趙書濤，王亞瀟，李沐峰，孫會偉

(華北電力大學(xué) 電氣與電子工程學(xué)院,河北 保定 071003)

基于聲振聯(lián)合特征熵的斷路器故障診斷方法

趙書濤，王亞瀟，李沐峰，孫會偉

(華北電力大學(xué) 電氣與電子工程學(xué)院,河北 保定 071003)

針對斷路器機(jī)械故障復(fù)雜、診斷困難的現(xiàn)狀，提出了一種基于聲振聯(lián)合分析的斷路器故障診斷方法。利用小波包和特征熵理論對采集到的振動和聲音信號進(jìn)行分解和特征提取，故障狀態(tài)與正常狀態(tài)之間的差異由特征熵矩陣之間的偏差來反映。將形成的特征熵矩陣作為支持向量機(jī)的輸入特征向量，對斷路器的卡澀和螺絲松動故障進(jìn)行了分類識別，并與傳統(tǒng)的單一信號故障診斷方法進(jìn)行了比較。結(jié)果表明：以聲振聯(lián)合特征熵矩陣作為輸入的支持向量機(jī)，在分類的效果上明顯優(yōu)于單信號，更適合在斷路器故障識別中應(yīng)用。

支持向量機(jī)；斷路器；特征熵矩陣；單一信號；故障識別

0 引 言

斷路器作為電力系統(tǒng)中必不可少的保護(hù)和控制設(shè)備[1,2]，利用振動信號分析進(jìn)行故障診斷一直是科研人員研究的熱點問題。2001年胡曉光教授等提出基于小波變換的信號奇異性檢測理論處理振動信號，利用多層小波分解包絡(luò)的模極大值計算奇異性指數(shù)作為反應(yīng)故障診斷的特征參數(shù)[3]；2004年趙海龍等利用小波包-能量熵分析振動信號，利用各尺度上模極大值的傳遞性計算奇異性指數(shù)作為特征參數(shù)[4]。這些方法都是從振動信號中提取特征參數(shù)，然后通過神經(jīng)網(wǎng)絡(luò)分析斷路器狀態(tài)。但是在實際使用中會出現(xiàn)很多問題，如振動信號通常采用壓電式加速度傳感器采集，雖然靈敏度高，但在振幅較大時存在飽和現(xiàn)象，波形存在削頂現(xiàn)象，且電荷累積效應(yīng)會導(dǎo)致傳感器連續(xù)高頻沖擊失效[5]；神經(jīng)網(wǎng)絡(luò)的分類能力受樣本數(shù)量限制很大，訓(xùn)練耗時過長，容易陷入局部極值點，無法收斂[1]。

文獻(xiàn)[5]提出一種聲振聯(lián)合診斷方法，其中聲波信號的獲得采用非接觸式測量方式，安裝方便；而且聲音信號的測量頻帶寬，可以有效避免飽和和失效現(xiàn)象。如何利用聲音和振動信號的各自優(yōu)勢是診斷故障時要面對的問題。

斷路器帶電運(yùn)行中分合閘操作次數(shù)很少，導(dǎo)致可用于斷路器故障診斷樣本少。支持向量機(jī)[6-8]較神經(jīng)網(wǎng)絡(luò)相比，很重要的一個優(yōu)點是僅需少量學(xué)習(xí)樣本就可獲得較好的分類結(jié)果，適合于不能反復(fù)實驗獲取足夠多樣本數(shù)據(jù)的場合。

本文提出了一種聲振聯(lián)合分析斷路器故障診斷新方法，首先利用信號同源性將聲音和振動信號進(jìn)行時標(biāo)對位，再利用小波包，分解聲音和振動信號，分別提取信號的時域和頻域特征熵，形成反映斷路器現(xiàn)有狀態(tài)的特征熵矩陣，以特征熵矩陣作為支持向量機(jī)的輸入進(jìn)行分類。將分類結(jié)果與單一振動信號和單一聲音信號的分類結(jié)果進(jìn)行了對比。實驗結(jié)果表明，聲振聯(lián)合分析方法的準(zhǔn)確度較單一信號分析有了明顯提高。

1 聲振時標(biāo)對位

斷路器操作時產(chǎn)生劇烈的本體振動，并伴隨發(fā)出同源的聲波信號。聲、振傳感器安裝位置、信號傳播距離和傳輸介質(zhì)不同，通過同步采集卡獲得的聲振信號時間上有差異，聲音滯后振動信號ΔT,如圖1所示。

圖1 聲音滯后振動信號ΔT示意圖Fig.1 Sound lag vibration signal ΔT

利用聲音和振動信號在斷路器操作開始時發(fā)生劇烈變化的特點，運(yùn)用能量突變法和包絡(luò)線點斜率最大的特性尋找聲振信號畸變最大時間點，即斷路器動觸頭運(yùn)動起始時間。

將聲音振動信號按時間段等分為T0、T1、…、Ti，計算每段能量為E0、E1、…Ei，利用能量差的突變Ei-Ei-1找出發(fā)生畸變的時間段。取發(fā)生畸變的振動和聲音信號包絡(luò)線計算各點斜率，比較切線斜率之差，判斷具體起始時間點，則ΔT為聲音起始時間減去振動起始時間。將聲音信號提前ΔT與振動信號對齊。

2 特征參數(shù)的提取

將時標(biāo)對位后的信號進(jìn)行希爾伯特變換[9]：

(1)

式中：signal(t)為時標(biāo)對位后的信號，Hilbert(t)為時標(biāo)對位后信號的Hilbert變換，雖然Hilbert變換可以完全保留信號的各個特征，但數(shù)據(jù)量大時，存在耗時過長，不適用于在線監(jiān)測等實時性高的檢測系統(tǒng)。本文提出一種改進(jìn)的方案，來滿足實時性，又不損失太多信號特征。首先利用db3小波基將獲取到的聲音信號和振動進(jìn)行分解，并在第三層的8個節(jié)點上分別重構(gòu)節(jié)點信號；其次，將每個節(jié)點信號以每20點為一組，找出每組信號中極大值點，并以此構(gòu)成8個新的節(jié)點。將新形成的8個節(jié)點的信號做希爾伯特變換。如圖2和圖3所示，僅列出前四個節(jié)點的波形。

首先利用斷路器正常狀態(tài)的聲音、振動信號依公式(1)分別求取第三層各節(jié)點信號x(n)的希爾伯特變換。根據(jù)小波包特征熵的定義[1]，分別提取正常狀態(tài)信號小波包分解第3層的8個節(jié)點的小波包能量熵，組成時域狀態(tài)下的能量熵矩陣

圖2 小波包分解后的前四個節(jié)點Fig.2 The first four nodes of wavelet packet decomposition

圖3 小波包分解后前四個節(jié)點希爾波特變換Fig.3 Hilbert transform of the first four nodes wavelet packet decomposition

(2)

式中：Evi，i=0,1,2…,7和Esi，i=0,1,2…,7分別代表振動信號的能量熵向量和聲音信號能量熵向量。如果小波包分解層數(shù)較多，各節(jié)點所對應(yīng)頻段較窄，導(dǎo)致對振動頻率過于敏感；如果分解層數(shù)較少，各節(jié)點所對應(yīng)各頻段較寬，則其對振動頻率反應(yīng)遲鈍，不利于狀態(tài)的判斷。這里是在多次試驗的基礎(chǔ)上選擇了分解分層，獲得8個結(jié)點。

將分段后的各節(jié)點信號x(n)進(jìn)行離散Fourier變換為X(ω)，功率譜定義P(ω)=|X(ω)|2/N，變換后的功率譜為P={P1，P2，…，Pn}。經(jīng)過小波包分解的得到的各分量所處的頻段不同，其功率譜是各節(jié)點分量在各自頻段上的劃分，由能量守恒定律可知，各節(jié)點分量的平均能量為

(3)

式中:WPDi(n)為小波包分解各節(jié)點信號分量;N為WPDi(n)分量的長度

由此式可以定義功率譜熵為

(4)

功率譜矩陣為

(5)

時域能量熵和頻域功率譜熵分別反應(yīng)了各節(jié)點在時域和頻域上的特征情況，無法從時頻整體來進(jìn)行反映。時頻譜是一種可以反映信號幅值在整個頻率段隨時間和頻率變換的一個矩陣，包含著信號的大量特征。矩陣的奇異值是其固有屬性，對小波包變換的時頻譜進(jìn)行奇異值分解，求得空間熵為

3 實驗分析

本文選用由Chih-Chung Chang and Chih-Jen Lin開發(fā)的 LIBSVM (A Library for Support Vector Machines)工具箱[10]，它可以解決一對多分類和回歸等問題。由于斷路器本身的故障樣本較少，故支持向量機(jī)在運(yùn)行的過程中會將這些小樣本全部當(dāng)作支持向量。故在選取樣本時應(yīng)盡量選取典型信號，避免出現(xiàn)無法判斷的情況。

以ZN65-12真空斷路器做測試，振動傳感器安裝在斷路器外殼基座上，聲音傳感器安裝在距離斷路器外殼10 cm的固定基座上。在無負(fù)載的情況下，在與動觸頭剛性相連的聯(lián)動處使用物體卡住，模擬聯(lián)動軸卡澀故障；松動某相基座的螺絲釘，模擬基座螺絲釘松動狀態(tài)。以安裝在分合閘線圈上的電流傳感器作為采集信號的觸發(fā)信號，對以上兩種故障分別連續(xù)動作兩次，測得4組信號。

首先利用聲振同源性對齊振動和聲音信號，其次利用小波變換對采集到的數(shù)據(jù)進(jìn)行軟閾值去噪[4]處理，經(jīng)過多次試驗對比后聲音信號選取的閾值為0.1，振動信號選取閾值為0.4，去噪結(jié)果如圖4所示。按照第2節(jié)提到的熵概念，分別提取每節(jié)點信號的特征熵形成式(2)、(5)、(7)所示的熵矩陣。能量熵矩陣計算結(jié)果見表1和表2。

圖4 去噪后的正常狀態(tài)信號波形Fig.4 Sound and vibration signal denoising

觀察能量熵向量表可以發(fā)現(xiàn)，不同故障的不同信號在相同時間段所含有的能量是有較大差距的，故障1的信號1和2的振動信號在Ev2到Ev5都低于正常值，從Ev6開始接近正常值；而在聲音信號中表現(xiàn)為整體信號能量熵波動較正常信號大，起始能量熵值超過正常值，后在Es6段出迅速下落最后恢復(fù)正常。故障2的信號1和2的振動信號，整體處于比較平穩(wěn)的狀態(tài)，正常信號的在Ev5至Ev8的起伏較大；而聲音信號能量熵值較正常信號較大，且基本平穩(wěn)。使用LIBSVM支持向量機(jī)分析工具箱，在Matlab環(huán)境內(nèi)采用“one-against-one”策略將二分類向量機(jī)等效為多分類向量機(jī)，并以此來進(jìn)行樣本訓(xùn)練。將同一種狀態(tài)的振動和聲音信號作為兩種屬性輸入支持向量機(jī)，作為一種組合，其余狀態(tài)作為一種組合，形成三個支持向量機(jī)，最終結(jié)果由分類距離最大的向量機(jī)決定。向量機(jī)的輸入為15×16矩陣，訓(xùn)練目標(biāo)矩陣15×3。在目標(biāo)矩陣中定義轉(zhuǎn)動軸卡澀故障為1，基座螺絲釘松動為2，無故障為3。選擇徑向基函數(shù)作為核函數(shù)，gama=0.33 ,其他參數(shù)為默認(rèn)值，結(jié)果如表3所示。

為比較單信號和聲振信號聯(lián)合在故障診斷中的特性差別，同時列出使用相同的振動信號和聲音在同樣參數(shù)的LIBSVM進(jìn)行訓(xùn)練和測試，結(jié)果如表4和表5所示。

表1 振動信號能量熵

表2 聲音信號能量熵

表3 聲振信號聯(lián)合特征熵支持向量機(jī)部分樣本測試結(jié)果

表4 聲音信號支持向量機(jī)樣本測試結(jié)果

Tab.4 The test results of sound signal in support vector machine

SVM結(jié)果正常信號/總數(shù)故障信號1/總數(shù)故障信號2/總數(shù)樣本總數(shù)預(yù)測類型正確數(shù)量3/34/66/613/15正確率100%66 67%100%86 67%

表5 振動信號支持向量機(jī)樣本測試結(jié)果

Tab.5 The test results of vibration signal in support vector machine

SVM結(jié)果正常信號/總數(shù)故障信號1/總數(shù)故障信號2/總數(shù)樣本總數(shù)預(yù)測類型正確數(shù)量2/36/66/614/15正確率66 67%100%100%93 33%

表3、表4和表5耗時基本相同，但是從測試結(jié)果看，聲振聯(lián)合構(gòu)成屬性矩陣的支持向量機(jī)準(zhǔn)確性為100%，而振動信號構(gòu)成屬性矩陣的支持向量機(jī)準(zhǔn)確性為93.33%，聲音信號構(gòu)成屬性矩陣的支持向量機(jī)準(zhǔn)確性為86.67%。試驗結(jié)果表明，特征熵矩陣的提取十分有效，其形成的特征熵矩陣作為輸入變量比較容易分類，單一信號形成的特征矩陣分類效果較差。直接表明了基于聲振聯(lián)合特征熵矩陣的支持向量機(jī)具有優(yōu)異的性能，更加適合于斷路器故障診斷。

4 結(jié) 論

聲振聯(lián)合分析斷路器機(jī)械故障具有一定優(yōu)勢，支持向量機(jī)針對斷路器操作這種小樣本采樣數(shù)據(jù)更有效。本文基于小波包和能量特征熵理論，通過比較聲振聯(lián)合和單一信號對分類結(jié)果的影響，確定了聲振聯(lián)合作為輸入的支持向量機(jī)更加適用于斷路器的故障識別。

本文方法在應(yīng)用于工程實際時還需考慮：(1)特征熵提取所消耗的時間是否過長，能否用于實時在線檢測系統(tǒng)； (2)可以采用大量已知的樣本對支持向量機(jī)進(jìn)行測試和學(xué)習(xí)，提高泛化能力。

[1] 孫來軍，胡曉光，紀(jì)延超．基于支持向量機(jī)的高壓斷路器機(jī)械狀態(tài)分類[J]．電工技術(shù)學(xué)報，2006，21(8)：53—58．

[2] 吳振升，王瑋，黃梅，等．基于相空間重構(gòu)的高壓斷路器振動信號特征分析[J].現(xiàn)代電力，2006，23(1)：10-14．

[3] 胡曉光，戴景民，紀(jì)延超，等．基于小波奇異性檢測的高壓斷路器故障診斷[J]．中國電機(jī)工程學(xué)報，2001，21(5)：67-70．

[4] 孫來軍, 胡曉光, 紀(jì)延超. 改進(jìn)的小波包-特征熵在高壓斷路器故障診斷中的應(yīng)用[J]. 中國電機(jī)工程學(xué)報, 2007, 27(12): 103-108.

[5] 趙書濤, 張佩, 申路, 等. 高壓斷路器振聲聯(lián)合故障診斷方法[J]. 電工技術(shù)學(xué)報, 2014, 29(7): 216-221.

[6] 丁世飛,齊丙娟,譚紅艷. 支持向量機(jī)理論與算法研究綜述[J]. 電子科技大學(xué)學(xué)報,2011,40(1):2-10.

[7] 郭創(chuàng)新,朱承治,張琳,等. 應(yīng)用多分類多核學(xué)習(xí)支持向量機(jī)的變壓器故障診斷方法[J]. 中國電機(jī)工程學(xué)報,2010,30(13):128-134.

[8] 張學(xué)工. 關(guān)于統(tǒng)計學(xué)習(xí)理論與支持向量機(jī)[J]. 自動化學(xué)報,2000,26(1)：32-42.

[9] RUNDE M，OTTESEN G E，SKVBERG B，et al．Vibration analysis for diagnostic testing of circuit breakers[J]．IEEE Transactions on Power Delivery，1996，11(4):1816-1823．

[10] CHANG C C, LIN C J. LIBSVM: A library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2007, 2(3): 389-396.

Breaker Fault Diagnosis with Sound and Vibration Characteristic Entropy

ZHAO Shutao,WANG Yaxiao, LI Mufeng, SUN Huiwei
(School of Electrical and Electronic Engineering, North China Electric Power University, Baoding 071003, China)

Mechanical fault of breakers is complex and difficult for diagnosis. Fault diagnosis method of breaker based on sound and vibration analysis is proposed in this paper. The collected vibration and sound signal are decomposed and feature extraction of them has been done by wavelet packet and characteristic entrophy. Deviations of characteristic entrophy matrices demonstrate differences between fault state and normal state. Taking the characteristic entrophy matrix as the input feature vector of support vector machine (SVM), problems such as jamming and fault of loosed screw can be classified and recognized. And a comparison between the proposed method and single-signal fault diagnosis has been done. The results show that if sound and vibration characteristic entropy matrix are taken as the input SVM, it will do a better job in classification than single signal and it is suitable for fault recognition of breaker.

SVM; breaker; characteristic entropy matrix; single signal; fault recognition

2016-03-23.

10.3969/j.ISSN.1007-2691.2016.06.04

TM835

A

1007-2691(2016)06-0020-05

趙書濤 (1968-)，男，教授，研究方向為電氣設(shè)備在線監(jiān)測與故障診斷；王亞瀟 (1989-)， 男，碩士研究生，研究方向為電氣設(shè)備在監(jiān)測與故障診斷。