田 書，康智慧

(河南理工大學(xué) 電氣工程與自動化學(xué)院，河南 焦作 454000)

高壓斷路器是極為重要的一次電力設(shè)備，其運行狀況直接關(guān)系到整個電力系統(tǒng)的安全及穩(wěn)定[1]。研究表明斷路器運行異常主要由機械故障引起[2-3]，而振動信號可實時反映斷路器機械故障信息，它不涉及電氣測量，可有效避免電磁干擾，利用振動信號進(jìn)行故障診斷是極具潛力的一種故障分析方式，逐漸成為國際學(xué)術(shù)、工程界關(guān)注的熱點[4-5]。由于10 kV高壓斷路器在輸配電系統(tǒng)中數(shù)量極為龐大，影響范圍較廣，因此本文針對10 kV高壓斷路器ZN63A-12展開研究，分析其振動特性和機械故障特征。

斷路器振動信號具有隨機性、非平穩(wěn)性。目前，分析非穩(wěn)定信號常采用經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)與集合經(jīng)驗?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition，EEMD)等[6-7]，它們具有較好的時頻聚集性，但是，由于采用非遞歸分解方式且存在包絡(luò)估計誤差，所以會在一定程度內(nèi)降低診斷精度。而變分模態(tài)分解(Variational Mode Decomposition，VMD)[8]在獲取固有模態(tài)函數(shù)(Intrinsic Mode Function, IMF)時，不同于傳統(tǒng)的模態(tài)分解算法，它采用非遞歸分解方式，能有效避免模態(tài)混疊和噪聲干擾。該算法一經(jīng)提出便被廣泛應(yīng)用，文獻(xiàn)[9]將VMD算法應(yīng)用在軸承故障診斷中，提取滾動軸承主要特征頻率，文獻(xiàn)[10]將VMD算法應(yīng)用在管道泄漏檢測方案中，最大限度的保留了管道泄漏信號中的有用成分并消除了噪聲的干擾，取得較好檢測效果。但是該算法在斷路器故障診斷的研究較少，由于高壓斷路器結(jié)構(gòu)復(fù)雜、成本昂貴，且故障模擬會在一定程度內(nèi)損壞設(shè)備性能，所以其機械故障診斷受到一定限制。

本文將變分模態(tài)分解(Variational Mode Decomposition，VMD)應(yīng)用在高壓斷路器機械故障診斷領(lǐng)域，提出VMD能量熵和支持向量機相結(jié)合的一種斷路器機械故障診斷新方法。有效利用VMD模態(tài)分解優(yōu)勢，為高壓斷路器故障診斷提供新思路，并用量子粒子群改進(jìn)變分模態(tài)分解參數(shù)設(shè)置問題，提高斷路器故障診斷精確度。

1 改進(jìn)VMD信號分解原理

1.1 VMD原理

2014年變分模態(tài)分解由Konstantin Dragomiretskiy等提出，是一種比較前沿的信號分解算法。其信號分解的關(guān)鍵過程在于對變分模型的構(gòu)造和求解。

當(dāng)VMD算法用于信號分解以獲得K個固有模態(tài)分量IMF時，相應(yīng)的變分模型如下：

(1)

該模型中，f為輸入信號，t為時間，δ為狄拉克分布，{uk}={u1,u2,…uk}代表K個固有模態(tài)分量IMF，{ωk}={ω1，ω2，…ωk}為各IMF的頻率中心。

求解變分模型最優(yōu)解時需構(gòu)造增廣Lagrange函數(shù)，其表達(dá)式如下：

L({uk},{ωk},λ)=

(2)

(3)

(4)

將式(4)中的ω用ω-ωk代替，并寫成非負(fù)頻率積分的形式，經(jīng)過二次優(yōu)化，最終可得出各模態(tài)分量的表達(dá)式：

(5)

同理，當(dāng)用中心頻率表達(dá)時可得出ωk的更新表達(dá)式：

(6)

1.2 改進(jìn)VMD信號分解

變分模態(tài)分解VMD用于信號分解時，需提前選擇適合的模態(tài)分解個數(shù)K和懲罰因子α。因為K決定了頻率分辨率，K太小則會出現(xiàn)欠分解現(xiàn)象，對波動較小的信號反映不靈敏，K太大則會產(chǎn)生偽分量，增加運算量；此外，懲罰因子的大小對模態(tài)分量帶寬也有較大影響，因此變分模態(tài)分解參數(shù)K及α的設(shè)定對信號的有效分解至關(guān)重要。斷路器實測信號具有隨機性及復(fù)雜性，在參數(shù)選取時，為避免人為預(yù)設(shè)的不準(zhǔn)確，本文以包絡(luò)熵為適應(yīng)度函數(shù)，用量子粒子群(Quantum-behaved Particle Swarm Optimization, QPSO)進(jìn)行參數(shù)優(yōu)化[11]，對信號分解做如下改進(jìn)：

①初始化粒子群并將粒子位置設(shè)置為參數(shù)組合[K,α]；

②在不同粒子位置[K,α]下用VMD算法分解信號，計算適應(yīng)度值并令最小包絡(luò)熵值為局部極小值；

③比較局部極小值的大小，尋找全局極值；

④不斷更新粒子的位置；

⑤循環(huán)迭代，確定最優(yōu)粒子位置[K,α]。

2 故障診斷步驟

高壓斷路器機械故障診斷首先需在斷路器處于不同狀態(tài)時收集設(shè)備振動信息，完成斷路器故障樣本的構(gòu)建。本文采用向主傳動軸外側(cè)墊木塊、松動基座螺絲的方式對斷路器設(shè)置實驗室易實現(xiàn)的人為故障，模擬傳動機構(gòu)卡澀和基座松動故障情況。然后用傳感器對故障信號進(jìn)行采集，利用VMD算法分解故障信號，并結(jié)合支持向量機進(jìn)行模式識別，從而驗證VMD算法的有效性。

故障診斷具體步驟如下：

① 傳感器采集不同故障情況下斷路器的振動信號，并使用VMD分解信號。其中傳感器選用壓電式傳感器，數(shù)據(jù)采集卡為PCI8192，采樣頻率設(shè)定為25 kHz，振動數(shù)據(jù)采集時間設(shè)定為120 ms。最終收集到的樣本數(shù)據(jù)包含36組斷路器正常信號、30組斷路器傳動機構(gòu)卡澀信號和27組斷路器基座螺絲松動信號。

② 計算斷路器不同故障情況下各振動信號經(jīng)模態(tài)分解獲得的IMF分量的能量熵值以構(gòu)造特征向量；

③ 將由不同能量熵值組成的特征向量輸入支持向量機以確定斷路器故障類型。

高壓斷路器機械故障診斷的流程圖如圖1所示。

圖1 斷路器機械故障診斷流程圖

3 實驗驗證及分析

3.1 信號分解

對斷路器正常、卡澀及松動狀態(tài)的振動信號進(jìn)行模態(tài)分解是其機械故障診斷的關(guān)鍵一步，由于故障樣本比較復(fù)雜，限于篇幅，下面僅以斷路器正常狀態(tài)為例，驗證VMD算法在信號分解方面的優(yōu)勢。斷路器正常狀態(tài)振動信號的時域波形圖見圖2。

當(dāng)采用變分模態(tài)分解VMD對斷路器正常振動信號進(jìn)行分解時，為使模態(tài)分解個數(shù)K及懲罰因子α的值更加準(zhǔn)確進(jìn)行10次尋優(yōu)并計算出平均值，最后得到的最佳參數(shù)值K是5、α是979。 為驗證變分模態(tài)分解在模態(tài)混疊和噪聲干擾中的優(yōu)勢，本文將傳統(tǒng)的集合經(jīng)驗?zāi)B(tài)分解(EEMD)和變分模態(tài)分解(VMD)進(jìn)行比較，且當(dāng)使用集合經(jīng)驗?zāi)B(tài)分解EEMD處理信號時先用小波閾值去噪來對振動信號降噪，然后再對信號進(jìn)行分解。最終得到EEMD分解效果見圖3，VMD分解見圖4。

圖2 正常狀態(tài)振動信號波形圖

圖3 正常振動信號EEMD分解

圖4 正常振動信號VMD分解

為更直觀的表示信號分解效果，對EEMD分解和VMD分解得到的模態(tài)分量分別進(jìn)行頻譜分析，EEMD頻譜見圖5，VMD頻譜見圖6。

由圖5、圖6可知，EEMD分解時雖然比VMD多一步去噪過程，但因其存在包絡(luò)估計誤差且不適宜信噪比低的場合，故出現(xiàn)較嚴(yán)重的模態(tài)混疊現(xiàn)象，一個模態(tài)分量含有多個頻段成分。而經(jīng)變分模態(tài)分解處理獲得的IMF中心頻率相互獨立，模態(tài)分量得到有效分離，優(yōu)勢突出。因此，本文最終確定用VMD算法分解斷路器各運行情況下的振動信號。

圖5 正常狀態(tài)振動信號EEMD頻譜

圖6 正常狀態(tài)振動信號VMD頻譜

3.2 特征參量提取

能量熵是反映信息分布均勻性及有序性的度量標(biāo)準(zhǔn)，在故障特征提取方面具有突出優(yōu)勢，可有效表達(dá)信號的狀態(tài)信息[12-15]。本文用VMD算法分解斷路器振動信號后，通過計算各IMF分量的能量熵以構(gòu)造斷路器特征向量，完成對設(shè)備狀態(tài)信息的提取。

求取能量熵首先要獲取斷路器振動信號包絡(luò)信息并進(jìn)行分段處理。斷路器正常情況時各IMF的包絡(luò)信息見圖7。

對包絡(luò)信息進(jìn)行分段處理即將各IMF包絡(luò)按時間軸等分。當(dāng)?shù)趎個IMF的包絡(luò)An(t)按時間軸劃分為R個相等的部份時，其每段的能量值計算如下：

(7)

式中:i=1,2,3,…,R，ti-1和ti代表第i段的開始及結(jié)束時刻。段數(shù)R的大小對特征提取有很大影響，R值太大即包絡(luò)被劃分的段數(shù)較多，則正常范圍的時間偏移也會被誤認(rèn)是故障；R值太小即信號被劃分的段數(shù)太少，則會導(dǎo)致檢測不夠靈敏，誤差太大。本文經(jīng)過大量試驗，最終確定將信號分為10段求取能量熵，確保振動特征提取的有效性。同時，為便于數(shù)據(jù)處理對Q(i)進(jìn)行歸一化操作，并將歸一化結(jié)果記為ε(i)，其表達(dá)式如下：

圖7 斷路器正常振動信號IMF分量的包絡(luò)

(8)

最后，將ε(i)輸入能量熵公式，完成特征熵的計算，能量熵的表達(dá)式如下：

(9)

斷路器正常狀態(tài)振動信號的能量熵值計算完成后，按照同樣的方式可計算得出斷路器傳動機構(gòu)卡澀及基座螺絲松動兩種故障狀態(tài)的能量熵值。

斷路器不同運行情況下部分IMF能量熵見表1。

表1 斷路器VMD能量熵

由表1可知斷路器相同狀態(tài)時能量熵具有較強重復(fù)性，不同狀態(tài)間熵值波動較大。為更直觀的表達(dá)斷路器能量熵特征提取效果，本文將斷路器正常、卡澀及松動三種狀態(tài)的能量熵各自平均，獲得圖8所示的斷路器VMD能量熵均值分布曲線圖。

圖8 斷路器VMD能量熵均值

由圖8可知，斷路器三種運行狀態(tài)的均值曲線縱向間隔較大，雖然部分IMF的能量熵出現(xiàn)交叉現(xiàn)象，但整體趨勢相互獨立，特征提取效果較為理想。

熵值大小體現(xiàn)信號均勻度，分布均勻熵值大，反之便小。斷路器正常情況下振動信號較穩(wěn)定，故障情況時，信號會不同程度的集中于故障特征頻段，波動較大，因此，斷路器正常狀態(tài)的熵值普遍高于故障狀態(tài)。實測振動信號熵值規(guī)律符合能量熵理論特性，再次證明了用能量熵提取斷路器故障特征的科學(xué)性。

3.3 故障狀態(tài)識別

在對高壓斷路器進(jìn)行機械故障研究獲取故障樣本時，因設(shè)備本身不易反復(fù)操作[16]，所以故障樣本為一個由36組斷路器正常信號、30組斷路器機構(gòu)卡澀信號與27組斷路器基座松動信號組成的小數(shù)據(jù)樣本。通過參考大量文獻(xiàn)資料并結(jié)合斷路器自身特點，本文初選馬氏距離[17]及支持向量機[18]兩種適于分析小數(shù)據(jù)故障樣本的方式進(jìn)行斷路器故障判定。馬氏距離不受量綱的影響，是有效判別不同樣本之間相似度的方法[19]。但其計算結(jié)果受總體樣本的影響較大，實際應(yīng)用中，一旦有新樣本的加入，則總體樣本的協(xié)方差會發(fā)生變化，這將導(dǎo)致計算結(jié)果不穩(wěn)定，不利于后期對新增故障樣本的分析。而支持向量機具有較強分類性能及泛化能力[20-21]，因此，在對斷路器進(jìn)行狀態(tài)識別時，本文最終將特征向量輸入支持向量機以確定斷路器運行情況。

斷路器正常、傳動機構(gòu)卡澀及基座松動三種狀態(tài)的特征向量為一個93×5的矩陣。其中，1-36行代表正常信號的特征向量、37-66行代表傳動機構(gòu)卡澀信號的特征向量、67-93行代表基座螺絲松動信號的特征向量。將斷路器正常、卡澀及松動狀態(tài)的類別標(biāo)簽分別記為1、2、3，在93組特征數(shù)據(jù)中選取46組(18組斷路器正常數(shù)據(jù)、15組斷路器卡澀數(shù)據(jù)、13組斷路器基座松動數(shù)據(jù))用于訓(xùn)練，其余47組用于測試。

測試集樣本如表2所示。

表2 測試集樣本

測試結(jié)果如圖9所示。

圖9 支持向量機識別結(jié)果

由圖9可知，47組測試樣本中18組斷路器正常狀態(tài)信號及15組傳動機構(gòu)卡澀故障信號的分類全部正確，識別率都為100%，14組斷路器基座松動測試信號僅出現(xiàn)1處誤判，且誤判可能由數(shù)據(jù)采集時環(huán)境干擾引起。整體而言，采用改進(jìn)VMD-SVM方法識別率高，故障診斷結(jié)果較為滿意。

4 結(jié) 論

(1) 10 kV斷路器在電力系統(tǒng)中數(shù)量龐大，波及范圍較廣，其故障的發(fā)生極易引起大范圍電力系統(tǒng)崩潰，因此本文將10 kV高壓真空斷路器ZN63A-12作為實驗對象，研究基于振動信號的斷路器機械故障診斷方法。所提改進(jìn)VMD-SVM的斷路器故障診斷新方法經(jīng)實驗證明可將斷路器正常、卡澀、松動等運行狀態(tài)有效區(qū)分，故障診斷精度高，為斷路器機械故障診斷提供了新的研究思路。

(2) 不同電壓等級的斷路器，其振動信號幅值及頻率雖存在不同，但只需改變故障監(jiān)測時相關(guān)傳感器的量程范圍及采樣頻率等信號采集設(shè)定問題，即可使用本文所提改進(jìn)VMD-SVM方法進(jìn)行后續(xù)故障信號分析及狀態(tài)識別。本研究具有較強的推廣性及應(yīng)用價值，對電力設(shè)備的故障監(jiān)測和診斷具有重要意義。