陳　辰,厲小潤

(浙江大學 電氣工程學院,浙江 杭州 310027)

?

基于線圈電流分析的操動機構(gòu)故障診斷方法

陳辰,厲小潤

(浙江大學 電氣工程學院,浙江 杭州 310027)

摘要:提出一種貝葉斯更新和DS證據(jù)理論相結(jié)合的分合閘線圈電流分析方法。運用線圈模型提取線圈電流理想特征,與實際電流特征進行校正得到特征殘差,以補償環(huán)境對線圈電流的影響；利用歷史樣本數(shù)據(jù)和貝葉斯方法對各個特征殘差分布參數(shù)進行后驗估計,降低測量誤差的干擾；在后驗分布結(jié)果上,依據(jù)不確定性規(guī)則對概率進行分割,使用DS證據(jù)理論融合分割結(jié)果,實現(xiàn)操動機構(gòu)各類故障的有效評估.在實驗平臺上進行故障模擬與故障成因診斷實驗,結(jié)果表明：該方法在故障征兆發(fā)生的1～2次內(nèi)即可準確地識別出故障原因,說明改進方法能夠有效減少系統(tǒng)測量誤差帶來的影響,具有較強診斷的敏感性與分類準確性,為視情維修提供較可靠依據(jù).

關(guān)鍵詞：斷路器；操動機構(gòu)；故障診斷；貝葉斯更新；DS證據(jù)理論

操動機構(gòu)是斷路器系統(tǒng)中故障最為高發(fā)的部件[1-5],而分合閘線圈電流分析法則是一種廣泛用于斷路器操動機構(gòu)故障診斷的方法,該方法通過斷路器分合閘測試過程中采集到的操作線圈電流作為故障診斷的依據(jù),對斷路器的可靠性作出評估.與操動機構(gòu)機體震動分析[6-8]、傳動主軸位移分析[9-10]等其他方法相比,線圈電流采集無需大幅改動的機械結(jié)構(gòu)[11],在相對較低的改裝成本下有著較好的故障診斷表現(xiàn)，因此得到了許多國內(nèi)外學者們的關(guān)注.在診斷算法方面,Rao等[12]使用小波去噪和歐氏空間距離對比的方法實現(xiàn)了線圈故障的識別,但該方法不能判斷故障的具體類型.Razi-Kazemi等[13]則在大量線圈電流觀測的基礎上,分析了不同故障下的電流特征變化,制定了一系列的故障分類規(guī)則,實現(xiàn)了故障的分類,然而該方法只能在波形發(fā)生明顯畸變后對故障原因進行分析.Strachan等[14]采取了聚類方法和決策樹規(guī)則提取,實現(xiàn)了基于數(shù)據(jù)挖掘的故障診斷方法,但是該方法依賴大量故障樣本，在應用時容易受到繼路器樣本匱乏的制約.張弛[15]通過引入DS理論,對線圈電流特征進行了數(shù)據(jù)融合,實現(xiàn)了故障的融合推理,但該方法在證據(jù)測度分配過程中存在主觀過強的缺點.為彌補這一缺點,李海英等[16]提出了基于模糊-證據(jù)理論的診斷方法,取得了較好的診斷結(jié)果,然而模糊隸屬度函數(shù)的選擇在極大程度上影響著方法的可靠性.葛葆華[17]則從粗糙集的角度出發(fā),對線圈電流特征進行了屬性簡約,建立了最小診斷規(guī)則決策表,但其離散型的輸出結(jié)果依然不能滿足視情維修的需要.Guan等[18]為了解決視情維修對于數(shù)字型評價指標的需求,提出了將特征概率分布劃分為劣化、故障、正常等區(qū)域,并依據(jù)事件獨立的假設計算出各類故障的概率大小,實現(xiàn)了對故障風險的評估,但是依然存在線圈電流特征易受電壓輸入影響、特征數(shù)據(jù)間并非簡單的獨立關(guān)系的缺點,容易造成故障的誤判.

減少環(huán)境因素對于分合閘線圈電流的影響,從歷史數(shù)據(jù)中發(fā)掘反映故障的數(shù)據(jù)特征是分合閘線圈電流分析法研究的熱點.本文針對中壓真空斷路器彈簧操動機構(gòu)提出一種分合閘線圈電流分析方法.該方法首先利用分合閘線圈模型對電流特征進行校正,提取特征殘差；繼而通過貝葉斯更新,將歷史數(shù)據(jù)與斷路器先驗知識相結(jié)合,求取出樣本分布參數(shù)的后驗估計；最后通過DS證據(jù)理論,實現(xiàn)對貝葉斯參數(shù)估計結(jié)果的不確定性推理,提高算法在故障分類方面的可靠性.

1原理與模型分析

1.1分合閘線圈工作原理與電流分析

典型的分合閘線圈結(jié)構(gòu)如圖1所示.依據(jù)分合閘線圈的動作時序[19]可將其分為線圈勵磁階段、銜鐵運動階段、脫扣動作階段以及線圈斷路階段.

在不同工作階段下,分合閘線圈電流曲線的形狀也會隨之產(chǎn)生相應的變化,一個正常工作的分合閘線圈電流通常表現(xiàn)為如圖2所示的輪廓.

圖2　正常分合閘線圈電流-時間曲線Fig.2　Current-time curve of normal trip coil current

1.2分合閘線圈模型構(gòu)建

線圈電流輪廓分析法是利用被測線圈電流與正常電流波形模板間的形態(tài)差異來進行操動機構(gòu)故障判定的一種方法.除了斷路器本身故障會引起線圈電流形態(tài)上的變化以外,電流波形作為不穩(wěn)定的信號還容易受到輸入電壓、溫度等其他因素的影響.為了判定波形變化是由環(huán)境變動影響所造成的還是由于操動機構(gòu)自身故障引起的,可以通過數(shù)學建模的方式對分合閘線圈電流變化進行預測,以補償環(huán)境對于電流波形的影響.在工程應用的條件下,分合閘線圈模型可以近似等效為如圖3所示的電路圖[22].其中L(x)與R為分合閘線圈電感和等效電阻，Ll為線圈漏感,Rp線圈鐵損.由于線圈工作在低頻條件下,線圈寄生電容C對等效電路影響可以忽略不計.

圖3　分合閘線圈電路等效原理圖Fig.3　Simplified equivalent circuit diagram of trip coil

參考圖1坐標系以及圖3等效電路,在動力學體系下對分合閘線圈進行建模,其中拉格朗日方程為

(1)

分別寫出分合閘線圈系統(tǒng)在式(1)中的廣義能量形式,其中系統(tǒng)動能為

(2)

廣義勢能為

(3)

耗散能為

(4)

繼而將式(2)～(4)代入動力學方程式(1),對廣義坐標電量q和位移x求倒數(shù),簡化后即可得到分合閘電磁鐵的3階模型:

(5)

式中：qi為廣義坐標，Qi為廣義力，i為線圈電流，m為銜鐵質(zhì)量，k為彈簧系數(shù)，R為電阻.x0為銜鐵最大行程,F0為銜鐵的初始受力,v為銜鐵運動速度,b為摩擦黏滯系數(shù)；L(x)、Ll分別為分合閘線圈的自感與漏感.在圖1坐標系下,若銜鐵氣隙距離x減小,則L(x)逐漸變大.函數(shù)L(x)表達式可取電磁鐵自感計算公式[23]：

由于分合閘線圈電流波形剛性不明顯,對式(5)采取4級5階的Runge-Kutta法求解即可獲得較好的仿真曲線,圖4為求解的仿真波形和實測波形的對比,可見模型較好地還原了實際波形的形成原理.另外,根據(jù)實測的溫度和電壓變化,對模型中的電壓、電阻以及磁導率進行修正,即可對環(huán)境引起的波形變化進行預測.

圖4　實測線圈電流與模型仿真電流-時間曲線對比Fig.4　Comparison of current-time curves between real coil current and proposed model simulation results

2診斷算法

故障監(jiān)測數(shù)據(jù)存在偶然性,這是由于狀態(tài)監(jiān)測裝置的測量誤差以及信號噪聲所致.利用貝葉斯更新的方法對斷路器歷史數(shù)據(jù)進行參數(shù)分布的后驗估計[24],并在事件獨立的假設條件下對分合閘線圈實現(xiàn)失效風險評估,可以降低單次樣本偏差對于估計結(jié)果的影響.然而,該方法在實際應用中仍然存在一些問題.例如：當線圈輸入電壓、所處的環(huán)境溫度發(fā)生改變時,特征的參數(shù)估計結(jié)果也會隨之發(fā)生漂移,估計的失效概率也會隨之增加.另外,基于獨立假設的概率計算雖然能夠很好地給出各個故障的風險指標,為視情維修提供依據(jù),但是故障與特征間關(guān)系復雜,而獨立假設過于簡單,計算結(jié)果中經(jīng)常出現(xiàn)多類故障并發(fā)而難以斷定真正失效誘因的情況,因此并不適合作為故障分類的算法.

針對這些問題,改進算法如圖5所示,算法增加了特征殘差的提取步驟,通過對實際特征與理想特征作差,將差值作為新的分類特征的方式,來補償環(huán)境對于參數(shù)估計的影響.在貝葉斯參數(shù)估計的結(jié)果上,引入不確定性概率與推理方法,實現(xiàn)DS數(shù)據(jù)融合,以達到提高故障分類準確性的目的.因此本章將按照系統(tǒng)框架,分為特征殘差提取、貝葉斯更新、DS證據(jù)推理3部分予以闡述.

圖5　貝葉斯更新和DS證據(jù)理論相結(jié)合的診斷算法示意圖Fig.5　Outline of proposed fault detection algorithm based on combination of Bayesian updating and DS theory

2.1特征殘差提取

根據(jù)第1章中分合閘線圈電流形成的原理分析,電流信號的特征點往往集中在電流波形的極值點附近.然而并非所有極值點都適合作為故障診斷的特征點,例如圖2中點D雖然表現(xiàn)為波形電流極大值點,但是由于干擾信號的存在,時間特征tD在提取時的不一致性較強,不適合作為時間特征出現(xiàn).綜合考慮特征提取效果和特征代表性兩方面的因素,本文選取的基本特征如表1所示.其中，tA～tF對應圖2中點A～F的時間特征，IB、IC、ID為電流波形的幅值特征選取，其中I(tB)、I(tC)、I(tD)指tB、tC、tD時刻記得的電流.另外對于提取過程中大部分的干擾信號和波形畸變的問題,采取小波閾值去噪和多窗口定位的方法[25]即可取得良好的特征提取結(jié)果,這里不再詳述.

為了求取這些特征的殘差,分別對實際測量信號以及帶入實測環(huán)境參數(shù)的仿真波形(參考1.2節(jié)中線圈模型)進行特征提取,其差值即可作為故障診斷的特征數(shù)據(jù).具體原理框圖如圖6所示.

表1 電流波形特征點的選取與描述

圖6　電流特征殘差提取過程示意圖Fig.6　Extraction process of current feature residues

2.2貝葉斯更新

現(xiàn)有的大部分斷路器狀態(tài)監(jiān)測裝置都具有歷史數(shù)據(jù)存儲的功能,而貝葉斯更新的引入能夠有效利用歷史數(shù)據(jù)對樣本的真實分布情況進行后驗估計.考慮到斷路器在近期內(nèi)的多次分合閘測試中,電流特征可以被認為是短期平穩(wěn)分布的,因此對第i次測量到的特征殘差,其表達式如下：

(6)

(7)

式中:μ、σ的先驗分布取

(8)

根據(jù)式(6)的定義可以發(fā)現(xiàn),參數(shù)μ表示測量特征與預期特征之間的偏差,參數(shù)σ則表示測量噪聲εi的標準差.由于在故障分析中,故障的辨識需要對殘差偏離情況進行分析而非測量噪聲進行分析,所以只需對參數(shù)μ的邊界分布進行計算即可.μ的邊界分布如下式所示：

P(μ|R,σ)=∫P(μ,σ|R)dσ.

(9)

由于式(9)的邊界積分較難求取,可以采取Gibbs抽樣的方法對每個殘差分布參數(shù)μ的分布情況進行統(tǒng)計.

2.3DS證據(jù)推理

采用貝葉斯更新的目的是通過區(qū)域劃分的方式來獲取特征參數(shù)位于某些定義域上的概率大小.不同故障的發(fā)生會使得參數(shù)分布在這些定義域內(nèi)的概率產(chǎn)生相應變化,據(jù)此可以得到單個特征對于某種故障發(fā)生的概率評估,繼而將多種概率評估結(jié)果以獨立概率計算的方式進行相乘,從而得到線圈某種故障的風險預測.然而,這種方法忽略了各類特征與不同故障間相關(guān)性的差異,對概率事件的定義也是非黑即白,因此隨著乘積項的增多,概率乘積會以指數(shù)的形式迅速縮減,以致故障分類的準確度大幅下降.當采取DS證據(jù)融合作為推理算法時,由于在參數(shù)分布結(jié)果中加入了無證據(jù)測度的分配,緩解了多特征下概率融合困難的問題.對各個故障進行證據(jù)測度分配.主要過程分為下述4步來實現(xiàn).

1) 確定故障識別框架{θ0,θ1,θ2,…，θn}，其中θ0代表斷路器處于健康狀態(tài),θ1～θn為兩兩互斥的故障狀態(tài).

2) 根據(jù)故障θk在特征殘差Rk定義域上的表現(xiàn),劃分對應的證據(jù)測度區(qū)間，其中，k∈{1,2,…，n}.對于每個可識別故障θk,都有相應的識別區(qū)間為{Xk|Xk?R}.

3) 在特征殘差的貝葉斯更新估計結(jié)果下,計算各類故障的證據(jù)測度.其中,對于測度區(qū)間沒有重疊的區(qū)間,證據(jù)測度取

(10)

式中：{X|X?Xk,X?Xj,k≠j}.

對于測度區(qū)間存在重疊的區(qū)域,取證據(jù)測度為

(11)

式中：θa、θb、θc為重疊區(qū)域支持的故障類別:

{X|X=Xa∩Xb∩…∩Xc}.

對于定義域上沒有任何證據(jù)區(qū)間覆蓋的區(qū)域:

{X|X?X0∪X1∪…∪XN,X?R},

將其區(qū)間上的概率積分賦值給無信任測度mass({Θ}).P(x)即為式(9)中μ的概率分布,由于對μ的分布情況可以采用Gibbs抽樣法,不必直接求取概率分布的積分結(jié)果,各故障的證據(jù)測度可以采取如下方式進行計算:

(12)

4) 對分所有合閘線圈特征進行步驟2)與3)中的證據(jù)測度分配，將為故障識別框架Θ提供分類證據(jù)的所有特征值進行DS證據(jù)融合,根據(jù)融合證據(jù)大小確定當前操動機構(gòu)在故障識別框架下的狀態(tài)θk.

圖7　DS證據(jù)測度的分配示意圖Fig.7　Schematic of mass assignment for DS inference

針對各類特征對于分合閘線圈電流波形產(chǎn)生的影響,對表1中7種特征值證據(jù)測度的分配區(qū)間具體如表2所示.在選取故障識別框架時,診斷算法的選取方式以冪集的形式表示:Θ1={線圈電阻正常,線圈電阻偏大,線圈電阻偏小};Θ2={銜鐵阻力正常,銜鐵阻力異常};Θ3={銜鐵行程正常,銜鐵行程不足};Θ4={輔助開關(guān)正常,輔助開關(guān)異常};Θ5={分合閘機構(gòu)正常,分合閘機構(gòu)異常}.

表2　各特征殘差的證據(jù)區(qū)間分配表

(13)

式中：X、Y對應不同焦元,1/(1-κ)為歸一化因子.

判決采用基于概率賦值函數(shù)的決策方法,對于

m(A1)=max {m(Ai),Ai?Θ},

m(A2)=max {m(Ai),Ai?ΘandAi≠A1},

若存在:

(14)

則A1即為判決結(jié)果,其中ξ1、ξ2為預先設定的門限值.

3案例分析

良好的故障診斷算法不僅需要能夠準確還原出故障原因,還要在故障劣化的早期就能夠及時識別出故障.為了驗證算法在這兩方面的表現(xiàn),實驗通過對圖8中的實驗平臺進行故障模擬,并以基于獨立假設和基于模糊推理的2種診斷方法作為對比算法,來說明改進算法的優(yōu)勢.其中,分合閘線圈卡滯是操動機構(gòu)中最為常見也是最具代表性的故障之一,通常是由于線圈銜鐵銹蝕、頂桿變形或是線圈內(nèi)混入異物所致,最終發(fā)展為線圈不能觸發(fā)脫扣器以致分合閘失敗.由于判斷銜鐵阻力異常相對于其他故障需要融合的特征數(shù)據(jù)最多,計算最為復雜,而識別準確度相對于其他故障往往表現(xiàn)最差,因此在案例分析中選取線圈卡滯故障樣本作為診斷算法的輸入來進行說明.

圖8　故障模擬實驗測試平臺Fig.8　Experimental device for fault emulation

為了模擬卡滯故障發(fā)生的漸變過程,實驗測試平臺共采集了10組數(shù)據(jù).其中,前5組數(shù)據(jù)來自于正常樣本,此時操動機構(gòu)運作正常.從第6組數(shù)據(jù)開始,實驗在分合閘線圈內(nèi)部加入了黏性物質(zhì)來增加銜鐵運動阻力,以模擬銜鐵阻力異常的情況發(fā)生,其電流波形特征樣本如表3所示.

根據(jù)前文中征殘差的提取算法,表3中數(shù)據(jù)的殘差提取結(jié)果如圖9所示.圖中橫軸表示不同的特征種類,與表3中t1～ID相對應,縱軸則為實測特征與理想特征的殘差值.可以發(fā)現(xiàn),虛線表示的線圈卡滯樣本的特征與正常特征的差異主要集中在t1、t2以及IC上.但是,除了銜鐵卡滯可以引起這些特征值的變化,線圈電阻的變化和銜鐵行程不足同樣可以產(chǎn)生t1、t2以及IC的偏移,如果在數(shù)據(jù)融合過程中將這些殘差的偏離歸因于其它故障,則會造成故障的誤分類.

表3　銜鐵卡滯異常故障模擬特征數(shù)據(jù)

圖9　卡滯樣本與正常樣本特征殘差Fig.9　Residual error between normal samples and clamping stagnation samples

利用該組樣本,實驗對5種不同故障進行風險評估,結(jié)果如圖10所示.圖中N表示輸入樣本的次序,P為相應次序下對于該故障診斷框架下的可靠性評估.P取值越高,則對應發(fā)生相應風險的可能性就越?。幌喾?若曲線急劇下降,則說明很有可能發(fā)生了該故障.此外,除了給出基于獨立假設方法(對比方法1)以及基于模糊推理(對比方法2)的結(jié)果曲線外,改進方法采用了不確定性推理,因此不確定性概率輸出也以點虛線的形式在圖中給出.

圖10(a)是電阻識別框架下的診斷輸出.可以發(fā)現(xiàn)改進算法從第6次開始對線圈電阻處于正常狀態(tài)的概率估計出現(xiàn)了略微下降.但是其概率下降平緩且始終維持在0.7以上,診斷結(jié)果為線圈電阻處于正常狀態(tài).對比方法2雖然在第6次后同樣出現(xiàn)了略微下降,但是由于未采用貝葉斯參數(shù)估計,其估計結(jié)果容易受到測量干擾的影響,曲線發(fā)生了反復波動.另外對于對比方法1,可以觀察到其輸出結(jié)果并未出現(xiàn)較為明顯的下降,為了說明診斷中存在的問題,對比方法1和改進方法以第10項故障樣本作為輸入進行推理的結(jié)果如下.根據(jù)表4證據(jù)分配結(jié)果采用改進方法推理結(jié)果為

mt1⊕mt2⊕mID(電阻正常)=0.700 5.

采用比方法1的推理結(jié)果為

表4第10次樣本的電阻異常證據(jù)分配結(jié)果

Tab.410thmassassignmentresultsunderresistancerecognitionframework

特征m(正常)m(電阻偏大)m(電阻偏小)m(Θ)t10.1120.09500.793t20.0010.77400.226IC0.9090.00000.091

圖10　全部10次測試樣本在不同故障風險下的評估結(jié)果比較Fig.10　Comparison of assessment results between 10 times testing samples with different kinds of fault risks and algorithms

如圖10(b)所示是針對銜鐵阻力異常的診斷輸出.從第6次開始,3種方法對線圈銜鐵阻力處于正常狀態(tài)的概率估計均出現(xiàn)了不同程度的下降,而以改進方法表現(xiàn)最為明顯.相對于對比方法2,其診斷結(jié)論在抗干擾能力方面同樣具有優(yōu)勢.對于對比方法1，該方法以第10次故障樣本作為輸入的推理過程如下，說明該診斷輸出變化不明顯的原因.根據(jù)表5證據(jù)分配采用改進方法推理結(jié)果為

表5第10次樣本的銜鐵阻力異常證據(jù)分配結(jié)果

Tab.510thmassassignmentresultsunderclampingstagnationrecognitionframework

特征m(正常)m(銜鐵卡滯)m(Θ)t10.1170.7160.167t20.0010.8330.167IB0.4800.3480.172IC0.0520.8570.091

mt1⊕mt2⊕mIB⊕mID(阻力正常)=0.009.對比方法1的推理結(jié)果為

可以發(fā)現(xiàn),雖然表5中的特征都在證據(jù)上支持阻力異常的結(jié)果,但是由于異常乘積項的增多,導致對比方法1的異常概率乘積項偏小.這也是基于獨立假設的方法在多特征融合下的難題.改進方法較好地融合了多種特征,準確地還原了樣本故障的原因.

如圖10(c)所示是對電磁鐵行程的估計結(jié)果,雖然直觀上對比方法與改進方法的曲線較為接近,但是其診斷結(jié)論卻存在不同.由于對比方法1采取概率計算的方式,依據(jù)樸素貝葉斯分類規(guī)則,應當判定系統(tǒng)發(fā)生行程異常.值得注意的是,改進方法在正常概率下降的同時,其推理的不確定性概率也隨之上升,由于DS判決過程中需要滿足m(Θ)<ξ2這一條件,在判決過程中,改進方法所得到的診斷結(jié)論并非確定性結(jié)論,而是輸出可能發(fā)生電磁鐵行程不足的結(jié)論,以供檢修人員作為參考.如果需要進一步判斷該故障的發(fā)生,可以通過加裝并融合其他的傳感器(如：銜鐵吸合位置檢測傳感器)的信息來確定該故障的發(fā)生,由于文章主要是針對線圈電流進行分析,這里不再展開討論.如圖10(d) 、(e)所示則是對輔助開關(guān)以及分合閘異常風險評估的結(jié)果,由于測試樣本與這2種故障間并無直接性關(guān)聯(lián), 3種方法都具有良好的估計結(jié)果.

綜上實驗結(jié)果可以得出,改進算法不僅對于系統(tǒng)的測量噪聲具有很強的處理能力,而且在故障征兆發(fā)生的1～2次內(nèi)即可準確的識別出故障原因,具有較強診斷的敏感性與分類準確性,因而能夠在故障劣化的早期給出較為精確的診斷結(jié)論.

4結(jié)語

與基于模糊理論的方法相比,所提方法具有較低的知識依賴度,主觀程度較弱,信任分配無需構(gòu)造復雜的隸屬度函數(shù).與基于機器學習一類的故障診斷方法相比,由于可以借鑒專家對于先驗知識的認識,所提方法對于故障樣本的依賴程度較低,較為適合高壓斷路器這類可靠性要求較高而故障樣本又相對難以獲得的場合.在實踐應用中,該方法在融合過程中還可引入震動、位移、壓力等信號的特征,以實現(xiàn)更為全面、故障診斷準確程度更高的斷路器狀態(tài)監(jiān)測系統(tǒng).

參考文獻(References)：

[1]CIGREWorkingGroup13.06.Finalreportofthesecondinternationalenquiryonhighvoltagecircuitbreakerfailuresanddefectsinservice[R].Paris:InternationalCouncilonLargeElectricsystems, 1994．

[2]BOSMAA,THOMASR.Conditionmonitoringandmaintenancestrategiesforhigh-voltagecircuit-breakers[C] ∥SixthInternationalConferenceonAdvancesinPowerSystemControl,OperationandManagement.HongKong:IET, 2003: 191-196．

[3]SUWANASRIC,SUWNANSRIT,SRISONGKRAMW.AnalysisoffailuredatatodeterminethefailurepatternofHVcircuitbreakercomponents[C] ∥ 2014InternationalElectricalEngineeringCongress.Chonburi:IEEE, 2014: 1-4．

[4]ZHANGX,LEIBNIZU,ZHANGJ,etal.LifemanagementofSF6circuitbreakersbasedonmonitoringanddiagnosis[J].ElectricalInsulationMagazine, 2009, 25(3): 21-29.

[5]PAOLETTIG,BAIERM.FailurecontributorsofMVelectricalequipmentandconditionassessmentprogramdevelopment[C] ∥ 2001PulpandPaperIndustryTechnicalConference.Portland:IEEE, 2001: 37-47．

[6]DENNISSL,BRIANJL,ROBEM.Newfaultdiagnosisofcircuitbreakers[J].IEEETransactionsonPowerDelivery, 2003, 18(2): 454-459.

[7]BEATTIES.Circuitbreakerconditionassessmentbyvibrationandtripcoilanalysis[C] ∥IEEColloquiumonMonitorsandConditionAssessmentEquipment.Leatherhead:IET, 1996: 91-95．

[8]HINOWM,MEVISSENM.Substationmaintenancestrategyadaptationforlife-cyclecostreductionusinggeneticalgorithm[J].IEEETransactionsonPowerDelivery, 2011, 26(1): 197-204．

[9]RONGMZ,WANGXH,YANGW,etal.Mechanicalconditionrecognitionofmedium-voltagevacuumcircuitbreakerbasedonmechanismdynamicfeaturessimulationandANN[J].IEEETransactionsonPowerDelivery, 2005, 20(3): 1904-1909．

[10]GALATIA,ENELD,CHELIS,etal.ConditionbasedmaintenanceonMVcircuitbreakers[C] ∥ 20thInternationalConferenceandExhibitiononElectricityDistribution.Prague:IET, 2009: 1-4.

[11]HUANGXB,HEX.Designofanon-linemonitoringsystemofmechanicalcharacteristicsofhighvoltagecircuitbreakers[C] ∥2011InternationalConferenceonElectronics,CommunicationsandControl.Ningbo:IEEE, 2011:3646-3649.

[12]RAOPL,HUANGJ,HUXG,etal.Testingofcircuitbreakersusingcoilcurrentcharacteristicsanalysis[C] ∥IEEEInternationalConferenceonControlandAutomation.Christchurch:IEEE, 2009: 185-189．

[13]RAZIKAZEMIAA,VAKILIANM,NIAYESHK,etal.Circuit-Breakerautomatedfailuretrackingbasedoncoilcurrentsignature[J].IEEETransactionsonPowerDelivery, 2014, 29(1): 283-290．

[14]STRACHANSM,MCARTHURSDJ,STEPHENB,etal.Providingdecisionsupportforthecondition-basedmaintenanceofcircuitbreakersthroughdataminingoftripcoilcurrentsignatures[J].IEEETransactionsonPowerDelivery, 2007, 22(1): 178-186．

[15] 張弛. 高壓斷路器在線監(jiān)測與故障診斷系統(tǒng)研究[D]. 北京： 北京交通大學, 2007: 28．

ZHANGChi.Theresearchofon-linemonitoringandfaultsdiagnosisofhighvoltagecircuitbreaker[D].Beijing:BeijingJiaotongUniversity, 2007∶28．

[16] 李海英, 馮冬, 宋建成. 中壓真空斷路器的模糊—證據(jù)理論在線狀態(tài)評估模型 [J]. 高壓電氣, 2013, 49(1):40-45．

LIHai-ying,FENGDong,SONGJian-cheng.Fuzzy-DSevidencetheoryonlineassessmentmodelofMVvacuumcircuitbreaker[J].HighVoltageApparatus, 2013, 49(1):40-45．

[17] 葛葆華. 高壓斷路器狀態(tài)監(jiān)測與故障診斷[D]. 河北: 燕山大學, 2010: 12．

GEBao-hua.Highvoltagecircuitbreakerconditionmonitoringandfaultdiagnosis[D].Hebei:YanshanUniversity, 2010:12．

[18]GUANYF,KEZUNOVICM,DEHGHANIANP,etal.Assessingcircuitbreakerlifecycleusingcondition-baseddata[C]∥PowerandEnergySocietyGeneralMeeting.Vancouver:IEEE, 2013: 21-25．

[19]YANGZZ,XUJY.Monitoringandrecordingsystemofmechanicalcharacteristicsofhighvoltagecircuitbreaker[C] ∥InternationalConferenceonElectricPowerEquipment.Matsue:IEEE, 2013: 1-5．

[20] 董越.SF6高壓斷路器在線監(jiān)測及振動信號的分析[D]. 上海: 上海交通大學, 2008:19．

DONGYue.SF6highvoltagebreakeron-linemonitoringandvibrationsignalanalysis[D].Shanghai:ShanghaiJiaotongUniversity, 2008:19．

[21] 彭搏. 高壓斷路器在線監(jiān)測與故障診斷系統(tǒng)的研究[D]. 上海: 上海交通大學, 2013:29．PENGBo.Researchabouttheon-linemonitoringandfaultdiagnosissystemofhighvoltagecircuitbreaker[D].Shanghai:ShanghaiJiaotongUniversity, 2013:29．[22]HUXG,LVC.Researchontheconditionparametertesterofhighvoltagecircuitbreakers[C] ∥IEEEConferenceonIndustrialElectronicsandApplications.Singapore:IEEE, 2008: 2389-2393．

[23]LYSHEVSKISE.Electromechanicalsystems,electricmachines,andappliedmechatronics[M].BocaRaton:CRCPress, 1999: 71-73．

[24]NATTIS,KEZUNOVICM.Modelforquantifyingtheeffectofcircuitbreakermaintenanceusingcondition-baseddata[C]∥IEEEConferenceonPowerTech.Lausanne:IEEE, 2007: 1605-1610．

[25]JOHALH,MOUSAVIMJ.Coilcurrentanalysismethodforpredictivemaintenanceofcircuitbreakers[C] ∥TransmissionandDistributionConferenceandExposition.Chicago:IEEE, 2008: 1-7．

DOI:10.3785/j.issn.1008-973X.2016.03.017

收稿日期：2015-10-10.

基金項目：浙江省自然科學基金資助項目(LZ14F030004).

作者簡介：陳辰(1988-), 男, 碩士生, 從事故障診斷技術(shù)研究. ORCID: 0000-0003-4518-7959. Email: chenchen1988@zju.edu.cn 通信聯(lián)系人: 厲小潤, 男, 教授, 博導. ORCID: 0000-0002-4312-7533. Email: lxrly@zju.edu.cn

中圖分類號：TM 561

文獻標志碼：A

文章編號：1008-973X(2016)03-09-0527

Faultdiagnosismethodofcircuitbreakeroperatingmechanismbasedoncoilcurrentanalysis

CHENChen,LIXiao-run

(Institute of System Science and Control, Zhejiang University, Hangzhou 310027, China)

Abstract:A coil current analytical method for diagnosing circuit breaker (CB) operation mechanism malfunction was proposed based on the combination of Bayesian updating and Dempster/shafer (DS) theory. By obtaining ideal features of coil current from the coil model, the feature error was compensated with the comparison between ideal and real current features in order to offset the environment effect. On the purpose of reducing the influence of measurement error, the posteriori estimation was calculated with history sampling data for describing the distribution parameters of feature error by means of Bayesian updating. On the basis of posteriori distribution, the probability was segmented and fused by the way of uncertainty rules and DS methodology respectively,so that the malfunctions of operation mechanism can be assessed effectively. Experimented with the testing platform, malfunctions were simulated and diagnosed. The result illustrates that the proposed algorithm can quickly recognize fault within 1 to 2 times after the appearance of failure data,which means that the modified method can work against the impact of system measurement error effectively. The diagnosis and classification are sensitive and accurate, which provides maintenance with reliable basis．

Key words:circuit breaker, operating mechanism, fault diagnosis, Bayesian updating, Dempste/Shafer (DS) theory