鄒宇 章守宇 陸元翠 楊駿 王晨

摘 要：為實(shí)現(xiàn)高壓斷路器的故障診斷，提出了基于振動(dòng)信號(hào)的故障特征提取與診斷方法。首先采用變分模態(tài)分解對(duì)振動(dòng)信號(hào)進(jìn)行處理，綜合考慮模態(tài)重復(fù)系數(shù)與歸一化距離來確定模態(tài)分解個(gè)數(shù)，最終將本征模態(tài)分量的分段奇異值作為斷路器的故障特征。將特征數(shù)據(jù)集輸入機(jī)器學(xué)習(xí)模型，故障分類結(jié)果表明，所提的故障特征可以準(zhǔn)確實(shí)現(xiàn)斷路器的故障診斷。

關(guān)鍵詞：高壓斷路器;振動(dòng)信號(hào);故障診斷;變分模態(tài)分解

中圖分類號(hào)：TM561? 文獻(xiàn)標(biāo)志碼：A? 文章編號(hào)：1671-0797（2022）07-0020-04

DOI：10.19514/j.cnki.cn32-1628/tm.2022.07.006

0? ? 引言

高壓斷路器是電力系統(tǒng)中最為重要的控制和保護(hù)設(shè)備之一，其運(yùn)行可靠性直接影響電力系統(tǒng)能否穩(wěn)定運(yùn)行。因此，對(duì)高壓斷路器進(jìn)行狀態(tài)監(jiān)測(cè)以及時(shí)發(fā)現(xiàn)其故障是目前的研究熱點(diǎn)之一。

過去，高壓斷路器運(yùn)維常采取事故檢修或定時(shí)檢修的方式，顯然這兩種方式存在一定的局限性。事故檢修即在故障發(fā)生后進(jìn)行檢修，無法有效避免事故的發(fā)生;定時(shí)檢修即固定時(shí)間間隔的檢修，常常因此反而導(dǎo)致斷路器的損壞。因此，發(fā)展斷路器的在線監(jiān)測(cè)技術(shù)及在線故障診斷方法是十分必要的。

高壓斷路器動(dòng)作時(shí)的振動(dòng)信號(hào)包含了豐富的信息，學(xué)者們對(duì)基于振動(dòng)信號(hào)的斷路器故障診斷方法已經(jīng)進(jìn)行了大量研究。首先是斷路器振動(dòng)信號(hào)的處理方面，經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）[1]、小波變換[2]、S變換[3]等都是斷路器振動(dòng)信號(hào)的常用處理方法，可以有效反映信號(hào)的暫態(tài)特性，但EMD存在模態(tài)混疊問題，小波基函數(shù)的選取需要一定的經(jīng)驗(yàn)。在特征提取方面，動(dòng)作時(shí)間、振動(dòng)幅值、能量、熵、高階統(tǒng)計(jì)參數(shù)[4-5]等是常見的特征參數(shù)，可以有效反映高壓斷路器的鐵芯卡澀、螺絲松動(dòng)等問題，但特征重復(fù)性還有待提高。在故障診斷方面，神經(jīng)網(wǎng)絡(luò)[6]、支持向量機(jī)[7]等模型均在高壓斷路器的故障診斷中得到了應(yīng)用，并取得了較好的診斷效果。

為進(jìn)一步挖掘高壓斷路器振動(dòng)信號(hào)所包含的狀態(tài)信息，提高故障診斷準(zhǔn)確率，本文提出了一種基于變分模態(tài)分解的振動(dòng)信號(hào)處理與特征挖掘方法，并采用機(jī)器學(xué)習(xí)算法對(duì)振動(dòng)特征進(jìn)行分類，驗(yàn)證了所提方法的有效性。

1? ? 高壓斷路器故障診斷原理

拒動(dòng)和誤動(dòng)是高壓斷路器的主要故障，機(jī)械結(jié)構(gòu)的變形、移位或斷裂均有可能導(dǎo)致斷路器拒動(dòng)，而二次回路故障和操作機(jī)構(gòu)故障是導(dǎo)致斷路器誤動(dòng)的主要原因。以上這些缺陷在斷路器振動(dòng)信號(hào)中均有所體現(xiàn)。典型的斷路器振動(dòng)信號(hào)波形圖如圖1所示，圖中高壓斷路器動(dòng)作時(shí)間節(jié)點(diǎn)如表1所示。

由圖1和表1可知，高壓斷路器的振動(dòng)信號(hào)包含了各零部件的動(dòng)作時(shí)間信息，當(dāng)各部件動(dòng)作異常或發(fā)生卡澀拒動(dòng)等情況時(shí)可以在振動(dòng)信號(hào)中有所體現(xiàn)。此外，根據(jù)振動(dòng)的時(shí)域波形還可以進(jìn)一步得到信號(hào)的幅值以及頻率，這些信息進(jìn)一步反映了斷路器的機(jī)械狀態(tài)信息，當(dāng)斷路器結(jié)構(gòu)變形損壞或觸頭燒毀時(shí)，振動(dòng)信號(hào)的幅值和頻率均會(huì)有所變化，因此，可以根據(jù)振動(dòng)信號(hào)的時(shí)頻信息來實(shí)現(xiàn)高壓斷路器的故障診斷。

2? ? 高壓斷路器振動(dòng)信號(hào)處理

2.1? ? 變分模態(tài)分解原理

高壓斷路器的振動(dòng)信號(hào)可以看作是由多個(gè)呈指數(shù)衰減的正弦信號(hào)疊加而成，為研究高壓斷路器的時(shí)頻特性，生成仿真振動(dòng)信號(hào)如圖2所示。

對(duì)于振動(dòng)信號(hào)或聲學(xué)信號(hào)的分類，現(xiàn)在一般采用時(shí)頻圖結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的方式，但對(duì)于高壓斷路器的振動(dòng)信號(hào)，其時(shí)頻圖是稀疏的，直接作為訓(xùn)練樣本將導(dǎo)致訓(xùn)練時(shí)間過長(zhǎng)，因此可以對(duì)其進(jìn)行壓縮或降維。為此，可采用變分模態(tài)分解（VMD）對(duì)其進(jìn)行處理[8]。

VMD可以將一個(gè)復(fù)雜的信號(hào)分解成為多個(gè)本征模態(tài)分量，并使得這些分量的帶寬之和最小。VMD的模型如下：

?tδ（t）+

×uk（t）e

（1）

s.t.uk=x（t）（2）

uk即本征模態(tài)分量，它具有如下形式：

uk（t）=Ak（t）cos[φ（t）]（3）

式中：Ak（t）為瞬時(shí)幅值;φ（t）為瞬時(shí)頻率。

式（1）所表達(dá)的含義為對(duì)本征模態(tài)分量進(jìn)行希爾伯特變換，得到解析信號(hào)，并通過加入e將頻譜調(diào)制到相應(yīng)的基頻帶。然后上述解調(diào)信號(hào)梯度的L2范數(shù)，并使得各模態(tài)的帶寬之和最小。式（2）即滿足的約束為各本征模態(tài)分量之和和原始信號(hào)x（t）相等。

VMD通過構(gòu)造增廣拉格朗日函數(shù)并結(jié)合乘法算子交替方向法求解上述約束問題，最終得到各本征模態(tài)分量uk以及對(duì)應(yīng)的中心頻率ωk。

2.2? ? 模態(tài)個(gè)數(shù)選取

分解個(gè)數(shù)k的選取對(duì)分解結(jié)果具有較大的影響，既要信號(hào)充分分解，又要使得分解后的信號(hào)完整保留原始信號(hào)的信息，因此根據(jù)高壓斷路器的振動(dòng)特點(diǎn)，本文提出了一種分解模態(tài)個(gè)數(shù)k的確定方法。

首先要保證分解后的信號(hào)完整保留了原始信號(hào)的信息，可以計(jì)算分解重構(gòu)信號(hào)r與原始信號(hào)x的歸一化距離[9]，表達(dá)式如下：

d=（4）

選取k=1～15，計(jì)算圖2所示仿真信號(hào)與分解重構(gòu)信號(hào)的歸一化距離如圖3所示。

當(dāng)分解個(gè)數(shù)達(dá)到5個(gè)時(shí)，重構(gòu)信號(hào)與原始信號(hào)已經(jīng)幾乎沒有差別，因此選擇分解個(gè)數(shù)k≥5是比較合適的。為防止過度分解，本文采用模態(tài)重復(fù)系數(shù)[10]來進(jìn)一步確定k的取值。

模態(tài)重復(fù)系數(shù)c定義為：

c=（5）

如圖4所示，當(dāng)分解個(gè)數(shù)超過5個(gè)時(shí)，模態(tài)便發(fā)生了重疊現(xiàn)象，此時(shí)模態(tài)重復(fù)系數(shù)明顯升高，因此分解個(gè)數(shù)k應(yīng)當(dāng)小于等于5。綜上，對(duì)于該仿真信號(hào)，可以選擇模態(tài)個(gè)數(shù)為5。

在處理實(shí)測(cè)信號(hào)時(shí)，可能存在多個(gè)數(shù)值滿足重復(fù)系數(shù)和歸一化距離，此時(shí)應(yīng)盡量選取較大的數(shù)值。若重復(fù)系數(shù)取值小于歸一化距離取值，則應(yīng)按照歸一化距離的計(jì)算結(jié)果進(jìn)行取值，并對(duì)重復(fù)模態(tài)進(jìn)行合并。選取k為5時(shí)，圖2所示的仿真振動(dòng)信號(hào)分解結(jié)果如圖5所示。

從分解結(jié)果可以看出，各模態(tài)之間沒有發(fā)生混疊重復(fù)現(xiàn)象，表明所采用的分解方法及分解個(gè)數(shù)選取方法是合理有效的。

2.3? ? 特征參數(shù)提取

振動(dòng)信號(hào)經(jīng)模態(tài)分解后得到了多個(gè)本征模態(tài)分量，實(shí)現(xiàn)了對(duì)信號(hào)時(shí)頻信息的初步壓縮提取，但此時(shí)數(shù)據(jù)量仍然較大，為進(jìn)一步實(shí)現(xiàn)數(shù)據(jù)壓縮并提取狀態(tài)信息，本文采用奇異值分解的方式。

對(duì)于一個(gè)矩陣A，必定存在兩個(gè)正交的矩陣U、V以及一個(gè)對(duì)角矩陣Σ滿足：

A=UΣVT（6）

Σ=diag（λ1，λ2，…，λr）（7）

λ即矩陣A的奇異值，并且λ1≥λ2≥…≥λn，數(shù)值越大包含的信息也就越多。為充分體現(xiàn)振動(dòng)信號(hào)的時(shí)頻特性，這里對(duì)本征模態(tài)分量進(jìn)行時(shí)間上的分割[11]，以仿真信號(hào)為例，模態(tài)分解后得到5×2 048的矩陣，將其在時(shí)域上平均分割為32個(gè)矩陣，即5×64×32，計(jì)算每個(gè)小矩陣的奇異值且只保留最大值，得到32個(gè)最大奇異值，將其視作特征信號(hào)的特征向量。圖2仿真信號(hào)的特征向量如圖6所示。

3? ? 高壓斷路器故障診斷

對(duì)高壓斷路器進(jìn)行故障模擬得到了正常狀態(tài)、鐵芯卡澀、基座螺絲松動(dòng)、拐臂潤滑不良4種狀態(tài)下共40組振動(dòng)信號(hào)，首先采用歸一化距離和模態(tài)重復(fù)系數(shù)確定分解層數(shù)，以正常狀態(tài)為例，結(jié)果如圖7所示。

綜合二者來看，當(dāng)k取7時(shí)重構(gòu)信號(hào)與原始信號(hào)已經(jīng)幾乎一致，且此時(shí)沒有發(fā)生模態(tài)重疊現(xiàn)象，因此選取分解個(gè)數(shù)為7。對(duì)各組信號(hào)進(jìn)行特征提取，結(jié)果如圖8所示。

結(jié)果表明，相同狀態(tài)下，振動(dòng)信號(hào)特征向量具有較好的重復(fù)性，不同狀態(tài)下振動(dòng)特征向量具有較大的差異性，可以滿足狀態(tài)分類的需求。

基于Matlab的機(jī)器學(xué)習(xí)工具箱，采用不同的故障診斷方法對(duì)振動(dòng)信號(hào)進(jìn)行分類，特征數(shù)為32，數(shù)據(jù)集共40組，選擇5組數(shù)據(jù)用作交叉驗(yàn)證，分類準(zhǔn)確率如表2所示。

結(jié)果表明，采用當(dāng)前特征數(shù)據(jù)時(shí)，常用的分類方法均能取得較高的分類準(zhǔn)確率，這就驗(yàn)證了本文所提故障診斷特征的有效性。

4? ? 結(jié)語

本文提出采用變分模態(tài)分解對(duì)高壓斷路器振動(dòng)信號(hào)進(jìn)行處理，采用歸一化距離和模態(tài)重復(fù)系數(shù)結(jié)合的方式確定分解模態(tài)個(gè)數(shù)，并采用奇異值分解提取狀態(tài)特征。機(jī)器學(xué)習(xí)工具箱分類結(jié)果表明，所提特征和方法可以有效實(shí)現(xiàn)高壓斷路器的狀態(tài)分類。

[參考文獻(xiàn)]

[1] 孫抗，劉永超.基于EEMD和馬氏距離的高壓斷路器機(jī)械故障診斷研究[J].高壓電器，2018，54（12）：43-49.

[2] 王俊波，武利會(huì)，羅容波，等.基于小波變換—振動(dòng)起始時(shí)刻分析的高壓斷路器故障診斷方法[J].高壓電器，2020，56（6）：211-217.

[3] 黃南天，陳懷金，林琳，等.基于S變換和極限學(xué)習(xí)機(jī)的高壓斷路器機(jī)械故障診斷[J].高壓電器，2018，54（6）：74-80.

[4] 萬書亭，馬曉棣，陳磊，等.基于振動(dòng)信號(hào)短時(shí)能熵比與DTW的高壓斷路器狀態(tài)評(píng)估及故障診斷[J].高電壓技術(shù)，2020，46（12）：4249-4257.

[5] 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(jī)械故障診斷[J].電機(jī)與控制學(xué)報(bào)，2020，24（3）：11-19.

[6] 陳欣昌，馮玎，林圣.基于深度自編碼網(wǎng)絡(luò)的高壓斷路器操作機(jī)構(gòu)機(jī)械故障診斷方法[J].高電壓技術(shù)，2020，46（9）：3080-3088.

[7] 邵陽，武建文，馬速良，等.用于高壓斷路器機(jī)械故障診斷的AM-ReliefF特征選擇下集成SVM方法[J].中國電機(jī)工程學(xué)報(bào)，2021，41（8）：2890-2900.

[8] ZOSSO D，DRAGOMIRETSKIY K.Variational mode decomposition[J].IEEE Transactions on Signal Processing，2013，62（3）：531-544.

[9] HUANG N T，CHEN H J，CAI G，et al.Mechanical fault diagnosis of high voltage circuit breakers based on variational mode decomposition and multi-layer classifier[J].Sensors，2016，16（11）：1887.

[10] 殷紅，董康立，彭珍瑞.基于VMD-SSI的結(jié)構(gòu)模態(tài)參數(shù)識(shí)別[J].振動(dòng)與沖擊，2020，39（10）：81-91.

[11] 陳懷金.基于振動(dòng)分析的高壓斷路器機(jī)械故障診斷研究[D].吉林：東北電力大學(xué)，2017.

收稿日期：2022-01-10

作者簡(jiǎn)介：鄒宇（1983—），男，江蘇南京人，高級(jí)工程師，主要從事電力工程施工管理工作。