萬書亭， 豆龍江， 劉榮海， 張 軒

(1.華北電力大學(xué)機(jī)械工程系 保定，071003) (2.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院 昆明，650000) (3.華北電力大學(xué)圖書館 保定，071003)

引 言

高壓斷路器作為電網(wǎng)運(yùn)行的重要設(shè)備，具有控制與保護(hù)的作用，高壓斷路器性能的可靠性關(guān)系到整個電網(wǎng)運(yùn)行的安全與穩(wěn)定。電力設(shè)備的在線監(jiān)測和快速診斷的發(fā)展推動著智能電網(wǎng)的建設(shè)，為了改善以往定期巡檢帶來的負(fù)面影響，加強(qiáng)對斷路器運(yùn)動時產(chǎn)生的振動信號的研究，提前發(fā)現(xiàn)潛在故障，對提髙斷路器運(yùn)行的可靠性以及加強(qiáng)電力系統(tǒng)的穩(wěn)定性具有重要意義[1-2]。

高壓斷路器在合閘或分閘過程中產(chǎn)生的機(jī)械振動信號蘊(yùn)含了豐富的操作機(jī)構(gòu)狀態(tài)信息，針對其振動信號展開分析可發(fā)現(xiàn)斷路器操作機(jī)構(gòu)的螺絲松動、鐵芯卡澀等故障信息[3-5]，因此，基于振動信號的故障診斷與狀態(tài)識別逐漸成為研究熱點(diǎn)[6-11]。文獻(xiàn)[12]采取希爾伯特-黃變換，采用經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,簡稱EMD)處理高頻分量，根據(jù)分解后的各固有模態(tài)函數(shù)能量分布特點(diǎn)對斷路器故障進(jìn)行分類，驗(yàn)證了該方法的有效性。文獻(xiàn)[13]將小波包和徑向基神經(jīng)網(wǎng)絡(luò)相結(jié)合用來對斷路器振動信號進(jìn)行特征提取和模式識別，取得了一定效果。文獻(xiàn)[14]使用因子分析對特征量進(jìn)行降維優(yōu)化、支持向量機(jī)經(jīng)粒子群參數(shù)尋優(yōu)后對斷路器的狀態(tài)進(jìn)行分類，取得了較好的效果。文獻(xiàn)[15]提出了基于經(jīng)驗(yàn)?zāi)B(tài)分解能量總量法與SVM相結(jié)合的斷路器振動信號的特征向量提取和故障分類的方法，并驗(yàn)證了方法的有效性。但這些診斷方法仍存在一定的不足，例如，EMD 和集合經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition,簡稱EEMD) 均采用與小波結(jié)構(gòu)相類似的遞歸篩分算法，二者缺乏完備的數(shù)學(xué)理論，分解得到的模態(tài)數(shù)量較多，且每個模態(tài)的篩分需要多次迭代，篩分計算量較大。應(yīng)用小波包分析信號必須選定基函數(shù)和分解尺度，基函數(shù)的選擇影響著計算的效率和分析的有效性，不同的基函數(shù)造成分析結(jié)果的不同，具有一定的局限性。Gilles[16]基于小波變換和窄帶信號分析理論，給出了EWT的運(yùn)算過程。EWT理論依據(jù)完備且計算量遠(yuǎn)小于EEMD 和EMD，其本質(zhì)是通過對信號頻譜進(jìn)行自適應(yīng)地分割，構(gòu)造合適的小波濾波器組，從而提取信號的不同調(diào)頻調(diào)幅成分。該方法已成功應(yīng)用于信號處理和圖像降噪分析中[17-19]。研究表明，EWT不僅避免了端點(diǎn)效應(yīng)和模態(tài)混疊現(xiàn)象，還提高了信噪比、加快了計算速度。

經(jīng)查閱國內(nèi)外文獻(xiàn)，鮮有學(xué)者將EWT引入到斷路器故障診斷與狀態(tài)識別中，筆者嘗試?yán)媒?jīng)驗(yàn)小波變換處理斷路器分閘過程中振動信號，從信噪比較低的原始信號中提取出包含特征信息的信號分量，然后引入多尺度熵作為信號的特征向量，最后利用SVM完成狀態(tài)識別與分類。研究結(jié)果表明,該方法可快速準(zhǔn)確的提取斷路器故障特征，并完成斷路器故障的狀態(tài)識別。

1 EWT原理

(1)

(2)

其中：τn=γwn；γ=minn[(wn-1-wn)/(wn+1+wn)]；β(x)=x4(35-84x+70x2-20x3)。

在經(jīng)驗(yàn)小波變換方法中，選擇合適的算法對振動信號的傅里葉頻譜進(jìn)行分割至關(guān)重要，直接影響自適應(yīng)分解的結(jié)果。完成自適應(yīng)分解后，各自的頻

圖1 傅里葉坐標(biāo)系的分割Fig.1 Partitioning of the Fourier axis

譜對應(yīng)不同特定緊支撐頻率為中心的模態(tài)[20]。將Fourier支撐[0, π]分割成N個連續(xù)的部分，除去0和π，還需確定N-1個邊界。筆者采取通過在頻域范圍內(nèi)檢測幅值的極大值，按照從大到小的規(guī)律排列，取前N-1個極大值點(diǎn)選擇合適的算法確定邊界。

(3)

(4)

原始信號重建為

(5)

經(jīng)驗(yàn)?zāi)Ｊ絝k(t)可定義為

2 多尺度熵

多尺度熵(multi-scale entropy, 簡稱MSE)的計算步驟如下。

1) 假定原始序列為{x(i)=x(1)，x(2)，，x(N)}，通過人為設(shè)定嵌入維數(shù)m和相似容限r(nóng)，建立新的粗粒序列

(8)

其中：τ=1，2，為尺度因子。

當(dāng)τ=1時，yj(1)就是原序列。非零整數(shù)τ，序列Xi被割分成N/τ個長為τ的粗粒序列yj(τ)。

2) 對獲得的N/τ個粗粒序列求樣本熵，并作為尺度因子τ的函數(shù)，由此定義多尺度熵，即

MSE(x,τ,m,r)=SampEn(yτ,m,r)

(9)

樣本熵在描述時間序列時的復(fù)雜程度為單一尺度，熵值的大小代表了時間序列的復(fù)雜程度。多尺度熵實(shí)質(zhì)上相當(dāng)于在不同尺度下計算時間序列的樣本熵。若隨著尺度因子增加，時間序列的熵值單調(diào)遞減，則說明數(shù)據(jù)結(jié)構(gòu)相對規(guī)則，在小尺度上包含更多狀態(tài)信息；反之則說明數(shù)據(jù)結(jié)構(gòu)相對復(fù)雜，在大尺度上包含更多信息。

3 支持向量機(jī)原理

SVM是一種基于小樣本訓(xùn)練的學(xué)習(xí)算法，以結(jié)構(gòu)風(fēng)險最小化為原則，工作原理如圖2所示。圖中：圓點(diǎn)和方點(diǎn)分別為不同的數(shù)據(jù)樣本；H為分類線，可以把兩類樣本準(zhǔn)確分開；H1，H2為與H相平行且通過離分類線最近的樣本的直線。H1與H2之間的間隔為分類間隔，如圖2中方點(diǎn)標(biāo)出的樣本所示，因其支持了最優(yōu)分類面故稱為支持向量。

圖2 最優(yōu)分類面Fig.2 Optimal separating hyperplane

4 實(shí)驗(yàn)應(yīng)用分析

4.1 實(shí)驗(yàn)?zāi)M

在斷路器無載的情況下，摘除緩沖彈簧模擬緩沖彈簧無效故障、調(diào)節(jié)傳動桿長度模擬傳動機(jī)構(gòu)故障、松動基座螺絲模擬基座螺絲松動故障，故障模擬如圖4所示。

在正常狀態(tài)下和3種故障狀態(tài)下分別進(jìn)行6次實(shí)驗(yàn)，數(shù)據(jù)采集器在斷路器進(jìn)行分閘操作時以10 kHz的速率采集5 000點(diǎn)，共得到24組數(shù)據(jù)。分閘過程中典型振動信號如圖5所示。

圖3 高壓斷路器振動測試實(shí)驗(yàn)Fig.3 Experiment of high voltage circuit breaker

圖4 故障模式模擬實(shí)驗(yàn)Fig.4 Simulative experiments of fault patterns

圖5 高壓斷路器振動信號Fig.5 Vibration signal of high voltage circuit breaker

從圖5可以看出，在時域內(nèi)觀察4種狀態(tài)下斷路器振動信號雖然存在一定的差異，但沒有明顯的變化規(guī)律，因此考慮引入經(jīng)驗(yàn)小波變換處理斷路器振動信號，從信噪比較低的原始信號中提取出包含特征信息的信號分量，然后提取各自多尺度熵作為信號的特征向量，最后利用SVM完成高壓斷路器的狀態(tài)識別與分類。

4.2 振動信號分析

以基座螺絲松動振動信號為例，分別采用EEMD和EWT對其進(jìn)行處理，分解得到的IMF如圖6所示?？梢钥闯觯珽WT分解得到6個IMF，運(yùn)行時間為0.517 s，每個IMF波形與原始振動信號大致相同；EEMD分解得到13個IMF，運(yùn)行時間長達(dá)35.449 s，顯然增加了EEMD的迭代次數(shù)，存在虛假模態(tài)和模態(tài)混疊的現(xiàn)象，不利于提取振動信號特征。采用EWT處理斷路器振動信號，不僅避免了模態(tài)混疊現(xiàn)象，還加快了計算速度，具有明顯優(yōu)勢。

4.3 特征參數(shù)提取

利用經(jīng)驗(yàn)小波變換分別對4種狀態(tài)的振動信號進(jìn)行分解，經(jīng)過多次實(shí)驗(yàn)分析，選擇與原始信號相關(guān)系數(shù)最大的3個固有模態(tài)分量進(jìn)行重構(gòu)。對重構(gòu)信號進(jìn)行熵值求解，每種斷路器狀態(tài)各取3組數(shù)據(jù)，計算數(shù)據(jù)的樣本熵并求其平均值，如表1所示。

表1 4種狀態(tài)信號的樣本熵值

從表1可以看出，不同故障狀態(tài)振動信號樣本熵大小不同，同種故障狀態(tài)振動信號樣本熵值在平均值附近來回波動。通過對4種振動信號樣本熵大小的對比發(fā)現(xiàn)，正常狀態(tài)和傳動機(jī)構(gòu)故障的樣本熵值相對較大，說明這兩種狀態(tài)振動信號的時間序列相對不規(guī)則、復(fù)雜性較高。基座螺絲松動和緩沖彈簧無效樣本熵值相對較小，代表了這兩種狀態(tài)振動信號時間序列相對較規(guī)則、復(fù)雜性較低。整體來看，樣本熵基本可以實(shí)現(xiàn)斷路器故障特征的提取，但也存在各種狀態(tài)的樣本熵值相差不大、個別出現(xiàn)交叉重疊的問題，故障特征不明顯。

圖6 EWT和EEMD分解結(jié)果比較Fig.6 Comparison between the results of EWT and EEMD decomposition

從表1可以看出，對原始振動信號求取樣本熵值其實(shí)是在單一尺度下時間序列的熵值，盡管不同狀態(tài)的樣本熵值不同，能夠區(qū)分出斷路器對應(yīng)的狀態(tài)，但是個別熵值較接近區(qū)分效果不明顯。因此對于振動信號的分析引入多尺度熵，將分析結(jié)果繪成尺度因子的函數(shù)關(guān)系圖，如圖7所示。

圖7 4種狀態(tài)信號的多尺度熵Fig.7 Multi-scale entropy of four kinds of signals

從圖7可以看出，對于斷路器的振動信號分析引入多尺度熵后，4種狀態(tài)的熵值大小排列與樣本熵值大小排列相一致；隨著尺度因子的變化，斷路器4種狀態(tài)熵值的變化非常直觀地顯示出來，同種狀態(tài)的多尺度熵值變化規(guī)律一致、熵值大小均在同一區(qū)域范圍內(nèi)波動。從多尺度熵值變化圖中區(qū)分故障類型非常明顯與直觀，相對于樣本熵采用多尺度熵分析具有無可比擬的優(yōu)越性。

隨著現(xiàn)代水產(chǎn)養(yǎng)殖行業(yè)的進(jìn)步和發(fā)展，在快速進(jìn)步條件下，消費(fèi)者對水產(chǎn)品的需求也產(chǎn)生明顯變化。其中，保證水產(chǎn)品質(zhì)量的提升，增加其需求量十分必要。受到季節(jié)性因素的影響，在一定需求下，可以將其轉(zhuǎn)變?yōu)槌Ｄ晷枨?。所以，要將市場作為?dǎo)向，保證水產(chǎn)養(yǎng)殖品種的優(yōu)化，確保優(yōu)質(zhì)化水產(chǎn)品種的推廣，在這種建設(shè)條件下，不僅能符合市場的建設(shè)需求，也能為水產(chǎn)養(yǎng)殖效益提供合理途徑。比如：對當(dāng)前的水產(chǎn)養(yǎng)殖品種進(jìn)行開發(fā)與利用，引進(jìn)種植新品種。還需要對養(yǎng)殖周期做出詳細(xì)思考，提高市場價格，保證群眾都能加強(qiáng)對水產(chǎn)品種的認(rèn)識，也要根據(jù)地區(qū)的實(shí)際發(fā)展情況，促使整個生產(chǎn)規(guī)模的壯大化發(fā)展。

4.4 模式識別與分類

斷路器本身的工作特性決定了其不能頻繁的動作，實(shí)際實(shí)驗(yàn)采集的測試數(shù)據(jù)量有限，測試樣本數(shù)較少,不利于故障識別訓(xùn)練。傳統(tǒng)使用的專家系統(tǒng)以及神經(jīng)網(wǎng)絡(luò)方法需要較多的測試樣本，樣本越多，識別結(jié)果準(zhǔn)確。支持向量機(jī)是一種基于小樣本訓(xùn)練的識別方法，更適合于斷路器故障的狀態(tài)與分類[21]。這里使用林智仁教授提供的支持向量機(jī)工具livsvm 3.21版，分類采用“一對其余”策略，考慮斷路器正常工作狀態(tài)及可能出現(xiàn)的故障，構(gòu)建4個支持向量機(jī)即4種運(yùn)行狀態(tài)，最終結(jié)果由分類距離最大的向量機(jī)決定。

在支持向量機(jī)各項參數(shù)中，核函數(shù)的選取至關(guān)重要。由于徑向基函數(shù)模型簡單、參數(shù)少，故選擇徑向基函數(shù)作為核函數(shù)。除了核函數(shù)外，需要選擇相對較佳的懲罰參數(shù)C和核函數(shù)參數(shù)g來提升支持向量機(jī)的分類性能。筆者選擇網(wǎng)格搜索算法進(jìn)行參數(shù)優(yōu)化尋找最優(yōu)的C和g，即嘗試各種可能的C和g值，然后交叉驗(yàn)證，得出最優(yōu)懲罰參數(shù)C為16、核函數(shù)參數(shù)為2。在此參數(shù)下，用訓(xùn)練集樣本數(shù)據(jù)訓(xùn)練支持向量機(jī)，使用訓(xùn)練好的支持向量機(jī)對測試集樣本數(shù)據(jù)進(jìn)行分類測試，測試樣本共8組數(shù)據(jù)，每種運(yùn)行狀態(tài)2組數(shù)據(jù)，與訓(xùn)練集數(shù)據(jù)不重疊。測試結(jié)果如圖8所示。標(biāo)簽1～4分別代表正常狀態(tài)、傳動機(jī)構(gòu)故障、基座螺絲松動和緩沖彈簧無效4種狀態(tài)?？梢钥闯?，測試集中8組數(shù)據(jù)的分類結(jié)果與實(shí)際類別一致，分類準(zhǔn)確率為100%(8/8)。

圖8 實(shí)際分類與預(yù)測分類對比圖Fig.8 Comparison chart of actual classification and prediction classification

該結(jié)果表明，采用經(jīng)驗(yàn)小波分解、多尺度熵特征值提取、網(wǎng)格參數(shù)優(yōu)化和支持向量機(jī)分類在內(nèi)的振信號特征提取和診斷方法能夠準(zhǔn)確地實(shí)現(xiàn)斷路器故障實(shí)驗(yàn)中各種狀態(tài)的分類。

5 結(jié) 論

1) 將經(jīng)驗(yàn)小波分解和多尺度熵相結(jié)合的方法首次應(yīng)用在高壓斷路器振動信號的分析中。該方法不僅降低了模態(tài)混疊和虛假模態(tài)現(xiàn)象對特征提取的影響，而且大幅加快了計算速度，具有明顯優(yōu)勢。

2) 通過多尺度熵與樣本熵的對比分析得出，從多尺度熵值變化圖中可以更直觀、更明顯地區(qū)分?jǐn)嗦菲鞴收项愋停瑢⒄駝有盘柕亩喑叨褥刂底鳛樘卣鲄?shù)有利于斷路器狀態(tài)識別及故障分類，對以后斷路器的研究提供有益參考。

3) 研究結(jié)果表明，本算法能有效提取斷路器故障振動信號的特征向量,并能正確地進(jìn)行狀態(tài)識別與分類，提高了分類精度，取得了較好的診斷效果，為斷路器故障診斷與狀態(tài)識別提供了新的思路。