基于BIM振動信號的變壓器機械故障診斷方法研究

趙樂

（軌道交通工程信息化國家重點實驗室（中鐵一院），西安 710043）

引言

電力系統利用高壓線路進行電能輸送，并且通過降壓變壓器將高壓電降為低壓電，最后傳輸至用電端。整個輸電過程最關鍵的設備就是變壓器，只有通過升壓變壓器和降壓變壓器的工作過程，才能盡可能降低電能傳輸過程中的電能損耗[1,2]。并且，一旦出現電力變壓器設備故障，很難及時維修，最終導致嚴重的人員傷亡問題，并且對電網公司或者電力企業造成極大的經濟損失。因此，如何提前預防電力變壓器的機械故障就成了電力行業和電網公司最關注的技術問題[3]。傳統的變壓器故障診斷方法只能通過頻繁檢查來診斷變壓器故障，并且傳統方法并不能在早期進行故障診斷及預測，不僅縮短了變壓器的使用壽命，也容易出現診斷誤差，頻繁地停工檢查也會造成電能損耗，無法通過明顯特征進行分析，容易錯過最佳修理時間，導致故障進一步惡化[4-6]。

綜上，為了降低變壓器檢測的經濟成本，提高診斷準確度和使用壽命，有必要運用BIM定位和振動法對變壓器進行在線工作狀態檢測，以實現對變壓器機械故障的智能檢測。本文首先研究了電力變壓器繞組振動和鐵芯振動的原理，給出了降低變壓器振動的措施；然后分析了BIM模型不同測點下的振動信號，利用時域頻譜圖對比分析了相同相、不同位置和不同相、相同位置的振動信號變換；改進了小波變換方法，提出了基于小波包變換的振動信號故障特征提取方法，將信號特征轉化為數值特征，為變壓器機械故障的智能診斷提供了工具參考。

1 電力變壓器振動數據分析

1.1 同一水平位置的振動信號分析

通過振動傳播機理可知，變壓器的繞組振動和鐵芯振動是主要振動方式，振動信號會在流質油的作用下傳播至油箱外殼，最后由傳感器測得振動信號。變壓器BIM三維模型如圖1所示，根據空間定位進行振動信號分析。

圖1 變壓器BIM三維模型

同時，由于振動過程容易被相鄰區域振動影響，形成振動信號之間的干擾影響，因此，對于相同的電壓側來說，如果定義某一側的振動為A相振動，則中間位置的中間相定義為B相，A相能夠對B相產生較大的信號干擾，造成B相振動信號的較大變化，而c相信號較弱，對A相的影響可以忽略不計。因此，對于相同水平位置的振動信號關系式如下：

在上式中，將變壓器中三相（A、B和c）的振動基頻幅值定義為，將空載電壓與振動基頻幅值的二次項線性系數定義為k，將空載電壓幅值定義為u。同時，由于A相能夠對B相產生較大的信號干擾，造成B相振動信號的較大變化，也就進一步導致了電力變壓器兩個側相影響了中間相的振動基頻幅值，而且從公式右側可知，振動基頻幅值與電壓幅值的二次方成正比，可以通過測量空載變壓器的振動信號來進行振動分析。

在對繞組振動信號進行分析時發現，變壓器繞組振動信號在傳播過程中表現出了與鐵芯振動信號相同的振動干擾情況，B相振動信號同樣受到A相和c相信號的干擾。本文測得的振動信號頻譜圖如圖2所示。

從圖2分析可知，B相的振動信號波動最明顯，并且A相和c相的振動信號波動明顯小于B相波動，兩相呈現出相似的振動波動狀態。究其原因，A相和c相對B相的影響較為明顯，產生了嚴重的干擾。因此可以得出結論，受兩個邊相的影響，中間相的振動基頻幅值大于兩個邊相的振動幅值，并且兩個變相基頻幅值相似。這一規律在高壓側和低壓側同樣適用。

1.2 同一相的振動信號監測

上文分析了同一位置、不同相的振動信號特點，此處對同一相、不同位置的振動信號進行分析。圖3為變壓器中的三相（A、B、c）在上中下三組的振動信號時域波形圖及頻譜圖。表1將A、B、c三相在上中下三組的基頻幅值。

通過對圖3、表1的分析得知，與上述分析相同，在上中下三組，B相（中間相）的振動基頻幅值均明顯大于A相和c相（兩邊相）的振動基頻幅值。通過對相同相、不同位置的振動信號進行分析得知，中間組的振動基頻幅值低于上下兩組的數值，并且上下兩組的振動基頻幅值基本相似。究其原因，變壓器的繞組線圈會在運行中產生電磁力，線圈會受到上方線圈和下方線圈的擠壓力，并且在重力的作用下，下方線圈的受力略高于上方線圈受力，這也是為什么中組振動基頻幅值最大、下組的振動基頻幅值最低的原因。此現象在高壓側和低壓側同樣適用。對圖2分析得知，鐵芯磁致伸縮引發了振動信號的高次諧波，并且呈現出較強的衰減趨勢，在1 000 Hz的頻率之后基本衰減為0。

表1 A、B、C三相高電壓側振動信號基頻幅值

圖2 同一水平位置，不同相的振動信號

圖3 高電壓側上中下三組不同測點振動信號

2 基于小波包變換的振動信號故障特征提取方法

2.1 基于小波包變換的變壓器振動信號特征提取

作為常規的信號特征提取方法，短時傅里葉變化方法不能準確提取變壓器振動信號的非平穩信號，因此便出現了許多研究團隊適用小波多分辨率特性來分析振動信號。與傳統方法相比，小波變換不僅能夠較為準確地提取非平穩信號，而且能夠自適應窗口的自動調整[7-9]。但是小波變換也存在一些缺點，比如它在高頻率和低頻率均容易出現分辨率較低的情況。為了改善小波變換在高頻率時出現的分辨率不足問題，本文對不同狀態下的變壓器振東進行3層小波包變換，并得到了19個頻段的振動信號。將振動信號的特征向量定義為第3層小波包變換得到的數據中提取8個頻段的能量值，得到圖4的示意圖。

圖4 小波包分解結構圖（3層）

在實際生產過程中，出現故障的變壓器通常只有頻率在500 Hz一下的頻率能量變化，與上述8個頻段能量變化相差較大，因此本文在此將8個頻段進行化簡為4個頻段，得到公式：

實際生產過程中的故障檢測可以通過上述方法，對變壓器油箱表面的振動信號進行特征向量的監測和提取，并且通過特征向量的分析和對信號的處理便可獲得象征不同故障類型的數據信息。

2.2 實例驗證

為了驗證本文所設計的基于小波包變換的振動信號故障特征提取方法是否具有符合條件的有效性和準確性，本文對不同運行狀態的變壓器進行了數據分析。本文通過改變絕緣墊塊的厚度，定義了三種繞組變形程度：輕微、中度和嚴重，并且將頻率設置為5 000 Hz，采樣點數量為8 000，連續采取了三種狀態下的振動加速度信號共15次。圖5所示為本文在對振動信號數據進行處理時所得到的不同狀態下的時域波形圖。

對圖5進行分析得知，變壓器絕緣墊塊的厚度變化對振動信號的時域波形并未產生明顯的影響。之后，本文對采集到的信號進行3層小波包變換分解，并且將8個頻段的振動信號化簡為4個頻段，然后對不同頻段的能量和特征向量進行提取。其中H30、H31、H32和H33分別代表化簡后的4個頻段。

圖5 不同狀況下變壓器振動信號對比圖

3 基于IPSO-BPNN的變壓器機械故障診斷方法

3.1 改進粒子群算法（IPSO）

PSO的算法收斂能力和搜索能力隨著慣性權值的大小而表現出不同的結果。如果增大慣性權值，雖然會提高空間內最優粒子的搜索能力，但是也加大了計算量，降低了計算速度[10]；如果降低慣性權值，雖然會降低計算量，增大計算速度，但是卻容易出現“局部最優解”的結果[11]。為了找到權衡方法，既要保證找到全局粒子的最優解，又要提高計算速度，本文引入了非線性遞減方法來改進PSO算法在局部收斂能力較差的缺點。非線性遞減慣性權值（N-LDIW）是基于線性遞減慣性權值（LDIW）改進的，公式如下：

在上式中，定義迭代計算的最大次數為kmax，最小和最大的慣性指數分別為ωmin和ωmax。

3.2 改進粒子群算法優化BP神經網絡（IPSO-BPNN）

由于傳統BPNN運用了梯度下降的思想，所以在實際操作過程中容易陷入局部最優，并且在計算速度和訓練時間上都不占優勢。因此為了提高計算效率和實現全局最優，本文對BPNN中的梯度下降進行了改進，其步驟如圖6所示。

圖6 改進PSO算法優化BP神經網絡流程圖

1）初始化所有參數；

2）定義輸入樣本，對空間內所有粒子的適應度函數值進行計算，實時更新粒子坐標和速度；

3）利用公式不斷迭代計算粒子速度和位置坐標；

4）判斷粒子參數是否達到收斂條件，如果迭代步數達到了最大值或者已滿足誤差條件，BPNN會停止計算并收斂出最優計算值，否則迭代步驟2）～步驟4）。

3.3 實例分析

將變壓器在不同工作環境下所得到的振動信號的小波包特征向量，對網絡進行訓練，最后定義不同類型的輸出故障模式如表2所示。完成上述操作，本文隨機選取150組變壓器的故障實驗數據作為訓練樣本，將輸入層的節點數設置為4個，輸出層的節點數設置為3個。隨著模型的訓練過程，本文將網絡模型的隱含層的節點數設置為10個。定義初始化參數，粒子的維數為83個，30個初始粒子數，ωmax=0.9、ωmin=0.4，迭代最大次數設置為 2000。

表2 變壓器繞組故障編碼

完成網絡模型的參數設置之后，將不同工作狀態下的變壓器振動信號進行小波包變換處里，得到輸入特征向量，作為IPSO-BPNN的輸入值，最終得到表3所示的輸出結果。

表3 改進PSO優化BP神經網絡診斷結果

通過分析表3內容可知，本文所設計的IPSO-BPNN算法模型能夠準確識別變壓器出現的不同故障模型，成功識別并輸出變壓器繞組的機械故障，這足以證明IPSO-BPNN模型具有較高的準確度和有效性，在實際工程應用過程中具有很高的實用價值和指導意義。

此外，本文還對傳統BPNN和IPSO-BPNN兩種模型的識別結果進行對比分析，以此驗證本文算法的優越性。二者識別結果如表4所示，圖7為不同方法的網絡訓練誤差曲線。

通過對表3、表4和圖7的分析得知，本文所設計的IPSO-BPNN算法模型具有更快的收斂速度，準確率也比傳統BPNN和PSO-BPNN算法模型的更高，具有更少的時間成本和更低的計算資源消耗。

圖7 不同網絡模型的訓練誤差曲線圖

表4 BPNN與PSO-BPNN診斷結果

4 結束語

本文分析了BIM三維空間下不同測點下的振動信號，利用時域頻譜圖對比分析了相同相、不同位置和不同相、相同位置的振動信號變換，并得出結論：變壓器兩邊相和上下端的振動基頻幅值在數值大小上幾乎相同，并且低于中間相的振動基頻幅值。本文提出了基于小波包變換的振動信號故障特征提取方法。該方法將信號特征轉化為數值特征，為變壓器機械故障的智能診斷提供了工具參考。最后，本文在傳統PSO算法中引入了慣性權值，并將改進后的IPSO算法與BPNN進行結合，得到了IPSO-BPNN算法模型。通過分析得知，本文所設計的IPSO-BPNN算法模型具有更快的收斂速度，具有更少的時間成本、更低的計算資源消耗、更高的準確性。