低壓斷路器振動特性分析及其故障診斷研究

張麗萍， 石敦義， 繆希仁

(1.福州大學 電氣工程與自動化學院，福建 福州 350116；2.華能羅源發電有限責任公司，福建 福州 350600)

?

低壓斷路器振動特性分析及其故障診斷研究

張麗萍1， 石敦義2， 繆希仁1

(1.福州大學 電氣工程與自動化學院，福建 福州 350116；2.華能羅源發電有限責任公司，福建 福州 350600)

以低壓斷路器三相不同期故障為對象，首先，利用經驗模態分解(EMD)方法，將振動信號分解為若干本征模態函數(IMF)，經頻譜分析確定前四階IMF分量作為振動信號特性，并起到振動信號消噪作用；其次，利用分形理論對前四階IMF分量求取關聯維數，以表征低壓斷路器三相合閘不同期的故障特征；最后，引入極端學習機(ELM)建立三相合閘不同期故障識別模型。試驗與仿真結果表明，基于EMD及分形理論的ELM模型可有效區分三相不同期故障。根據上述故障診斷原理，該方法對低壓斷路器其他故障類型的診斷具有適用性。

低壓斷路器；振動信號；經驗模態分解；分形理論；極端學習機；故障診斷

0 引 言

統計資料表明，斷路器故障主要集中于機械故障。因此，對斷路器的機械狀態進行可靠有效的監測和分析從而及時發現故障趨勢，對設備和系統運行的安全穩定至關重要。斷路器振動信號含有大量的機械狀態信息，對斷路器振動信號的分析研究已成為故障診斷領域的熱點。由于復雜的機械結構，斷路器的振動信號呈現非線性，現有的分析方法主要是基于頻譜分析及時頻分析，如傅里葉變換、小波變換、短時能量分析等[1-5]。但這些方法存在一些不足，如小波基函數、分解層數沒有固定的選取原則，短時能量存在能量泄漏的缺點。

混沌和分形理論的發展為機械故障診斷提供了新的途徑。低壓斷路器合閘過程中的振動信號易受各種隨機因素的影響，會表現出一定的混沌特性，即由于系統的非線性，滿足一定條件的振動系統，受規則激勵后也會產生看似無規則永不重復的振動響應——混沌振動[6]。因此，可從混沌動力學的角度對低壓斷路器振動信號進行相空間重構。通過相空間重構能夠將一維時間域內的振動信號所包含的豐富信息拓展到高維相空間。分形維數是能夠刻畫出非線性系統狀態的重要參數，但是要獲得準確的分形維數首先要剔除振動信號中的背景噪聲。經驗模態分解(empirical mode decomposition,EMD)方法能夠將信號分解為一系列互不相同、獨立的IMF，通過提取本征模態函數(intrinsic mode function,IMF)主要分量可去除噪聲的干擾。在此基礎上，對IMF主要分量進行分形維數求取，并將關聯維數作為低壓斷路器振動信號的特征量。

將振動信號特征向量與神經網絡相結合構成故障識別模式，可以有效地實現各種機械故障的分類[7-9]。本文采取極端學習機對低壓斷路器振動故障進行識別。極端學習機克服了傳統神經網絡的缺陷，其更快的運算速度與泛化能力對機械故障狀態具有很好的識別效果。

綜上，本文將分形理論應用于低壓斷路器振動信號的分析中，并與EMD相結合，提出基于關聯維數的低壓斷路器振動故障特征的提取方法，并將振動信號特征向量與ELM相結合實現低壓斷路器振動故障識別(如圖1所示)，取得了良好的效果。

1 低壓斷路器振動信號特性分析

所研究的低壓斷路器三相同期性故障診斷模型如圖1所示。

圖1 低壓斷路器三相同期性故障診斷模型Fig.1 Three-phases switching asynchronous fault diagnosis model of LVCB

低壓斷路器振動信號是非平穩、非線性的瞬時信號，是低壓斷路器在操作過程中機構內部各構件按照一定的順序起動、運動形成一系列振動波的疊加。因此，機械結構的變化將會使振動信號的幅值、頻率及其他特性發生相應的改變。試驗表明，低壓斷路器振動信號不僅不具有周期性且其有效信號出現的時間非常短暫，由于振動信號傳遞過程的復雜性，激勵(振源)位置與測量位置的改變會影響到實測振動信號的特性。另外，低壓斷路器合閘時的振動信號具有高頻率、高強度沖擊的特點，一般此類振動信號可通過加速度傳感器獲取。因此加速度傳感器的安裝位置也十分重要[10]。以DW15-1600萬能式斷路器為試驗樣機，采用3255系列加速度傳感器采集振動信號。

在試驗過程中，首先將單個加速度傳感器安裝在斷路器基座橫梁上，其檢測的振動方向與觸頭合閘撞擊方向一致；其次，根據DW15-1600萬能式斷路器出廠技術要求，當觸頭厚度低于2 mm時應予更換。因此，通過調節觸頭的開距和超程可模擬因觸頭磨損造成的低壓斷路器三相合閘不同期故障；最后，在空載條件下采集觸頭合閘振動信號，其采樣率設置為12 kHz，采樣點數為4 000。

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。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運行，且比其他故障如基座螺栓松動、彈簧卡澀等更難監測。因此本文主要以低壓斷路器三相不同期故障為對象進行振動故障分析研究。圖2所示分別為正常狀態、模擬A相觸頭磨損嚴重、模擬B相觸頭磨損嚴重、模擬C相觸頭磨損嚴重等四種情況下斷路器合閘的振動信號。在合閘全過程中振動信號主要包含了3部分，即操動機構動作、三相觸頭合閘瞬間以及合閘動作結束后振動消失的過程。由圖2可知，各狀態下的振動信號雖有區別但難以在時域上進行準確識別。

圖2 低壓斷路器四種狀態下的合閘振動信號Fig.2 Four types closing vibration signal of LVCB

2 低壓斷路器振動信號的特征量提取

采用經驗模態分解與分形理論相結合的方法，提取以低壓斷路器三相不同期故障為對象的振動信號的分形維數作為故障特征量。

2.1 基于EMD的振動信號的分解

EMD方法能夠把非平穩、非線性的振動信號分解為不同頻帶的IMF分量，其中IMF分量有兩個基本條件[11]：(1)在整個時間序列內，極值點與過零點的數量至多相差一個；(2)在任意時刻，由局部極大值和局部極小值確定的包絡線均值均為零。對信號X(t)進行EMD分解，最后可得到

(1)

式中：X(t)為原始振動信號；ci(t)(i=1,2,…，n)為第i個IMF分量；rn(t)為殘余分量。

將圖2(a)中的低壓斷路器正常狀態下振動信號進行EMD分解，得到10個IMF分量。圖3所示為正常合閘振動信號及其頻譜分析，圖4所示為EMD分解后前五階IMF分量及其相應的頻譜分析。由于低壓斷路器的故障振動信息都集中在高頻段，從圖3、圖4中的頻譜分析圖可看出前4個IMF分量包含了故障振動信號的主要能量。因此，對前四階IMF分量進行分析可獲得振動信號的狀態特性。

2.2 振動信號的相空間重構及其關聯維數提取

實際中獲取的振動信號是一個時間間隔為Δt的單變量時間序列，是低壓斷路器機械系統各部件動作過程中相互作用的綜合反映。若以這樣的時間序列去反映斷路器的機械特性，必然會丟失許多有用變量的信息。因此，必須把單變量時間序列擴展到三維或更高維空間中去，才能充分地把隱含的系統信息展露出來，這就需要對時間序列進行相空間重構。對于低壓斷路器振動信號等單變量時間序列，通常采用時延法進行相空間重構。設低壓斷路器振動信號時間序列為：{x1,x2,x3,…,xn}，通過引入延遲時間和嵌入維數重構相空間得：

(2)

其中：m為重構的相空間維數；τ為時間延遲；n為原序列點數；N為重構后相空間矢量個數，N=n-(m-1)τ。

圖3 正常振動信號及其頻譜分析Fig.3 Spectrogram of normal vibration signals

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

當相空間維數高于三維時無法用圖形直觀表示，需要引入新的參數來表征相空間的特性。由于低壓斷路器機械系統的復雜性和非線性特性在一定程度上可以用非整數的分形維數進行描述。而關聯維數是眾多分形維數中的一種，它對系統的時間過程行為反應敏感，能夠較好地反映系統的動力學特性。因此，通過對低壓斷路器振動信號及其IMF分量進行相空間重構并求取相應關聯維數，可對低壓斷路器機械狀態進行定量分析。

由Grassberger和Procaccia提出的G_P算法是定義和計算關聯維數的經典方法[12]。首先計算相空間中各矢量的相互距離得到關聯函數：

(3)

式中，H(x)為Heaviside函數，當x>0時，H(x)=1；當x<0時，H(x)=0；r為n維空間的超球半徑。根據G_P算法，關聯維數的定義為

(4)

在實際計算過程中，畫出雙對數曲線，取其中線性度較好的部分，對其進行最小二乘法擬合，得到的斜率即為關聯維數。對低壓斷路器三相不同期合閘振動信號及其EMD分解后的前四個IMF分量求取關聯維數，結果如表1所示。

表1 四種狀態下振動信號及其IMF分量的關聯維數

3 基于極端學習機(ELM)的故障識別

3.1 ELM的基本原理

ELM是一種新型的用于訓練單隱層前饋神經網絡的算法[13]。與BP神經網絡等傳統算法相比，ELM是通過解析的方法一次性求出網絡輸出權值，從而提高了運算速度。其結構如圖5所示，其數學表達式如下：

yk=wTg(Win·xk+b)，(k=1,2,…,N)。

(5)

其中：xk為輸入向量；yk為網絡輸出；Win為輸入層到隱含層的權值；b為隱含層偏置值；w為隱含層到輸出層權值；g為激活函數；N為樣本數。

在開始訓練時，Win和b隨機生成并保持不變。通過廣義逆算法計算w，即

w=H+T。

(6)

其中：

(7)

為ELM的隱含層輸出矩陣；n為隱含層節點數；H+為H的Moore-Penrose廣義逆；T=[t1,t2,…,tN]T為期望輸出向量。

3.2 低壓斷路器三相同期性故障識別

通過EMD分解、分形理論對低壓斷路器振動信號提取關聯維數，并作為ELM的輸入向量，由此構造出低壓斷路器三相同期性故障診斷模型，如圖5所示。

圖5 ELM結構示意Fig.5 Structure diagram of ELM

試驗分別模擬了低壓斷路器的A相故障、B相故障、C相故障，并采集了四種狀態下各20組振動信號，并對每組信號進行前期處理，最后提取相應的關聯維數作為ELM網絡的訓練和測試樣本。其中15組為訓練樣本，5組為測試樣本。將各振動信號及其EMD分解前4階IMF分量的關聯維數作為ELM的輸入向量，將低壓斷路器的四種狀態即正常狀態、A相故障、B相故障、C相故障作為ELM的輸出向量。由于篇幅所限只列出部分訓練樣本，如表2所示。

表2 ELM網絡部分訓練樣本

在對ELM網絡進行訓練前，需對ELM算法的參數進行相應的設置，對于前饋神經網絡的隱層節點數N選取的經驗公式如下：

(8)

式中，a為輸入節點數；b為輸出節點數；c取值范圍為1～10。

由表2可知每種狀態共有5個輸入量即ELM網絡輸入節點為5，輸出狀態共有四種，根據式(8)選取隱含層節點N=5，然后逐漸增加，選出最合適的隱含層數。在訓練網絡中將狀態值作為輸出目標進行訓練，訓練完成之后將測試樣本代入進行網絡測試，部分測試樣本如表3所示。

表3 ELM網絡部分測試樣本

采用Matlab 7.9加以仿真。通過增加隱層節點數，并對每種節點運行10次求各性能參數的平均值，得訓練精度、測試精度、訓練時間、測試時間的結果為最終結果，如表4所示。

表4 ELM網絡運行結果

由表4可知，ELM網絡運行時間幾乎為零，隨著隱層節點數的增加，訓練精度逐漸趨于1。但當N=25時測試精度有所下降，由此可知，隱層節點選取是否合適決定著ELM的學習能力。如果節點過少，不能有效地對網絡進行訓練；如果節點過多，則可能造成過度擬合，影響網絡的泛化能力。因此，只有選取適當的隱層節點數才能有效地進行故障診斷。

綜上，運用ELM對以關聯維數為特征向量的低壓斷路器振動故障進行分類能夠取得很好的效果。由于試驗條件受限，本文所研究的斷路器對象是在試驗室環境中運行，且人為地進行單一故障模擬，而未能考慮實際應用現場的影響因素。因此本文結果是基于試驗室條件下進行的斷路器主回路空載振動信號故障診斷分析，若將其工程化并應用于低壓配電網中斷路器的故障診斷，還需不斷積累現場檢測數據，逐步建立并完善振動信號數據庫。但從故障診斷原理出發本文所采用的方法具有良好應用前景，更深入的研究工作有待進一步開展。

4 結 論

本文提出利用EMD與分形理論相結合的方法對低壓斷路器振動信號進行特征量提取，并建立基于ELM的低壓斷路器三相合閘不同期故障診斷模型，得出了以下結論：

1)EMD方法將振動信號分解為若干個IMF分量，提取前幾階含有主要振動信號信息的IMF分量，以剔除含有背景噪聲的IMF分量，起到振動信號消噪作用。

2)用分形理論提取各IMF分量的關聯維數，可有效刻畫出斷路器運行和操作過程的機械狀態。

3)試驗分析表明，以關聯維數為特征向量，引入ELM可有效實現低壓斷路器三相合閘不同期的故障診斷。

[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] 孟永鵬，賈申利，榮命哲. 小波包頻帶能量分解在斷路器機械狀態監測中的應用[J]. 西安交通大學學報，2004，38(10)：1013-1017.

MENG Yongpeng, JIA Shenli, RONG Mingzhe. Application of short-time energy analysis on condition monitoring of circuit breaker[J].Journal of Xi’an Jiaotong University, 2004,38(10):1013-1017.

[3] 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)：149-154.

MA Qiang, RONG Mingzhe, JIA Shenli. Study of switching synchronization of high vo1tage breaker based on the wavelet packets extraction algorithm and short time analysis method[J]. Proceedings of the CSEE,2005,25(13):149-154.

[4] POLYCARPOU A A, SOOM A, SWARNAKER V,et al. Event timing and shape analysis of vibration bursts from power circuit breakers[J]. IEEE Transactions on Power Delivery，1996，11(2)：848-857.

[5] 陳偉根，范海爐，王有元，等．基于小波能量與神經網絡的斷路器振動信號識別方法[J]．電力自動化設備，2008，28(2)：29-32．

CHEN Weigen, FAN Hailu, WANG Youyuan，et al．Circuit breaker vibration signal recognition based on wavelet energyand neural network[J]．Electric Power Automation Equipment，2008，28(2)：29-32．

[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，2011，12(4)：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.2011,12(4):108-113.

[7] 陳偉根，鄧幫飛. 小波包能譜熵與神經網絡在斷路器故障診斷中的應用[J]. 重慶大學學報，2008，31(7)：744-748.

CHEN Weigen, DENG Bangfei. Applying wavelet packet energy entropy and neural networks to diagnose circuit breaker faults[J]. Journal of Chongqing University. 2008,31(7):744-748.

[8] 李建鵬，趙書濤，夏燕青.基于雙譜和希爾伯特一黃變換的斷路器故障診斷方法[J] 電力自動化設備，2013，33(2)：115-119．

LI Jianpeng, ZHAO Shutao,XIA Yanqing. Fault diagnosis based on bispectrum and Hilbert·Huang transform for circuit breaker[J]. Electric Power Automation Equipment，20013，33(2)：115-119.

[9] 孫來軍，胡曉光，紀延超,等．小波包一特征熵在高壓斷路器故障診斷中的應用[J]．電力系統自動化，2006，30(14)：62-65．

SUN Laijun, HU Xiaaguang, JI Yanchao, et al．Fault diagnosis for HV circuit breakers with characteristic entropy of wavelet packet[J]．Automation of Electric Power Systems，2006，30(14)：62-65．

[10] 孟永鵬，賈申利，榮命哲.真空斷路器機械特性的在線監測方法[J].高壓電器，2006，42(2)：31-34.

MENG Yongpeng, JIA Shenli, RONG Mingzhe. On-line monitoring method for mechanical characteristics of vacuum circuit breakers[J]. High Voltage Apparatus, 2006,42(2):31-34.

[11] 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.

[12] GRASSBERGER P，PROCACCIA I. Measuring the strangeness of angeattractors[J]. Physica D, 1983, 9:189-208.

[13] 趙瑩，高雋，陳果，等.一種基于分形理論的多尺度多方向紋理特征提取方法[J]. 儀器儀表學報，2008，29(4)：787-791.

ZHAO Ying, GAO Jun, CHEN Guo,et al. Multi-scale and multi-orientation texture feature extraction method based on fractal theory, 2008,29(4): 787-791.

[14] HUANG Guangbin, ZHU Qinyu, Siew Chee-kheong. Extreme learning machine: a new learning scheme of feedforward neural networks[C]// International Joint Conference on Neural Networks. 2004, 2:985-990.

[15] 袁琦，周衛東，李淑芳，等．基于ELM和近似熵的腦電信號檢測方法[J]. 儀器儀表學報，2012，33(3)：514-519.

YUAN Qi, ZHOU Weidong, LI Shufang, et al. Approach of EEG detection based on ELM and approximate entropy[J]. Chinese Journal of Scientific Instrument, 2012,33(3): 514-519.

(編輯：劉素菊)

Research on vibration signal feature analysis and its fault diagnosis

ZHANG Li-ping1， SHI Dun-yi2， MIAO Xi-ren1

(1.College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350116, China;2.Hua Neng Luoyuan Power Generation Co., Ltd, Fuzhou 350600, China)

A method for fault diagnosis of three-phasesasynchronism switching for a low voltage circuit breaker(LVCB)is concerned. Firstly, the vibration signal is decomposed into several intrinsic mode functions (IMF) by empirical mode decomposition (EMD).By analyzing the vibration signal spectrum of a LVCB,the front four IMF components were determined as the vibration signal characteristic so that noise of vibration signal was eliminated. Secondly, the correlation dimension of front four IMF components was calculated by fractal theory, that is the fault characteristic of three-phases switching asynchronism of a LVCB. Finally, extreme learning machine was introduced to build the fault identification model of three-phases switching asynchronism.Results of experiment and simulation showing that it is effective to identify switching synchronism with ELM model based on EMD and fractal theory.In addition, the method also has the feasibility to diagnose other faults of a LVCB, based on above fault diagnosis principle.

low voltage circuit breaker; vibration signal; empirical mode decomposition; fractal theory; extreme learning machine; fault diagnosis

2014-09-02

國家自然科學基金(51377023)；福建省高校產學合作科技重大項目(2011H6013)

張麗萍(1977—)，女，博士研究生，講師，研究方向為電氣設備在線監測與故障診斷技術；

石敦義(1989—)，男，工程師，碩士，主要從事電氣設備在線監測工作；

張麗萍

10.15938/j.emc.2016.10.011

TM 51

A

1007-449X(2016)10-0082-06

繆希仁(1965—)，男，教授，博士生導師，研究方向為電器及其系統智能化技術。