低压断路器振动特性分析及其故障诊断研究

张丽萍， 石敦义， 缪希仁

(1.福州大学 电气工程与自动化学院，福建 福州 350116；2.华能罗源发电有限责任公司，福建 福州 350600)



低压断路器振动特性分析及其故障诊断研究

张丽萍1， 石敦义2， 缪希仁1

(1.福州大学 电气工程与自动化学院，福建 福州 350116；2.华能罗源发电有限责任公司，福建 福州 350600)

以低压断路器三相不同期故障为对象，首先，利用经验模态分解(EMD)方法，将振动信号分解为若干本征模态函数(IMF)，经频谱分析确定前四阶IMF分量作为振动信号特性，并起到振动信号消噪作用；其次，利用分形理论对前四阶IMF分量求取关联维数，以表征低压断路器三相合闸不同期的故障特征；最后，引入极端学习机(ELM)建立三相合闸不同期故障识别模型。试验与仿真结果表明，基于EMD及分形理论的ELM模型可有效区分三相不同期故障。根据上述故障诊断原理，该方法对低压断路器其他故障类型的诊断具有适用性。

低压断路器；振动信号；经验模态分解；分形理论；极端学习机；故障诊断

0 引 言

统计资料表明，断路器故障主要集中于机械故障。因此，对断路器的机械状态进行可靠有效的监测和分析从而及时发现故障趋势，对设备和系统运行的安全稳定至关重要。断路器振动信号含有大量的机械状态信息，对断路器振动信号的分析研究已成为故障诊断领域的热点。由于复杂的机械结构，断路器的振动信号呈现非线性，现有的分析方法主要是基于频谱分析及时频分析，如傅里叶变换、小波变换、短时能量分析等[1-5]。但这些方法存在一些不足，如小波基函数、分解层数没有固定的选取原则，短时能量存在能量泄漏的缺点。

混沌和分形理论的发展为机械故障诊断提供了新的途径。低压断路器合闸过程中的振动信号易受各种随机因素的影响，会表现出一定的混沌特性，即由于系统的非线性，满足一定条件的振动系统，受规则激励后也会产生看似无规则永不重复的振动响应——混沌振动[6]。因此，可从混沌动力学的角度对低压断路器振动信号进行相空间重构。通过相空间重构能够将一维时间域内的振动信号所包含的丰富信息拓展到高维相空间。分形维数是能够刻画出非线性系统状态的重要参数，但是要获得准确的分形维数首先要剔除振动信号中的背景噪声。经验模态分解(empirical mode decomposition,EMD)方法能够将信号分解为一系列互不相同、独立的IMF，通过提取本征模态函数(intrinsic mode function,IMF)主要分量可去除噪声的干扰。在此基础上，对IMF主要分量进行分形维数求取，并将关联维数作为低压断路器振动信号的特征量。

将振动信号特征向量与神经网络相结合构成故障识别模式，可以有效地实现各种机械故障的分类[7-9]。本文采取极端学习机对低压断路器振动故障进行识别。极端学习机克服了传统神经网络的缺陷，其更快的运算速度与泛化能力对机械故障状态具有很好的识别效果。

综上，本文将分形理论应用于低压断路器振动信号的分析中，并与EMD相结合，提出基于关联维数的低压断路器振动故障特征的提取方法，并将振动信号特征向量与ELM相结合实现低压断路器振动故障识别(如图1所示)，取得了良好的效果。

1 低压断路器振动信号特性分析

所研究的低压断路器三相同期性故障诊断模型如图1所示。

图1 低压断路器三相同期性故障诊断模型Fig.1 Three-phases switching asynchronous fault diagnosis model of LVCB

低压断路器振动信号是非平稳、非线性的瞬时信号，是低压断路器在操作过程中机构内部各构件按照一定的顺序起动、运动形成一系列振动波的叠加。因此，机械结构的变化将会使振动信号的幅值、频率及其他特性发生相应的改变。试验表明，低压断路器振动信号不仅不具有周期性且其有效信号出现的时间非常短暂，由于振动信号传递过程的复杂性，激励(振源)位置与测量位置的改变会影响到实测振动信号的特性。另外，低压断路器合闸时的振动信号具有高频率、高强度冲击的特点，一般此类振动信号可通过加速度传感器获取。因此加速度传感器的安装位置也十分重要[10]。以DW15-1600万能式断路器为试验样机，采用3255系列加速度传感器采集振动信号。

在试验过程中，首先将单个加速度传感器安装在断路器基座横梁上，其检测的振动方向与触头合闸撞击方向一致；其次，根据DW15-1600万能式断路器出厂技术要求，当触头厚度低于2 mm时应予更换。因此，通过调节触头的开距和超程可模拟因触头磨损造成的低压断路器三相合闸不同期故障；最后，在空载条件下采集触头合闸振动信号，其采样率设置为12 kHz，采样点数为4 000。

断路器三相合闸同期性是指三相动静触头在允许的容差范围内同时完成开关闭合动作。三相不同期合闸会影响断路器的性能和寿命以及电网的稳定运行，且比其他故障如基座螺栓松动、弹簧卡涩等更难监测。因此本文主要以低压断路器三相不同期故障为对象进行振动故障分析研究。图2所示分别为正常状态、模拟A相触头磨损严重、模拟B相触头磨损严重、模拟C相触头磨损严重等四种情况下断路器合闸的振动信号。在合闸全过程中振动信号主要包含了3部分，即操动机构动作、三相触头合闸瞬间以及合闸动作结束后振动消失的过程。由图2可知，各状态下的振动信号虽有区别但难以在时域上进行准确识别。

图2 低压断路器四种状态下的合闸振动信号Fig.2 Four types closing vibration signal of LVCB

2 低压断路器振动信号的特征量提取

采用经验模态分解与分形理论相结合的方法，提取以低压断路器三相不同期故障为对象的振动信号的分形维数作为故障特征量。

2.1 基于EMD的振动信号的分解

EMD方法能够把非平稳、非线性的振动信号分解为不同频带的IMF分量，其中IMF分量有两个基本条件[11]：(1)在整个时间序列内，极值点与过零点的数量至多相差一个；(2)在任意时刻，由局部极大值和局部极小值确定的包络线均值均为零。对信号X(t)进行EMD分解，最后可得到

(1)

式中：X(t)为原始振动信号；ci(t)(i=1,2,…，n)为第i个IMF分量；rn(t)为残余分量。

将图2(a)中的低压断路器正常状态下振动信号进行EMD分解，得到10个IMF分量。图3所示为正常合闸振动信号及其频谱分析，图4所示为EMD分解后前五阶IMF分量及其相应的频谱分析。由于低压断路器的故障振动信息都集中在高频段，从图3、图4中的频谱分析图可看出前4个IMF分量包含了故障振动信号的主要能量。因此，对前四阶IMF分量进行分析可获得振动信号的状态特性。

2.2 振动信号的相空间重构及其关联维数提取

实际中获取的振动信号是一个时间间隔为Δt的单变量时间序列，是低压断路器机械系统各部件动作过程中相互作用的综合反映。若以这样的时间序列去反映断路器的机械特性，必然会丢失许多有用变量的信息。因此，必须把单变量时间序列扩展到三维或更高维空间中去，才能充分地把隐含的系统信息展露出来，这就需要对时间序列进行相空间重构。对于低压断路器振动信号等单变量时间序列，通常采用时延法进行相空间重构。设低压断路器振动信号时间序列为：{x1,x2,x3,…,xn}，通过引入延迟时间和嵌入维数重构相空间得：

(2)

其中：m为重构的相空间维数；τ为时间延迟；n为原序列点数；N为重构后相空间矢量个数，N=n-(m-1)τ。

图3 正常振动信号及其频谱分析Fig.3 Spectrogram of normal vibration signals

图4 正常振动信号的EMD分解结果Fig.4 EMD result of normal vibration signal

当相空间维数高于三维时无法用图形直观表示，需要引入新的参数来表征相空间的特性。由于低压断路器机械系统的复杂性和非线性特性在一定程度上可以用非整数的分形维数进行描述。而关联维数是众多分形维数中的一种，它对系统的时间过程行为反应敏感，能够较好地反映系统的动力学特性。因此，通过对低压断路器振动信号及其IMF分量进行相空间重构并求取相应关联维数，可对低压断路器机械状态进行定量分析。

由Grassberger和Procaccia提出的G_P算法是定义和计算关联维数的经典方法[12]。首先计算相空间中各矢量的相互距离得到关联函数：

(3)

式中，H(x)为Heaviside函数，当x>0时，H(x)=1；当x<0时，H(x)=0；r为n维空间的超球半径。根据G_P算法，关联维数的定义为

(4)

在实际计算过程中，画出双对数曲线，取其中线性度较好的部分，对其进行最小二乘法拟合，得到的斜率即为关联维数。对低压断路器三相不同期合闸振动信号及其EMD分解后的前四个IMF分量求取关联维数，结果如表1所示。

表1 四种状态下振动信号及其IMF分量的关联维数

3 基于极端学习机(ELM)的故障识别

3.1 ELM的基本原理

ELM是一种新型的用于训练单隐层前馈神经网络的算法[13]。与BP神经网络等传统算法相比，ELM是通过解析的方法一次性求出网络输出权值，从而提高了运算速度。其结构如图5所示，其数学表达式如下：

yk=wTg(Win·xk+b)，(k=1,2,…,N)。

(5)

其中：xk为输入向量；yk为网络输出；Win为输入层到隐含层的权值；b为隐含层偏置值；w为隐含层到输出层权值；g为激活函数；N为样本数。

在开始训练时，Win和b随机生成并保持不变。通过广义逆算法计算w，即

w=H+T。

(6)

其中：

(7)

为ELM的隐含层输出矩阵；n为隐含层节点数；H+为H的Moore-Penrose广义逆；T=[t1,t2,…,tN]T为期望输出向量。

3.2 低压断路器三相同期性故障识别

通过EMD分解、分形理论对低压断路器振动信号提取关联维数，并作为ELM的输入向量，由此构造出低压断路器三相同期性故障诊断模型，如图5所示。

图5 ELM结构示意Fig.5 Structure diagram of ELM

试验分别模拟了低压断路器的A相故障、B相故障、C相故障，并采集了四种状态下各20组振动信号，并对每组信号进行前期处理，最后提取相应的关联维数作为ELM网络的训练和测试样本。其中15组为训练样本，5组为测试样本。将各振动信号及其EMD分解前4阶IMF分量的关联维数作为ELM的输入向量，将低压断路器的四种状态即正常状态、A相故障、B相故障、C相故障作为ELM的输出向量。由于篇幅所限只列出部分训练样本，如表2所示。

表2 ELM网络部分训练样本

在对ELM网络进行训练前，需对ELM算法的参数进行相应的设置，对于前馈神经网络的隐层节点数N选取的经验公式如下：

(8)

式中，a为输入节点数；b为输出节点数；c取值范围为1～10。

由表2可知每种状态共有5个输入量即ELM网络输入节点为5，输出状态共有四种，根据式(8)选取隐含层节点N=5，然后逐渐增加，选出最合适的隐含层数。在训练网络中将状态值作为输出目标进行训练，训练完成之后将测试样本代入进行网络测试，部分测试样本如表3所示。

表3 ELM网络部分测试样本

采用Matlab 7.9加以仿真。通过增加隐层节点数，并对每种节点运行10次求各性能参数的平均值，得训练精度、测试精度、训练时间、测试时间的结果为最终结果，如表4所示。

表4 ELM网络运行结果

由表4可知，ELM网络运行时间几乎为零，随着隐层节点数的增加，训练精度逐渐趋于1。但当N=25时测试精度有所下降，由此可知，隐层节点选取是否合适决定着ELM的学习能力。如果节点过少，不能有效地对网络进行训练；如果节点过多，则可能造成过度拟合，影响网络的泛化能力。因此，只有选取适当的隐层节点数才能有效地进行故障诊断。

综上，运用ELM对以关联维数为特征向量的低压断路器振动故障进行分类能够取得很好的效果。由于试验条件受限，本文所研究的断路器对象是在试验室环境中运行，且人为地进行单一故障模拟，而未能考虑实际应用现场的影响因素。因此本文结果是基于试验室条件下进行的断路器主回路空载振动信号故障诊断分析，若将其工程化并应用于低压配电网中断路器的故障诊断，还需不断积累现场检测数据，逐步建立并完善振动信号数据库。但从故障诊断原理出发本文所采用的方法具有良好应用前景，更深入的研究工作有待进一步开展。

4 结 论

本文提出利用EMD与分形理论相结合的方法对低压断路器振动信号进行特征量提取，并建立基于ELM的低压断路器三相合闸不同期故障诊断模型，得出了以下结论：

1)EMD方法将振动信号分解为若干个IMF分量，提取前几阶含有主要振动信号信息的IMF分量，以剔除含有背景噪声的IMF分量，起到振动信号消噪作用。

2)用分形理论提取各IMF分量的关联维数，可有效刻画出断路器运行和操作过程的机械状态。

3)试验分析表明，以关联维数为特征向量，引入ELM可有效实现低压断路器三相合闸不同期的故障诊断。

[1] 常广，张振乾，王毅. 高压断路器机械故障振动诊断综述[J].高压电器，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] 孟永鹏，贾申利，荣命哲. 小波包频带能量分解在断路器机械状态监测中的应用[J]. 西安交通大学学报，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] 马强，荣命哲，贾申利. 基于振动信号小波包提取和短时能量分析的高压断路器合闸同期性的研究[J].中国电机工程学报，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] 陈伟根，范海炉，王有元，等．基于小波能量与神经网络的断路器振动信号识别方法[J]．电力自动化设备，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] 黄建，胡晓光，巩玉楠.基于经验模态分解的高压断路器机械故障诊断方法[J].中国电机工程学报，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] 陈伟根，邓帮飞. 小波包能谱熵与神经网络在断路器故障诊断中的应用[J]. 重庆大学学报，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] 李建鹏，赵书涛，夏燕青.基于双谱和希尔伯特一黄变换的断路器故障诊断方法[J] 电力自动化设备，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] 孙来军，胡晓光，纪延超,等．小波包一特征熵在高压断路器故障诊断中的应用[J]．电力系统自动化，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] 孟永鹏，贾申利，荣命哲.真空断路器机械特性的在线监测方法[J].高压电器，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] 赵莹，高隽，陈果，等.一种基于分形理论的多尺度多方向纹理特征提取方法[J]. 仪器仪表学报，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，周卫东，李淑芳，等．基于ELM和近似熵的脑电信号检测方法[J]. 仪器仪表学报，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.

(编辑：刘素菊)

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

国家自然科学基金(51377023)；福建省高校产学合作科技重大项目(2011H6013)

张丽萍(1977—)，女，博士研究生，讲师，研究方向为电气设备在线监测与故障诊断技术；

石敦义(1989—)，男，工程师，硕士，主要从事电气设备在线监测工作；

张丽萍

10.15938/j.emc.2016.10.011

TM 51

A

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

缪希仁(1965—)，男，教授，博士生导师，研究方向为电器及其系统智能化技术。