耿蒲龍,宋建成,趙 鈺,高云廣,鄭麗君,呼守信

(1.礦用智能電器技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室(太原理工大學(xué))，山西 太原 030024; 2.煤礦電氣設(shè)備與智能控制山西省重點(diǎn)實(shí)驗(yàn)室(太原理工大學(xué))，山西 太原 030024; 3.中國(guó)煤炭科工集團(tuán) 太原研究院有限公司，山西 太原 030006)

基于SVM增量學(xué)習(xí)算法的煤礦高壓斷路器故障模式識(shí)別方法

耿蒲龍1,2,宋建成1,2,趙 鈺1,2,高云廣1,2,鄭麗君1,2,呼守信3

(1.礦用智能電器技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室(太原理工大學(xué))，山西 太原 030024; 2.煤礦電氣設(shè)備與智能控制山西省重點(diǎn)實(shí)驗(yàn)室(太原理工大學(xué))，山西 太原 030024; 3.中國(guó)煤炭科工集團(tuán) 太原研究院有限公司，山西 太原 030006)

高壓斷路器故障模式的準(zhǔn)確識(shí)別是礦井電網(wǎng)智能化發(fā)展過(guò)程中的重要支撐環(huán)節(jié)。針對(duì)高壓斷路器故障數(shù)據(jù)不易獲取且故障樣本較少的問(wèn)題，提出了一種支持向量機(jī)與增量學(xué)習(xí)算法相結(jié)合的故障識(shí)別方法，確定了以斷路器控制回路電流信號(hào)、電壓信號(hào)以及分合閘振動(dòng)信號(hào)為狀態(tài)監(jiān)測(cè)量，模擬了彈簧松動(dòng)、鐵芯卡澀、供電異常與線(xiàn)圈老化4種常見(jiàn)故障，提取了故障特征量并建立了故障數(shù)據(jù)樣本與增量學(xué)習(xí)數(shù)據(jù)樣本，采用支持向量機(jī)增量學(xué)習(xí)算法訓(xùn)練得到了故障識(shí)別模型，并利用新增數(shù)據(jù)樣本對(duì)其進(jìn)行了驗(yàn)證。結(jié)果表明：支持向量機(jī)增量學(xué)習(xí)算法可準(zhǔn)確識(shí)別上述4種常見(jiàn)故障，并可以通過(guò)對(duì)新增樣本的不斷學(xué)習(xí)進(jìn)一步提高識(shí)別精度。

高壓斷路器;特征提取;故障模式識(shí)別;支持向量機(jī);增量學(xué)習(xí)算法

高壓斷路器是礦井高壓配電裝置中重要的開(kāi)關(guān)設(shè)備，它能否可靠運(yùn)行將直接影響礦井電網(wǎng)的穩(wěn)定性和可靠性。因此，研究高壓斷路器的故障診斷、故障模式識(shí)別及壽命評(píng)估等方法顯得尤為重要[1-4]。

高壓斷路器故障種類(lèi)較多，對(duì)于不同類(lèi)型的故障，其診斷方法也有較大差別。近年來(lái)，已有不少智能診斷算法得到了應(yīng)用，例如遺傳算法、BP神經(jīng)網(wǎng)絡(luò)、聚類(lèi)分析、經(jīng)驗(yàn)?zāi)B(tài)分解、粒子群優(yōu)化、貝葉斯粗糙集和專(zhuān)家系統(tǒng)等[5-11]。遺傳算法具有良好的全局快速搜索能力，易與其他算法相結(jié)合，但對(duì)新空間的探索能力有限，編程復(fù)雜;神經(jīng)網(wǎng)絡(luò)算法需要大量的樣本作支撐，具有易陷入局部極小和訓(xùn)練時(shí)間長(zhǎng)等缺點(diǎn);經(jīng)驗(yàn)?zāi)B(tài)分解算法是一種自適應(yīng)的時(shí)頻信號(hào)分析法，已被廣泛用于非線(xiàn)性非平穩(wěn)過(guò)程，但存在模態(tài)混疊難題;聚類(lèi)分析具有方法簡(jiǎn)明、直觀(guān)等優(yōu)點(diǎn)，但容易陷入局部最優(yōu);當(dāng)構(gòu)建基于知識(shí)的系統(tǒng)時(shí)，專(zhuān)家系統(tǒng)被認(rèn)為是最好的選擇，但需要豐富的專(zhuān)家經(jīng)驗(yàn)和知識(shí)庫(kù)做基礎(chǔ)?？傊鲜龇椒ㄐ枰^大數(shù)量的樣本或經(jīng)驗(yàn)做基礎(chǔ)，而針對(duì)礦用高壓斷路器而言，它內(nèi)置于高壓配電裝置的防爆外殼這一特殊工況環(huán)境中，且存在故障數(shù)據(jù)不豐富、典型故障樣本不易獲取等客觀(guān)原因，上述方法的適用性及準(zhǔn)確性還有待進(jìn)一步驗(yàn)證。因此，泛化能力強(qiáng)且適合小樣本訓(xùn)練的支持向量機(jī)算法，以及適用于在新增故障樣本中發(fā)掘新增故障特征的增量學(xué)習(xí)等算法在斷路器故障診斷方面有著廣泛的應(yīng)用前景。

針對(duì)高壓斷路器控制回路中的彈簧松動(dòng)、鐵心卡澀、供電異常與線(xiàn)圈老化等4種常見(jiàn)故障，依據(jù)故障機(jī)理確定了故障監(jiān)測(cè)參量為控制回路的電流與電壓信號(hào)以及分合閘振動(dòng)信號(hào)，提取了故障特征量并建立了故障數(shù)據(jù)樣本，得到了基于支持向量機(jī)增量學(xué)習(xí)算法的故障識(shí)別模型，實(shí)現(xiàn)了對(duì)上述4種故障的準(zhǔn)確識(shí)別。

1 支持向量機(jī)增量學(xué)習(xí)算法

1.1 SVM基本原理

SVM為建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的一種數(shù)據(jù)分類(lèi)方法，主要適用于小樣本情況下得到最優(yōu)解，以及避免陷入局部最小化與不收斂等情況[12]。高壓斷路器故障樣本較少，屬于小樣本情況，支持向量機(jī)在處理小樣本數(shù)據(jù)的模式識(shí)別具有良好的學(xué)習(xí)泛化能力，而且算法本身針對(duì)的是二分類(lèi)問(wèn)題，適合于進(jìn)行多種故障類(lèi)別的判斷。

SVM分類(lèi)的基本原理是[13]：尋找滿(mǎn)足分類(lèi)要求的最優(yōu)分類(lèi)超平面，使得該平面在保證分類(lèi)精度的同時(shí)，超平面兩側(cè)的空白區(qū)域最大。

設(shè)線(xiàn)性可分訓(xùn)練樣本集為

T={(x1，y1)，…，(xn，yn)}

其中,xi∈Rn，yi∈{1，-1}為類(lèi)別標(biāo)號(hào)。如果樣本集可分，則存在超平面：

使得訓(xùn)練樣本中的正類(lèi)輸入和負(fù)類(lèi)輸入分別位于該超平面兩側(cè)，其中,w為超平面法向量;b為偏置;(x·y)表示x與y的內(nèi)積，即存在著參數(shù)對(duì)(w，b)，使得：

本文采用的SVM模型為C-SVC(C-Support Vector Classification)。其原理是引入松弛因子ξ及懲罰因子C，用于對(duì)錯(cuò)分樣本懲罰程度的控制，實(shí)現(xiàn)在算法復(fù)雜程度和錯(cuò)分樣本比例之間的平衡。求最優(yōu)分類(lèi)面問(wèn)題可以轉(zhuǎn)化為下面的二次規(guī)劃問(wèn)題：

約束條件為

上述理論針對(duì)的是線(xiàn)性可分系統(tǒng)，對(duì)于線(xiàn)性不可分的情況，SVM的思想是通過(guò)核函數(shù)將輸入向量映射到一個(gè)高維特征空間中，然后在該特征空間中構(gòu)造最優(yōu)分類(lèi)超平面。

將x從輸入空間Rn映射到特征空間H，有

x→φ(x)=(φ1(x),φ2(x),…,φN(x))T

得到的最優(yōu)分類(lèi)函數(shù)為

上述問(wèn)題中，無(wú)論是決策函數(shù)還是目標(biāo)函數(shù)，都只是涉及到訓(xùn)練樣本之間的內(nèi)積運(yùn)算，避免了復(fù)雜的高維運(yùn)算。定義核函數(shù)為

只要選取適當(dāng)?shù)膬?nèi)積核函數(shù)實(shí)現(xiàn)從低維空間到高維空間的映射，就可以實(shí)現(xiàn)低維非線(xiàn)性問(wèn)題的線(xiàn)性分類(lèi)。核函數(shù)的選取沒(méi)有統(tǒng)一原則，本文結(jié)合實(shí)際情況選擇徑向基函數(shù)(Radial Basis Function，RBF)作為核函數(shù)，即

1.2 基于SVM的增量學(xué)習(xí)算法

現(xiàn)有的增量學(xué)習(xí)算法大多采用神經(jīng)網(wǎng)絡(luò)和決策樹(shù)算法實(shí)現(xiàn)，這些算法由于缺乏對(duì)訓(xùn)練數(shù)據(jù)有選擇地遺忘淘汰機(jī)制，容易出現(xiàn)訓(xùn)練數(shù)據(jù)過(guò)量匹配和降低分類(lèi)精度的問(wèn)題。而基于SVM的增量學(xué)習(xí)算法的優(yōu)點(diǎn)主要體現(xiàn)在以下兩方面[14]：首先，無(wú)需保存歷史數(shù)據(jù)，大大減小了存儲(chǔ)空間;其次，充分利用了歷史訓(xùn)練結(jié)果，顯著減少了后續(xù)的訓(xùn)練時(shí)間，提高了分類(lèi)精度。

基于SVM的增量學(xué)習(xí)問(wèn)題可描述如下：

(1)前提條件：存在歷史數(shù)據(jù)集A、增量樣本B，并假定這兩個(gè)數(shù)據(jù)集滿(mǎn)足條件A∩B=Φ，ψ1和SVa分別為數(shù)據(jù)集A上的初始SVM分類(lèi)器以及對(duì)應(yīng)的支持向量集。

(2)學(xué)習(xí)目標(biāo)：尋找基于樣本集合A∪B上SVM分類(lèi)器ψ和對(duì)應(yīng)的支持向量集SV。

基于SVM的增量學(xué)習(xí)算法的基本思想如圖1所示，具體步驟如下：

圖1 增量學(xué)習(xí)流程Fig.1 Chart of the incremental learning

(1)訓(xùn)練初始樣本，得到分類(lèi)器ψ1和支持向量集SVa。

(2)利用分類(lèi)器ψ1訓(xùn)練新增樣本得到錯(cuò)分樣本集E。

(3)訓(xùn)練SVa與E得到新的分類(lèi)器ψ2和支持向量集SVb。

(4)取SVa與SVb的并集作為新的訓(xùn)練集，對(duì)錯(cuò)分樣本重新訓(xùn)練，直到?jīng)]有錯(cuò)分樣本為止。

(5)得到最終的分類(lèi)器ψ與支持向量集SV。

2 故障特征提取

本文以礦用高壓配電裝置中常用的ZNY1-10(6)/630-12.5型永磁操作機(jī)構(gòu)高壓真空斷路器為研究對(duì)象，其永磁機(jī)構(gòu)控制回路通過(guò)電壓互感器從主回路獲取電能，并通過(guò)開(kāi)關(guān)電源將交流電轉(zhuǎn)換為直流電(155 VDC)為電容儲(chǔ)能。特征提取作為故障模式識(shí)別的重要環(huán)節(jié)，提取的特征量要求能夠全面、準(zhǔn)確地反映斷路器實(shí)際故障，并且各特征量之間盡量避免信息冗余[15-16]。斷路器控制回路電流信號(hào)與電壓信號(hào)以及斷路器振動(dòng)信號(hào)特征量的提取方法如下所述。

2.1 控制回路信號(hào)特征提取

當(dāng)控制回路線(xiàn)圈中通有瞬間大電流時(shí)，動(dòng)鐵芯在電磁力作用下動(dòng)作，使斷路器合閘或分閘。線(xiàn)圈電流與電壓信號(hào)中包含著豐富的狀態(tài)信息，能夠反映出電磁鐵本身及其所控制的連桿機(jī)構(gòu)和觸頭在分合閘過(guò)程中的工作狀態(tài)。它們屬于時(shí)域信號(hào)，信號(hào)曲線(xiàn)上的拐點(diǎn)時(shí)刻與斷路器從一個(gè)狀態(tài)向下一狀態(tài)的過(guò)渡時(shí)刻相對(duì)應(yīng)，這一過(guò)渡階段從曲線(xiàn)上可以明顯反映出斷路器運(yùn)行狀態(tài)，相應(yīng)的特征提取方法在多篇文獻(xiàn)中都得到論證[14,17]。本文選取線(xiàn)圈電流與電壓信號(hào)曲線(xiàn)拐點(diǎn)處的坐標(biāo)作為特征量，具體的特征提取步驟如下：

(1)濾波。為了盡量減小濾波算法在時(shí)域上的延遲，避免濾波窗口過(guò)大，遺漏重要的幅值信號(hào)，選取了拓?fù)浣Y(jié)構(gòu)為三階Bessel的IIR濾波器。

(2)求極值點(diǎn)坐標(biāo)。對(duì)濾波之后的信號(hào)求取極值，獲取各極值點(diǎn)的坐標(biāo)值，即為所求特征量。

(3)特征量歸一化。為了消除指標(biāo)之間的量綱影響，方便后續(xù)數(shù)據(jù)處理，對(duì)所求得的特征量映射到[0，1]之間，轉(zhuǎn)換函數(shù)如下：

本文選用CSM030SY霍爾電流傳感器與VSM200D霍爾電壓傳感器分別測(cè)量線(xiàn)圈電流與電壓信號(hào)，采樣頻率為17 kHz。采集到的線(xiàn)圈電流與電壓波形如圖2,3所示，同時(shí)在圖中也標(biāo)注出了需要提取的各個(gè)特征量。T1為線(xiàn)圈電流產(chǎn)生的電磁力可以驅(qū)動(dòng)鐵芯運(yùn)動(dòng)的時(shí)刻，T2為動(dòng)鐵芯運(yùn)動(dòng)停止時(shí)刻，T3為連桿接觸到行程開(kāi)關(guān)的時(shí)刻，它們分別與特征電流I1，I2，I3相對(duì)應(yīng);T4為輔助開(kāi)關(guān)觸點(diǎn)斷開(kāi)時(shí)刻;I4為斷路器的維持電流;T5為儲(chǔ)能電容向控制回路放電的開(kāi)始時(shí)刻，T6為放電結(jié)束時(shí)刻，分別與特征電壓U1，U2對(duì)應(yīng)。

圖2 線(xiàn)圈電流波形及相應(yīng)特征量Fig.2 Waveform and features of coil current

圖3 線(xiàn)圈電壓波形及相應(yīng)特征量Fig.3 Waveform and features of coil voltage

2.2 振動(dòng)信號(hào)特征提取

高壓斷路器振動(dòng)信號(hào)是一種典型的沖擊型非平穩(wěn)信號(hào)，包含著豐富的狀態(tài)信息與特征信息。振動(dòng)信號(hào)特征提取方法主要有時(shí)域范圍內(nèi)的短時(shí)能量法與包絡(luò)譜分析等，頻域范圍內(nèi)的傅里葉分析與模態(tài)分析等，以及時(shí)頻域相結(jié)合的希爾伯特變換與小波變換法等。本文選取目前應(yīng)用效果較好的小波包分析法，該方法通過(guò)多層次劃分頻帶進(jìn)一步細(xì)分高頻部分，使頻帶與信號(hào)頻譜相匹配，提高了信號(hào)特征分辨率[15,18-20]。具體特征提取步驟如下：

(1)小波降噪

本文選用LC0159T加速度傳感器采集斷路器動(dòng)觸頭振動(dòng)信號(hào)，采樣頻率20 kHz。所采集的原始信號(hào)進(jìn)行小波降噪的主要步驟為：① 對(duì)信號(hào)進(jìn)行小波分解;② 利用分層閾值對(duì)信號(hào)進(jìn)行軟閾值降噪處理;③ 信號(hào)重構(gòu)。

通過(guò)配置參數(shù)，得出以下結(jié)論：當(dāng)小波基函數(shù)選取db4、閾值選取3時(shí)，降噪效果比較理想。降噪前后的信號(hào)波形如圖4所示。

圖4 降噪前后信號(hào)波形Fig.4 Signal waveform before and after noise reduction

(2)小波包分解

采樣頻率為20 kHz，根據(jù)采樣定理，奈奎斯特頻率是10 kHz，對(duì)降噪處理后的信號(hào)進(jìn)行小波包3層分解，得到8段頻率下的信號(hào)，每個(gè)頻率段的頻率區(qū)間寬度為10 kHz/8=1.25 kHz，見(jiàn)表1。

(3)特征值提取

當(dāng)斷路器運(yùn)行狀態(tài)異常或出現(xiàn)故障時(shí)，表現(xiàn)為振動(dòng)信號(hào)各頻率成分的能量發(fā)生了相應(yīng)變化。因此，可以用某一種或幾種頻率成分能量值的改變來(lái)表征斷路器所對(duì)應(yīng)的異常或故障狀態(tài)。

表1頻率子帶的劃分
Table1Divisionoffrequencysubbands

頻帶序號(hào)頻率/kHz頻帶序號(hào)頻率/kHz10～1255500～6252125～2506625～7503250～3757750～8754375～5008875～1000

設(shè)斷路器振動(dòng)信號(hào)長(zhǎng)度為N，對(duì)信號(hào)進(jìn)行j層小波包分解，得到分解序列Xjk(k=0～2j-1)。對(duì)分解系數(shù)進(jìn)行單支重構(gòu)后得到信號(hào)Sjk，設(shè)Ejk為重構(gòu)信號(hào)在第j層第k個(gè)節(jié)點(diǎn)上的功率，則有Ejk=Sjk2。令εjk=Ejk/E，則εjk=1。定義小波包能量熵為

其中，Hjk為信號(hào)的第j層第k個(gè)小波包能量熵。則對(duì)信號(hào)進(jìn)行3層小波包分解之后，得到8個(gè)頻帶上的能量熵，對(duì)各個(gè)能量熵歸一化處理如下：

令

則有

歸一化之后的能量熵可作為斷路器狀態(tài)特征量，對(duì)所采集的振動(dòng)信號(hào)進(jìn)行歸一化處理，結(jié)果如圖5所示。

圖5 振動(dòng)信號(hào)歸一化能量譜Fig.5 Energy spectrum of the vibration signal

3 實(shí)驗(yàn)分析

3.1 故障模擬及數(shù)據(jù)樣本建立

為了獲取故障數(shù)據(jù)，在借鑒前人經(jīng)驗(yàn)的基礎(chǔ)上，通過(guò)控制螺絲的松動(dòng)程度、在傳動(dòng)拐臂轉(zhuǎn)軸上施加不同的作用力、利用交流調(diào)壓器改變輸入電壓、主控制回路中串接相應(yīng)阻值的電阻等辦法，對(duì)高壓斷路器控制回路中彈簧松動(dòng)、鐵心卡澀、供電異常與線(xiàn)圈老化等4種常見(jiàn)故障進(jìn)行了模擬，具體步驟在文獻(xiàn)[17]中有詳細(xì)闡述，在此不再詳述。故障模擬及數(shù)據(jù)采集試驗(yàn)現(xiàn)場(chǎng)如圖6所示。

按照前述故障特征提取方法，對(duì)上述4種故障各提取了50組數(shù)據(jù)，同時(shí)提取了5組正常情況下的特征量作為參照數(shù)據(jù)。將特征量歸一化后并分組，對(duì)每種故障數(shù)據(jù)隨機(jī)均勻抽取20組作為模型訓(xùn)練數(shù)據(jù)，組別記為0;再隨機(jī)均勻選10組作為增量學(xué)習(xí)數(shù)據(jù)，組別記為1;另外20組作為模型驗(yàn)證數(shù)據(jù)，組別記為2。得到特征量數(shù)據(jù)樣本見(jiàn)表2。表中，I1～I(xiàn)4,T1～T6,U1,U2分別為控制回路各特征量的歸一化計(jì)算結(jié)果;H1～H8分別為振動(dòng)信號(hào)8個(gè)頻帶上能量熵的歸一化計(jì)算結(jié)果。

圖6 故障模擬及數(shù)據(jù)采集試驗(yàn)現(xiàn)場(chǎng)Fig.6 Test field of fault simulation and data acquisition

表2歸一化后特征量匯總
Table2Featuresummaryofthenormalizedcharacteristicquantity

特征量正常(0)正常(0)…彈簧松動(dòng)(1)彈簧松動(dòng)(1)…鐵心卡澀(2)鐵心卡澀(2)…供電異常(3)供電異常(3)…線(xiàn)圈老化(4)線(xiàn)圈老化(4)I107904074930671307386076890767307276073350662006899I205144058430514805999064870625605881058350791107185I305341059010636306787058970549504117049520447605155I408507076060696705828087900788907296061540700508654T106126059890479506013049810500905277062780574705452T207386073350666406835066090729806467062610690806823T305920058140580105017046270484304283052090544904094T405523052990614705624048960492504032044950423104055U101465018910035202819019520299100427003860135801452U201239019040273902703025650240301853020850241702061T500479008210014200166007370052101057006210031201287T600378006340034400844008560013400604005890177601986H100587006190050200620004190032900703001620056400135H205822054070564806181063980645605699055920609506393H300447004730021000225001870005800439009370009700636H401046014840163501279013290172701658017200192101389H500363003380030300311003350031400354003490031300301H600377004150032100445004280042400361003490037800392H700363003470040400423003090024300334004960030300371H800995009170097700516005950044900452003950032900383序號(hào)12675657106107156157組別1021011211

3.2 故障識(shí)別模型的建立

采用核函數(shù)為RBF的C-SVC模型對(duì)故障模式進(jìn)行識(shí)別時(shí)，首先需要對(duì)模型參數(shù)錯(cuò)誤懲罰因子C和Gamma參數(shù)g進(jìn)行最優(yōu)化選擇，尋找最佳的(C，g)參數(shù)對(duì)，使分類(lèi)器的分類(lèi)效果最優(yōu)。具體尋優(yōu)過(guò)程為：選擇C,g的參數(shù)范圍，將范圍構(gòu)成的二維空間內(nèi)所有的(C，g)構(gòu)成參數(shù)對(duì)，并將訓(xùn)練數(shù)據(jù)(組別0)作為原始數(shù)據(jù)，求得此組參數(shù)對(duì)下分類(lèi)模型的平均分類(lèi)準(zhǔn)確率，選取準(zhǔn)確率最高的(C，g)參數(shù)對(duì)即為最優(yōu)參數(shù)對(duì)。本文選取的C,g參數(shù)范圍為均為(2-5，25)，尋優(yōu)效果如圖7所示。

圖7 參數(shù)尋優(yōu)效果Fig.7 Effect figure of parameter optimization

選取C=8，g=0.031 25可使識(shí)別準(zhǔn)確率達(dá)到90%以上，訓(xùn)練出的識(shí)別模型見(jiàn)表3。

表3原始數(shù)據(jù)訓(xùn)練模型參數(shù)
Table3Tableoforiginaldatatrainingmodelparameter

參數(shù)值含義modelLabel[0；1；2；3；4]相應(yīng)故障類(lèi)別的標(biāo)簽modelnSV[5；5；3；3；6]各類(lèi)數(shù)據(jù)中支持向量個(gè)數(shù)modelsv＿coef<22x5double>決策函數(shù)中的系數(shù)modelSVs<22x20double>支持向量modelrho<4x1double>常數(shù)項(xiàng)的相反數(shù)(-b)

利用增量學(xué)習(xí)數(shù)據(jù)(組別1)，按照上文步驟重新對(duì)原始數(shù)據(jù)模型進(jìn)行訓(xùn)練，得到增量學(xué)習(xí)訓(xùn)練模型見(jiàn)表4。訓(xùn)練出的分類(lèi)模型本質(zhì)上是一個(gè)決策函數(shù)。由式(6),(8)可推出最優(yōu)分類(lèi)決策模型如下：

式中，wi為支持向量的系數(shù)，與表3,4中的參數(shù)model.sv_coef相對(duì)應(yīng);γ即參數(shù)g;xi表示支持向量，與表中model.SVs相對(duì)應(yīng);x表示輸入待預(yù)測(cè)向量;b代表偏置，是參數(shù)model.rho的負(fù)數(shù)。

表4增量學(xué)習(xí)訓(xùn)練模型參數(shù)
Table4Tableofincrementallearningtrainingmodelparameter

參數(shù)值含義modelLabel[0；1；2；3；4]相應(yīng)故障類(lèi)別的標(biāo)簽modelnSV[9；10；13；6；7]各類(lèi)數(shù)據(jù)中支持向量個(gè)數(shù)modelsv＿coef<45x5double>決策函數(shù)中的系數(shù)modelSVs<45x20double>支持向量modelrho<4x1double>常數(shù)項(xiàng)的相反數(shù)(-b)

比較原始數(shù)據(jù)訓(xùn)練模型與增量學(xué)習(xí)訓(xùn)練模型，發(fā)現(xiàn)通過(guò)進(jìn)一步增量學(xué)習(xí)訓(xùn)練，使得模型中的支持向量個(gè)數(shù)增加，同時(shí)對(duì)于每一類(lèi)故障中的支持向量個(gè)數(shù)也增加，相應(yīng)的故障類(lèi)別沒(méi)有變化。

3.3 模型測(cè)試

為了驗(yàn)證增量學(xué)習(xí)算法的效果，需要對(duì)訓(xùn)練模型進(jìn)一步測(cè)試。具體過(guò)程為：將模型驗(yàn)證數(shù)據(jù)(組別2)分別代入原始數(shù)據(jù)訓(xùn)練模型與增量學(xué)習(xí)訓(xùn)練模型，求得各個(gè)模型的識(shí)別準(zhǔn)確率，以此來(lái)評(píng)價(jià)分類(lèi)器的性能。上文在建立數(shù)據(jù)樣本時(shí)已隨機(jī)均勻選出了20組測(cè)試數(shù)據(jù)，將該數(shù)據(jù)分別代入上述模型中，發(fā)現(xiàn)原始數(shù)據(jù)訓(xùn)練出的模型對(duì)于正常情況(標(biāo)號(hào)0)與供電異常故障(標(biāo)號(hào)3)各有1次沒(méi)有準(zhǔn)確識(shí)別，而增量學(xué)習(xí)模型對(duì)各個(gè)故障全部識(shí)別準(zhǔn)確，具體情況見(jiàn)表5。

表5模型準(zhǔn)確率對(duì)比
Table5Comparisonofthemodelaccuracy

類(lèi)別正確樣本數(shù)錯(cuò)誤類(lèi)別準(zhǔn)確率/%初始數(shù)據(jù)訓(xùn)練模型180，390增量學(xué)習(xí)數(shù)據(jù)訓(xùn)練模型20—100

4 結(jié) 論

(1)選取永磁機(jī)構(gòu)高壓斷路器控制回路中的電流信號(hào)與電壓信號(hào)以及斷路器振動(dòng)信號(hào)，作為故障模式識(shí)別的監(jiān)測(cè)信號(hào)，可以整體反映出斷路器的上述4種常見(jiàn)故障。

(2)本文采用的基于時(shí)域特征的控制回路信號(hào)特征提取方法，與基于小波包分析的振動(dòng)信號(hào)特征提取方法，2者結(jié)合可以有效反映出故障特征，由提取到的數(shù)據(jù)建立的特征數(shù)據(jù)樣本滿(mǎn)足了模型訓(xùn)練的要求。

(3)基于支持向量機(jī)的增量學(xué)習(xí)故障分類(lèi)算法可以對(duì)小樣本的高壓斷路器故障進(jìn)行有效識(shí)別，同時(shí)，當(dāng)有新增樣本時(shí)，該算法可以通過(guò)學(xué)習(xí)訓(xùn)練進(jìn)一步提高識(shí)別精度。

[1] KEZUNOVIC M,NAIL C,REN Z,et al.Automated circuit breaker monitoring and analysis[A].Proc IEEE Power Eng Soc Trans Distrib Conf[C].IEEE,2002:559-564.

[2] NI J,ZHANG C,YANG S X.An adaptive approach based on KPCA and SVM for real-time fault diagnosis of HVCBs[J].Power Delivery,IEEE Transactions on,2011,26(3):1960-1971.

[3] WANG Jinhua.Development and prospect on fully mechanized mining in Chinese coal mines[J].International Journal of Coal Science & Technology,2014,1(3):153-260.

[4] 李斌,郭鳳儀,王智勇,等.雙穩(wěn)態(tài)永磁機(jī)構(gòu)優(yōu)化設(shè)計(jì)及智能控制器[J].電工技術(shù)學(xué)報(bào),2013,28(10):83-89. LI Bin,GUO Fengyi,WANG Zhiyong,et al.Bi-State PMA optimization design and intelligent controller[J].Transactions of China Electrotechnical Society,2013,28(10):83-89.

[5] 孫一航,武建文,廉世軍,等.結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解能量總量法的斷路器振動(dòng)信號(hào)特征向量提取[J].電工技術(shù)學(xué)報(bào),2014,29(3):228-236. SUN Yihang,WU Jianwen,LIAN Shijun,et al.Extraction of vibration signal feature vector of circuit breaker based on empirical mode decomposition amount of energy[J].Transactions of China Electrotechnical Society,2014,29(3):228-236.

[6] 梅飛,梅軍,鄭建勇,等.粒子群優(yōu)化的KFCM及SVM診斷模型在斷路器故障診斷中的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào),2013,33(36):134-141. MEI Fei,MEI Jun,ZHENG Jianyong,et al.Application of particle swarm fused KFCM and classification model of SVM for fault diagnosis of circuit breaker[J].Proceedings of the CSEE,2013,33(36):134-141.

[7] 趙金憲,涂展,謝陽(yáng).粒子群改進(jìn)算法在配電網(wǎng)故障定位中的應(yīng)用[J].黑龍江科技大學(xué)學(xué)報(bào),2014,24(3):277-281. ZHAO Jinxian,TU Zhan,XIE Yang.Application of improved binary particle swarm optimization for fault location in distribution network with distributed generation[J].Journal of Heilongjiang University of Science & Technology,2014,24(3):277-281.

[8] 黃建,胡曉光,鞏玉楠,等.高壓斷路器機(jī)械故障診斷專(zhuān)家系統(tǒng)設(shè)計(jì)[J].電機(jī)與控制學(xué)報(bào),2011,15(10):43-49. HUANG Jian,HU Xiaoguang,GONG Yunan,et al.Machinery fault diagnosis expert system for high voltage circuit breaker[J].Electric Machines and Control,2011,15(10):43-49.

[9] 齊賀,趙智忠,李振華,等.基于多傳感器振動(dòng)信號(hào)融合的真空斷路器故障診斷[J].高壓電器,2013,49(2):43-48. QI He,ZHAO Zhizhong,LI Zhenhua,et al.Fault diagnosis of vacuum circuit breaker based on multi-sensor for vibration signals of fusion[J].High Voltage Apparatus,2013,49(2):43-48.

[10] ZHANG K,QIAN K,CHAI Y,et al.Research on fault diagnosis of tennessee eastman process based on KPCA and SVM[A].7th International Symposium on Computational Intelligence and Design[C].ISCID,2014:490-495.

[11] 王振浩,杜凌艷,李國(guó)慶,等.動(dòng)態(tài)時(shí)間規(guī)整算法診斷高壓斷路器故障[J].高電壓技術(shù),2006,32(10):36-38. WANG Zhenhao,DU Lingyan,LI Guoqing,et al.Fault diagnosis of high voltage circuit breakers based on dynamic time warping algorithm[J].High Voltage Engineering,2006,32(10):36-38.

[12] HUANG J,HU X,YANG F.Support vector machine with genetic algorithm for machinery fault diagnosis of high voltage circuit breaker[J].Measurement,2011,44(6):1018-1027.

[13] 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(bào),2011,40(1):2-10. DING Shifei,QI Bingjuan,TAN Hongyan.An overview on theory and algorithm of support vector machines[J].Journal of University of Electronic Science and Technology of China,2011,40(1):2-10.

[14] 袁金麗,李奎,郭志濤,等.基于SVM與合分閘線(xiàn)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. YUAN Jinli,LI Kui,GUO Zhitao,et al.Mechanical failure diagnosis of high voltage circuit breaker based on SVM and opening/closing coil current parameters[J].High Voltage Apparatus,2011,47(3):26-30.

[15] 夏彥,許春雨,宋建成,等.基于LabVIEW的高壓配電裝置振動(dòng)信號(hào)特征提取和模式識(shí)別方法[J].煤礦安全,2015,46(8):103-106. XIA Yan,XU Chunyu,SONG Jiancheng,et al.feature extraction and pattern recognition method of vibration signals in high voltage distribution equipment based on LabVIEW[J].Safety in Coal Mines,2015,46(8):103-106.

[16] LU D,QIAO W.Adaptive feature extraction and SVM classification for real-time fault diagnosis of drivetrain gearboxes[A].2013 IEEE Energy Conversion Congress and Exposition[C].ECCE,2013:3934-3940.

[17] 趙鈺,耿蒲龍,許春雨,等.基于控制回路的斷路器永磁機(jī)構(gòu)故障特征提取方法[J].高壓電器,2017,53(2):39-46. ZHAO Yu,GENG Pulong,XU Chunyu,et al.Fault feature extraction method of the circuit breaker with permanent magnetic mechanism based on control loop[J].High Voltage Apparatus,2017,53(2):39-46.

[18] SOUALHI A,MEDJAHER K,ZERHOUNI N.Bearing health monitoring based on Hilbert-Huang Transform,Support Vector Machine,and regression[J].IEEE Transactions on Instrumentation & Measurement,2015,64(1):52-62.

[19] 徐晶,劉德坤,劉彥慧,等.基于小波包能量譜及SVM算法的軸承故障檢測(cè)[J].黑龍江科技大學(xué)學(xué)報(bào),2015,25(1):110-114. XU Jing,LIU Dekun,LIU Yanhui,et al.Bearing fault detection method based on wavelet packet energy spectrum and SVM algorithm[J].Journal of Heilongjiang University of Science & Technology,2015,25(1):110-114.

[20] 孫來(lái)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(lèi)[J].電工技術(shù)學(xué)報(bào),2006,21(8):53-58. SUN Laijun,HU Xiaoguang,JI Yanchao.Mechanical fault classification of high voltage circuit breaker based on support vector machine[J].Transactions of China Electrotechnical Society,2006,21(8):53-58.

AmethodoffaultpatternrecognitionforthehighvoltagecircuitbreakerbasedontheincrementallearningalgorithmforSVM

GENG Pulong1,2,SONG Jiancheng1,2,ZHAO Yu1,2,GAO Yunguang1,2,ZHENG Lijun1,2,HU Shouxin3

(1.National&ProvincialJointEngineeringLaboratoryofMiningIntelligentElectricalApparatusTechnology(TaiyuanUniversityofTechnology),Taiyuan030024,China; 2.ShanxiProvinceKeyLaboratoryofMiningElectricalEquipmentandIntelligentControl(TaiyuanUniversityofTechnology),Taiyuan030024,China; 3.TaiyuanResearchInstituteCo.,Ltd.,ChinaCoalTechnologyandEngineeringGroup,Taiyuan030006,China)

The accurate fault pattern identification for the high voltage circuit breaker (HVCB) plays an important role in the development of mine smart grids.Aiming at the inaccessible obtainment of fault data and the lack of fault samples,a method of fault recognition was proposed based on the incremental learning algorithm for SVM.Firstly,the state monitoring variables were determined by the current signal and voltage signal of control unit and the vibration signal of the switching for HVCB.Secondly,four common faults,including the spring loosening,the core jamming,the coil aging and the abnormal electrical power supply,were simulated.Then the fault features were extracted,and the fault data samples as well as the incremental learning data samples were established.After training fault data samples based on the incremental learning algorithm for SVM,the fault recognition model was acquired and its accuracy was validated through exerting the new fault data samples into the model.Finally,it is shown that the incremental learning algorithm for SVM can be used to recognize the above four common faults for HVCB effectively,and its recognition accuracy can be improved by continuous learning on new samples.

high voltage circuit breaker;feature extraction;fault pattern recognition;SVM (support vector machine);incremental learning algorithm

10.13225/j.cnki.jccs.2016.1749

TM56

:A

:0253-9993(2017)08-2198-07

國(guó)家自然科學(xué)基金資助項(xiàng)目(U1510112，51377113);山西省科技重大專(zhuān)項(xiàng)資助項(xiàng)目(20131101029)

耿蒲龍(1982—)，男，山西臨汾人，講師，博士研究生。E-mail:gpl_1016@163.com

耿蒲龍,宋建成,趙鈺,等.基于SVM增量學(xué)習(xí)算法的煤礦高壓斷路器故障模式識(shí)別方法[J].煤炭學(xué)報(bào),2017,42(8):2198-2204.

GENG Pulong,SONG Jiancheng,ZHAO Yu,et al.A method of fault pattern recognition for the high voltage circuit breaker based on the incremental learning algorithm for SVM[J].Journal of China Coal Society,2017,42(8):2198-2204.doi:10.13225/j.cnki.jccs.2016.1749