋,林莘,等.基于振動(dòng)信號(hào)特征的高壓斷路器機(jī)械故障診斷技術(shù)研究[J].高壓電器,2013,49(9):49-54.

[5]孫來(lái)軍,胡曉光,紀(jì)延超.一種基于振動(dòng)信號(hào)的高壓斷路器故障診斷新方法[J].中國(guó)電機(jī)工程學(xué)報(bào),2006,26(6):157-161.

[6]黃建,胡曉光,鞏玉楠.基于經(jīng)驗(yàn)?zāi)B(tài)分解的高壓斷路器機(jī)械故障診斷方法[J].中國(guó)電機(jī)工程學(xué)報(bào),2011,31(12):108-113.

[7]常廣,王毅,王瑋.采用振動(dòng)信號(hào)零相位濾波時(shí)頻熵的高壓斷路器機(jī)械故障診斷[J].中國(guó)電機(jī)工程學(xué)報(bào),2013,33(3):155-162.

[8]胡漢梅,鮑亮亮,趙海軍.神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中典型算法研究[J].高壓電器,2008,44(3):217-220.

[9]張靜.基于SOM的變壓器故障診斷研究[J].電力學(xué)報(bào),2014,29(4):318-321.

[10]袁金麗,李奎,郭志濤,等.基于SVM與合分閘線圈電流參數(shù)的高壓斷路器機(jī)械故障診斷[J].高壓電器,2011,47(3):26-30.

[11]史峰,王小川.Matlab神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京:北京航空航天大學(xué)出版社,2010:297-300.

[12]韓清凱,于曉光.基于振動(dòng)分析的現(xiàn)代機(jī)械故障診斷原理及應(yīng)用[M].科學(xué)出版社,2010:81-82.

[13]褚福磊,彭志科,馮志鵬,等.機(jī)械故障診斷中的現(xiàn)代信號(hào)處理方法[M].科學(xué)出版社,2009:113-124.

[14]何正嘉,陳進(jìn),王太勇,等.機(jī)械故障診斷理論及應(yīng)用[M].高等教育出版社,2010:74-81.

[15]葉吉祥,胡海翔.Hilbert邊際能量譜在語(yǔ)音情感識(shí)別中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用,2014,50(7):203-207.

[16]齊鄭,張惠汐,饒志,等.基于極限學(xué)習(xí)機(jī)的多信息融合區(qū)段定位方法[J].電力系統(tǒng)保護(hù)與控制,2014,42(19):74-80.

[17]王小川,史峰,郁磊.MTLAB43個(gè)神經(jīng)網(wǎng)絡(luò)案例分析[M].北京:北京航空航天大學(xué)出版社,2013.