采用HHT 振動分析的低壓斷路器合閘同期辨識

繆希仁 吳曉梅 石敦義 郭謀發 王吳雨

（福州大學電氣工程與自動化學院 福州 350116）

1 引言

斷路器的振動信號含有豐富的機械特性信息，振動起始時刻及其幅值、頻率等均是斷路器機械特性的基本特征，上述特征的微小變化均反映相應機械特性變化，如機構卡澀以及部件磨損、移位和變形等。基于振動信號的斷路器機械故障研究已成為熱點[1-3]，尤其在斷路器重要機械特性——合閘同期性研究方面取得了良好的效果[4-6]，這些研究工作主要采用小波變換方法，該方法適用于具有暫態、突變等非平穩振動信號分析；但小波在故障信號特征提取上存在以下的不足：小波基和分解尺度的選擇還無遵循的原則，且選定后小波分解不隨信號變化加以自適應調整；此外，小波分解還存在能量泄露[7]。

希爾伯特-黃變換（Hilbert-Huang Transform，HHT）是近年來發展起來的一種信號分析的新方法，它通過經驗模態分解（Empirical Mode Decomposition，EMD）方法將信號分解為一系列相互不同、獨立的本征模態函數（Intrinsic Mode Function，IMF）分量，通過分析包含信號局部特性的IMF 可準確提取原始信號的重要特性，且每個IMF 所含頻率成分與信號本身有關，但與信號的采樣頻率無關，具有較高的時頻域分辨率，因此，可準確地揭示信號的內在特征[8,9]，與小波及其他方法相比，能更有效地提取機械振動信號特征參數[10]。

將振動信號特征向量與神經網絡相結合進行故障模式識別，可有效診斷各類機械特性故障狀態[11,12]。本文利用粒子群優化（Particle Swarm Optimization,PSO）徑向基函數（Radial Basis Function,RBF）神經網絡的故障識別技術，其具有全局優化能力，通過對參數的調整還具有局部尋優能力，因此可更快地收斂于最優解[13]。

三相不同期故障會影響斷路器的性能和壽命以及電網的穩定性運行，但斷路器合閘同期性研究目前還局限于中高壓斷路器，且現有采用三個振動傳感器分別檢測高壓斷路器三相合閘振動信號的方案，在低壓斷路器應用中存在傳感器價格比重偏高，限制其應用的問題。隨著智能配電網發展，對配電系統安全可靠性提出更高的要求，作為主要機械性能指標的低壓斷路器的同期性研究顯得十分必要。針對前述問題，本文以低壓斷路器為對象，提出以單一傳感器檢測DW15—1600 低壓斷路器，以其振動信號IMF 分量能量比為特征向量輸入，建立PSO算法的RFB 神經網絡，用以研究斷路器三相合閘不同期的故障識別。

2 低壓斷路器振動信號及其時域特征分析

低壓斷路器是一種具備操作機構的瞬時動作開關，開關過程中操作機構的機械運動產生振動信號，其動靜觸頭撞擊時還瞬間產生高強度沖擊性振動波，振動信號具有瞬時非平穩及非周期性特點。本文采用加速度傳感器獲取振動信號，振動信號的準確獲取與傳感器的安裝位置密切相關，其安裝位置一般需考慮以下幾個方面，如設置在故障率高的部位、盡量靠近振動源的位置，而且安裝方便、信號傳輸可靠等。實際應用中，傳感器的安裝有兩個位置：一是安裝在動觸頭的連桿上，這種方式比較靠近動觸頭，獲取的信號能夠準確地反映振動特性，但需要侵入斷路器內部，且安裝不方便；另一是安裝在基座的橫梁上，這種方式也能準確獲取振動信號且安裝方便。考慮到加速度傳感器的價格及檢測方案的應用前景，本文采用單個加速度傳感器實現低壓斷路器三相合閘同期性檢測，并將傳感器安裝斷路器的橫梁上（見圖1），其檢測的振動方向與觸頭合閘撞擊方向一致。

圖1 加速度傳感器安裝位置圖Fig.1 Location of acceleration sensor installation

斷路器三相合閘同期性是指三相動靜觸頭在允許的容差范圍內同時完成開關閉合動作，根據低壓斷路器出廠技術要求，當觸頭厚度低于2mm 時應予以更換。在低壓斷路器正常合閘振動實驗基礎上，依次調整三相觸頭的墊片分別模擬A相、B相、C相觸頭因機構磨損或調整不當造成的各種合閘不同期性狀態。三相不同期合閘會影響斷路器的性能和壽命以及電網的穩定性運行，因此，低壓斷路器合閘同期性研究，對其狀態監測與故障診斷具有重要意義。

如圖2 所示，在空載條件下，調整A相觸頭的開距，使之與B相、C相的開距相差3mm 時，由三相觸頭信號得到三相合閘不同期時間為6ms；再分別對B相、C相進行相同操作，采集三相分別不同期狀態下合閘振動信號如圖3 所示，即圖3b、3c、3d 則是分別因為A、B 或C相觸頭磨損，造成三相合閘同期性不在容許的范圍內。

圖2 A相不同期時的三相觸頭信號Fig.2 The contact signal on phase A asynchronous

圖3 低壓斷路器4 種狀態振動信號Fig.3 Four types of vibration signals of LVCB

圖3 中的振動信號是合閘全過程的振動信號，包含了操動機構動作特性（信號前部較小幅值部分）、三相觸頭合閘瞬間特性（信號中部突變部分）以及合閘動作結束后振動消失的全過程信號特征。從圖3 看出不同狀態下的振動信號有一定的差距，通常在時域中表征信號特征的參數有最大值、最小值、平均幅值、峰峰值、均值、均方值、方差、方均根值、峭度、方根幅值等。當斷路器發生故障時這些特征值也會有相應的變化，但由于振動信號的非線性和復雜性，在實驗中發現除均方值和峭度的重復性較好之外其它特征值的重復性較差。但若僅用時域中的均方值和峭度很難進行斷路器狀態的識別。因此本文將均方值和峭度作為狀態識別的輔助指標，并采用時頻聯合的方法對振動信號作進一步的分析。

3 基于HHT 振動信號特征量提取技術

HHT 主要由Hilbert 變換和EMD 兩部分組成[8]。首先通過EMD 方法將振動信號分解為多個頻率不同的IMF 分量，然后對主要的IMF 分量進行Hilbert變換，即可得到每個IMF 分量的瞬時特性，最后計算各個分量的能量比作為特征向量。

3.1 基于EMD 斷路器振動信號分解

基于EMD 的信號分解方法有兩個基本條件：

（1）每個IMF 在整個信號長度上的極值點和過零點數量最多相差一個。

（2）每個IMF 的上、下包絡線關于時間軸對稱。EMD 的分解首先提取出原信號的高頻部分，其后依次分解出低頻、較低頻的分量，直至最后不能再分解。

根據文獻[14]的分解步驟，最后得到

式中 x(t)——原始振動信號；

ci(t)(i=1,2,…,n）——第i個IMF 分量；

rn(t)——殘余分量表示信號的平均趨勢。

將低壓斷路器振動信號進行EMD 分解，共得到17個IMF 分量，由于斷路器故障信息主要集中在振動信號的高頻段，因此機械故障信息主要包含在其前幾階IMF 分量中。為此本文采用方差貢獻率（單位：%）進行驗證，方差貢獻率是用來衡量主成分相對重要程度的指標，方差貢獻率越大則表明該主成分相對重要。IMF 的方差貢獻率是指每個IMF 分量的方差占所有IMF 分量方差的比，相應計算公式為

式中 Di——第i個IMF 分量的方差；

Δt——振動信號數據采集時間間隔。

根據式（2）和式（3），圖3 中4 種狀態振動信號的各階IMF 分量的方差貢獻率見表1，即前5 階IMF 分量的貢獻率數值較大，表明了低壓斷路器振動信號的前5 階IMF 分量包含了其機械振動特性的絕大部分信息，并可對振動信號起到有效的消噪作用。

表1 振動信號的IMF 分量方差貢獻率Tab.1 Rates of IMF components contribution of vibration signals

基于上述分析，圖 4 只列出了正常振動信號EMD 分解后的前5 階IMF 分量。

圖4 正常振動信號的EMD 分解結果Fig.4 EMD result of normal vibration signal

3.2 基于Hilbert 變換的振動信號特征參數提取

經過EMD 分解得到了多個IMF 分量，可以分別對各個分量進行Hilbert 變換，則可得到每個分量的瞬時頻率和瞬時幅值，以進一步計算IMF 能量。

對IMF 分量的c(t)進行Hilbert 變換，以獲取該信號的解析形式為

式中，a(t)為幅值函數，且

EMD 方法將振動信號分解在不同的頻帶上，各IMF 分量所含有的能量也各不相同，通過 Hilbert變換求出瞬時頻率和瞬時幅值后，計算出各IMF 分量能量。第i 階IMF 的能量的計算公式為

式中 n——振動信號EMD 分解的IMF 階數；

N——每個IMF 的數據點數。

因此，各階IMF 的能量總和為

則第i 階的IMF 的能量比定義為

當斷路器出現故障時，其信號將跟正常信號有所區別，在某些頻段上能量將發生變化，不同類別的信號在同階IMF 分量上有著不同的頻率成分，且各個分量的幅值也相差很大，因此本文選用能量比作為故障的特征向量，即各階IMF 的能量占總體信號的能量比值。

4 神經網絡優化及故障識別

4.1 粒子群優化RBF 網絡

RBF是一種單隱層的三層前饋網絡，且是一種局部逼近網絡，適合于解決多變量分類問題。RBF神經網絡學習算法需要求解基函數中心、方差、隱含層到輸出層的權值三個參數，本文利用粒子群優化RBF 神經網絡的學習過程解決以下兩個問題：①RBF 參數的預設定，并由聚類算法確定基函數的中心數目；②通過粒子群算法對訓練樣本全局搜索隱層各節點的中心值、方差、輸出層到隱層之間的連接權重。具體步驟如下：

（1）以振動信號IMF 分量能量比及峭度和均方值為樣本。

（2）用聚類算法對樣本進行聚類分析，確定基函數的中心個數。

（3）初始化粒子群的種群，建立綜合隱層各節點中心值、方差及連接權重的適應度，針對每個粒子進行粒子群迭代搜索[10]。

（4）將最后迭代的結果，即群體所經歷最好位置解碼后的值，作為RBF 神經網絡的結構參數加以學習。

4.2 低壓斷路器合閘同期性故障識別

針對低壓斷路器振動信號特性，綜合利用時域分析、EMD 分解、粒子群優化神經網絡等人工智能技術，建立了圖5 所示基于振動特性的合閘同期性故障識別模型。

圖5 合閘同期性故障識別模型Fig.5 Fault recognition model of switching synchronism

本文總共采集了32 組振動信號數據，每種狀態采集8 組，其中每種狀態數據中6 組用于訓練，2組用于測試；利用粒子群優化的RBF 網絡進行故障識別。以前5 階IMF 分量的能量比及時域中的均方值和峭度共7個量作為輸入向量；將本文研究的斷路器4 種狀態類型編碼Y=[Y0，Y1，Y2，Y3]，并作為RBF 網絡的期望輸出向量。其中[1，0，0，0]表示正常狀態，[0，1，0，0]表示A相故障，[0，0，1，0]表示B相故障，[0，0，0，1]表示C相故障。在此基礎上，引入置信度的概念對故障類型識別結果做出評價，并將不滿足置信度要求的樣本歸為未知故障。

置信度是用來評價實際輸出向量與期望輸出向量之間的匹配程度。若某樣本的實際輸出向量為y=[y0，y1，y2，y3]，對應的期望輸出向量為Y=[Y0，Y1，Y2，Y3]。則相應置信度β 可表示為

在實際應用過程中，需事先對β 確定一個閾值r，若置信度β＞r，則采用期望輸出向量對應的狀態類型。若置信度β ＜r，則可判定該實際輸出向量對應的樣本狀態為未知類型。r 的確定要綜合考慮狀態識別算法的誤差和樣本之間的相似程度，本文選取r=0.8。

網絡訓練樣本見表2，限于篇幅，表2 中只列出了部分訓練樣本。在實驗中，訓練誤差選為0.000 1，訓練過程中所需的步數為23，可見該網絡訓練速度非常快。

表2 部分訓練樣本數據Tab.2 Data of part of training samples

表3 所示為RBF 網絡的部分測試樣本，在測試樣本中還添加了未知故障類型的樣本數據。最后識別結果見表4，并計算相應的置信度。

表3 測試樣本數據Tab.3 Data of test samples

從表4 仿真結果可以看出，正常狀態以及三相不同期狀態的分類結果滿足置信度的要求，而未知故障樣本識別結果因置信度小于閾值0.8，將其歸類為未知故障類型編碼[0，0，0，0]，見表5。對于新的故障類型，只需要足夠的新樣本加以網絡訓練，便可以進行故障類型的重新編碼。由此可知，PSORBF 神經網絡的低壓斷路器三相合閘同期性的故障判別方法準確率較高，且能夠對未知故障進行識別。

表4 合閘同期性故障仿真結果Tab.4 Fault simulation results for switching synchronism

表5 未知樣本識別結果Tab.5 Diagnosis results of unknown sample

此外，本文還針對低壓斷路器不同期程度進行研究。通過多次調整觸頭的開距來模擬三相的不同期程度，在實驗中對三相觸頭分別進行四次調整，得到的不同期程度分別為2mm、3mm、4mm、5mm。并對振動信號分析處理，得到相應的訓練樣本和測試樣本。最后再利用HHT 與RBF 網絡相結合的方法進行故障識別，識別結果見表6。

表6 不同期性故障識別結果Tab.6 Diagnosis results of asynchronous fault

表6 所示的置信度為每種狀態下所有樣本中的最小置信度值。由表6 可知，當不同期故障為2mm時，三相不同期的識別結果較差，這是因為2mm 的不同期屬于觸頭合閘同期性接受的誤差范圍。當觸頭不同期程度分別為3mm、4mm、5mm 時，都取得了良好的識別效果。

上述研究結果是基于實驗室空載條件下進行的，未能考慮到現場因素。為了進一步驗證本文方法對斷路器實際工況的適用性，在低壓開關電器檢測中心為低壓斷路器進行帶載下的實際測試實驗，采集了不同負載下的低壓斷路器三相合閘振動信號，并利用前述實驗室空載下建立的故障診斷模型加以分析。表7 所示為DW15—1600 低壓斷路器在400A 負載電流時，基于斷路器三相合閘振動信號的同期性故障診斷結果。

表7 現場振動數據診斷結果Tab.7 Diagnosis results of field vibration data

由表7 可知，本文方法對實際工況帶載時的低壓斷路器三相合閘不同期可加以有效識別。其表明采用EMD 分解，提取三相合閘同期性振動信號主分量加以分析，能夠有效實現信號消噪及其同期性故障識別。

此外，還針對不同負載時，對低壓斷路器正常狀態及三相分別不同期故障的合閘振動信號加以采集與診斷分析，其結果見表8，說明了本文方法對不同負載下三相合閘不同期故障檢測與辨識的有效性。

表8 不同負載下振動信號診斷結果Tab.8 Result of diagnosis in different loads

本文提出的三相合閘同期性故障采用振動信號加以識別，振動信號是由機械機構動作產生的，根據本文采用的3 255 型加速度傳感器采用微加工硅絲重力塊機理及其信號采集與處理一體化技術，因此受現場電磁干擾及負載操作電氣量的影響極小，且本文采用EMD 分解的主分量加以故障特征提取，可有效消除現場噪聲。因此，表8 所示，在不同的負載下也能夠得到較好的三相合閘不同期故障識別結果。

為了驗證本文故障特征識別方法的適用性，本文利用NI 公司CompactRIO 中的FPGA 模塊（頻率為40MHz）進行EMD 分解及特征量提取算法的硬件技術實現，在單一振動信號4 000個采樣點的前提下，其數值算法時間開銷為數十微秒，表明本文算法的嵌入式硬件實現有效性，且可滿足斷路器狀態檢測的實時性要求。

5 結論

本文在實驗室空載條件下，建立基于HHT 的低壓斷路器振動信號分析方法及其合閘不同期故障診斷模型，并應用于低壓斷路器實際帶載測試實驗及其合閘不同期故障診斷，取得以下低壓斷路器三相合閘同期辨識研究結果：

（1）基于單個加速度傳感器的低壓斷路器振動信號的EMD 分解所獲得的IMF 分量，可應用于低壓斷路器三相不同期的振動信號消噪及其故障特征量提取。

（2）利用方差貢獻率可篩選出表征低壓斷路器故障振動特征信息的主要IMF 分量。

（3）將EMD 提取的前5 階IMF 分量能量比、原始波形的峭度和均方值作為特征向量，利用PSORBF 神經網絡，可實現對低壓斷路器合閘同期性故障的有效識別，且能對未知樣本進行識別。

（4）低壓斷路器屬保護開關，對其合閘同期性故障的辨識實時性要求不高，現階段嵌入式數字處理器性能已可滿足本文算法的應用；本文提出的方法加以優化，有望應用于低壓斷路器合閘同期性故障檢測與辨識。

[1]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.

[2]孫來軍,胡曉光,紀延超.改進的小波包–特征熵在高壓斷路器[J].中國電機工程學報,2007,27(12):103-108.Sun Laijun,Hu Xiaoguang,Ji Yanchao.Fault diagnosis for high voltage circuit breakers with improved characteristic entropy of wavelet packet[J].Proceedings of the CSEE,2007,27(12):103-108.

[3]Liu Mingliang,Sun Laijun,Zhen Jianju,et al.Fault diagnosis of high voltage circuit breaker based on multiple entropy strips method[C].Proceedings of The 6th IEEE Conference on Industrial Electronics and Applications,Beijing,China,2011:504-508.

[4]楊飛,王小華,榮命哲,等.一種新的中壓真空斷路器三相同期在線監測方法[J].中國電機工程學報,2008,28(12):139-144.Yang Fei,Wang Xiaohua,Rong Mingzhe,et al.A novel on-line monitoring method for three phase synchronization of medium voltage vacuum circuit breaker[J].Proceedings of the CSEE,2008,28(12):139-144.

[5]馬強,榮命哲,賈申利.基于振動信號小波包提取和短時能量分析的高壓斷路器合閘同期性的研究[J].中國電機工程學報,2005,25(13):150-154.Ma Qiang,Rong Mingzhe,Jia Shenli.Study of switching synchronization of high voltage breakers based on the wavelet packets extraction algorithm and short time analysis method[J].Proceedings of the CSEE,2005,25(13):150-154.

[6]繆希仁,王燕.低壓斷路器振動特性分析與合閘同期性研究[J].電工技術學報,2013,28(6):81-85.Miao Xiren,Wang Yan.Vibration characteristic analysis and closing synchronization research of low voltage circuit breadkers[J].Transactions of China Electrotechnical Society,2013,28(6):81-85.

[7]張君,韓璞,董澤,等.基于小波變換的振動信號分析中能量泄漏的研究[J].中國電機工程學報,2004,24(10):238-243.Zhang Jun,Han Pu,Dong Ze,et al.Energy leakage research of wavelet transform application on vibration signature analysis[J].Proceedings of the CSEE,2004,24(10):238-243.

[8]Huang N E,Shen Z,Long S R,et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proceedings of the Royal Society of London Series A,1998,454:903-995.

[9]Vincent H T,Hu S J,Hou Z.Damage detection using empirical mode decomposition method and a comparison with wavelet analysis[C].Proceedings of the Second International Workshop on Structure Health Monitoring,Stanford USA,1999:891-900.

[10]張惠峰,馬宏忠,陳凱,等.基于振動信號 EMDHT 時頻分析的變壓器有載分接開關故障診斷[J].高壓電器,2012,48(1):76-81.Zhang Huifeng,Ma Hongzhong,Chen Kai,et al.Fault diagnosis of power transformer on-load tap changer based on EMD-HT analysis of vibration signal[J].High Voltage Apparatus,2012,48(1):76-81.

[11]王磊,紀國宜.基于Hilbert-Huang 變換與人工神經網絡的風機故障診斷研究[J].發電設備,2012,26(2):100-104.Wang Lei,Ji Guoyi.Study on fan fault diagnosis based on Hilbert-Huang transform and artificial neural network[J].Power Equipment,2012,26(2):100-104.

[12]Lee D S S,Lithgow B L,Morrison R E.New fault diagnosis of circuit breakers[J].IEEE Transactions on Power Delivery,2003,18(2):454-459.

[13]王曉霞,王濤.基于粒子群優化神經網絡的變壓器故障診斷[J].高電壓技術,2009,34(11):2362-2367.Wang Xiaoxia,Wang Tao.Power transformer fault diagnosis based on neural network evolved by particle swarm optimization[J].High Voltage Engineering,2009,34(11):2362-2367.

[14]黃建,胡曉光,鞏玉楠.基于經驗模態分解的高壓斷路器機械故障診斷方法[J].中國電機工程學報,2011,31(12):108-113.Huang Jian,Hu Xiaoguang,Gong Yunan.Machinery fault diagnosis of high voltage circuit breaker based on empirical mode decomposition[J].Proceedings of the CSEE,2011,31(12):108-113.