基于混沌吸引子的真空斷路器永磁斥力機構(gòu)機械故障識別方法

劉曉明 張煦松 姜文濤 陳 海 陳軍平 宋柏陽

基于混沌吸引子的真空斷路器永磁斥力機構(gòu)機械故障識別方法

劉曉明1張煦松1姜文濤2陳 海1陳軍平3宋柏陽1

（1. 省部共建電工裝備可靠性與智能化國家重點實驗室（河北工業(yè)大學） 天津 300130 2. 天津工業(yè)大學機械工程學院 天津 300387 3. 成都旭光電子股份有限公司 成都 610500）

針對真空斷路器斥力機構(gòu)故障時振動信號瞬態(tài)、非線性且難以進行故障定量評估與識別的問題，該文提出一種基于吸引子形態(tài)的混沌吸引子矩特征量和粒子群優(yōu)化支持向量機的斥力機構(gòu)故障評估與識別方法。以斥力機構(gòu)分合閘過程中典型故障，特別是分閘油壓緩沖器不同過調(diào)故障程度的振動信號為分析對象，首先采用混沌理論相空間重構(gòu)方法和Wolf算法，得到最大Lyapunov指數(shù)，表明斥力機構(gòu)振動信號具有明顯的混沌特性，通過三維相圖定性分析振動信號混沌吸引子演變規(guī)律；然后引入混沌吸引子矩理論，提取四種二維吸引子矩，利用最小二乘法線性回歸計算第一區(qū)域曲線斜率為吸引子形態(tài)特征量，同時提取時域信號共同組成特征向量庫；最后比對分析支持向量機算法與粒子群優(yōu)化-支持向量機組合算法的準確率。實驗結(jié)果表明，文中所用方法可精準識別斥力機構(gòu)故障類型。

真空斷路器 斥力機構(gòu) 油壓緩沖器 吸引子形態(tài) 支持向量機

0 引言

真空斷路器作為電力系統(tǒng)的控制與保護電氣設(shè)備，其運行特性是影響系統(tǒng)安全可靠運維的主要因素之一[1]。據(jù)統(tǒng)計，在真空斷路器服役過程中，機械故障占其整機故障的80%左右[2-3]，對真空斷路器運行故障進行評估與識別，具有理論和工程意義。

斷路器分、合閘動作產(chǎn)生的振動信號蘊含著豐富、重要的機構(gòu)狀態(tài)信息，是機構(gòu)運動過程中是否出現(xiàn)鐵心卡頓、鐵心與斥力盤松動、油壓緩沖器過調(diào)等“故障集總”參數(shù)。斷路器中的油壓緩沖器可吸收機構(gòu)分閘運動末期的剩余能量，用以減少沖擊與振動，在真空斷路器中扮演著不可或缺的角色[4]。此外，油壓緩沖器也直接影響斥力機構(gòu)分閘行程末端反彈幅值大小或彈跳時間長短：一方面，過大反彈幅值或過長彈跳時間將不可避免地導致滅弧室波紋管承受大振幅強迫振動而引發(fā)波紋管開裂進而造成滅弧室漏氣；另一方面，過大分閘反彈幅值使動靜觸頭間有效開距嚴重減小，滅弧室在開斷過程中無法達到安全間隙，導致滅弧室重擊穿，造成分閘失敗。基于上述分析，利用振動信號對斷路器的機械運行狀態(tài)，特別是油壓緩沖器的故障類型進行識別十分必要。

斷路器開斷過程中振動信號具有瞬態(tài)、非線性和非平穩(wěn)的特點。國內(nèi)外學者從信號采集、特征提取與故障識別等方面進行了大量的研究[5]。特征提取通常采用時域法、頻域法、時頻法、數(shù)據(jù)序列法或者幾種方法的組合。隨著人工智能算法的發(fā)展，神經(jīng)網(wǎng)絡(luò)、小波包分解與支持向量機（Support Vector Machine, SVM）等算法被引入故障識別。文獻[6]將斷路器的振動信號進行經(jīng)驗模態(tài)分解，代入本征模態(tài)函數(shù)，將邊際譜能量作為特征向量，利用決策表規(guī)則進行神經(jīng)網(wǎng)絡(luò)預測。文獻[7]對振動信號進行變分模態(tài)分解，采用短時能熵比的雙門限法進行時域檢測。文獻[8]采用小波包能量特征熵對斷路器振動信號進行故障診斷。文獻[9]基于小波包分解、希爾伯特-黃變換提取振動信號能量熵向量，應用SVM進行故障診斷。文獻[10]將振動信號經(jīng)小波變換轉(zhuǎn)換成時頻譜圖，提取紋理特征和形狀特征為特征向量，利用SVM實現(xiàn)分閘緩沖器狀態(tài)的識別。上述研究多基于斷路器的彈簧機構(gòu)和液壓機構(gòu)等，隨著直流電網(wǎng)的發(fā)展，提升直流斷路器故障分斷能力變得愈發(fā)重要，基于電磁斥力機構(gòu)的快速真空斷路器作為直流開斷模塊的主開關(guān)已經(jīng)成為共識[11]。

本文以真空斷路器永磁斥力機構(gòu)為研究對象，斥力機構(gòu)為分合閘提供動力，相比于彈簧機構(gòu)、氣動液壓等機構(gòu)，斥力機構(gòu)具有響應及時、速度快、部件少和精度高等優(yōu)點[12-13]，但其速度快、沖擊力大、彈跳大與動態(tài)參數(shù)多，且永磁斥力機構(gòu)動作時間只有十幾、甚至幾個毫秒，其振動信號更加復雜、非線性程度更加明顯，基于傳統(tǒng)時間序列的振動分析變得更為復雜。

將相空間重構(gòu)引入斷路器振動信號分析，可有效通過吸引子的演化規(guī)律分辨故障類型或故障程度。文獻[14]提出將混沌理論中的相空間重構(gòu)引入振動信號分析，采用關(guān)聯(lián)維數(shù)分析機構(gòu)機械狀態(tài)與機構(gòu)運行狀態(tài)。文獻[15]針對高壓斷路器振動信號采用功率譜和Lyapunov指數(shù)進行混沌分析，探究了不同故障程度下的混沌吸引子演變規(guī)律。文獻[16]根據(jù)斷路器動作時序?qū)⒄駝有盘柗謺r分割處理，將分時信號各模態(tài)分量自適應分離，利用重構(gòu)模態(tài)分量的混沌吸引子形態(tài)判斷各零部件不同故障嚴重程度。上述文獻研究表明，混沌吸引子方法可有效判斷故障類型，而針對快速永磁斥力機構(gòu)的振動信號吸引子形態(tài)的研究需進一步提取特征向量，完成故障的評估與分類。

基于上述分析，以真空斷路器永磁斥力機構(gòu)為研究對象，基于混沌理論對機構(gòu)分合閘卡頓、斥力機構(gòu)操作功不是引起的分/合閘不到位、合閘反彈和分閘過程油壓緩沖器過調(diào)等故障類型進行相空間重構(gòu)，運用C-C算法計算延遲時間和嵌入維數(shù)，采用Wolf算法得出最大Lyapunov指數(shù)（max）判斷振動信號的混沌特性，通過相圖定性分析其三維混沌吸引子演變規(guī)律；引入混沌吸引子矩理論，以振動信號二維吸引子相圖為對象，計算主軸、副軸、原點和混合吸引子矩，運用最小二乘法做線性回歸得出的吸引子形態(tài)特征量為特征向量，同時提取時域信號的均值和均差值共同組成特征向量庫；應用粒子群優(yōu)化（Particle Swarm Optimization, PSO）算法對SVM的懲罰系數(shù)和核函數(shù)半徑優(yōu)化，進而實現(xiàn)不同故障類型的評估與識別，技術(shù)路線如圖1所示。

圖1 技術(shù)路線

1 分合閘振動信號采集

本文以400V/400A/25kA真空斷路器斥力機構(gòu)為研究對象，分閘采用油壓緩沖器吸收沖擊能量，振動傳感器和油壓緩沖器的安裝位置如圖2所示，機構(gòu)最佳緩沖間隙3.0mm，行程5.5mm，緩沖間隙值是反映油壓緩沖器過調(diào)故障表征量，1.5～3.0mm的緩沖間隙反映了油壓緩沖器的過緊程度，原因是緩沖器預緊量難以調(diào)試，3.0～5.0mm的緩沖間隙為油壓緩沖器松動程度，原因是安裝調(diào)試出錯或者斷路器長期工作中老化松動。同時，對由于操作功不是造成的斥力機構(gòu)分/合閘不到位的振動信號以及分合閘卡頓和合閘反彈等典型故障的振動信號進行采集。

分閘緩沖間隙不同振動信號明顯不同，典型條件下振動信號如圖3所示，圖3a～圖3h為油壓緩沖器在緩沖間隙1.5～5.0mm變化的時振動信號。分析表明，圖3d為油壓緩沖器在最優(yōu)固定位置時的振動信號。

對比圖3a～圖3c可知，伴隨油壓緩沖間隙減小，過緊程度增加，振動信號幅值漸增且雜亂程度增加。

圖2 斥力機構(gòu)振動傳感器與緩沖器安裝位置

緩沖間隙1.5mm時（見圖3a），運動末期出現(xiàn)第二個信號波，油壓緩沖器無法完全吸收機構(gòu)運動末期沖擊能量，導致斥力機構(gòu)分閘過程中出現(xiàn)反彈，嚴重時甚至導致分閘動作失敗。

對比圖3e～圖3i可知，伴隨緩沖間隙增加，緩沖器逐漸松動或者漏油時，緩沖有效距離變短，斥力機構(gòu)末期的沖擊能量未被吸收，碰撞力增加、沖擊變大，運動后期小波明顯增加。

圖3 典型條件下振動信號

分析圖3g與圖3i可知，油壓緩沖器幾乎失效，振動信號波形幅值與雜波明顯增加。

分析圖3j與圖3l可知，當機構(gòu)運動過程中發(fā)生卡頓故障時，振動信號波峰明顯增加且出現(xiàn)第二個信號波。

圖3m、圖3n相比于圖3d、圖3k，當斥力線圈操作功不足，機構(gòu)分/合閘不到位，所產(chǎn)生的故障振動信號幅值小。

圖3o相比于圖3k，當機構(gòu)合閘運動末端發(fā)生反彈時，運動前期振動信號波峰明顯增加，運動末期出現(xiàn)第二個信號波，呈現(xiàn)反彈現(xiàn)象。

2 斥力機構(gòu)振動信號混沌分析

斥力機構(gòu)振動信號為典型瞬態(tài)非線性信號，傳統(tǒng)的單獨提取時頻域特征向量方法不再適用。對于復雜非線性系統(tǒng)，選取一個或幾個參數(shù)時間序列間接計算和判定max，通過該表征混沌的特征量來判定振動信號混沌行為。采用計算max對直流真空斷路器永磁斥力機構(gòu)振動信號進行混沌態(tài)研究分析，利用相空間重構(gòu)、C-C及Wolf算法計算max，判斷振動信號混沌態(tài)，構(gòu)造三維相圖分析不同故障類型下振動信號混沌吸引子形態(tài)演化規(guī)律。

2.1 振動信號相空間重構(gòu)法

1）相空間重構(gòu)

2）C-C算法

其中

3）Wolf算法

max是表征系統(tǒng)混沌特性的重要特征量，Wolf算法利用高維相空間中相軌線、相面積和相體積等的演化來計算。以真空斷路器斥力機構(gòu)振動信號為時間序列求解max的Wolf算法實施路線：

反復遍歷所有相點，對系統(tǒng)各線度指數(shù)增長率取平均值為max估計值，有

將嵌入維數(shù)逐漸增加，重復上述步驟，至Lyapunov指數(shù)數(shù)值和嵌入維數(shù)變化平穩(wěn)時，求得max。

2.2 振動信號混沌判斷

最大Lyapunov指數(shù)見表1。針對不同故障類型與程度得到的振動信號max，max均大于0，表明真空斷路器斥力機構(gòu)在不同故障類型下的振動信號具有混沌特性。1.5～2.5mm和3.5～5.5mm的max呈遞增趨勢，并且當卡頓故障和合閘反彈發(fā)生時，max明顯變大，表明真空斷路器斥力機構(gòu)發(fā)生機械故障時，振動信號的混沌特性更加明顯，隨著故障嚴重程度增加，max呈現(xiàn)逐漸增加的演化規(guī)律。

表1 最大Lyapunov指數(shù)

Tab.1 The largest Lyapunov exponents (LEmax)

2.3 振動信號混沌吸引子形態(tài)

構(gòu)建三維相圖分析混沌吸引子演化規(guī)律，典型條件下振動信號三維吸引子形態(tài)如圖4所示。圖4a～圖4h分別為油壓緩沖器緩沖間隙變化1.5～5.0mm。吸引子以原點為中心交織在一起，具有明顯的混沌特征。

分閘油壓緩沖器最優(yōu)位置時的振動信號混沌相圖如圖4d所示，吸引子軌跡聚攏在空間原點附近，相較于其他情況時吸引子軌跡雜亂度較小，表明油壓緩沖器能夠有效吸收機構(gòu)運動末期剩余能量，起到了減少沖擊和防止彈跳作用。

圖4a～圖4c為緩沖器過緊時吸引子形態(tài)，伴隨緩沖間隙逐漸減小，吸引子逐漸“遠離”空間原點，雜亂程度明顯增加。

圖4e～圖4i為緩沖器松動程度逐漸增加直至完全失效這一過程吸引子形態(tài)變化，隨著緩沖器吸收剩余能量減少，吸引子同樣“遠離”空間原點，無法起到減少彈跳和振動作用。

通過圖4j、圖4d和圖4k、圖4l兩兩比對可知，當斥力機構(gòu)發(fā)生卡頓現(xiàn)象時，吸引子軌跡更加復雜、雜亂程度增加。

圖4m、圖4n相比于圖4d、圖4k可知，當斥力線圈操作功不足，機構(gòu)分/合閘不到位，吸引子雜亂程度低。

圖4k與圖4o對比可知，機構(gòu)合閘末端發(fā)生反彈故障時，吸引子“遠離”空間原點程度增加，雜亂程度高。

圖4 典型條件下振動信號三維吸引子形態(tài)

相空間中混沌吸引子形態(tài)是判斷斷路器機構(gòu)運動狀態(tài)的重要依據(jù)，振動信號的復雜性、非線性需研究高維空間下吸引子形態(tài)學特征，但由于高維空間下觀察吸引子軌線為定性分析，定量判斷機構(gòu)運動混沌規(guī)律十分困難，故文中將一維時間序列映射到二維相空間，引入吸引子矩定義，提取二維相空間特征量，即可定量描述系統(tǒng)混沌特性。

構(gòu)建二維相空間吸引子形態(tài)如圖5所示，圖5a～圖5h分別為油壓緩沖器緩沖間隙變化1.5～5.0mm。由圖可知，吸引子形態(tài)演化規(guī)律與圖4所示三維相空間吸引子軌跡規(guī)律基本一致，表明二維相空間同樣可準確反映系統(tǒng)信息。

圖5 典型條件下振動信號二維吸引子形態(tài)

3 特征向量提取

3.1 混沌吸引子矩的定義

對于三種單一距離型吸引子定義吸引子矩為

混合型吸引子矩為

3.2 吸引子特征量提取

圖6 吸引子矩

針對斥力機構(gòu)故障類型與油壓緩沖過調(diào)程度，基于混沌吸引子矩求得吸引子形態(tài)特征量見表2。吸引子特征量與機構(gòu)運動過程故障嚴重程度有關(guān)，且隨著斥力機構(gòu)故障嚴重程度的增加，吸引子特征量整體呈現(xiàn)增大趨勢，當合閘反彈和卡頓故障發(fā)生時，吸引子形態(tài)特征量明顯增加。

3.3 振動信號時域特征提取

表2 吸引子形態(tài)特征量

Tab.2 Attractor morphological characteristic quantity

振動信號采集系統(tǒng)采樣頻率為100kHz，采樣時間60ms，記錄長度為100 000kHz×0.065=6 000，每個時間窗口數(shù)據(jù)長度為5。斥力機構(gòu)動作時間為十幾ms，0～12ms機構(gòu)未動作，時域信號無變化，故選取18～30ms內(nèi)加速度均值和均差值為時域特征向量，振動信號時域特征如圖7所示。由圖7可知，隨著合閘反彈和分合閘卡頓故障發(fā)生或故障程度增加，時域信號均值和均差值均呈現(xiàn)增大趨勢。

圖7 振動信號時域特征

4 結(jié)果分析

依據(jù)油壓緩沖器不同故障嚴重程度和故障類型將斥力機構(gòu)機械狀態(tài)進行分類，見表3，共分為15種狀態(tài)類型。

表3 機械狀態(tài)分類

Tab.3 Classification of mechanical state

4.1 數(shù)據(jù)分類

針對15種不同斷路器機械狀態(tài)，每種狀態(tài)采集10組，共150組數(shù)據(jù)；每種狀態(tài)選取8組數(shù)據(jù)，共120組數(shù)據(jù)作為訓練樣本；其余30組數(shù)據(jù)作為測試樣本，用于驗證分類效果，分類標簽見表4。

表4 分類標簽

Tab.4 Classified labels

4.2 支持向量機分類識別

根據(jù)實驗采集得到的斥力機構(gòu)振動信號往往為有限數(shù)據(jù)，屬于小樣本情況。SVM通過核函數(shù)將非線性的測試與預測樣本映射到高維空間，構(gòu)造超平面進行分類，在處理小樣本數(shù)據(jù)方面有著獨特優(yōu) 勢[20-21]。選取廣泛應用的徑向基函數(shù)（RBF Radial Basis Function）核函數(shù)，其具有映射維度廣、需確定參數(shù)少和泛化性能好等優(yōu)點。

圖8為采用傳統(tǒng)SVM進行分類測試的識別結(jié)果，準確率為96.67%，原因除了斷路器振動信號采集誤差，懲罰參數(shù)與核參數(shù)的選取也是重要影響因素之一。傳統(tǒng)SVM對于、的選取為試算法，存在算法誤差和初始值選取誤差。

為減少、選取帶來的誤差，選取和作為優(yōu)化變量，運用PSO進行優(yōu)化，優(yōu)化流程如圖9所示，計算適應值，種群迭代，尋求最優(yōu)參數(shù)。

圖8 SVM識別結(jié)果

圖9 PSO-SVM流程

選取=1.5與=1.7作為優(yōu)化變量初始值，優(yōu)化結(jié)果為=7.281 2與=0.01，PSO-SVM識別結(jié)果如圖10所示，準確率達100%。表明本方法可精準識別斷路器斥力機構(gòu)故障類型和故障嚴重程度。

圖10 PSO-SVM識別結(jié)果

5 結(jié)論

以真空斷路器永磁斥力機構(gòu)為研究對象，以機構(gòu)分合閘卡頓、操作功不足引起的斥力機構(gòu)分/合閘不到位、合閘反彈、分閘過程油壓緩沖器不同過調(diào)故障類型的振動信號為分析對象，采用混沌理論的相空間重構(gòu)法，得到max值均大于0，表明斥力機構(gòu)振動信號具有明顯混沌特性。

通過三維相圖定性分析混沌吸引子演變規(guī)律，當斥力機構(gòu)發(fā)生卡頓、反彈或者隨著故障嚴重程度增加，振動信號吸引子軌跡更加復雜、雜亂程度增加。

引入混沌吸引子矩理論，通過構(gòu)造振動信號二維吸引子相圖，計算主軸、副軸、原點和混合吸引子矩，運用最小二乘法線性回歸求解第一區(qū)域曲線斜率作為吸引子形態(tài)特征量，同時提取時域信號均值與均差值作為特征向量。

基于吸引子形態(tài)特征量、時域信號均值與均差值組成的特征向量數(shù)據(jù)庫，采用SVM對樣本進行分類識別，準確率達96.67%，運用PSO對SVM的懲罰系數(shù)和核函數(shù)半徑進行優(yōu)化，運用PSO- SVM進行故障識別，結(jié)果準確率達100%。實驗結(jié)果表明，文中所用方法可精確識別斥力機構(gòu)故障類型與程度，為斷路器機械故障評估與識別提供了新思路與新方法。

[1] 劉路輝, 葉志浩, 付立軍, 等. 快速直流斷路器研究現(xiàn)狀與展望[J]. 中國電機工程學報, 2017, 37(4): 966-977.

Liu Luhui, Ye Zhihao, Fu Lijun, et al. Research & development status and prospects of fast DC circuit breakers[J]. Proceedings of the CSEE, 2017, 37(4): 966-977.

[2] 杜凌艷, 王振浩, 王剛, 等. 高壓斷路器運行狀態(tài)實時監(jiān)測系統(tǒng)設(shè)計[J]. 電力自動化設(shè)備, 2006, 26(1): 58-61.

Du Lingyan, Wang Zhenhao, Wang Gang, et al. Design of real-time operating state monitoring system for HV breaker[J]. Electric Power Automation Equipment, 2006, 26(1): 58-61.

[3] 王燦, 杜船, 徐杰雄. 中高壓直流斷路器拓撲綜述[J]. 電力系統(tǒng)自動化, 2020, 44(9): 187-199.

Wang Can, Du Chuan, Xu Jiexiong. Review of topologies for medium-and high-voltage DC circuit breaker[J]. Automation of Electric Power Systems, 2020, 44(9): 187-199.

[4] 馬曾銳, 趙偉濤. 彈簧操動機構(gòu)分閘緩沖性能研究與優(yōu)化[J]. 高壓電器, 2017, 53(1): 138-143, 150.

Ma Zengrui, Zhao Weitao. Research and optimization on the opening cushion performance of spring operating mechanism[J]. High Voltage Apparatus, 2017, 53(1): 138-143, 150.

[5] 常廣, 張振乾, 王毅. 高壓斷路器機械故障振動診斷綜述[J]. 高壓電器, 2011, 47(8): 85-90.

Chang Guang, Zhang Zhenqian, Wang Yi. Review on mechanical fault diagnosis of high-voltage circuit breakers based on vibration diagnosis[J]. High Voltage Apparatus, 2011, 47(8): 85-90.

[6] 林琳, 陳志英. 基于粗糙集神經(jīng)網(wǎng)絡(luò)和振動信號的高壓斷路器機械故障診斷[J]. 電工技術(shù)學報, 2020, 35(增刊1): 277-283.

Lin Lin, Chen Zhiying. Mechanical fault diagnosis of high voltage circuit breakers based on rough set neural networks and vibration signals[J]. Transactions of China Electrotechnical Society, 2020, 35(S1): 277-283.

[7] 萬書亭, 豆龍江, 李聰, 等. 基于振動信號的高壓斷路器合閘特性參數(shù)在線檢測方法研究[J]. 振動工程學報, 2019, 32(2): 359-367.

Wan Shuting, Dou Longjiang, Li Cong, et al. Study on on-line detection of high voltage circuit breaker closing characteristic parameters based on vibration signal[J]. Journal of Vibration Engineering, 2019, 32(2): 359-367.

[8] 孫來軍. 振動信號小波包特征熵的時變與頻變特性分析[J]. 高電壓技術(shù), 2007, 33(8): 146-150.

Sun Laijun. Time-variation and frequency-variation analysis of wavelet packet-characteristic entropy for vibration signals[J]. High Voltage Engineering, 2007, 33(8): 146-150.

[9] 樊浩, 李興文, 蘇海博, 等. 基于主成分分析: 支持向量機優(yōu)化模型的斷路器故障診斷方法研究[J]. 高壓電器, 2020, 56(6): 143-151.

Fan Hao, Li Xingwen, Su Haibo, et al. Research on circuit breaker fault diagnosis method based on principal component analysis-support vector machine optimization model[J]. High Voltage Apparatus, 2020, 56(6): 143-151.

[10] 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 Electro- technical Society, 2019, 34(19): 4048-4057.

[11] 董文亮, 鄒積巖, 郭興宇. 直流真空斷路器模塊的機械聯(lián)動特性仿真與實驗研究[J]. 中國電機工程學報, 2017, 37(4): 1005-1011.

Dong Wenliang, Zou Jiyan, Guo Xingyu. Simulations and experimental research on dynamic characteristics of DC vacuum circuit breaker modules[J]. Pro- ceedings of the CSEE, 2017, 37(4): 1005-1011.

[12] Jiang Wentao, Liu Xiaoming, Chen Hai, et al. Analysis on dynamic characteristics of fast operating mechanism of vacuum circuit breaker[C]//IEEE Inter- national Conference on Applied Superconductivity and Electromagnetic Devices, Tianjin, China, 2020: 1-2.

[13] 程顯, 趙海洋, 葛國偉, 等. 快速斥力機構(gòu)線圈盤磁場優(yōu)化設(shè)計[J]. 高電壓技術(shù), 2020, 46(8): 2643- 2653.

Cheng Xian, Zhao Haiyang, Ge Guowei, et al. Optimum design of coil disc magnetic field of rapid repulsion mechanism[J]. High Voltage Engineering, 2020, 46(8): 2643-2653.

[14] 吳振升, 王瑋, 黃梅, 等. 基于相空間重構(gòu)的高壓斷路器振動信號特征分析[J]. 現(xiàn)代電力, 2006, 23(1): 10-14.

Wu Zhensheng, Wang Wei, Huang Mei, et al. Analysis of characteristics of vibration signals in high-voltage circuit breakers based on phase space reconstruction[J]. Modern Electric Power, 2006, 23(1): 10-14.

[15] 阮江軍, 楊秋玉, 黃道春, 等. 高壓斷路器機械振動信號混沌吸引子形態(tài)特性[J]. 電力自動化設(shè)備, 2020, 40(3): 187-193.

Ruan Jiangjun, Yang Qiuyu, Huang Daochun, et al. Shape characteristic analysis of chaotic attractor for mechanical vibration signal of high-voltage circuit breaker[J]. Electric Power Automation Equipment, 2020, 40(3): 187-193.

[16] 楊秋玉, 王棟, 阮江軍, 等. 基于振動信號的斷路器機械零部件故障程度識別[J]. 電工技術(shù)學報, 2021, 36(13): 2880-2892.

Yang Qiuyu, Wang Dong, Ruan Jiangjun, et al. Fault severity estimation method for mechanical parts in circuit breakers based on vibration analysis[J]. Transactions of China Electrotechnical Society, 2021, 36(13): 2880-2892.

[17] Takens F. Lecture notes in mathematics[M]. Berlin: Springer, 1981.

[18] 董二女. 粉末注射成形動力系統(tǒng)的混沌吸引子形態(tài)研究[D]. 長沙: 中南大學, 2011.

[19] 張友利. 穹窿管內(nèi)油水兩相流流動特性研究[D]. 天津: 天津大學, 2010.

[20] 付饒, 梁慧敏, 葉雪榮, 等. 接觸器觸點超程分析及其退化狀態(tài)的診斷[J]. 電工技術(shù)學報, 2020, 35(1): 125-133.

Fu Rao, Liang Huimin, Ye Xuerong, et al. Analysis of the contact overtravel of contactor and its degradation state evaluation[J]. Transactions of China Electro- technical Society, 2020, 35(1): 125-133.

[21] 張婷婷, 于明, 李賓, 等. 基于Wavelet降噪和支持向量機的鋰離子電池容量預測研究[J]. 電工技術(shù)學報, 2020, 35(14): 3126-3136.

Zhang Tingting, Yu Ming, Li Bin, et al. Capacity prediction of lithium-ion batteries based on Wavelet noise reduction and support vector machine[J]. Transactions of China Electrotechnical Society, 2020, 35(14): 3126-3136.

A Method of Mechanical Fault Identification of Permanent Magnet Repulsion Mechanism of Vacuum Circuit Breaker Based on Chaos Attractor

112131

（1. State Key Laboratory of Reliability and Intelligence of Electrical Equipment Hebei University of Technology Tianjin 300130 China 2. School of Mechanical Engineering Tiangong University Tianjin 300387 China 3. Chengdu Xuguang Electronics Co. Ltd Chengdu 610500 China）

In order to solve the problem that the vibration signal of repulsive mechanism of vacuum circuit breaker is transient, nonlinear, and it is difficult to quantitatively evaluate and identify the fault, this paper proposes a method of repulsive mechanism fault evaluation and identification based on chaotic attractor moment feature of attractor morphology and particle swarm optimization support vector machine. The typical faults of the repulsive mechanism in the process of opening and closing, especially the vibration signals of the opening oil buffer with different degrees of overmodulation fault, are analyzed. Firstly, the phase space reconstruction method of chaos theory and Wolf algorithm are used to obtain the maximum Lyapunov exponent, which shows that the vibration signal of repulsive mechanism has obvious chaotic characteristics. The evolution of chaotic attractor of the vibration signal is qualitatively analyzed using three-dimensional phase diagram. Then, the chaotic attractor moment theory is introduced to extract four kinds of two-dimensional attractor moments. The slope of the first region curve is calculated as the attractor morphological feature by the least square linear regression method, and the time-domain signals are extracted to form the feature vector library. Finally, the accuracy of the support vector machine algorithm and the particle swarm optimization-support vector machine combination algorithm is compared. The experimental results show that the proposed method can accurately identify the fault types of repulsive mechanism.

Vacuum circuit breaker, repulsion mechanism, oil buffer, attractor morphology, support vector machine

10.19595/j.cnki.1000-6753.tces.210970

TM561

中央引導地方科技發(fā)展專項（20ZYJDJC00060）和河北省自然科學基金面上項目（E2021202186）資助。

2021-07-02

2021-07-29

劉曉明 女，1968年生，教授，博士生導師，研究方向為現(xiàn)代電器設(shè)計與應用、高電壓與絕緣技術(shù)、智能電器。E-mail: liuxiaoming@hebut.edu.cn（通信作者）

張煦松 男，1996年生，碩士研究生，研究方向為現(xiàn)代電器設(shè)計與應用、電器設(shè)備狀態(tài)檢測、智能電器、混沌分析。E-mail: 1508189330@qq.com

（編輯 崔文靜）