黃南天， 方立華， 王玉強(qiáng)， 趙振峰

(1. 東北電力大學(xué)電氣工程學(xué)院， 吉林省 吉林市 132012； 2. 國網(wǎng)冀北電力有限公司檢修分公司， 北京 102488)

基于局域均值分解和支持向量數(shù)據(jù)描述的高壓斷路器機(jī)械狀態(tài)監(jiān)測

黃南天1， 方立華1， 王玉強(qiáng)2， 趙振峰2

(1. 東北電力大學(xué)電氣工程學(xué)院， 吉林省 吉林市 132012； 2. 國網(wǎng)冀北電力有限公司檢修分公司， 北京 102488)

為滿足斷路器機(jī)械狀態(tài)監(jiān)測的高可靠性要求，彌補(bǔ)現(xiàn)有方法易將輕微故障及無訓(xùn)練故障樣本類型誤識(shí)別為正常狀態(tài)的不足，提出一種基于局域均值分解(LMD)能量熵和支持向量數(shù)據(jù)描述(SVDD)的高壓斷路器機(jī)械狀態(tài)監(jiān)測新方法。首先，利用LMD方法將斷路器振動(dòng)信號(hào)分解為一系列的PF(Product Function)分量，將各PF分量的包絡(luò)按時(shí)間等間隔分段，并提取各PF分量包絡(luò)的能量熵構(gòu)成特征向量；然后，采用正常狀態(tài)斷路器振動(dòng)信號(hào)的LMD能量熵向量訓(xùn)練SVDD分類器；最后，通過SVDD分類器對(duì)斷路器的機(jī)械狀態(tài)進(jìn)行判斷。實(shí)測信號(hào)實(shí)驗(yàn)證明，新方法比支持向量機(jī)(SVM)、BP神經(jīng)網(wǎng)絡(luò)(BPNN)等傳統(tǒng)多類分類方法有更好的狀態(tài)監(jiān)測效果。

高壓斷路器； 機(jī)械狀態(tài)監(jiān)測； 局域均值分解； 能量熵； 支持向量數(shù)據(jù)描述

1 引言

高壓斷路器在保證電能質(zhì)量和供電可靠性方面發(fā)揮著重要的作用，機(jī)械故障是影響斷路器可靠性的最主要原因[1-3]，對(duì)斷路器開展?fàn)顟B(tài)監(jiān)測及故障診斷的研究具有十分重要的意義。而狀態(tài)監(jiān)測作為故障診斷的基礎(chǔ)，可以提高斷路器故障診斷結(jié)果的可靠性。因此，必須對(duì)狀態(tài)監(jiān)測給予足夠的重視。

高壓斷路器在分合閘過程中產(chǎn)生的振動(dòng)信號(hào)蘊(yùn)含著豐富的機(jī)械故障信息，基于振動(dòng)信號(hào)的狀態(tài)監(jiān)測是高壓斷路器機(jī)械狀態(tài)監(jiān)測最有效的方法之一[3-7]。文獻(xiàn)[5]利用因子分析法對(duì)特征向量進(jìn)行降維后輸入支持向量機(jī)(Support Vector Machine, SVM)進(jìn)行故障分類; 文獻(xiàn)[6]對(duì)振動(dòng)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)，并將本征模態(tài)函數(shù)分量(IMF)能量比作為特征向量輸入神經(jīng)網(wǎng)絡(luò)開展分類；文獻(xiàn)[7]提出利用小波包和改進(jìn)特征熵處理振動(dòng)信號(hào)，并將提取的特征熵向量輸入BP神經(jīng)網(wǎng)絡(luò)(BP Neural Network, BPNN)實(shí)現(xiàn)故障分類，取得較好的效果。這些故障診斷方法能準(zhǔn)確地判別有訓(xùn)練樣本的故障類型，但未考慮到輕微故障類型和無訓(xùn)練樣本的新類型故障對(duì)故障診斷結(jié)果的影響，僅將正常樣本和3至4種常見故障類型樣本作為訓(xùn)練樣本，輸入到多類分類器進(jìn)行訓(xùn)練，之后開展故障分類。然而，傳統(tǒng)多類分類器對(duì)訓(xùn)練樣本表現(xiàn)出較大依賴性，需要大量故障樣本作為支撐。高壓斷路器機(jī)械故障種類繁多，且高壓斷路器動(dòng)作次數(shù)稀少，不可能通過實(shí)驗(yàn)得到全部故障類型，并且很多類型的故障樣本獲取成本較高，因而很難獲得包含所有故障類型的訓(xùn)練樣本，現(xiàn)有研究中均未將無訓(xùn)練故障類型作為分析對(duì)象[5-7]。由于缺乏訓(xùn)練樣本，傳統(tǒng)多類分類器很容易將一些訓(xùn)練樣本中不包含的故障類型誤識(shí)別為正常樣本; 另外，傳統(tǒng)多類分類方法的識(shí)別目標(biāo)是實(shí)現(xiàn)正常樣本與所有故障類型樣本的綜合識(shí)別準(zhǔn)確率最高，而把任何一個(gè)新樣本(無訓(xùn)練樣本)預(yù)測為大類就可以獲得很高的分類準(zhǔn)確率，從而容易將無訓(xùn)練樣本和輕微故障類型誤識(shí)別為正常狀態(tài)[4]。

傳統(tǒng)多類分類器對(duì)訓(xùn)練樣本的過度依賴，導(dǎo)致其狀態(tài)監(jiān)測能力有限。單類分類器只采用相對(duì)容易獲得的正常狀態(tài)樣本即可完成訓(xùn)練[8,9]，克服了傳統(tǒng)多類分類器對(duì)訓(xùn)練樣本過度依賴的缺陷，因此非常適合用來對(duì)斷路器進(jìn)行狀態(tài)監(jiān)測，即判斷斷路器工作狀態(tài)是否正?！，F(xiàn)有的單分類方法中，由David M. J. Tax[9]提出的支持向量數(shù)據(jù)描述(Support Vector Data Description, SVDD)具有算法復(fù)雜性低，適合對(duì)高維度、小樣本數(shù)據(jù)進(jìn)行處理的優(yōu)點(diǎn)，已經(jīng)成功應(yīng)用到狀態(tài)監(jiān)測領(lǐng)域[8]。

準(zhǔn)確的特征描述是斷路器機(jī)械狀態(tài)監(jiān)測的基礎(chǔ)?，F(xiàn)有時(shí)-頻分析方法中，小波變換(Wavelet Packet Transform， WPT)和EMD等方法常被用來提取故障特征向量。這兩種方法雖取得了不錯(cuò)的效果，但仍存在不足之處。小波分解不是自適應(yīng)的信號(hào)處理方法，且在小波基和分解尺度的選定上需要做進(jìn)一步的研究，分解過程中還會(huì)造成能量泄漏，影響分解結(jié)果[6]。EMD雖具有自適應(yīng)性，但易出現(xiàn)過包絡(luò)、欠包絡(luò)以及模態(tài)混疊等問題[10-14]，且通過Hilbert變換來獲取各IMF分量包絡(luò)時(shí)會(huì)出現(xiàn)加窗效應(yīng)，使解調(diào)結(jié)果出現(xiàn)較大誤差；過多的“篩分”次數(shù)會(huì)導(dǎo)致端點(diǎn)效應(yīng)，從而對(duì)整個(gè)數(shù)據(jù)段造成較大程度的污染[13]。這都會(huì)對(duì)特征提取產(chǎn)生嚴(yán)重的影響。

局域均值分解(Local Mean Decomposition，LMD)是J. S. Smith提出的一種自適應(yīng)信號(hào)分解方法，可將非平穩(wěn)信號(hào)自適應(yīng)地分解為若干單分量純調(diào)幅-調(diào)頻信號(hào)(即PF分量)之和[11-13]。LMD與EMD方法相比，具有迭代次數(shù)更少、抑制端點(diǎn)效應(yīng)、更加完整地保留信號(hào)信息等優(yōu)點(diǎn)。不同類型振動(dòng)信號(hào)的PF分量能量值具有顯著差異，而能量熵可對(duì)振動(dòng)信號(hào)的時(shí)-頻能量分布進(jìn)行定量描述，因此可以將LMD能量熵作為特征向量。

本文將LMD能量熵和SVDD理論相結(jié)合，提出一種高壓斷路器機(jī)械狀態(tài)監(jiān)測新方法。首先，用LMD方法將每一個(gè)原始信號(hào)分解為一系列的PF分量；之后，選取包含最有效故障信息的前5個(gè)PF分量，將各分量包絡(luò)按時(shí)間等間隔分成M段并計(jì)算LMD能量熵；最后，用正常狀態(tài)斷路器振動(dòng)信號(hào)的LMD能量熵作為訓(xùn)練樣本訓(xùn)練SVDD，并實(shí)現(xiàn)狀態(tài)監(jiān)測。通過實(shí)測信號(hào)實(shí)驗(yàn)，并與SVM和BPNN作對(duì)比來驗(yàn)證新方法的有效性。

2 LMD分解原理

LMD方法的實(shí)質(zhì)是將復(fù)雜的非平穩(wěn)信號(hào)由高頻到低頻自適應(yīng)分解成多個(gè)純調(diào)頻信號(hào)和包絡(luò)信號(hào)的乘積，即PF分量[11-13]，通過多次迭代，得到該非平穩(wěn)信號(hào)完整的時(shí)-頻分布。其分解過程如下[13]：

(1)找出待分解信號(hào)x(t)的所有極值點(diǎn)pi，并對(duì)任意兩相鄰極值點(diǎn)pi和pi+1取平均值，因此，第i段的平均值即局域均值可以表示為：

(1)

用直線將式(1)求得的第i段和第i+1段的局域均值連接起來，并通過滑動(dòng)平均法對(duì)其進(jìn)行平滑處理，從而獲得第一個(gè)局域均值函數(shù)m11(t)。

(2)第i段的包絡(luò)估計(jì)值可以表示為：

(2)

用與步驟(1)同樣的方法對(duì)獲得的包絡(luò)估計(jì)值進(jìn)行處理，得到第一個(gè)包絡(luò)估計(jì)函數(shù)a11(t)。

(3)把m11(t)從待分解信號(hào)x(t)中剔除，得到信號(hào)h11(t)：

(3)

(4)用h11(t)除以a11(t)，實(shí)現(xiàn)對(duì)h11(t)的解調(diào)，從而得到一個(gè)調(diào)頻信號(hào)s11(t)，即

(4)

重復(fù)步驟(1)和步驟(2)，對(duì)獲得的解調(diào)信號(hào)s11(t)求包絡(luò)估計(jì)函數(shù)a12(t)。如果a12(t)等于1，則說明解調(diào)信號(hào)s11(t)是一個(gè)純調(diào)頻信號(hào)；否則，需要把解調(diào)s11(t)作為待分解數(shù)據(jù)迭代步驟(1)～步驟(4)q次，直到獲得一個(gè)純調(diào)頻信號(hào)s1q(t)時(shí)迭代終止，此時(shí)包絡(luò)估計(jì)函數(shù)a1(q+1)(t)等于1。因此，有

(5)

式中

(6)

迭代終止條件為：

(7)

但在實(shí)際分解過程中，要完全滿足該迭代終止條件是不容易的，因此可設(shè)一個(gè)正增減量Δe，并使得a1q∈[1-Δe,1+Δe]時(shí)迭代終止。基于此判據(jù)，在保證分解精度的前提下，不僅使迭代次數(shù)減少，從而減輕端點(diǎn)效應(yīng)的影響，而且縮短了運(yùn)算時(shí)間。

(5)計(jì)算第一個(gè)PF分量的包絡(luò)信號(hào)a1(t)，也即PF分量的瞬時(shí)幅值：

(8)

將式(8)得到的包絡(luò)信號(hào)a1(t)與得到的純調(diào)頻信號(hào)s1q(t)相乘即可獲得待分解信號(hào)x(t)的第一個(gè)PF分量，即

(9)

PF1(t)是待分解信號(hào)頻率最高的單分量成分，它的瞬時(shí)頻率f1(t)可以通過式(10)求得：

(10)

(6)將PF1(t)從待分解信號(hào)x(t)中剔除，從而獲得一個(gè)新的信號(hào)u1(t)，將u1(t)作為待分解信號(hào)重復(fù)步驟(1)～步驟(4)分解過程，進(jìn)行d次循環(huán)，直到ud(t)的極值點(diǎn)不超過1個(gè)時(shí)循環(huán)終止，此時(shí)ud(t)稱為殘余量。這樣，待分解信號(hào)x(t)就被分解為d個(gè)PF分量和1個(gè)殘余量ud(t)，即

(11)

從LMD的分解結(jié)果可以看出，該方法未丟失信號(hào)的任何信息，可以將多分量的斷路器故障信號(hào)最終分解為若干單分量的調(diào)制信號(hào)，更加清晰地反映信號(hào)的內(nèi)在信息和局部特征，有助于通過分析振動(dòng)信號(hào)來實(shí)現(xiàn)高壓斷路器機(jī)械狀態(tài)監(jiān)測。

3 SVDD

SVDD作為一種單類分類方法，只用相對(duì)容易獲得的正常樣本即可完成分類器訓(xùn)練，判定是否發(fā)生故障。假設(shè){xl,l=1,2,…,n}為輸入空間的訓(xùn)練樣本集，n為樣本個(gè)數(shù)，SVDD的基本原理是在高維特征空間尋找一個(gè)球心為μ、半徑為R的超球體，并使該超球體包含盡可能多的目標(biāo)樣本(正常樣本)且體積最小[8,9]，如圖1所示。

圖1 SVDD原理圖Fig.1 Sketch of SVDD algorithm

為了允許訓(xùn)練樣本中存在異常值，引入變量ξl來懲罰背離超平面的異常點(diǎn)。SVDD可由式(12)來描述[8,9]：

(12)

式中，C用來實(shí)現(xiàn)錯(cuò)分樣本數(shù)量與超球體體積之間的平衡；φ為非線性映射，將輸入空間的樣本xl映射為高維特征空間的φ(xl)。

對(duì)式(12)求對(duì)偶形式得到最優(yōu)解，其形式為：

(13)

求解式(13)，對(duì)應(yīng)拉格朗日乘子αl>0的樣本xl即為支持向量。核函數(shù)K(xl,xk)=〈φ(xl),φ(xk)〉，表示特征空間中兩個(gè)向量的內(nèi)積。新方法采用徑向基高斯核函數(shù)，其形式為：

(14)

式中，σ為徑向基高斯核函數(shù)的寬度參數(shù)。

超球體的半徑R可由超球體球心μ到任意位于超球面上的樣本xs的距離來表示：

(15)

對(duì)任意待測斷路器樣本z(可能是已知類型，也可能是未知類型)，通過比較特征空間中球心到φ(z)的距離與半徑R的大小，即可判斷該樣本是否為正常樣本。決策公式為：

(16)

如果f(z)≤0，則說明該樣本落在超球體內(nèi)，為正常樣本，否則為故障樣本。

SVDD只用單類樣本(正常樣本)開展訓(xùn)練即可判定斷路器狀態(tài)，不受故障訓(xùn)練樣本缺失問題的影響。因此，SVDD更適用于開展斷路器狀態(tài)監(jiān)測。

4 特征提取與故障診斷流程

4.1 LMD能量熵

斷路器振動(dòng)信號(hào)的能量分布會(huì)隨著頻率的變化而發(fā)生變化。當(dāng)斷路器發(fā)生機(jī)械故障時(shí)，各PF分量中信號(hào)時(shí)-頻能量分布相較正常狀態(tài)振動(dòng)信號(hào)能量分布產(chǎn)生明顯變化。而能量熵可對(duì)振動(dòng)信號(hào)的時(shí)-頻能量分布進(jìn)行定量描述，因此可以將LMD能量熵作為特征向量。

首先將分解得到的PF分量的包絡(luò)按其時(shí)間特征平均分為M段，以刻畫延時(shí)類故障能量的微弱變化，并計(jì)算每段包絡(luò)的能量：

(17)

式中，a(t)為PF分量的包絡(luò)；i=1,2,…,M。對(duì)每段包絡(luò)信號(hào)的能量做歸一化處理得到：

(18)

根據(jù)能量熵的基本原理，定義第j個(gè)PF分量包絡(luò)的能量熵為：

(19)

4.2 故障診斷流程

(1)將采集到的振動(dòng)信號(hào)進(jìn)行LMD分解，獲得一系列的PF分量。

(2)選取包含故障狀態(tài)信息最多的前5個(gè)PF分量，將PF分量的包絡(luò)按等時(shí)間間隔分為M段；計(jì)算所選取的PF分量包絡(luò)的能量熵，獲得信號(hào)的LMD能量熵特征向量為F=[H1,H2,H3,H4,H5]。

(3)采集斷路器振動(dòng)信號(hào)作為待測樣本，按照步驟(1)和步驟(2)提取待測樣本的特征向量，并通過訓(xùn)練好的SVDD分類器判斷該待測樣本是否為故障樣本，從而實(shí)現(xiàn)狀態(tài)監(jiān)測。

5 實(shí)驗(yàn)數(shù)據(jù)來源與分析

本文將LW9-72.5型SF6高壓斷路器作為研究對(duì)象。采用CA-YD-182A型壓電式加速度傳感器和美國國家儀器(NI)公司的NI9234數(shù)據(jù)采集卡搭建振動(dòng)信號(hào)采集系統(tǒng)，信號(hào)采樣頻率為25.6kS/s。振動(dòng)信號(hào)采集系統(tǒng)如圖2所示。

圖2 振動(dòng)信號(hào)采集系統(tǒng)Fig.2 Vibration signal acquisition system

實(shí)驗(yàn)?zāi)M合閘線圈鐵心卡澀(故障I)、拐臂潤滑不足(故障II)和斷路器基座螺絲松動(dòng)(故障III)3種斷路器故障類型。其中，故障I和故障III為中等程度故障類型，故障II為輕微故障類型。正常狀態(tài)及3種故障狀態(tài)信號(hào)的振動(dòng)波形如圖3所示。

圖3 實(shí)測信號(hào)振動(dòng)波形Fig.3 Measured vibration signals waveform

5.1 基于LMD的信號(hào)分解方法

為了驗(yàn)證LMD分解方法的性能，取正常狀態(tài)振動(dòng)信號(hào)分別進(jìn)行EMD和LMD分解，兩種方法的分解結(jié)果如圖4所示。

圖4 LMD和EMD分解結(jié)果對(duì)比Fig.4 Comparison between decomposition results of LMD and EMD

從圖4的分解結(jié)果可以看出，LMD分解所得到的分量個(gè)數(shù)要少于EMD，從而避免出現(xiàn)若干個(gè)分解水平相近、含有類似特征信息的分量，保證分解的效率和精度。為了對(duì)LMD方法的分解效果進(jìn)行定量評(píng)定，以LMD和EMD分解同一振動(dòng)信號(hào)前后的能量變化(即分解前后信號(hào)的均方根有效值與原始信號(hào)的均方根有效值的關(guān)系)作為評(píng)價(jià)指標(biāo)評(píng)定兩種方法的分解效果[12]。評(píng)價(jià)指標(biāo)的公式為：

(20)

式中，θ表示分解前后原始信號(hào)的能量變化量，在此作為分解效果的評(píng)價(jià)指標(biāo)；RMSPFm、RMSu、RMSx分別表示PF分量、殘余分量ud以及原始信號(hào)x(t)的均方根有效值。其中原始信號(hào)x(t)的均方根有效值可以表示為：

(21)

式中，f表示采樣點(diǎn)數(shù)，f=1,2,…,T。

根據(jù)定義可知θ≥0，θ值越大，表明分解前后信號(hào)能量變化越大，分解結(jié)果受端點(diǎn)效應(yīng)的影響越大，分解精度也就越低。

取5組正常信號(hào)測試LMD和EMD的分解性能。表1給出了5組測試信號(hào)經(jīng)過LMD和EMD分解后所得分量個(gè)數(shù)、分解時(shí)間和評(píng)價(jià)指標(biāo)的平均值。

表1 LMD和EMD方法分解結(jié)果對(duì)比Tab.1 Contrast of LMD and EMD decomposition result

由表1可知，LMD方法分解得到的分量個(gè)數(shù)少于EMD，從而LMD方法分解的效率及精度高于EMD。從分解所需時(shí)間來看，LMD方法所需分解時(shí)間要少于EMD方法，這是由于EMD分解過程中每次迭代都通過三次樣條函數(shù)插值來擬合形成上下包絡(luò)線[10]，從而大大增加了時(shí)間開銷。從評(píng)價(jià)指標(biāo)來分析，LMD方法得到的θ值更小，即LMD分解前后信號(hào)的能量值變化更小，說明LMD方法可在一定程度上減輕端點(diǎn)效應(yīng)的影響。

5.2 LMD能量熵特征向量提取

首先對(duì)圖3的4種信號(hào)進(jìn)行LMD分解，得到一系列的PF分量，通常LMD方法分解得到的前幾個(gè)PF分量幾乎包含了原始信號(hào)的全部能量。故障時(shí)-頻特征主要體現(xiàn)在含有主要能量成分的PF，為此，本文以PF分量所含能量占原始信號(hào)能量的百分比(即能量比)為標(biāo)準(zhǔn)選取PF分量[11]。為增強(qiáng)實(shí)驗(yàn)結(jié)果的說服力，每種信號(hào)選擇5組，并計(jì)算各PF能量比的平均值。4種信號(hào)各PF的能量比分布如圖5所示。

圖5 4種信號(hào)各PF分量能量分布圖Fig.5 Energy distribution of PFs obtained from four types of signals

由圖5可以看出，4種斷路器振動(dòng)信號(hào)的前5個(gè)PF分量所含能量占原始信號(hào)能量的90%以上，因此選取每種信號(hào)的前5個(gè)PF分量；然后，根據(jù)實(shí)驗(yàn)分析，將各個(gè)PF分量的包絡(luò)信號(hào)按時(shí)間等間隔分成20段；最后通過式(17)～式(19)計(jì)算各PF分量包絡(luò)的能量熵，從而構(gòu)成能量熵特征向量。表2中僅列出對(duì)每種信號(hào)所提取的3組LMD能量熵特征。

表2 LMD能量熵向量Tab.2 Vectors of LMD energy entropy

從表2可以看出，同類樣本之間的熵值分布比較接近，而不同類樣本之間的熵值分布差別較大；正常狀態(tài)信號(hào)各PF分量的能量熵值分布比故障信號(hào)熵值分布均勻，這是因?yàn)閿嗦菲鞒霈F(xiàn)故障時(shí)，各機(jī)械結(jié)構(gòu)的振動(dòng)頻率會(huì)發(fā)生變化，故障信號(hào)在各頻帶的能量分布也會(huì)出現(xiàn)較大差異。因此，可以根據(jù)該LMD能量熵向量來判斷斷路器是否發(fā)生機(jī)械故障。

5.3 基于SVDD的機(jī)械狀態(tài)監(jiān)測

為驗(yàn)證本文所提出狀態(tài)監(jiān)測方法的有效性，將SVDD與常用的SVM、BPNN分類器的狀態(tài)監(jiān)測結(jié)果作對(duì)比，用狀態(tài)判別準(zhǔn)確率來反映3種方法區(qū)分正常與故障樣本的能力。實(shí)驗(yàn)中，采用20組正常狀態(tài)信號(hào)作為SVDD分類器的訓(xùn)練樣本，采用20組正常狀態(tài)信號(hào)以及鐵心卡澀(故障I)、基座螺絲松動(dòng)(故障III)故障樣本各20組作為SVM和BPNN分類器的訓(xùn)練樣本。為比較3種分類方法對(duì)無訓(xùn)練樣本類型的判別準(zhǔn)確率，機(jī)械潤滑不足(故障II)故障樣本僅作為測試樣本測試分類器性能而不用于訓(xùn)練分類器。另采集正常狀態(tài)和3種故障狀態(tài)樣本各10組作為測試樣本。3種方法的狀態(tài)監(jiān)測結(jié)果如表3和表4所示。

由表3和表4可以看出，對(duì)于有訓(xùn)練樣本類型和無訓(xùn)練樣本類型，SVDD的狀態(tài)判別準(zhǔn)確率都要高于SVM和BPNN。這是因?yàn)镾VDD僅僅以正常樣本為訓(xùn)練樣本，相較于傳統(tǒng)多分類器，SVDD狀態(tài)監(jiān)測結(jié)果不受無訓(xùn)練樣本的新故障類型影響，能準(zhǔn)確地將輕微故障類型和無訓(xùn)練故障樣本類型判別為故障狀態(tài)，可以滿足斷路器狀態(tài)監(jiān)測領(lǐng)域的高可靠性要求。但是，SVM、BPNN等傳統(tǒng)多類分類器雖然可以準(zhǔn)確識(shí)別有訓(xùn)練樣本的具體故障類型，但在識(shí)別無訓(xùn)練樣本的新故障類型方面具有明顯劣勢。因此，本文新方法更加適用于難以獲得全部故障類型訓(xùn)練樣本的實(shí)際電力系統(tǒng)斷路器狀態(tài)監(jiān)測領(lǐng)域。

表3 有訓(xùn)練樣本類型判別結(jié)果Tab.3 Discriminant results of patterns contained in training samples

表4 無訓(xùn)練樣本類型判別結(jié)果Tab.4 Discriminant results of patterns not contained in training samples

6 結(jié)論

本文提出一種基于LMD能量熵和SVDD的斷路器機(jī)械狀態(tài)監(jiān)測新方法。首先對(duì)斷路器振動(dòng)信號(hào)進(jìn)行LMD分解得到一系列PF分量，然后計(jì)算各PF分量包絡(luò)的能量熵，并以此作為特征向量訓(xùn)練SVDD，并用訓(xùn)練好的SVDD判斷設(shè)備狀態(tài)。通過實(shí)測信號(hào)實(shí)驗(yàn)證明，新方法具有以下優(yōu)點(diǎn)：

(1)新方法采用的LMD方法比EMD方法得到的模態(tài)數(shù)量少，分解速度快，并以分解前后信號(hào)的能量變化作為評(píng)價(jià)指標(biāo)，證明LMD方法的分解效率及分解精度更高，并能在一定程度上抑制端點(diǎn)效應(yīng)的影響。

(2)SVDD分類器克服了傳統(tǒng)多類分類器易將輕微故障樣本和無訓(xùn)練樣本誤識(shí)別為正常樣本以及對(duì)訓(xùn)練樣本要求高的缺陷，滿足斷路器機(jī)械狀態(tài)監(jiān)測的需要。

未來工作將集中于積累更多的實(shí)測振動(dòng)信號(hào)和SVDD參數(shù)改進(jìn)，以便進(jìn)一步提升新方法的狀態(tài)監(jiān)測能力，并為未來開展故障診斷積累數(shù)據(jù)。

[1] M Landry, F Léonard, C Landry, et al. An improved vibration analysis algorithm as a diagnostic tool for detecting mechanical anomalies on power circuit breakers [J]. IEEE Transactions on Power Delivery, 2008, 23 (4): 1986-1994.

[2] A A Razi-Kazemi, M Vakilian, K Niayesh, et al. Circuit-breaker automated failure tracking based on coil current signature [J]. IEEE Transactions on Power Delivery, 2014, 29 (1): 283-290.

[3] 常廣,王毅,王瑋 (Chang Guang, Wang Yi, Wang Wei). 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 (Mechanical fault diagnosis of high voltage circuit breakers utilizing zero-phase filter time-frequency entropy of vibration signal) [J]. 中國電機(jī)工程學(xué)報(bào) (Proceedings of the CSEE), 2013, 33 (3): 155-162.

[4] 黃南天,張書鑫,蔡國偉, 等 (Huang Nantian, Zhang Shuxin, Cai Guowei, et al.). 采用EWT和OCSVM的高壓斷路器機(jī)械故障診斷 (Mechanical fault diagnosis of high voltage circuit breakers utilizing empirial wavelet transform and one-class support vector machine) [J]. 儀器儀表學(xué)報(bào) (Chinese Journal of Scientific Instrument), 2015, 36 (12): 2773-2781.

[5] 程序, 關(guān)永剛, 張文鵬, 等 (Cheng Xu, Guan Yonggang, Zhang Wenpeng, et al.). 基于因子分析和支持向量機(jī)算法的高壓斷路器機(jī)械故障診斷方法 (Diagnosis method on the mechanical failure of high voltage circuit breakers based on factor analysis and SVM) [J]. 電工技術(shù)學(xué)報(bào) (Transactions of China Electrotechnical Society), 2014, 29 (7): 209-215.

[6] 繆希仁, 吳曉梅, 石敦義, 等 (Miao Xiren, Wu Xiaomei, Shi Dunyi, et al.). 采用HHT振動(dòng)分析的低壓斷路器合閘同期辨識(shí) (Switching synchronism identification of low voltage circuit breaker utilizing HHT analysis to vibration signal) [J]. 電工技術(shù)學(xué)報(bào) (Transactions of China Electrotechnical Society), 2014, 29 (11): 154-161.

[7] 孫來軍, 胡曉光, 紀(jì)延超 (Sun Laijun, Hu Xiaoguang, Ji Yanchao, et al.). 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 (Fault diagnosis for high voltage circuit breakers with improved characteristic entropy of wavelet packet) [J]. 中國電機(jī)工程學(xué)報(bào) (Proceedings of the CSEE), 2007, 27 (12): 103-108.

[8] G N Li, Y P Hu, H X Chen, et al. An improved fault detection method for incipient centrifugal chiller faults using the PCA-R-SVDD algorithm[J]. Energy and Buildings, 2016, 116: 104-113.

[9] D M J Tax, R P W Duin. Support vector domain description [J]. Pattern Recognition Letters, 1999, 20 (11-13): 1191-1199.

[10] 游子躍,王寧,李明明, 等 (You Ziyue, Wang Ning, Li Mingming, et al.). 基于EEMD和BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)齒輪箱故障診斷方法 (Method offan fault diagnosis of gearbox based on EEMD and BP neural network) [J]. 東北電力大學(xué)學(xué)報(bào) (Journal of Northeast Dianli university), 2015, 35(1): 64-72.

[11] H H Liu, M H Han. A fault diagnosis method based on local mean decomposition and multi-scale entropy for roller bearings [J]. Mechanism and Machine Theory. 2014, 75 (5): 67-78.

[12] 韓曉慧, 杜松懷, 蘇娟, 等 (Han Xiaohui, Du Songhuai, Su Juan, et al.). 基于局部均值分解的觸電故障信號(hào)瞬時(shí)參數(shù)提取 (Extraction of biological electric shock signal instantaneous amplitude and frequency based on local mean decomposition) [J]. 農(nóng)業(yè)工程學(xué)報(bào) (Transactions of the Chinese Society of Agricultural Engineering), 2015, 31 (17): 221-227.

[13] 李純子, 陳峰, 劉書成, 等 (Li Chunzi, Chen Feng, Liu Shucheng, et al.). 基于小波變換和LMD算法的變壓器振動(dòng)信號(hào)分析 (Analysis of transformer vibration signal based on wavelet transform and LMD algorithm) [J]. 電工電能新技術(shù)(Advanced Technology of Electrical Engineering and Energy), 2013, 32 (4): 69-73.

[14] Y Li, M Xu, R Wang, et al. A fault diagnosis scheme for rolling bearing based on local mean decomposition and improved multi-scale fuzzy entropy [J]. Journal of Sound & Vibration, 2016, 360: 277-299.

Machinery condition monitoring of high voltage circuit breakers based on local mean decomposition and support vector data description

HUANG Nan-tian1, FANG Li-hua1, WANG Yu-qiang2, ZHAO Zhen-feng2

(1. School of Electrical Engineering, Northeast Dianli University, Jilin 132012, China;2. Maintenance Branch, State Grid Jibei Electric Power Co. Ltd., Beijing 102488, China)

In order to overcome the existing shortage of misidentification for the minor fault states and the fault patterns without training samples, a new method based on local mean decomposition (LMD) energy entropy and support vector data description (SVDD) was proposed to satisfy the high reliability of the machinery condition monitoring of high voltage circuit breakers. Firstly, the vibration signal of high voltage circuit breaker was decomposed into a set of product functions (PFs) by LMD. The segmental envelop energy entropy of PF based on the method of equal time interval was extracted to form feature vectors. Secondly, the LMD energy entropy vector of normal state signal was used to train SVDD classifier. Finally, SVDD was used to judge the machinery condition of high voltage circuit breaker. The experimental results show that the new method achieved better effect of condition monitoring in comparison with traditional multi-class classifiers such as support vector machine and BP neural network.

high voltage circuit breaker; machinery condition monitoring; LMD; energy entropy; SVDD

2016-03-22

國家自然科學(xué)基金項(xiàng)目(51307020)、 吉林省科技發(fā)展計(jì)劃項(xiàng)目(20150520114JH)

黃南天(1980-)， 男， 吉林籍， 副教授， 碩導(dǎo)， 博士， 研究方向主要為電能質(zhì)量分析、 新能源并網(wǎng)技術(shù)及電力設(shè)備狀態(tài)監(jiān)測等； 方立華(1992-)， 男， 山東籍， 碩士研究生， 研究方向?yàn)殡娏υO(shè)備狀態(tài)監(jiān)測及故障診斷。

TM744

A

1003-3076(2017)01-0073-08