真空斷路器振動信號特征提取技術研究

留嘉豪，盛 健

（廣州致新電力科技有限公司，廣東 廣州 510540）

1 斷路器振動來源分析

電力系統中，斷路器主要用于開斷和關合負荷電流。真空斷路器開斷過程中，隨著載流觸頭的分離，會在真空滅弧室中形成真空電弧并維持到電流過零點。高真空環境作為良好的絕緣介質，可以起到有效的滅弧作用。在出現短路電流或者過載電流的情況下，可以通過斷開電路來保護電力系統。

目前，斷路器失效的主要原因是機械故障[1]。真空斷路器在分閘之前需要進行儲能，并在分閘瞬間釋放機械勢能進行開斷操作。在這個過程中，斷路器內部每一個零部件產生的沖擊都可以看作是一個非平穩振動事件，而振動信號便是這些振動事件疊加形成的。

斷路器內部機械結構包含儲能彈簧、電磁鐵和連桿等機構。在一個工作周期中，連桿傳動、彈簧釋放勢能以及觸頭撞擊等都會引起振動。這些振動具有不同的振動頻率、能量及時域特征，可以和各個機構運動形成一一對應的關系，為通過分析振動信號得到機構運行狀態提供了理論上的可能性[2]。除機械運動之外，真空滅弧室中電觸頭接觸不良和局放等現象產生的電磁力也會引起振動。它在傳遞和衰減后被振動傳感器測量到，并一起轉化為包含了豐富振動信息的電信號。下面通過3個方面來分析振動信號的特征。

（1）由于斷路器內部的機械運動都遵循固定的規律，因此不同的振動事件會按照一定的時間節點有序進行。在分析斷路器振動信號時，可以通過時間窗分析不同時刻的短時能量來提取振動事件的能量和時域特征。

（2）理論上，不同的故障在分合閘過程中產生的能量沖擊不同，通過計算斷路器在整個過程中的能量損失可以得到一個衡量總體沖擊程度的特征。

（3）斷路器的振動信號由一系列的瞬時沖擊組成，不同的沖擊在頻域內會表現出不同的特征。沖擊信號并不是一個周期性信號，因此不適用于基于傅里葉變換的頻率分析方法。小波變換可以有效提取局部信號的頻域特征，這些頻域特征在機理上對應不同的機械運動，因此可以作為描述斷路器振動情況的有效特征。

本文將通過所述的3種特征來表征振動信號，并通過支持向量機算法來驗證這些特征在表征振動信號時的能力。

由于現場環境中極少出現故障情況，難以采集故障情況下的振動負樣本數據，因此本文的振動信號數據均采用實驗數據。振動傳感器通過非侵入式的方式布置在斷路器的合適位置，并以200 kHz的采集頻率獲取振動信號，此外還需要采集同步的電流數據并通過電流特征取得振動信號的起始和結束位置[3]。為了模擬故障工況，采用降低電壓、串聯電阻以及模擬斷軸等方式來制造故障環境，并通過測量得到故障樣本數據。振動信號原始數據如圖1所示。

圖1 振動信號原始數據

由圖1的原始數據可知，斷軸情況下開閘時的振幅峰值明顯高于正常開閘時的振幅峰值，且第一個峰值之后有一個較小的峰值，欠壓情況下振幅出現峰值后，其振動時間短于正常情況，串聯電阻振幅出現峰值后，其振動的衰減速度相比其他情況更快。

2 振動信號特征提取

2.1 振動信號預處理

由于振動傳感器在工作時需要將振動信號轉化為電信號，并進行信號調理及放大，因此容易受到實驗環境中電磁的干擾。此外，實驗環境本身存在振動噪聲，因此從振動傳感器中得到的數據自然也包含了噪聲數據。本文采用小波變換對原始信號進行去噪處理。小波變換的去噪流程如圖2所示。

圖2 小波變換的去噪流程圖

小波去噪是基于小波變換的一種去噪方法。正弦波是一種大型波。相對而言，小波是衰減迅速的小型波，因此更容易分解非平穩信號。傅里葉變換可以將原始信號分解為不同頻率的正弦波。與傅里葉變換相似，小波分解通過正交分解將原始信號拆分為具有不同平移值和縮放值的小波并進行組合[4]。小波變換的數學表達式為：

式中，b為小波變換尺度；a為平移值；Ψ(·)為給定的一個基本函數。

本文選用軟閾值函數和啟發式閾值規則（heursure規則）對小波系數中的高頻系數進行閾值處理，保留低頻系數。啟發式閾值規則是無偏似然估計規則和通用閾值規則的折中處理。當信噪比較大時，采用無偏似然估計規則；當信噪比較小時，采用固定閾值規則。

處理完小波系數后，使用小波逆變換對小波系數進行信號重構，得到去噪后的信號。小波去噪前后的信號細節如圖3所示。由圖3可知，小波去噪可以有效去除高頻噪聲。

圖3 小波去噪前后對比

2.2 短時能量和總能量特征提取

振動傳感器在采集振動信號時會有大量的環境噪聲存在。采用短時能量法可以有效消除高頻噪聲信號。

假設振動信號表示為y(i)，其中i=1,2,3,…,n，n為傳感器采集的點數。海明窗是余弦窗的一種，相對于同為余弦窗的漢寧窗，改進了加權系數，使得其旁瓣更小[5]。當使用海明窗時，窗函數可表示為：

通過窗函數和原始振動信號，短時能量可表達為：

總能量特征取短時能量特征之和，即：

采用短時能量方法提取的能量信號如圖4所示。

圖4 短時能量對比圖

從圖4得到的短時能量峰值、所處的相對位置及總能量的特征如表1所示。由表1可知，斷軸情況下的振動短時能量峰值明顯小于正常情況，且峰值發生的時間早于正常情況，說明斷軸可能會導致沖擊提前發生，欠壓和串聯電阻情況下的特征則與斷軸情況下的相反。

表1 短時能量特征提取

2.3 小波包分解特征

由分析可知，振動信號由多個非平穩的振動事件疊加而成，而傅里葉變換無法分析非平穩信號的時域信息。短時傅里葉變換窗口調節的靈活度不夠且受不確定性原理的影響較大，因此也不適合分析非平穩信號。小波分析通過小型波的平移和縮放來分解非平穩信號，可以很好地表征這類突變信號[6]。但是，小波分析對于高頻部分的分析不夠細致，會丟失部分高頻信息。

小波包分解也被稱作子帶樹及最佳子帶樹結構。它利用多次迭代的小波變換分析信號的振動細節部分，并形成了一顆分析樹。相較于小波分析，小波包變換不僅可以很好地分解低頻信號，還可以更好地局部化分析振動信號的中高頻信號[7]。

本文采用db10小波函數對振動信號進行小波包分解，共進行6層分解，最終層包含64個分解節點，節點ID為63至126。對于采集頻率為200 kHz 的振動信號，每個節點對應的頻寬為3 125 Hz，即節點63對應的頻率為0～3 125 Hz，節點64對應的頻率為3 125 Hz～6 250 Hz,其余節點依次累加。正常振動信號小波分解時頻圖如圖5所示，橫軸為時間軸，縱軸為最終層分解節點ID，圖中顏色越深處表示能量越高，顏色越淺表示能量越低。由于最終層分解節點數量較多，本文只顯示能量較高的部分節點。

圖5 正常振動信號小波包分解時頻圖

從圖5中可以看出，節點63（即頻率為0～3 125 Hz的振動分解信號）對應的振動能量最高，且能量集中分布在60～75 ms之間。分別計算節點63、64、66、65和69對應小波系數的能量，可得到如表2所示的小波包節點系數的能量特征。由表2可知，不同故障情況下的振動信號的小波分解系數在不同頻率下所占的能量特征存在較大差別，說明這些特征可以較好地表征故障類型。

表2 小波包分解的能量特征

3 基于支持向量機的分類檢驗

由于真空斷路器發生故障的可能性較低，因此只有少部分負樣本數據。本文主要驗證使用上述分析得到的振動信號特征能夠較好地表征不同的故障類型，從而實現評估斷路器故障類型的目的[8]。對于小樣本數據，采用支持向量機是一個比較合適的方法。

對于多類支持向量機問題，假設測試樣本為x，wy表示類別y的參數向量，則求解最優化參數等效于求解下列優化問題[9]：

式中，C為懲罰系數。ti,y的取值為：

為更好地對樣本進行分類，本文選取在支持向量較少的情況下仍然能獲得很好準確度的徑向基核函數（RBF核）[10]。將原特征空間映射到新的特征空間進行計算，其中RBF核可表示為：

式中，γ為新引入的系數。故當前支持向量機模型包含兩個超參數C及γ，可以使用網格搜索法獲取最優超參數，然后應用最優超參數訓練則可以得到最優模型。

本文使用LIBSVM求解上述優化問題。首先將140個實驗數據樣本隨機分割成訓練集（105個）和測試集（35個）。然后在訓練集中使用K折交叉驗證法和網格搜索法求得最優超參數，訓練結果如圖6所示。其中，平面的兩個軸分別表示lgC及lgγ,豎軸表示K折交叉驗證中模型的準確度。可以得到最優超參數C=0.125、γ=0.000 244 14。最后，應用最優超參數及訓練集得到最終模型。最終模型在測試集的預測準確率能夠達到100%（35/35），說明通過短時能量法、總能量法及小波包分解得到的特征值能夠很好地表征真空斷路器的故障特征。

圖6 SVC超參數選擇結果圖

4 結 論

真空斷路器的振動主要是由機械結構運動和電磁力引起的。振動過程中不同機構運動和電磁作用產生振動事件的頻率和時間點不同，說明可以通過分析振動來預測斷路器故障的原因。研究表明，可以通過短時能量法和小波包分解得到的特征很好地表征真空斷路器的故障特征，同時支持向量機可以滿足斷路器故障預測的需求。