基于SVM的低壓直流斷路器故障診斷研究

蔡昌俊，王 競，高 勁，劉 蘭，閆雅斌，陳崇琨

(1.廣州地鐵集團有限公司，廣州 510000；2.武漢船用電力推進裝置研究所，武漢 430064)

0 引言

現在低壓直流斷路器應用非常廣泛，特別是城軌交通饋線直流斷路器750 V/1 500 V的低壓等級。該低壓直流斷路器負責將母線電壓提供給牽引機車使用。因此研究低壓直流斷路器故障診斷很有意義[1-3]。

低壓直流斷路器作為一種復雜的機電設備，故障類型有很多。通過測試發現：低壓直流斷路器在發生故障時或者出現劣化時，斷路器的機械特征和分合閘線圈電流波形特征會發生變化[4]。融合這些特征可以實現斷路器故障診斷。

文獻[5]針對高壓斷路器采用SVM提取振動信號和電流信號特征，并進行了準確的故障診斷。文獻[6]對高壓斷路器的振動和聲音信號進行了研究，最后采用SVM進行故障診斷。文獻[7]研究了EMD和elman結合實現了對斷路器機械信號的故障診斷。文獻[8]研究了基于深度神經網絡的高壓斷路器故障識別算法。文獻[9]研究了基于數學形態學和小波包分解的高壓斷路器機械狀態監測和診斷。文獻[10]研究了基于EEMD和馬氏距離的高壓斷路器機械故障診斷研究。總結發現：應用斷路器振動信號、線圈電流、聲音等可以實現斷路器故障診斷，但是對高壓斷路器特征研究的較多，對于低壓等級直流斷路器故障特征及其診斷方法研究較少。

城軌交通牽引變電站直流低壓斷路器，它的機械結構、動態特性、劣化特性、故障狀態等與高壓斷路器不同。本文以城軌交通牽引變電站低壓直流斷路器為研究對象，設計了低壓直流斷路器在線監測系統采集該斷路器在分合閘過程中的振動信號和線圈電流信號，提取特征量后，利用SVM實現了該低壓直流斷路器的故障診斷。

1 牽引變電站低壓直流斷路器信號監測與特征提取

牽引變電站低壓直流斷路器應用在地鐵變電所，分合閘比較頻繁，從斷路器日常分合過程中監測電氣量和機械量，有助于提前發現斷路器的隱患，實現故障診斷。

1.1 牽引變電站直流斷路器特征信號采集系統

搭建牽引變電站直流斷路器振動信號和線圈電流信號采集系統如圖1所示。分合閘線圈電流分別通過2個霍爾傳感器采集分合閘線圈的電流信號，振動信號采用加速度傳感器實現測量，安裝位置如圖1所示。

圖1 直流斷路器特征信號監測診斷系統框圖

整個系統包括3個部分：直流斷路器本體部分、信號采集傳輸部分、分析診斷部分。

1.2 斷路器信號特征提取

該直流斷路器采集的信號是：線圈電流信號和振動信號。

1.2.1 分合閘線圈電流信號特征提取

在離線狀態下測量直流斷路器合分閘線圈電流分別如圖2、3所示。

圖2 合閘線圈電流原始波形

圖3 分閘線圈電流原始波形

從圖2～3可以看出，測量的線圈電流雜波較多，經過低通濾波和平滑處理后的線圈電流信號如圖4～5所示。

圖4 合閘線圈電流濾波后波形

圖5 合閘線圈電流濾波后波形

由圖4～5可知，點(I1,t1)是合閘線圈電流極大值點，此時斷路器合閘鐵芯還在繼續運動，但是di/dt=0。此后di/dt<0，電流開始減小。同理分閘線圈電流波形中點(I3,t3)表示分閘鐵芯已經停止運動，I3是分閘線圈的穩態電流值，t3為表征分閘時間。本文基于線圈電流波形的實際物理意義采用極值法提取線圈電流得到特征向量組為Kc=[t1t2t3I1I2I3]，將Kc作為斷路器故障診斷的部分依據。

1.2.2 振動信號特征提取

圖6為直流斷路器工作過程中采集的振動信號。可以看出，振動信號是一組隨機非平穩信號，普通的提取時域曲線包絡特征的方法是不行的，因此選取短時能量法處理振動信號得到如圖7所示。

圖6 原始振動信號

圖7 短時能量法提取振動信號特征點

從圖6～7可以看出，短時能量法可以提取出斷路器振動發生的時刻和能量值，并且與時域波形是一一對應的，因此選取振動特征向量Kv=(T1T2E1E2)為斷路器故障診斷的部分依據。

2 基于支持向量機(SVM)的直流斷路器故障診斷

2.1 低壓直流斷路器典型故障研究

為了研究低壓直流斷路器的故障診斷，在實驗條件下針對該型直流斷路器的機械結構故障和電氣故障進行了模擬：正常條件下、分合閘線圈電壓波動、分合閘線圈老化、儲能反力彈簧異常、機械軸斷裂等。以掌握該低壓直流斷路器出現典型故障后機械信號和線圈電流信號出現不同特征，進而實現故障診斷。采集直流斷路器在上述的多種故障條件下的線圈電流波形和振動波形如圖8～16所示。

圖8 電壓波動故障下合閘時電流波形和振動波形

從圖8可以看出：當發生了合閘線圈電壓波動時，線圈電流和振動波形都發生了明顯變化。當合閘線圈電壓跌落時，線圈電流下降，對動鐵芯吸力降低，使得鐵芯速度變慢，因此發生動靜觸頭發生碰撞和合閘完成的時間都邊長；線圈穩態電流值減小。反之，當電壓升高時，情況與電壓跌落相反。

圖10 合閘線圈老化故障電流波形和振動波形

圖9為分閘線圈電壓波動時，線圈電流波形和斷路器振動信號。從圖9可以看出，分閘線圈電壓波動對分閘線圈電流和振動與合閘情況類似，此處不再贅述。在試驗前，測量合閘線圈電阻值為23.6 Ω，分閘線圈電阻值為3.4 Ω，通過給分合閘線圈串聯電阻值以模擬該直流斷路器在長時間工作后，分合閘線圈出現老化的情況。測得該情況下分合閘時電流波形和振動信號如圖10～11所示。

當斷路器合閘時該反力彈簧儲能，當斷路器分閘時該彈簧立即釋能，使斷路器及時斷開。通過調整該彈簧的長度，來調節彈簧的儲能大小。測得該情況下分合閘時電流波形和振動信號如圖12～13所示。

圖13 反力彈簧故障下分閘時電流波形和振動波形

從圖8～13可以看出：當斷路器出現某種故障時，線圈電流信號和振動信號的某些特征值會發生變化，如時間點、電流值、短時能量值等。當線圈電源電壓升高時，線圈穩態電流上升，線圈電磁鐵對動鐵心吸力增強，使得鐵心更快到達穩態，實現分閘或合閘，因此特征值(I1，I2，I3)均增大，而時間值(t1，t2，t3)均減小且振動信號特征值也發生變化，反之，當線圈電壓降低時，與電壓升高完全相反；當線圈老化而阻值變大時，特征值變化與線圈電壓下降故障相似；當反力彈簧變短時，彈簧儲能增大，使得鐵芯速度變快，鐵心始動電流減小，因此電流值和時間值均減小；除此之外，還模擬了機械軸斷裂時斷路器分合閘，分閘電磁鐵鐵芯間隙變大，軸承間隙變大，合閘鎖扣卡澀等故障。

2.2 SVM基本原理與故障診斷

近年來，機械設備系統故障診斷需求急劇升高，基于統計學習理論發展的起來的支持向量機(SVM, support vector machine)為解決有樣本下的最優解這一難題提供了途徑[11-14]，特別在臺灣大學林智仁開發設計LIBSVM工具包可以有效、快速實現SVM模式識別和回歸分析，是機械故障診斷的進一步發展。

(1)

圖14 最優分類面

圖14中，ω為最優超平面的法向量；b為閾值。

本文SVM診斷過程如下：將特征向量Kv作為訓練集和測試集，采用訓練集的特征參數來訓練模型，得到支持向量機分類模型后，將測試集的特征參數輸入此模型，判斷斷路器的故障狀態。由于分合閘區別很大，故障診斷將分閘故障和合閘故障分開診斷。具體步驟如下：

1)選取300組分閘特征值作為訓練集，其中有48組為正常分閘，252組為模擬故障特征值，對每條特征向量賦予故障標簽：0.正常；1.分閘電壓85%；2.分閘電壓95%；3.分閘電壓115%；4.分閘電阻3.8 Ω；5.分閘電阻4 Ω；6.分閘電阻4.4 Ω；7.反力彈簧+2 mm；8.反力彈簧-2 mm；9.反力彈簧-4 mm；10.分閘電磁鐵間隙變大；11.機構卡澀；12.軸斷裂。

2)選取C類支持向量機分類模型C-SVC，以徑向基函數(RBF)作為分類模型的核函數。

3)以300組分閘特征訓練集的特征參數及對應故障標簽進行訓練，尋找到最優參數C(懲罰因子)和g(核參數)，進而得到針對這12類特征的最優分類模型。

4)采用步驟3)得到的訓練好的12類特征的最優分類模型，對73組分閘故障測試集進行分類，分類結果見圖15～18。

圖15 采用Kv和SVM分閘故障分類結果

3 試驗結果與分析

由圖15可知，該方法可以準確地區分正常和故障，并且對于電壓漸變、線圈老化漸變也能明顯區分開，故障分類準確率為91.78%(67/73)。

為了進一步研究特征向量的排列組合與SVM結合對故障診斷結果的影響，選取[KcKv]作為特征向量組，再次重復上述步驟1)～4)對分閘故障測試集進行分類，結果見圖16。

圖16 采用[Kc Kv]和SVM分閘故障分類結果

從圖16可以看出，將電流特征值和振動特征值融合共同診斷故障，故障分類準確率為97.26%(71/73)，故障診斷的準確率大大提高。結合圖15～16可知：多信號特征值融合有利于提高故障診斷的準確率。

同理，采用相同步驟對合閘故障進行診斷。選取390組合閘特征值作為訓練集，其中有77組為正常合閘，313組為模擬故障的合閘特征值，對每條合閘特征向量賦予故障標簽：0.正常；1.合閘電壓85%；2.合閘電壓95%；3.合閘電壓105%；4.合閘電壓115%；5.合閘電阻26.1 Ω；6.合閘電阻28 Ω；7.合閘電阻30.3 Ω；8.合閘電阻34 Ω；9.反力彈簧+2 mm；10.反力彈簧-2 mm；11.反力彈簧-4 mm；12.合閘鎖扣卡澀；13.機構卡澀；14.軸斷裂。

采用同樣的診斷方法，選取短時能量法獲取的特征向量Kv對合閘故障測試集(92組)進行分類，分類結果如圖17所示。

圖17 采用Kv和SVM合閘故障分類結果

從圖17可以看出：將Kv作為特征向量時，對斷路器合閘故障進行診斷，故障診斷準確率為95.65%(88/92)。同理選取[KcKv]作為特征向量組，再次重復上述步驟1)～4)對合閘故障測試集進行分類，結果見圖18。

圖18 采用[Kc Kv]和SVM合閘故障分類結果

從圖18可以看出：將電流特征向量加入合閘故障診斷特征向量中，可以提高合閘故障診斷結果98.91%(91/92)。

結合圖15～18得：1)SVM在斷路器樣本數據量不大的條件下可以很好的實現該直流斷路器故障診斷，不但可以區別正常和故障狀態，而且可以對漸變的故障也有很好的分類效果，故障診斷準確率在90%以上；2)將電流特征向量與振動信號特征向量融合后，再進行同樣的故障診斷，可以提升故障診斷準確率。

4 結束語

本文對牽引變電站低壓直流斷路器故障診斷展開研究。首先搭建低壓直流斷路器在線監測實驗平臺采集了低壓直流斷路器正常工況與分合閘線圈跌落、分合閘線圈老化、機構卡澀或斷裂等多種典型工況下的分合閘線圈電流信號和振動信號。然后通過對振動信號濾波、去除趨勢項、短時能量法提取振動特征；此外還對電流信號濾波、提取極值點提取電流特征。最后采用支持向量機(SVM)算法對上述14類合閘工況和12類分閘工況進行訓練并診斷。通過以上研究得到以下結論：1)當該低壓直流斷路器工作狀態改變時，監測到的電流波形和振動波形發生明顯變化;2)采用信號處理的方法來提取電流波形和振動的特征參數，可將復雜的非平穩的時域波形處理降維得到幾個特征參數，且每個特征參數都能夠反映原始變量的大部分信息;3)SVM故障分類方法可以有效識別斷路器的典型故障，準確率較高;4)將電流特征和振動特征融合，可以進一步提高故障識別準確率。