基于振動信號的高壓斷路器在線監測系統設計*

孫 抗， 劉永超， 郭景蝶， 師文文

(河南理工大學 電氣工程與自動化學院，河南 焦作 454000)

0 引 言

高壓斷路器是電力系統中數量巨大且十分重要的設備[1]，真空斷路器的機械故障占全部故障的80%以上[2]，因此，對其進行機械故障在線監測具有重要的現實意義。斷路器的振動信號[3]是一系列操作機構動作碰撞產生的，蘊含了豐富的機械狀態信息，因此，可以反映出斷路器操作機構的狀態信息。振動信號的時域和頻域響應特性，揭示了斷路器操作機構各個部件的動作信息，各個振動事件出現的順序不變[4]，斷路器機械狀態的改變會導致振動信號的變化，可以通過采集的振動信號對斷路器進行機械特性分析。對于提前發現潛在的隱患故障具有重大意義。

本文利用斷路器動作時產生的振動信號對斷路器進行故障在線監測。對振動信號進行特征向量的提取(小波包特征熵、總體經驗模態分解(ensemble empirical mode decomposition,EEMD)特征熵、時域特征分量)，然后運用距離判別法對特征向量進行分類，從而達到機械狀態識別的效果，診斷出其機械故障，并給出具體的建議，對電力系統安全穩定運行具有重要意義。

1 總體方案設計

高壓真空斷路器機械特性檢測系統主要由傳感器及調理電路、數據采集電路、LabVIEW平臺三部分組成。主要功能是獲取斷路器機械操作機構動作時的振動信號，并將其傳輸至計算機進行去噪、特征提取、故障診斷。首先加速度傳感器測量出斷路器的振動信號，PCI8192采集卡對傳感器進行采樣并傳輸至LabVIEW，然后在LabVIEW內通過調用MATLAB對振動信號進行處理，最后將結果送到LabVIEW前面板，給出具體故障類型以及檢修建議。

2 硬件設計與實現

2.1 振動傳感器

選用YD37加速度傳感器，頻率測量范圍為1～10kHz，靈敏度為0.001Vm/s2，線性度小于等于1%，輸出電壓范圍為-5～+5V。選用GD21恒流源供電并消除其直流偏置。振動信號傳輸采用雙絞線方式以防止噪聲對信號的干擾。傳感器應該安裝在具有較大振動強度、較大信噪比的關鍵部位。本系統將加速度傳感器安裝于斷路器的底座，采用金屬固持膠粘合的方式固定傳感器，不僅不會破壞高壓開關柜及斷路器的壁體結構，同時又避免了不必要的磁性環境對YD37造成干擾，在保證良好的測量準確度和可靠性情況下，將安裝工作量降至最低，具有極強的實用性和便捷性。

2.2 電源模塊

為保證系統可靠工作，采用KDYA—DG75—24型開關電源，經KDYA—DG75—24將220V交流轉變為24V的直流電，為GD21供電。

2.3 數據采集卡

采用PCI8192采集卡采集振動信號，基本參數為：AD分辨率16位，AD采樣率最高250kHz，4個同步采集通道，輸入范圍為-10～10V。數據采集卡采用連續采集觸發模式，對振動信號進行采集、截取、保存。采樣率為25kHz,由接口上傳至計算機，實現對振動信號的高速采集和存儲。

3 軟件設計和實現

軟件包括5個功能：數據截取、數據存儲、特征提取、故障診斷和知識庫的建立。

3.1 數據截取與存儲

數據采集卡自啟動即開始采集數據，但在有效的振動信號前后存在很多冗余信號，降低了對信號分析的可能性，增加了計算時間，對振動信號進行截取，保留有效振動數據是十分必要的。將振動信號寫入Excel文件中備份，以備數據庫的建立。由LabVIEW編寫的程序流程如圖1所示，將振動信號截取得到更加有效合適的信號，更加有利于信號的特征提取及故障診斷。

圖1 數據截取界面流程

3.2 振動信號的特征提取和故障診斷

為保證特征向量對不同故障類型的靈敏性，結合小波包能量熵，EEMD及時域特征構建穩定的特征向量。

3.2.1小波包特征熵的求取

小波包分析可以對信號的低頻和高頻同時進行多尺度分解提供更加完整的信息[5,6]。在斷路器故障診斷中，當斷路器出現故障時斷路器各個頻率成分的能量混亂度發生變化，可以通過求取每個分量的能量熵作為判別斷路器狀態的依據[7]。系統采用db10小波對振動信號進行3層分解，具體步驟如下：

1)首先對振動信號s(t)進行3層小波包分解，分別提取第3層從低頻到高頻的所有頻率成分s0(t)～s7(t)的特征。

2)采用Hilbert方法求取每個分量的包絡

(1)

式中H(si(t))為分量si(t)所對應的Hilbert變換。

3)將求取的包絡信號Ai(t)進行分段處理，按照等時間分段方式分為N段并求取每段的能量值

(2)

4)計算每個分量能量熵

(3)

3.2.2EEMD特征熵的求取

EEMD通過添加白噪聲使振動信號在不同尺度上具有連續性，避免模式混疊現象的發生[8～11]。過程如下：

1)將正態分布的高斯白噪聲n(t)加入到采集的振動信號s(t)中得到s′(t);

2)將s′(t)進行EMD分解得到不同的本征模態函數(IMF)分量ci(t),i=1,2,…，N;

3)重復步驟(1)～步驟(2)n次，每次加入隨機分布的正態高斯白噪聲;

4)將所有分解得到的IMF分量進行平均，使n足夠大確保添加的白噪聲的和趨近于0，可以得到信號s(t)經過EEMD后的分量。

5)按照式(1)～式(3)計算振動信號的EEMD能量熵。

EEMD過程中選定白噪聲幅值為原始信號標準差的0.05倍，EEMD分解次數為50次。為了舍去部分狀態信息表述較弱的分量，保留前5個分量。求取IMF1～IMF5的包絡信號并對其進行等時間分段的方式分為17段，求取每段的能量并最終求取每個IMF分量的能量熵。

3.2.3時域特征量的求取

系統小波包分解圖形即信號處理結果，如圖2所示。

圖2 小波包分解各個分量

系統EEMD處理結果如圖3。

圖3 EEMD各個分量

斷路器發生故障時，時域信號的幅值將會發生變化，通過描述信號時域波形的特征可以反映信號的時域信息。由于高壓斷路器動作屬于沖擊性動作，針對其振動信號的特點，考慮到時域特征參數的影響，選擇3個時域特征向量分別為信號均方根值、斜度、峭度，以達到兼顧敏感性與穩定性的效果。

3.3 故障診斷

較普遍使用的故障診斷方法有支持向量機、灰色關聯度、貝葉斯、K均值聚類、距離判別法等。將上述方法依次用于本系統，尋得適用于本系統的判別方法。結果如表1所示?？芍?，距離判別法更加適用于本次實驗研究。

表1 使用不同診斷方法診斷結果

3.4 知識庫建立

系統先將數據導入MATLAB中離線計算出數據庫，再導入LabVIEW中作為故障診斷的依據。為保證診斷正確率，系統將每次求取的特征向量寫入數組中，以便實時更新豐富訓練樣本，以保證模式識別的正確性。

4 數據采集與故障診斷實例

將本系統應用于ZN63A—12型真空斷路器，其操作機構為彈簧機構。利用已搭建的振動信號采集系統對其進行測量。數據采集卡采樣頻率為10 kHz。前面板如圖4所示，給出原始振動信號、特征向量T=[T1,T2,T3]和具體診斷結果及檢修建議。

圖4 上位機在線監測界面

為尋求適合于本試驗對象的數據處理方法，首先采集93組振動數據，其中包括36組正常狀態下的振動信號，30組傳動機構卡澀狀態下的振動信號，27組基座螺絲松動狀態下的振動信號。使用軟硬不同的木塊墊在轉動機構一側模擬斷路器卡澀故障，松動基座的部分螺絲模擬基座松動故障。對樣本進行小波包去噪，求取小波包特征熵、EEMD特征熵和時域特征向量，后將其使用距離判別法進行判別分析。隨機在93組信號中選取30組正常信號，24組卡澀信號，21組松動信號作為訓練樣本，剩余的每組6個信號作為測試樣本，結果如表2所示。

表2 使用距離判別法診斷不同特征向量結果

可知，93組數據中只有4組數據判別錯誤，正確率達到95.7 %，達到試驗要求。

5 結束語

以ZN63A—12型真空斷路器為研究對象，搭建了基于振動信號的斷路器機械狀態在線監測系統。選擇了相應的傳感器、電源模塊、數據采集卡，并編寫了數據采集、數據截取、數據保存、特征提取及故障診斷軟件，搭建了一套完整的基于振動信號的在線監測系統。系統能夠有效地通過斷路器動作時產生的振動信號判別出斷路器的機械狀態，其人機交互界面提供了良好的用戶體驗，操作簡單，具有廣泛的應用前景。

研究仍存在一些不足之處，可通過引入多路斷路器信息提高斷路器的診斷準確率，如將分合閘電流，觸頭行程、振動信號相互結合綜合判斷出斷路器的機械狀態或狀態變化趨勢。

[1] 張 揚,劉艷麗.PSO優化BP神經網絡的串聯故障電弧識別方法[J].傳感器與微系統,2016，35(7)：22-25.

[2] 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．

[3] 林燕俠.高壓斷路器機械特性故障診斷研究[J].電力系統保護與控制,2011,39(15): 80-83.

[4] 趙 洋,劉漢宇,曾慶軍.高壓真空斷路器機械特性在線監測系統研制[J].高壓電器,2009,45(6):91-95.

[5] 印 嘉,吳建德,王曉東,等.基于小波包能量譜的往復式隔膜泵故障診斷研究[J].傳感器與微系統,2012,31(10):45-47.

[6] 丁曉喜,何清波.基于WPD和LPP的設備故障診斷方法研究[J].新型工業化,2013,3(7):89-93.

[7] 陳偉根，鄧邦飛.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.

[8] 董文智,張 超.基于EEMD能量熵和支持向量機的軸承故障診斷[J].機械設計與研究,2011,27(5):53-56.

[9] 周 智,朱永生,張優云,等.基于EEMD和共振解調的滾動軸承自適應故障診斷[J].振動與沖擊,2013,32(2):76-80.

[10] 侯高雁,呂 勇,肖 涵,等.基于EEMD自適應形態學在齒輪故障診斷中的應用[J].振動與沖擊,2014,33(18):145-148.

[11] 丁國君,王立德,申 萍,等.基于EEMD能量熵和LSSVM的傳感器故障診斷[J].傳感器與微系統,2013,32(7):22-25.