基于ELM和振動信號的高壓斷路器機械故障診斷

劉 艷，陳麗安

LIU Yan, CHEN Li-an

（廈門理工學院 福建省高電壓技術重點實驗室，廈門 361024）

0 引言

高壓斷路器是電網中起保護和控制作用的重要電力設備，其運行狀態和電網的穩定息息相關，因此，對于斷路器的故障診斷有著重要意義[1]。其中，基于振動信號的斷路器機械故障診斷已經取得了較多成果，其故障特征提取方法包括：短時傅里葉變換提取特征量[2]；高階譜分析提取特征量[3]；小波包-特征熵提取特征量[4]；小波包特征節點最大系數提取特征量[5]；經驗模態分解能量熵提取特征量[6]；希爾伯特變換提取振動信號零相位濾波時頻熵作為特征量[7]等。以上方法都僅提取振動信號的一類特征量，為了綜合反映斷路器的機械運行狀態，本文提出了使用兩種特征提取方法共同提取振動信號特征，將不同特征的信息融合作為斷路器的故障診斷依據。此外，鑒于斷路器的某些故障（如：緩沖器失效）僅對斷路器的分閘過程產生影響，為了更好地對斷路器開斷時的機械狀態進行監測，本文選取斷路器分閘過程的振動信號作為特征樣本。

在人工智能算法的選取方面，目前常見的算法有：傳統神經網絡（如BP神經網絡）和支持向量機。傳統的神經網絡雖然具有較好的泛化能力和抗噪性，但是訓練時需要大量的樣本[8]，實際操作中斷路器不宜長期在故障狀態下動作，可獲取的故障狀態訓練樣本不大，故傳統神經網絡不能滿足斷路器的小樣本分類；SVM支持向量機訓練過程中有較多的參數需要設置[9]；小樣本分類算法中，SOM網絡訓練樣本數少，需要確保訓練樣本的典型性才能使網絡具有良好的泛化能力[10]。本文提出使用ELM極限學習機的人工智能網絡進行分類，訓練樣本數可根據具體情況設置，且該種網絡隨機產生隱含層神經元閾值以及輸入層和隱含層之間的連接權值，訓練過程中無需調整，學習效率快、泛化性能好[11]。通過實驗驗證，該種故障診斷方法具有良好的分類效果。

1 特征量的提取

1.1 Hilbert邊際譜能量

信號經過HHT變換（Hilbert-Huang Transform，希爾伯特黃變換）可以得到瞬時頻率和瞬時幅值，即表示出信號完整的時間-頻率分布，進一步將Hilbert譜對時間積分，得到Hilbert邊際譜，從統計學意義上表示出整個信號每個頻率點的積累幅值分布[12～14]。因此，Hilbert邊際譜更能反映非平穩信號的特點。

能量是振動信號的一個重要特征，能夠反映機械運動的狀態：機械部件發生變化時，振動信號的各個頻率成分也會產生變化，而同一頻率帶內信號能量的變化會更加明顯[15]。

Hilbert邊際譜總能量E(w)定義如下：

式(1)中，h(w)為信號的希爾伯特邊際譜，n為信號總長度。由該式可知，Hilbert邊際譜能量將Hilbert邊際譜經過平方處理，使得信號的強弱對比度進一步增大，即高頻沖擊信號代表的信號成分更加強烈，比重更大；而噪聲產生的影響可進一步削弱。

1.2 振動信號的Hilbert邊際譜分析

正常狀態（T1）、緩沖器失效狀態（T2）、分閘不到位狀態（T3）和分閘彈簧失效狀態（T4）振動信號的頻域分布如圖1～圖4所示。

圖1 正常狀態分閘頻域

圖2 緩沖器失效狀態分閘頻域

圖3 分閘不到位狀態分閘頻域

圖4 分閘彈簧失效狀態頻域

表1 斷路器四類狀態的頻域特點

取一組正常振動信號進行EMD分解，得若干組IMF（intrinsic mode function），不同的IMF代表原始信號中的不同頻率段，分別求前8組IMF各自的頻譜，如圖5所示。

圖5 IMF1～IMF8頻域

由圖5可知，斷路器分閘振動信號分解得的IMF1至IMF8反應了振動信號由高頻段到低頻段的情況。結合前文可知，區分不同狀態下振動信號頻域分布的成分主要集中在高頻段（IMF1～IMF4）信息，故選取IMF1、IMF2、IMF3、IMF4四組固有模態分量作為特征提取對象，以四組固有模態分量各自能量占4個能量總和的比例作為衡量頻率分布差異的方法。此外，為了有效區分正常狀態（T1）和分閘彈簧失效狀態（T4）這種分布比例具有相似性，幅值差異大的故障類別，將振動信號總能量一同作為特征值。

1.3 振動信號樣本庫的建立

表2列舉了正常狀態（T1）、緩沖器失效狀態（T2）、分閘不到位狀態（T3）以及分閘彈簧失效狀態（T4）下，12kV真空斷路器經過多次實驗得到的振動信號特征量典型值。前四列數據依次代表振動信號經過EMD分解后得到的IMF1、IMF2、IMF3、IMF4四個固有模態分量各自能量占四組能量和的比例，第五列列舉了該樣本信號總能量。

將表2故障診斷知識庫里四種狀態的前4個特征值，即IMF1、IMF2、IMF3、IMF4四個固有模態分量能量占其能量和的各自比例的典型值整理成餅狀圖，如圖6所示；將四種狀態的第五個特征值，即振動信號總能量整理成柱形圖進行對比，如圖7所示。

圖6 四種狀態斷路器IMF1～IMF4能量比例

從圖6可看出，正常狀態（T1）、緩沖器失效狀態（T2）、分閘不到位狀態（T3）三種情況下，IMF1、IMF2、IMF3、IMF4四個固有模態分量能量占其能量和的各自比例具有明顯的區別；分閘彈簧失效狀態（T4）與正常狀態（T1）下的斷路器的IMF1、IMF2、IMF3、IMF4四個固有模態分量能量占其能量和的比例具有類似性。

圖7 四種狀態斷路器振動信號總能量

圖7可知，四種狀態的總能量值相互存在差異，可以輔助IMF1、IMF2、IMF3、IMF4四個固有模態分量能量占其能量和的比例分布，對斷路器進行機械故障診斷。

表2 故障診斷知識庫

2 ELM極限學習機

ELM網絡結構如圖8所示，其中ω代表輸入層與隱含層神經元間的連接權值；β代表隱含層與輸出層神經元間的連接權值。

圖8 典型單隱含層前饋神經網絡結構

2.1 構建ELM極限學習機網絡

1）確定輸入層節點數和輸出向量

輸入層節點數與樣本的維數直接相關，與影響的特征數相同，本文提取的特征數據有5個：IMF1、IMF2、IMF3、IMF4四個固有模態分量能量占其能量和百分比以及振動信號的總能量。待分類狀態有以下四類：正常狀態（T1）、緩沖器失效狀態（T2）、分閘不到位狀態（T3）以及分閘彈簧失效狀態（T4），故ELM網絡的輸入節點數I=5×4=20個。輸出向量為四種狀態的分類標簽：1、2、3、4分別代表正常狀態、緩沖器失效狀態、機構卡澀狀態和分閘彈簧失效狀態。

2）確定隱含層節點數

隱含層節點數受到輸入輸出層節點數影響，節點數過少會影響訓練精度；反之，訓練次數過多則會使控制過程復雜化，導致訓練結果不夠精確，一般取小于訓練樣本數的正數作為隱含層節點數[16]。

2.2 極限學習機ELM網絡的訓練

極限學習機ELM網絡的訓練步驟如下[17]：

其中，xil～xi5分別為第i組振動信號分解得IMF1、IMF2、IMF3、IMF4四個固有模態分量能量占其能量和的比例以及該振動信號的總能量；yi為第i組特征量對應的狀態類型。

2）設定初始隱含層節點數Q和訓練樣本數量N，利用步驟1）中輸入的樣本訓練ELM網絡，確定網絡的權重參數。

3）隨機選擇隱含層節點偏移值bi和輸入連接權值ai，因為隱含層節點為可加性的，所以選擇sigmoid函數作為激活函數。

4）計算隱含層節點輸出矩陣H，按照公式：

將aibixi代入式(3)計算隱含層節點輸出矩陣H。

5）選取最小二乘估計的β=(HTH)-1HTT為迭代初始值，求得網絡的輸出權重βi。

6）將xi輸入已知權重參數 (ai，bi，βi)的ELM網絡，得到訓練結果Ti為：

計算訓練樣本的輸出誤差為：

7）網絡訓練根據輸出誤差來適當增加或減少隱含節點數，尋求合適的隱節點數。當誤差大于允許范圍就增加節點數，反之減少節點數。重復步驟3）～步驟7），直到訓練樣本的誤差小于10%，訓練完后，保存網絡的輸出權重。

3 故障診斷實驗和結果分析

利用1.3節建立的振動信號特征量知識庫里分閘過程的四個狀態（正常狀態、緩沖器失效狀態、分閘不到位狀態和分閘彈簧失效狀態）各選取30個樣本作為斷路器分閘過程故障診斷ELM網絡模型的訓練樣本，訓練樣本編號及分類標簽如表3所示。結合2.1節設置的參數及2.2節ELM網絡的訓練步驟，進行分閘過程ELM網絡的訓練，隨后利用訓練所得ELM網絡模型對40組預測樣本進行狀態分類，用于分類的預測樣本編號及期望分類標簽如表4所示。

表3 分閘過程訓練樣本編號及分類標簽

表4 分閘過程預測樣本編號及期望分類標簽

由2.1節知：隱含層節點數G受到輸入輸出層節點數影響，則通過對該參數的不同賦值，進行對比分析。

圖9 Q=8時預測情況

圖10 Q=15時預測情況

圖11 Q=20時預測情況

圖12 Q=80 時預測情況

由圖9～圖12可知：當隱含層神經元個數得到恰當賦值，如圖10中Q=15時，訓練得到的ELM模型可以零誤差逼近所有訓練樣本。然而，并非隱含層神經元個數越多越好，如圖12所示，將隱含層神經元個數增加至80，預測率反而大大下降。綜上可知，分閘過程使用的ELM網絡訓練過程中，隱含層神經元個數Q設置為15時，應用樣本庫里的預測樣本可以達到100%準確分類。

4 結束語

本文提出了一種基于振動信號的高壓斷路器故障診斷的新方法，與現有的基于振動信號的高壓斷路器故障診斷方法相比，該方法具有如下優點：

1）提出了結合固有模態邊際譜能量比例和振動信號總能量共同作為故障特征提取對象的信息融合診斷方法，更加全面反映斷路器的真實狀態。

2）采用極限學習機進行故障分類，避免了傳統神經網絡需要龐大的數據信息作為訓練樣本的需求，以及SVM支持向量機使用過程中需要設置眾多參數的不便。

經過實驗驗證，該方法對本文使用的樣本庫進行分類，準確率可以達到100%，具有良好的工程應用價值。

[1]段傳宗,鄢志平,鄢志輝.高壓斷路器故障檢測與診斷技術[M].北京:中國電力出版社,2014:9-12.

[2]Hoidalen H.K.,Runde M.Continuous monitoring of circuit breakers using vibration analysis[J].IEEE Transactions on Power Delivery,2005,20(4):2458-2465.

[3]董越,肖登明.基于WP-AR模型的雙譜估計在高壓斷路器振動信號處理中的應用[J].高壓電器,2009,45(4):137-141.

[4]鐘建英,劉洋,林莘,等.基于振動信號特征的高壓斷路器機械故障診斷技術研究[J].高壓電器,2013,49(9):49-54.

[5]孫來軍,胡曉光,紀延超.一種基于振動信號的高壓斷路器故障診斷新方法[J].中國電機工程學報,2006,26(6):157-161.

[6]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.

[7]常廣,王毅,王瑋.采用振動信號零相位濾波時頻熵的高壓斷路器機械故障診斷[J].中國電機工程學報,2013,33(3):155-162.

[8]胡漢梅,鮑亮亮,趙海軍.神經網絡在變壓器故障診斷中典型算法研究[J].高壓電器,2008,44(3):217-220.

[9]張靜.基于SOM的變壓器故障診斷研究[J].電力學報,2014,29(4):318-321.

[10]袁金麗,李奎,郭志濤,等.基于SVM與合分閘線圈電流參數的高壓斷路器機械故障診斷[J].高壓電器,2011,47(3):26-30.

[11]史峰,王小川.Matlab神經網絡30個案例分析[M].北京:北京航空航天大學出版社,2010:297-300.

[12]韓清凱,于曉光.基于振動分析的現代機械故障診斷原理及應用[M].科學出版社,2010:81-82.

[13]褚福磊,彭志科,馮志鵬,等.機械故障診斷中的現代信號處理方法[M].科學出版社,2009:113-124.

[14]何正嘉,陳進,王太勇,等.機械故障診斷理論及應用[M].高等教育出版社,2010:74-81.

[15]葉吉祥,胡海翔.Hilbert邊際能量譜在語音情感識別中的應用[J].計算機工程與應用,2014,50(7):203-207.

[16]齊鄭,張惠汐,饒志,等.基于極限學習機的多信息融合區段定位方法[J].電力系統保護與控制,2014,42(19):74-80.

[17]王小川,史峰,郁磊.MTLAB43個神經網絡案例分析[M].北京:北京航空航天大學出版社,2013.