肖鵬斌,韋云清

(1.海軍裝備部,甘肅 蘭州 730000; 2.甘肅省航空電作動重點(diǎn)實(shí)驗(yàn)室,甘肅 蘭州 730000)

0 引 言

近年來,高壓真空斷路器在電力系統(tǒng)中得到了廣泛的應(yīng)用和發(fā)展。但同時,電力系統(tǒng)也對其機(jī)械開關(guān)及操動機(jī)構(gòu)的快速性、可靠性和經(jīng)濟(jì)性方面提出了更高的要求。因此,一種應(yīng)用在高壓真空斷路器中的新型電磁斥力機(jī)構(gòu)成為研究熱點(diǎn)[1]。而目前對電磁斥力機(jī)構(gòu)的研究主要集中在機(jī)械結(jié)構(gòu)的設(shè)計和改進(jìn)方面,忽略了其故障問題。國際大電網(wǎng)會議(CIGRE)對高壓設(shè)備可靠性的國際調(diào)查報告中指出,80%的高壓電力設(shè)備故障出現(xiàn)在操動機(jī)構(gòu)上[2]。因此有必要對電磁斥力機(jī)構(gòu)中出現(xiàn)的機(jī)械故障進(jìn)行監(jiān)測和診斷,而利用振動信號對高壓斷路器進(jìn)行機(jī)械故障診斷已取得了較多成果[3-6]。但目前的這些方法均存在缺陷,如:傳統(tǒng)的小波包分解不具有自適應(yīng)性,存在基函數(shù)選擇困難的問題,并且受噪聲影響較大;經(jīng)驗(yàn)?zāi)B(tài)分解具有自適應(yīng)性但存在邊界效應(yīng)和模態(tài)混疊等現(xiàn)象,影響特征量的有效性。

S變換(ST)由Stockwell[7]在1996年提出。作為小波變換和短時傅立葉變換的繼承和發(fā)展,ST采用高斯窗函數(shù)且窗寬與頻率的倒數(shù)成正比,免去了窗函數(shù)的選擇并改善了窗寬固定的缺陷,在電能質(zhì)量擾動分析領(lǐng)域得到廣泛應(yīng)用[8]。然而,ST中固定的高斯窗函數(shù)限制了其應(yīng)用效果。為此,Mansinha等[9]提出廣義S變換(GST)。但無論ST還是GST,都無法在全時段兼顧頻率分辨率和時間分辨率。因此學(xué)者周竹生等[10]提出一種S變換改進(jìn)方法,即含可變因子的廣義S變換,進(jìn)一步提高非平穩(wěn)信號的時頻分辨率。筆者通過改進(jìn)S變換對高壓真空斷路器的振動信號進(jìn)行分解,利用支持向量機(jī)進(jìn)行故障分類,使針對斷路器機(jī)械故障診斷的準(zhǔn)確率達(dá)到更高水平。

1 改進(jìn)S變換

標(biāo)準(zhǔn)ST的表達(dá)式為:

(1)

式中:h(t)為輸入信號;ω(τ-t,f)為高斯窗函數(shù);τ為位移因子。

由于控制高斯窗在時軸上位置,高斯密函數(shù)表達(dá)式為:

(2)

高斯窗函數(shù)的窗寬因子σ被定義為頻率f的倒數(shù)。為改善ST時頻分辨率固定的缺點(diǎn),將窗寬因子定義為σ=δ/|f|。其中,δ為頻率f的線性函數(shù),其表達(dá)式為:

δ=kf+h

(3)

其中,參數(shù)k和h共同控制高斯窗的窗寬,k增加,高頻段頻率分辨率上升,時間分辨率下降;h增加,低頻段的時間分辨率提高。從而高斯窗函數(shù)的表達(dá)式變?yōu)?

(4)

由此得到的改進(jìn)S變換(IST)的表達(dá)式為:

e-(τ-t)2f2/2(kf+h)2e-i2πftdt

(5)

當(dāng)k=0,h=1時,IST即退化為標(biāo)準(zhǔn)ST。振動信號經(jīng)IST處理后得到的結(jié)果為一個二維復(fù)矩陣,其行向量表示時間,列向量表示頻率。對該二維復(fù)矩陣求模后即可得到IST模矩陣(ISTMM),從中可以提取特征量作為支持向量機(jī)輸入向量,進(jìn)而用于電磁斥力機(jī)構(gòu)機(jī)械故障診斷。

2 特征量提取

小波包能量熵在高壓斷路器故障診斷領(lǐng)域的應(yīng)用已經(jīng)較為廣泛[11]。文章參考小波包能量熵的思想,提出一種改進(jìn)S變換能量熵提取方法。

首先將ISTMM分別按照行和列劃分為N段,則ISTMM被劃分為N×N個小的時頻塊。對每一個時頻塊求能量Qij,計算公式為:

Qij=∑|Aij|2,i=1,2,...,N;j=1,2,...,N

(6)

式中:Aij表示每個時頻塊中所有元素的幅值。然后求每個時頻塊的歸一化能量Eij:

Eij=Qij/Q

(7)

式中:Q為所有時頻塊的能量總和。最后可求得S變換能量熵Ti和Fj:

(8)

(9)

式中:Ti為時域能量熵;Fj為頻域能量熵。則振動信號特征量S=[T1,...,TN,F1,...,FN]。由此可得到基于改進(jìn)S變換和支持向量機(jī)的高壓真空斷路器機(jī)械故障診斷流程如圖1所示。

圖1 高壓真空斷路器機(jī)械故障診斷流程圖

3 高壓真空斷路器故障診斷

3.1 故障模擬及數(shù)據(jù)處理

建立電磁斥力機(jī)構(gòu)高壓真空斷路器實(shí)驗(yàn)平臺,模擬電磁斥力機(jī)構(gòu)中的正常信號和5種故障信號:類別1-正常信號;類別2-控制回路電壓過低(線圈充電電壓降為85%額定電壓);類別3-控制回路電壓過高(線圈充電電壓升至105%額定電壓);類別4-控制回路電阻增大(模擬線圈老化);類別5-緩沖器卡澀;類別6-基座固定螺絲松動。綜合分析斷路器不同位置的振動信號后,選擇位置1、位置2安裝加速度傳感器采集振動信號,如圖2所示。

圖2 振動信號實(shí)驗(yàn)測試平臺

兩個位置傳感器對斷路器各個故障敏感度不同,將兩個位置振動信號的特征量共同作為分類器的輸入向量能夠取得更好的故障診斷效果。文章數(shù)據(jù)采集器采用示波器,采樣速率設(shè)置為1 MHz,采樣時間為100 ms,則每組數(shù)據(jù)共100 000個采樣點(diǎn),最高頻率為500 kHz。每種狀態(tài)采集10組數(shù)據(jù),其中5組作為訓(xùn)練樣本,5組作為預(yù)測樣本,位置1、2正常狀態(tài)下振動信號如圖3所示。

圖3 正常狀態(tài)下振動信號

按照公式(5),選取不同的k和h計算改進(jìn)S變換。經(jīng)大量測試后,取k=h=1,分別得到位置1、2正常狀態(tài)下振動信號在8 000～25 000采樣點(diǎn)、頻率范圍為0～20 kHz的改進(jìn)S變換結(jié)果,如圖4所示。從圖中可以清楚地看出振動信號在時頻平面的能量分布。

圖4 正常狀態(tài)下振動信號改進(jìn)S變換結(jié)果

3.2 特征量提取結(jié)果

根據(jù)前文所述的特征量提取方法,觀察原始振動的時域波形和快速傅里葉變換(FFT)頻譜后發(fā)現(xiàn),振動信號的能量集中在8 000～25 000采樣點(diǎn)0～20 kHz頻率范圍之間,因此將8 000～25 000采樣點(diǎn)、頻率范圍為0～20 kHz分別分為10段,計算得到位置1正常狀態(tài)和五種故障狀態(tài)下的IST能量熵。位置1和位置2正常狀態(tài)下三組數(shù)據(jù)的對比如圖5所示。

圖5 正常狀態(tài)下三組數(shù)據(jù)對比

由圖5可以看出不同狀態(tài)下的特征量可區(qū)分度較高,相同狀態(tài)下特征量一致性較好,可以作為SVM的輸入向量進(jìn)行故障診斷。

3.3 基于主成分分析-支持向量機(jī)的故障診斷

主成分分析(PCA)是一種使用最廣泛的數(shù)據(jù)降維算法[12]。首先將前述位置1和位置2的STMM能量熵S1和S2共同作為特征量Z,之后對Z進(jìn)行PCA降維,得到輸入向量X;SVM采用C-SVC模型并使用徑向基函數(shù)(RBF)作為分類器核函數(shù),分別通過網(wǎng)格搜索算法(GSA)、粒子群算法(PSO)、遺傳算法(GA)三種優(yōu)化算法進(jìn)行參數(shù)尋優(yōu),得到SVM故障診斷模型。圖6給出了GSA-SVM模型、PCA-GSA-SVM模型的預(yù)測結(jié)果。

圖6 模型預(yù)測結(jié)果

不同診斷模型以IST能量熵作為輸入向量,得到的故障分類結(jié)果如表1所列。從表中可以看出,在未使用PCA降維的情況下,GA-SVM模型表現(xiàn)最佳,達(dá)到了100%的分類準(zhǔn)確率,但分類效率最低,使用了5.771 061 s完成分類。使用PCA降維后,三種參數(shù)尋優(yōu)算法的效率都得到了提升,而PCA-GSA-SVM則是達(dá)到了100%的分類準(zhǔn)確率。但PCA-PSO-SVM和PCA-GA-SVM模型的分類準(zhǔn)確率都有所下降。究其原因,PCA雖然降低了數(shù)據(jù)的維數(shù),但同時也損失了部分信息,而PSO和GA參數(shù)尋優(yōu)模型都很復(fù)雜,因此PCA降維后的分類效果很難保證。綜合分類準(zhǔn)確率和效率可以看出,PCA-GSA-SVM為最優(yōu)模型。

表1 不同分類器使用IST能量熵的故障分類結(jié)果

為了顯示文章提出的改進(jìn)S變換的優(yōu)越性,將小波包能量熵作為輸入向量進(jìn)行故障診斷,小波基函數(shù)選取db10小波進(jìn)行7層小波包分解,選取第七層小波的前八個分量計算能量熵,診斷結(jié)果如表2所列。對比表1、2可以看出,雖然使用小波包能量熵也取得了較好的診斷效果,但使用IST能量熵作為輸入向量時,診斷模型的準(zhǔn)確率和運(yùn)行時間均優(yōu)于使用小波包能量熵。另外,IST相比小波包的另一個優(yōu)點(diǎn)是可以直觀地看出振動信號在時頻平面的分布,并且可以根據(jù)信號特點(diǎn)選擇合適的k和h,改善了標(biāo)準(zhǔn)S變換時頻分辨率固定的缺點(diǎn),也避免了小波包分解選擇小波基函數(shù)的困難。

表2 不同分類器使用小波包能量熵的故障分類結(jié)果

4 結(jié) 論

文章對標(biāo)準(zhǔn)S變換進(jìn)行了改進(jìn),參考小波包能量熵思想,從改進(jìn)S變換模型矩陣中提取能量熵作為特征量輸入SVM模型進(jìn)行電磁斥力機(jī)構(gòu)高壓真空斷路器機(jī)械故障診斷。研究結(jié)果表明。

(1) 提出的IST時頻分辨率高,振動信號經(jīng)過IST后可直觀看出信號在時頻平面的能量分布,且不同狀態(tài)下的可區(qū)分度較高。

(2) 提出的故障診斷模型取得了較好的診斷效果,其中GA-SVM和PCA-GSA-SVM均達(dá)到了100%的準(zhǔn)確率,并且準(zhǔn)確率和效率均優(yōu)于傳統(tǒng)的小波包能量熵,為小樣本下高壓真空斷路器機(jī)械故障診斷提供了一種新的思路。