彭詩怡 劉 衍 周濤濤 阮江軍 劉 源

基于操作力矩的高壓隔離開關(guān)機械缺陷智能診斷

彭詩怡1劉 衍1周濤濤2阮江軍2劉 源3

（1. 國網(wǎng)江西省電力有限公司電力科學(xué)研究院 南昌 330096 2. 武漢大學(xué)電氣與自動化學(xué)院 武漢 430072 3. 國網(wǎng)江西省電力有限公司建設(shè)分公司 南昌 330000）

隔離開關(guān)故障頻發(fā)卻缺乏有效診斷方法，該文提出一種基于操作力矩波形的隔離開關(guān)機械狀態(tài)智能診斷方法。為對操作力矩進行準確檢測，研制了電機式操作力矩檢測裝置，并通過剛?cè)狁詈蟿恿W(xué)仿真模型驗證了試驗結(jié)果的準確性，通過模擬合閘不到位、卡澀和三相不同期三種典型機械缺陷，分析總結(jié)操作力矩在不同機械狀態(tài)下變化規(guī)律。從波形中提取嚙合前力矩均值、嚙合角度、停止角度三個特征量，作為神經(jīng)網(wǎng)絡(luò)診斷模型的輸入，實現(xiàn)缺陷智能判斷。再從特征量中反演出表征故障嚴重程度的故障量，使該診斷技術(shù)不僅能判斷正常、卡澀、三相不同期和合閘不到位四種機械狀態(tài)，還可輸出卡澀等級與標準位相差角度，觸頭觸指間距離等與檢修標準密切相關(guān)的故障量，為隔離開關(guān)檢修提供實用性參考。

隔離開關(guān) 故障診斷 動力學(xué)仿真 神經(jīng)網(wǎng)絡(luò)

0 引言

2017年國家電網(wǎng)公司牽頭智能運檢體系建設(shè)，發(fā)布《智能運檢白皮書》，全力推動電力檢修方式從傳統(tǒng)計劃檢修向狀態(tài)檢修的積極轉(zhuǎn)變，致力于打造以狀態(tài)實時檢測為基礎(chǔ)、以故障有效診斷和決策為輸出的智能運檢體系[1]。

在眾多電力設(shè)備中，高壓隔離開關(guān)應(yīng)用規(guī)模、故障次數(shù)均位列高壓輸變電設(shè)備榜首。根據(jù)國家電網(wǎng)公司2015年開關(guān)設(shè)備運行情況統(tǒng)計，全國高壓隔離開關(guān)設(shè)備在運368 454套[2]，常與斷路器配合使用，以便形成明顯斷口，確保斷電的可靠性。而戶外隔離開關(guān)因為工作在開放環(huán)境中，經(jīng)歷不同天氣狀況，伴隨空氣中灰塵、粉塵等顆粒污染物的長期堆積[3]，疊加了需在現(xiàn)場進行安裝調(diào)試的不確定性，以及相關(guān)研發(fā)投入不足、性能提升緩慢[4]的市場現(xiàn)狀，使得隔離開關(guān)故障率居高不下。而且隔離開關(guān)數(shù)量多、分布廣，隨著用電負荷的日益增長，隔離開關(guān)年久失修引起的事故占比越來越高，對電網(wǎng)造成巨大影響，例如廣東電網(wǎng)某500kV變電站“4.10”事件及某500kV變電站“4.11”事件，均是因為沒有及時發(fā)現(xiàn)隔離開關(guān)存在隱患，最終造成大面積停電[5]。

據(jù)國網(wǎng)公司開關(guān)設(shè)備運行情況統(tǒng)計，2015年72.5kV及以上隔離開關(guān)發(fā)生缺陷7 682臺·次[2]；浙江電網(wǎng)2014年在役110kV及以上開放式隔離開關(guān)32 934臺，2006年~2014年發(fā)生故障3 777起，其中銹蝕、觸頭發(fā)熱、卡澀等典型故障共發(fā)生2 664起，占總故障的70％以上[5]；2008年~2016年，云南電網(wǎng)110kV 及以上電壓等級的隔離開關(guān)一共發(fā)生357起缺陷故障，其中機械故障缺陷占比54.62%[3]；2019年，江西電網(wǎng)在役110kV及以上隔離開關(guān)35 881臺，其中220kV及以上隔離開關(guān)全年發(fā)生嚴重及以上缺陷57處，占變電設(shè)備的43%。

而隔離開關(guān)現(xiàn)行檢修方式依舊以計劃檢修為主，其判斷在很大程度上依賴運維人員經(jīng)驗，如《隔離開關(guān)和接地開關(guān)狀態(tài)評價導(dǎo)則》要求對隔離開關(guān)各部件是否存在缺陷逐一判斷和打分，但判斷手段模糊且無法同時診斷多種故障，操作性差[6]。

隨著智能運檢的發(fā)展與推進，國內(nèi)外學(xué)者也對隔離開關(guān)的狀態(tài)檢修開展系列研究。有的學(xué)者基于隔離開關(guān)分合閘軌跡判斷隔離開關(guān)是否正常，如王黎明等歸納出基于隔離開關(guān)主軸轉(zhuǎn)角特性的故障診斷方法[7]；馬宏明等將此方法應(yīng)用于折疊式隔離開關(guān)，取得一定效果[8]。這種方法直觀明晰，但對于不改變隔離開關(guān)運動特性的輕微卡澀等機械故障，不能有效識別。李少華等通過振動信號與各狀態(tài)標準信號的相似程度來判斷隔離開關(guān)狀態(tài)[9]，隨后采用ReliefF算法和BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)故障類型、位置診斷[10]；Jia Yongyong等通過振動信號判斷氣體金屬封閉開關(guān)設(shè)備（Gas Insulated Switchgear, GIS）內(nèi)隔離開關(guān)合閘狀態(tài)[11-12]。振動信號也是目前對斷路器機械缺陷診斷的主流研究方向[13-16]，但振動信號僅對零件松動和間歇性接觸等故障敏感[17]，對卡澀、不同期等常見故障無明顯特征，且檢測結(jié)果受傳感器安裝位置影響大，穩(wěn)定性和通用性不高。考慮到電機是隔離開關(guān)的動力來源，許多學(xué)者提出將電機電流作為隔離開關(guān)機械狀態(tài)的在線檢測狀態(tài)量。王黎明提出利用電機電流時間特性及電機功率轉(zhuǎn)角特性診斷隔離開關(guān)機械故障的設(shè)想，但尚未進行實際試驗驗證[7]；劉賢杰等以電流信號為判斷標準防止電機過載及支柱絕緣子斷裂，但并未進行定量分析[18]；邱志斌和Peng Tao等推導(dǎo)了電機電流與操作力矩的函數(shù)關(guān)系[19-22]，通過電流幅值及時間點判斷隔離開關(guān)是否卡澀，但電機電流信號在隔離開關(guān)機械故障診斷中尚無實際應(yīng)用，且在電流信號的特征提取和智能診斷方面缺乏深入研究。

針對隔離開關(guān)機械故障頻發(fā)，對電力系統(tǒng)構(gòu)成嚴重威脅，且缺乏有效檢測診斷方法的現(xiàn)狀，本文基于剛?cè)狁詈蟿恿W(xué)仿真和操作力矩-轉(zhuǎn)角檢測平臺的檢測結(jié)果，提出操作力矩與隔離開關(guān)機械故障密切相關(guān)，能有效反映診斷隔離開關(guān)機械狀態(tài)，隨后結(jié)合神經(jīng)網(wǎng)絡(luò)，提取力矩波形特征量，實現(xiàn)隔離開關(guān)機械狀態(tài)的智能化診斷，準確判斷故障類型并輸出表征故障程度的對應(yīng)參數(shù)。

1 GW4型隔離開關(guān)操作力矩特性分析

1.1 隔離開關(guān)操作力矩檢測裝置

隔離開關(guān)作為電機驅(qū)動的動態(tài)設(shè)備，其性能與操作力矩密切相關(guān)。日常運維中，電力工人常通過手柄進行手動分合閘操作時的手感輕重來判斷機械狀態(tài)，由此設(shè)計手柄式操作力矩檢測裝置，如圖1a所示，內(nèi)置式力矩傳感器能實時檢測分合閘過程中力矩變化情況。以系統(tǒng)中常見的GW4型水平雙柱旋轉(zhuǎn)式隔離開關(guān)為試驗對象，采用該手柄式力矩傳感器從操作機構(gòu)箱手動操作口進行多次手動合閘操作，以隔離開關(guān)垂直連桿的轉(zhuǎn)動角度為橫坐標，操作力矩為縱坐標，繪制合閘過程的力矩波形如圖1b所示。

從圖1中可以看出，測得的力矩-轉(zhuǎn)角曲線存在較大波動，且兩次檢測結(jié)果差異較大，主要是因為手動操作時受操作者個人影響極大，難以保證手柄勻速轉(zhuǎn)動，因此無法作為有效參考。為了避免人力影響，設(shè)計電機式力矩檢測裝置，改用步進電機提供穩(wěn)定驅(qū)動，帶動角度傳感器和力矩傳感器后通過連桿與隔離開關(guān)相連，如圖2a所示。

圖2 電機式操作力矩檢測裝置及測量結(jié)果

對同一臺GW4型隔離開關(guān)進行多次檢測后，繪制的操作力矩-轉(zhuǎn)角曲線如圖2b所示。從圖中可看出，三次合閘曲線基本重合，可見電機式操作力矩檢測裝置穩(wěn)定性好，能獲得可靠的操作力矩特性曲線。

1.2 隔離開關(guān)動力學(xué)仿真技術(shù)

為對試驗測得的力矩波形進行驗證與分析，建立試驗對象的動力學(xué)仿真模型，考慮到隔離開關(guān)觸指和簧片的形變與其隔離開關(guān)性能密切相關(guān)，需采用柔性體模型，其他無明顯形變的結(jié)構(gòu)視為剛體。由此建立隔離開關(guān)剛?cè)狁詈蟿恿W(xué)仿真模型，仿真流程如圖3所示，需要分別進行剛性體和柔性體建模后再進行耦合。

圖3 動力學(xué)仿真流程

隔離開關(guān)的傳動結(jié)構(gòu)（如連桿等零部件）的材質(zhì)主要是碳鋼，導(dǎo)電部分（如觸頭、觸指）為黃銅材質(zhì)，支柱絕緣子為陶瓷材質(zhì)，按實際情況給各部件賦予密度、楊氏模型、泊松比等物理特性，并按照實際裝配關(guān)系在各零部件間施加固定、旋轉(zhuǎn)、滑移等運動約束，隔離開關(guān)剛體模型如圖4所示。

圖4 GW4型隔離開關(guān)剛體模型

將柔性部件（如觸指、簧片）的幾何模型逐一導(dǎo)入有限元分析軟件，設(shè)置材料屬性后采用六面體進行網(wǎng)格剖分，采用剛性區(qū)域法生成模態(tài)中性文件（Modal Neutral File, MNF）。GW4型隔離開關(guān)柔性體模型如圖5所示。對觸指而言，選擇螺栓孔作為剛性連接區(qū)域，將MNF導(dǎo)入隔離開關(guān)剛體模型，固定在觸指座相應(yīng)位置，此模型共有六根觸指，每邊三根分列在觸指座兩邊，簧片與每一根觸指的螺栓孔同心對應(yīng)，如圖5b所示。在觸頭觸指間設(shè)置剛體與柔性體間采用impact模型計算接觸力[18]。

圖5 GW4型隔離開關(guān)柔性體模型

通過在傳動結(jié)構(gòu)的垂直連桿下端施加固定角速度3.6°/s，驅(qū)動垂直連桿勻速轉(zhuǎn)動，帶動隔離開關(guān)合閘。仿真所得合閘過程的操作力矩與觸頭觸指間接觸力曲線如圖6所示，其中實線為操作力矩，虛線和點畫線分別為內(nèi)、外側(cè)觸指的接觸力。從圖6可見，由于觸頭與內(nèi)、外觸指的先后接觸和擠壓，導(dǎo)致力矩波形有兩個明顯的波峰與一個波谷，與試驗結(jié)果曲線特征一致。

圖6 力矩與接觸力曲線

與仿真模型相比，試驗時力矩傳感器在操作機構(gòu)箱外側(cè)，還需經(jīng)過操作箱中的減速器和齒輪等傳動環(huán)節(jié)才傳動至垂直連桿部位[23]，因此松開垂直連桿與機構(gòu)箱出口軸的固定抱箍，測得減速器與齒輪等結(jié)構(gòu)的操作箱內(nèi)傳動部分空載力矩曲線如圖7a所示。試驗測得的合閘力矩曲線減去此空載曲線并經(jīng)減速器的傳動比換算后，即為換算到仿真等效模型的操作力矩曲線，換算后的試驗與仿真曲線對比如圖7b所示。

為對兩曲線進行定量分析，結(jié)合隔離開關(guān)合閘過程特性，從波形中提取嚙合前均值、嚙合角度、力矩最大值、力矩最大值角度、包絡(luò)線峭度、停止角度作為特征量，兩曲線的特征量計算結(jié)果見表1?？梢姼魈卣髦嫡`差均小于5%，證明仿真與試驗結(jié)果一致。

表1 正常狀態(tài)下力矩波形特征量

Tab.1 The characteristic of torque waves in normal status

2 隔離開關(guān)典型缺陷模擬與分析

2.1 合閘不到位缺陷

合閘不到位是隔離開關(guān)常見故障之一，容易造成觸頭觸指間接觸電阻過大，引起觸頭發(fā)熱甚至燒蝕。改變試驗中控制電機起停的限位裝置位置，使限位擋板與分合閘位置定位器提前接觸，電機提前停止，可模擬隔離開關(guān)分合閘不到位缺陷[24]。采用前述電機式操作力矩測量裝置測得合閘不到位時力矩曲線，與正常狀態(tài)曲線對比如圖8所示。

圖8中實線為正常狀態(tài)力矩曲線，虛線為合閘不到位時力矩曲線，兩曲線基本重合。但在合閘快結(jié)束時，合閘不到位曲線比正常曲線缺失了一部分，從橫坐標轉(zhuǎn)動角度來看，正常曲線在175.7°左右停止，而合閘不到位曲線在167.6°左右停止，該停止角度主要與合閘定位器的位置有關(guān)。

圖8 合閘不到位狀態(tài)與正常狀態(tài)曲線對比

為了更加直觀比較曲線在不同狀態(tài)下變化程度，同樣選取隔離開關(guān)嚙合前力矩的平均值、嚙合角度、最大力矩值、最大力矩出現(xiàn)角度、包絡(luò)線峭度和隔離開關(guān)停止角度作為特征量，并以歸一化協(xié)方差系數(shù)來體現(xiàn)曲線相似度，定量描述兩波形曲線的相似程度，設(shè)有兩個長度為的操作力矩值序列()、()(=0,1,…,-1)，且()、()為實數(shù)，歸一化協(xié)方差系數(shù)R可按下列公式計算。

首先計算兩個序列的標準方差

然后計算兩個序列的協(xié)方差

便可以計算兩個序列的歸一化協(xié)方差系數(shù)為

式中，為操作力矩-轉(zhuǎn)角曲線的數(shù)據(jù)長度；R可表征兩曲線的相似度相關(guān)，取值為0＜R≤1，R越大表示曲線相似度越高。

合閘不到位狀態(tài)與正常狀態(tài)特征值對比見表2?？梢姾祥l不到位狀態(tài)下力矩波形變化主要表現(xiàn)在停止角度發(fā)生變化，因而引起包絡(luò)線峭度隨之改變。

2.2 軸承卡澀缺陷

運行一段時間后，隔離開關(guān)的軸承等部位容易因為潤滑劑干枯和金屬件銹蝕等原因發(fā)生卡澀缺陷，是造成隔離開關(guān)拒動的主要原因之一。在隔離開關(guān)槽鋼上固定一個環(huán)形抱箍，可通過抱緊絕緣子底部法蘭施加轉(zhuǎn)動阻力來模擬卡澀缺陷，通過螺釘松緊可調(diào)節(jié)阻力大小[25]，如圖9所示。

表2 合閘不到位狀態(tài)與正常狀態(tài)特征值對比

Tab.2 The contradistinction of characteristic between normal status and incorrect closing status

圖9 卡澀狀態(tài)模擬裝置

正常狀態(tài)與三種不同程度軸承卡澀狀態(tài)下力矩波形對比如圖10所示，卡澀狀態(tài)時力矩波形高于正常狀態(tài)，但波峰波谷位置基本不變。因為模擬軸承卡澀的抱箍與法蘭間摩擦力不連續(xù)，導(dǎo)致所測操作力矩曲線存在較大的波動，但對各特征量的分析影響較小。選取卡澀最嚴重時曲線與正常狀態(tài)曲線的特征量對比見表3。

圖10 卡澀狀態(tài)與正常狀態(tài)曲線對比

表3 卡澀狀態(tài)與正常狀態(tài)特征值對比

Tab.3 The contradistinction of characteristic between normal status and stucking status

從表3中可以看出：卡澀狀態(tài)與正常狀態(tài)的操作桿轉(zhuǎn)動角度相同，力矩最大值對應(yīng)角度和停止角度基本沒有變化，但卡澀狀態(tài)的力矩均值與極值均大于正常狀態(tài)，因此相似度和包絡(luò)線峭度也隨之改變。結(jié)合不同程度的卡澀波形和表中數(shù)據(jù)，可見發(fā)生卡澀故障時，角度相關(guān)特征量不發(fā)生明顯變化，力矩值顯著增大。

2.3 三相不同期缺陷

隔離開關(guān)的三相不同期是指隔離開關(guān)合閘過程中，其中一相最先接觸時，其余兩相觸指觸頭最小距離中的較大值。對于110kV電壓等級的隔離開關(guān)，要求其三相不同期≤10mm。本文研究對象GW4A—126W型隔離開關(guān)長度可調(diào)的部件有操動拐臂、操動連桿、交叉連桿、相間連桿、BC相聯(lián)動拐臂、三相從動拐臂，如圖11所示。調(diào)整BC相間連桿長度，使C相不同期，此時A、B相運動不受影響。

圖11 GW4型隔離開關(guān)可調(diào)節(jié)部位示意圖

三相不同期與正常狀態(tài)的電動操作力矩-轉(zhuǎn)角對比曲線如圖12所示?？梢姡嗖煌谌毕輹r，觸頭觸指嚙合前的曲線與正常狀態(tài)基本一致；觸頭觸指嚙合時，三相不同期曲線與正常狀態(tài)有明顯變化，主要表現(xiàn)在嚙合角提前，且第一個波峰明顯增大，選取其中一條三相不同期曲線，與正常狀態(tài)特征量對比結(jié)果見表4。

圖12 三相不同期狀態(tài)與正常狀態(tài)曲線對比

表4 三相不同期狀態(tài)與正常狀態(tài)特征值對比

Tab.4 The contradistinction of characteristic between normal status and inconsistent closing status

從表4中可以看出：三相不同期與正常狀態(tài)時操作桿轉(zhuǎn)動角度相同；嚙合前力矩均值與正常狀態(tài)相差較小，嚙合前整體波形與正常狀態(tài)相似度較高，變化主要體現(xiàn)在包絡(luò)線峭度和力矩最大值，與卡澀及合閘不到位缺陷相比，嚙合角度首次發(fā)生改變。

3 隔離開關(guān)機械狀態(tài)智能診斷方法

前文可見，力矩曲線對機械故障變化較敏感，但不同故障特征量變化錯綜且無定量標準，因此考慮采用神經(jīng)網(wǎng)絡(luò)算法進行故障類型的智能判斷。

3.1 神經(jīng)網(wǎng)絡(luò)預(yù)測模型

由于試驗獲取效率較低，通過對已有的檢測波形進行方差分析，采用隨機誤差法生成各類型操作力矩曲線各150條，共計600條，構(gòu)成樣本數(shù)據(jù)庫。提取樣本的嚙合角度、停止角度、嚙合前力矩均值三種特征值，作為神經(jīng)網(wǎng)絡(luò)診斷模型的輸入。

為判斷隔離開關(guān)典型機械狀態(tài)的正常狀態(tài)、不到位狀態(tài)、卡澀狀態(tài)和三相不同期狀態(tài)四種典型缺陷，因此輸出層設(shè)計了四個對應(yīng)輸出層節(jié)點。

隱藏層介于輸入層和輸出層之間。其層數(shù)與迭代次數(shù)和準確率密切相關(guān)，如果隱藏層神經(jīng)元數(shù)量過高，能使網(wǎng)絡(luò)表達更加復(fù)雜的數(shù)學(xué)公式，但迭代次數(shù)也隨之增加，可能會導(dǎo)致無法收斂，整體呈現(xiàn)過擬合；相反，如果隱含層的數(shù)量過低，則會導(dǎo)致網(wǎng)絡(luò)不能充分學(xué)習(xí)，預(yù)測準確率降低。在本系統(tǒng)中，參考其他文獻，依據(jù)式（5）確定隱含層神經(jīng)元數(shù)量[26-28]。

式中，n為輸入層的神經(jīng)元個數(shù)；m為輸出層神經(jīng)元個數(shù)；a為常數(shù)，取值通常在1~10。因此，本模型中將隱含層神經(jīng)元個數(shù)設(shè)置為10。形成了3-8-4結(jié)構(gòu)的網(wǎng)絡(luò)，如圖13所示。

隱藏層和輸入層分別采用tansig和purelin函數(shù)，采用梯度下降自適應(yīng)學(xué)習(xí)率訓(xùn)練函數(shù)tringdx，以方均差為誤差判斷標準，設(shè)收斂標準為0.01，學(xué)習(xí)率為0.01，最大迭代次數(shù)20 000，有效性檢查值為50，進行訓(xùn)練學(xué)習(xí)。

該網(wǎng)絡(luò)經(jīng)過1 214次迭代達到目標誤差0.01，梯度在0.1~0.5范圍波動，學(xué)習(xí)率在0~2波動，整體收斂速度快，收斂穩(wěn)定性較好。隨機抽取正常狀態(tài)60條，卡澀缺陷、三相不同期缺陷和合閘不到位缺陷各20條，共計120條曲線作為測試樣本，預(yù)測結(jié)果如圖14所示，“○”為預(yù)測結(jié)果，“*”為聚類后的輸出類別，其中縱坐標1~4分別代表卡澀缺陷、正常狀態(tài)、三相不同期缺陷和合閘不到位缺陷，預(yù)測準確率達100%。

確定性系數(shù)（coefficient of determination），表示方程中變量對的解釋程度。取值在0~1之間，越接近1，表明方程中對的解釋能力越強。該模型的回歸線分析如圖15所示，值均接近1，證明網(wǎng)絡(luò)模型性能優(yōu)秀，預(yù)測精度高。

圖14 神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果

圖15 神經(jīng)網(wǎng)絡(luò)模型的確定性分析

考慮到工程中隔離開關(guān)機械缺陷多樣，采集的樣本占比較小，因此探索樣本數(shù)目對模型判斷效果的影響。設(shè)訓(xùn)練樣本比例為，600條曲線數(shù)據(jù)庫中，有個訓(xùn)練樣本，測試樣本數(shù)量為600-。調(diào)整訓(xùn)練樣本比例，探究樣本數(shù)目對判斷效果的影響?？紤]到訓(xùn)練隨機性，對網(wǎng)絡(luò)進行多次訓(xùn)練與預(yù)測，統(tǒng)計判斷錯誤的測試樣本數(shù)量，去掉最大值與最小值后計算平均錯誤個數(shù)和準確率，則訓(xùn)練樣本比例=/600，準確率=/(600-)，平均錯誤個數(shù)和準確率隨樣本比例變化情況如圖16所示。從圖中可知，本模型判斷準確率較高，即使在樣本占比較少的情況下也能有效判斷待診斷設(shè)備狀態(tài)。

3.2 故障程度判斷

3.2.1 卡澀分級

不同卡澀程度對隔離開關(guān)的威脅程度不同，實際運行時采取的應(yīng)對措施也不同，因此有必要對卡澀程度進行進一步區(qū)分。

圖16 預(yù)測準確性與樣本比例的關(guān)系

以電機能提供的最大力矩和正常狀態(tài)下操作力矩為上、下限，均分為輕度卡澀、中度卡澀和重度卡澀三種狀態(tài)，獲得不同程度卡澀實測的操作力矩臨界值見表5。

表5 不同卡澀等級對應(yīng)的力矩值

Tab.5 Torque values corresponding to different levels of interference

按照上述卡澀等級劃分標準優(yōu)化神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)，對診斷為卡澀狀態(tài)的隔離開關(guān)依據(jù)其嚙合前力矩均值判斷其卡澀程度，卡澀分級優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型如圖17所示。

圖17 卡澀分級優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型

為了驗證該神經(jīng)網(wǎng)絡(luò)預(yù)測效果，建立包含正常狀態(tài)、不到位狀態(tài)、不同期狀態(tài)、輕度卡澀狀態(tài)、中度卡澀狀態(tài)和重度卡澀狀態(tài)六種機械狀態(tài)的各100條操作力矩-轉(zhuǎn)角曲線數(shù)據(jù)庫，將80%作為訓(xùn)練樣本，20%作為測試樣本，如圖18所示。

圖18 樣本組成示意圖

將樣本特征值輸入改進后的神經(jīng)網(wǎng)絡(luò)模型，采用tringdm訓(xùn)練函數(shù)，以方均差為誤差判斷標準，設(shè)收斂標準為0.01，學(xué)習(xí)率為0.01進行樣本學(xué)習(xí)，經(jīng)過1 210步計算收斂，且方程的確定性系數(shù)均大于0.99，證明網(wǎng)絡(luò)模型性能優(yōu)秀。

對測試樣本的預(yù)測結(jié)果如圖19所示，可見本模型可有效判斷出故障類型，并對判斷為卡澀故障的樣本進一步判斷其卡澀程度，輸出輕度、中度、重度三種判斷結(jié)果，圖中“○”為預(yù)測結(jié)果，“*”為標準結(jié)果，聚類后的預(yù)測卡澀等級與標準卡澀等級完全吻合，可見預(yù)測效果優(yōu)異。

圖19 卡澀分級優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果

3.2.2 角度映射

日常運維與標準中對三相不同期缺陷與合閘不到位缺陷的判斷通常選擇觸頭觸指間距離及主、從動級轉(zhuǎn)角與標準合閘位相差角度為依據(jù)，因此有必要建立所測的操作桿轉(zhuǎn)動角度與這些關(guān)注量間的對應(yīng)關(guān)系。

1）操作桿轉(zhuǎn)動角度與主、從動級轉(zhuǎn)角映射

從仿真軟件中輸出合閘過程主、從動極轉(zhuǎn)角與操作桿轉(zhuǎn)角數(shù)據(jù)。由于考慮的主要為合閘不到位故障，因此選擇操作桿轉(zhuǎn)動160°~180°區(qū)間內(nèi)，以操作桿轉(zhuǎn)動角度為橫坐標，以主、從動極與標準合閘到位時相差角度為縱坐標繪制曲線，如圖20所示。

圖20 檢測角度與合閘誤差角度關(guān)系

采用多項式進行擬合，經(jīng)嘗試發(fā)現(xiàn)多項式最高次為2次項可滿足擬合誤差小于0.1的要求，最終擬合獲得的主、從動極誤差角度分別為

式中，z為主動極轉(zhuǎn)角與標準合閘位相差角度；c為從動極轉(zhuǎn)角與標準合閘位相差角度；為操作桿轉(zhuǎn)動角度，范圍在160°~180°。

根據(jù)式（7），可在判斷為合閘不到位缺陷時，通過所測操作桿轉(zhuǎn)動角度，換算輸出觸頭觸指間距離，與標準中要求的三相不同期量（如GW4-126A型要求±1°）對比，可直觀體現(xiàn)合閘位是否超標及嚴重程度。

2）操作桿轉(zhuǎn)動角度與觸頭觸指間距離映射

從仿真軟件中導(dǎo)出觸指弧線段圓心與觸頭弧線段圓心坐標參數(shù)，求取兩圓心間距離后，減去觸指弧線段半徑與觸頭弧線段半徑，獲得兩圓弧間距離。

假設(shè)觸指弧線段圓心坐標為（1,1,1），半徑為1，觸頭弧線段圓心坐標為（2,2,2），半徑為2，則兩圓心間距離為

兩弧線間距離為

由于針對的是三相不同期故障，因此選取操作桿轉(zhuǎn)動角度為嚙合前10°，范圍為125°~135.5°，以操作桿轉(zhuǎn)動角度為橫坐標，兩弧線間距離為縱坐標，繪制的曲線如圖21所示。

圖21 SPMSG等效電路和空間矢量圖

采用多項式進行擬合，經(jīng)嘗試發(fā)現(xiàn)多項式最高次為2次項可滿足擬合誤差小于0.1要求，最終擬合獲得的主、從動極誤差角度為

式中，為觸頭觸指間距離；為操作桿轉(zhuǎn)動角度，范圍在125°~135.5°。

根據(jù)上述表達式，可在判斷為三相不同期缺陷時，通過所測操作桿轉(zhuǎn)動角度，換算輸出觸頭觸指間距離，與標準中要求的三相不同期量（如110kV要求10mm）對比，可直觀體現(xiàn)三相不同期是否超標及嚴重程度。

4 結(jié)論

本文基于剛?cè)狁詈蟿恿W(xué)仿真和操作力矩-轉(zhuǎn)角檢測裝置的檢測結(jié)果，提出一種基于操作力矩的隔離開關(guān)典型機械缺陷智能診斷方法，能有效檢測診斷隔離開關(guān)機械狀態(tài)并輸出判斷故障程度的物理量，獲得的主要結(jié)論包括：

1）仿真與試驗結(jié)果一致表明，GW4型隔離開關(guān)正常狀態(tài)下合閘力矩波形表現(xiàn)為一小一大兩個典型波峰。

2）通過典型機械缺陷模擬試驗力矩波形可知：合閘不到位缺陷主要影響合閘角度；卡澀缺陷使力矩值變大，合閘前力矩波形相似度和包絡(luò)線峭度也隨之改變，但角度相關(guān)特征量不變；三相不同期缺陷影響包絡(luò)線峭度、力矩最大值及最大值出現(xiàn)時間和嚙合角度。

3）本文建立的隔離開關(guān)典型機械缺陷智能診斷系統(tǒng)，以嚙合前力矩的平均值、嚙合角度和停止角度作為特征量輸入，可判斷隔離開關(guān)正常、合閘不到位、三相不同期、卡澀四種機械狀態(tài)，當診斷為卡澀時，輸出卡澀級別；當診斷為三相不同期時，輸出三相不同期量；當診斷為合閘不到位時，輸出與標準合閘角度差值。

[1]國家電網(wǎng)有限公司設(shè)備管理部. 構(gòu)建基于“大云物移智”等現(xiàn)代信息通信技術(shù)的智能運檢體系[J]. 電力設(shè)備管理, 2019(4): 26-27. Equipment management department of State Grid Corporation of China. Intelligent operation and inspection system based on modern information and communication technology such as "big-cloud-thing-moving-intelligence"[J]. Electric Power Equipment Management, 2019(4): 26-27.

[2]董洪達,馮世濤,黃濤,等. 高壓隔離開關(guān)典型機械故障與檢測方法分析[J]. 電工技術(shù), 2018(7): 36-38, 42. Dong Hongda, Feng Shitao, Huang Tao. Analysis of detection methods and typical mechanical faults of high voltage disconnectors[J]. Electric Engineering, 2018(7): 36-38, 42.

[3]馬宏明,周濤濤,彭詩怡,等. GW4隔離開關(guān)機械故障仿真與診斷技術(shù)[J]. 電工技術(shù)學(xué)報, 2019, 34(增刊2): 501-508. Ma Hongming, Zhou Taotao, Peng Shiyi, et al. Research on mechanical fault simulation and diagnosis technology of GW4 disconnector[J]. Transactions of China Electrotechnical Society, 2019, 34(S2): 501-508.

[4]姜才海. 高壓隔離開關(guān)設(shè)備完善化設(shè)計與改進[D].北京: 華北電力大學(xué), 2015.

[5]儲燎原. 高壓隔離開關(guān)若干關(guān)鍵部件腐蝕與防護試驗研究[D]. 杭州: 浙江大學(xué), 2017.

[6]國家能源局. 隔離開關(guān)及接地開關(guān)狀態(tài)評價導(dǎo)則: DL/T1701-2017[S]. 北京: 中國電力出版社, 2018.

[7]王黎明,何建明. 電動隔離開關(guān)機械故障狀態(tài)監(jiān)測的設(shè)想[J]. 浙江電力, 2006, 25(3): 56-59. Wang Liming, He Jianming. Mechanical fault monitoring of electrical driving disconnector[J]. Zhejiang Electric Power, 2006, 25(3): 56-59.

[8]馬宏明,周濤濤,彭詩怡,等. 基于操作桿轉(zhuǎn)角信號的隔離開關(guān)機械故障診斷技術(shù)研究[J]. 高壓電器, 2018, 54(8): 33-39, 47. Ma Hongming, Zhou Taotao, Peng Shiyi,et al. Research on mechanical fault diagnosis technology of disconnector based on operation corner angle signal[J]. High Voltage Apparatus, 2018, 54(8): 33-39, 47.

[9]李少華,張文濤,宋亞凱,等. 基于高壓隔離開關(guān)振動信號的故障診斷方法分析[J]. 內(nèi)蒙古電力技術(shù), 2018, 36(1): 89-92. Li Shaohua, Zhang Wentao, Song Yakai, et al. Analysis of fault diagnosis method based on vibration signal of high-voltage disconnector[J]. Inner Mongolia Electric Power, 2018, 36(1): 89-92.

[10]張一茗,李少華,陳士剛,等. 基于ReliefF特征量優(yōu)化及BP神經(jīng)網(wǎng)絡(luò)識別的高壓隔離開關(guān)故障類型與位置診斷方法[J]. 高壓電器, 2018, 54(2): 12-19. Zhang Yiming, Li Shaohua, Chen Shigang, et al. Fault type and position diagnosis method of high-voltage disconnectors based on ReliefF characteristic quantity optimization and BP neural network recognition[J]. High Voltage Apparatus, 2018, 54(2): 12-19.

[11]Jia Yongyong, Wu Bang, Sun Shanyuan, et al. Research of the vibration characteristics in GIS disconnector under different contact state[C]//2018 IEEE International Conference on High Voltage Engineering and Application (ICHVE), ATHENS, Greece, 2018: 1-4.

[12]Bian Chao, Zhou Yuqi, Guan Weimin, et al. Study on the closing state of high voltage disconnectors based on the modal analysis[C]//2017 20th International Conference on Electrical Machines and Systems (ICEMS), Sydney, NSW, Australia, 2017: 1-5.

[13]楊秋玉,阮江軍,黃道春,等. 基于振動信號時頻圖像識別的高壓斷路器分閘緩沖器狀態(tài)評估[J]. 電工技術(shù)學(xué)報, 2019, 34(19): 4048-4057. Yang Qiuyu, Ruan Jiangjun, Huang Daochun, et al. Opening damper condition evaluation based on vibration time-frequency images for high-voltage circuit breakers[J]. Transactions of China Electrotechnical Society, 2019, 34(19): 4048-4057.

[14]孫曙光, 李勤, 杜太行, 等. 基于一維卷積神經(jīng)網(wǎng)絡(luò)的低壓萬能式斷路器附件故障診斷[J]. 電工技術(shù)學(xué)報, 2020, 35(12): 2562-2573. Sun Shuguang, Li Qin, Du Taihang, et al. Fault diagnosis of accessories for the low voltage conventional circuit breaker based on one-dimensional convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(12): 2562-2573.

[15]楊秋玉,阮江軍,黃道春,等. 基于VMD-Hilbert邊際譜能量熵和SVM的高壓斷路器機械故障診斷[J]. 電機與控制學(xué)報, 2020, 24(3): 11-19. Yang Qiuyu, Ruan Jiangjun, Huang Daochun, et al. Mechanical fault diagnosis for high voltage circuit breakers based on VMD-Hilbert marginal spectrum energy entropy and SVM[J]. Electric Machines and Control, 2020, 24(3): 11-19.

[16]張麗萍,石敦義,繆希仁. 低壓斷路器振動特性分析及其故障診斷研究[J]. 電機與控制學(xué)報, 2016, 20(10): 82. Zhang Liping, Shi Dunyi, Miao Xiren. Research on vibration signal feature analysis and its fault diagnosis[J]. Electric Machines and Control, 2016, 20(10): 82.

[17]陳士剛,關(guān)永剛,張小青,等. 不完備故障類別下基于Multi-SVDD的高壓隔離開關(guān)故障診斷方法[J]. 電工技術(shù)學(xué)報, 2018, 33(11): 2439-2447. Chen Shigang, Guan Yonggang, Zhang Xiaoqing, et al. Diagnosis method of high voltage isolating switch fault based on Multi-SVDD under incomplete fault type[J]. Transactions of China Electrotechnical Society, 2018, 33(11): 2439-2447.

[18]劉賢杰,高世偉,胡曙明.防止高壓電動隔離開關(guān)支柱絕緣子斷裂措施新探[J]. 山西電力, 2013(3): 59-61. Liu Xianjie, Gao Shiwei, Hu Shuming. New measures to avoid the fracture of high voltage post insulator of electric isolating switch[J]. Shanxi Electric Power, 2013(3): 59-61.

[19]邱志斌,阮江軍,黃道春,等.高壓隔離開關(guān)機械故障分析及診斷技術(shù)綜述[J].高壓電器, 2015, 51(8): 171-179. Qiu Zhibin, Ruan Jiangjun, Huang Daochun, et al. Mechanical faults analysis of high voltage disconnectors and review of diagnosis technology[J]. High Voltage Apparatus, 2015, 51(8): 171-179.

[20]Qiu Zhibin, Ruan Jiangjun, Huang Daochun, et al. Mechanical fault diagnosis of high voltage outdoor disconnector based on motor current signal analysis[C]//2014 International Conference on Power System Technology, Chengdu, 2014: 1193-1198.

[21]黃聿琛,阮江軍,邱志斌,等.隔離開關(guān)操動機構(gòu)電機輸出軸扭矩和電流關(guān)系的研究[J].高壓電器, 2015, 51(6): 139-144. Huang Yuchen, Ruan Jiangjun, Qiu Zhibin, et al. Study on the relationship between motor output shaft torque and motor current of disconnector operation mechanism[J]. High Voltage Apparatus, 2015, 51(6): 139-144.

[22]Peng Tao, Lü Chaohui, Du Yi, et al. Mechanical fault diagnosis of high voltage disconnector based on motor current detection[C]//2019 IEEE 3rd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), Chengdu, China: 1726-1729.

[23]楊文英,劉蘭香,劉洋,等.考慮碰撞彈跳的接觸器動力學(xué)模型建立及其彈跳特性影響因素分析[J].電工技術(shù)學(xué)報, 2019, 34(9): 1900-1911. Yang Wenying, Liu Lanxiang, Liu Yang, et al. Establishing of contactor dynamic model considering collision bounce and analysis of influencing factors of bounce characteristics[J]. Transactions of China Electrotechnical Society, 2019, 34(9): 1900-1911.

[24]王棟.隔離開關(guān)智能測試裝置的設(shè)計[D]. 上海: 上海交通大學(xué), 2014.

[25]劉春來,周濤濤,馬宏明,等.基于力矩與轉(zhuǎn)角檢測的GW4-126型隔離開關(guān)典型機械故障診斷[J]. 高壓電器, 2020, 56(2): 232-239. Liu Chunlai, Zhou Taotao, Ma Hongming, et al. Typical mechanical fault diagnosis of GW4-126 disconnector based on torque and angle detection[J]. High Voltage Apparatus, 2020, 56(2): 232-239.

[26]趙科, 楊景剛, 馬速良, 等. 基于神經(jīng)網(wǎng)絡(luò)集成模型在高壓斷路器機械故障診斷中的應(yīng)用[J]. 高壓電器, 2018, 54(7): 217-223. Zhao Ke, Yang Jinggang, Ma Suliang, et al. Application of neural network ensemble model in mechanical fault identification of high voltage circuit breaker[J]. High Voltage Apparatus, 2018, 54(7): 217-223.

[27]程學(xué)珍, 朱曉林, 杜彥鑌, 等. 基于神經(jīng)模糊Petri網(wǎng)的高壓斷路器故障診斷研究[J]. 電工技術(shù)學(xué)報, 2018, 33(11): 2535-2544. Cheng Xuezhen, Zhu Xiaolin, Du Yanbin, et al. High voltage circuit breaker fault diagnosis based on neural fuzzy Petri nets[J]. Transactions of China Electrotechnical Society, 2018, 33(11): 2535-2544.

[28]楊秋玉, 阮江軍, 張燦, 等. 基于定量遞歸分析的高壓斷路器機械缺陷辨識及應(yīng)用[J]. 電工技術(shù)學(xué)報, 2020, 35(18): 3848-3859. Yang Qiuyu, Ruan Jiangjun, Zhang Can, et al. Study and application of mechanical defect identification for high-voltage circuit breakers using recurrence quantification analysis[J]. Transactions of China Electrotechnical Society, 2020, 35(18): 3848-3859.

Intelligent Diagnosis Technology of Mechanical Defects of High Voltage Disconnector

Peng Shiyi1Liu Yan1Zhou Taotao2Ruan Jiangjun2Liu Yuan3

（1. State Grid Jiangxi Electric Power Research Institute Nanchang 330096 China 2. School of Electrical Engineering and Automation Wuhan University Wuhan 430072 China 3. State Grid Jiangxi Construction Company Nanchang 330000 China）

As high voltage equipment with the largest number and most failures, disconnector still judged by the backward traditional maintenance methods. This paper aims to propose a convenient and reliable fault diagnosis method for disconnector. Based on the consistent results of rigid-flexible coupling dynamic simulation and torque detection experiment, the driving torque is proved closely related to the states of disconnector, and three characteristics extracted from the driving torque wave was chosen as the input of the neural network model, which can identify four typical status of disconnector intelligently. And the neural network model was optimized to output more information about its degree, which can provide more useful reference for the fault diagnosis of disconnector.

Disconnectors, fault diagnosis, dynamic simulation, neural network

TM732

10.19595/j.cnki.1000-6753.tces.200258

國家電網(wǎng)公司科技項目資助（521820180019）。

2020-03-12

2020-08-24

彭詩怡 女，1994年生，碩士，助理工程師，研究方向為開關(guān)設(shè)備運行管理及狀態(tài)評價等。E-mail：524409117@qq.com（通信作者）

劉 衍 男，1983年生，碩士，高級工程師，研究方向為開關(guān)設(shè)備運行管理及過電壓。E-mail：lywhu096@163.com

（編輯 赫蕾）