一种高压真空断路器机械故障诊断方法及系统与流程

本发明属于电气故障检测技术领域，尤其涉及一种高压真空断路器机械故障诊断方法及系统。

背景技术：

近年来，高压真空断路器在电力系统中得到了广泛的应用和发展。但同时，电力系统也对其机械开关及操动机构也提出了更高的快速性、可靠性和经济性的要求。因此，一种新型电磁斥力机构在高压真空断路器中得到了应用。而目前对电磁斥力机构的研究主要集中在机械结构的设计和改进方面，忽略了其机械故障问题。因此有必要对电磁斥力机构中出现的机械故障进行监测和诊断。

目前，高压断路器的机械故障诊断主要有三个步骤：信号处理、特征提取、故障诊断，而主要的难点在前两个方面，即信号处理和特征提取。现有信号处理方法主要是小波包分解和经验模态分解，但如何选择合适的基函数是小波包分析的一个难题，经验模态分解也存在边界效应和模态混叠现象，影响特征量的有效性。s变换作为小波变换与短时傅里叶变换的继承与发展，免去了窗函数的选择，并改善了窗宽固定的缺点，但由于该方法时频分辨率固定且运算量较大，使其在使用过程中受到了一定的制约。因此，需要对现有信号处理方法进行改进，从而更准确、可靠、快速辨识发生于电磁斥力机构高压真空断路器之中的机械故障。

技术实现要素：

本发明的目的在于提供一种高压真空断路器机械故障诊断方法及系统，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种高压真空断路器机械故障诊断方法，包括以下步骤：

步骤1)、通过加速度传感器获取电磁斥力机构高压真空断路器两个不同位置的振动信号；

步骤2)、利用s变换对获取的同一组中两个不同位置的振动信号分别进行时频分析，得到s变换模矩阵；

步骤3)、从s变换模矩阵中提取能量熵作为特征向量训练向量机模型，得到支持向量机训练模型，通过支持向量机训练模型进行故障分类。

进一步的，具体的，通过建立电磁斥力机构高压真空断路器实验平台，模拟5种故障，综合分析断路器不同位置的振动信号后，选择两个不同位置处安装的加速度传感器采集振动信号，获取6种状态下120组振动信号数据。

进一步的，5种模拟故障包括控制回路电压过低、控制回路电压过高、控制回路电阻增大、缓冲器卡涩和基座固定螺丝松动。

进一步的，步骤2)中进行s变化公式为：

其中，h(t)为振动信号，f为频率，为位移因子，kf+h为引入的调节因子，参数k和h共同控制高斯窗的窗宽。

进一步的，步骤3)中，将s变换模矩阵分别按照行和列划分为n段和m段，得到n×m个时频块，然后求取每个时频块的归一化能量，最后计算s变换能量熵，将同一组中两个不同位置处振动信号的能量熵共同作为特征向量。

进一步的，n和m的取值为10。

进一步的，归一化能量的计算公式为：

qij＝∑|aij|²,i＝1,2,...,n；j＝1,2,...,m

eij＝qij/q

其中aij表示每个时频块中所有元素的幅值；qij表示第i行，第j列的时频块的能量；q表示所有时频块的能量总和，eij表示第i行，第j列的时频块的归一化能量，i，j∈n⁺且i，j<n。

进一步的，s变换能量熵计算公式为：

其中，eij为第i行，第j列的时频块的归一化能量，i，j∈n⁺且i，j<n。

进一步的，支持向量机采用c-svc模型，使用径向基函数作为分类器核函数，分别通过网格搜索和粒子群优化方法进行参数寻优得到支持向量机训练模型。

一种高压真空断路器机械故障诊断系统，包括振动信号获取模块、时频分析模块和计算分类模块；

振动信号获取模块用于获取电磁斥力机构高压真空断路器两个不同位置的振动信号，并将获取的振动信号传输至时频分析模块，时频分析模块对获取的同一组中两个不同位置的振动信号分别进行时频分析，得到s变换模矩阵，并将获取的s变换模矩阵传输至计算分类模块，计算分类模块从s变换模矩阵中提取能量熵作为特征向量训练向量机模型，得到支持向量机训练模型，将待分析高压真空断路器振动信号输入计算分类模块实现故障分类。

与现有技术相比，本发明具有以下有益的技术效果：

本发明一种高压真空断路器机械故障诊断方法，通过加速度传感器获取电磁斥力机构高压真空断路器两个不同位置的振动信号，利用s变换对获取的同一组中两个不同位置的振动信号分别进行时频分析，得到s变换模矩阵；从s变换模矩阵中提取能量熵作为特征向量训练向量机模型，得到支持向量机训练模型，通过支持向量机训练模型进行故障分类，利用s变换时频分辨率高的特点，振动信号经过s变换后可直观看出信号在时频平面的能量分布，且不同状态下的可区分度较高，提出的故障诊断模型取得了较好的诊断效果，其中pca-gs-svm达到了100％的准确率，并且准确率和效率均优于小波包能量熵和希尔伯特-黄变换能量熵，为小样本下高压真空断路器机械故障诊断提供了一种新的思路，本发明能够准确、可靠、快速辨识发生于电磁斥力机构高压真空断路器之中的机械故障。

进一步的，通过引入调节因子共同控制高斯窗的窗宽，能够适应高频段频率分辨率以及低频段的时间分辨率的提高。

本发明一种高压真空断路器机械故障诊断系统，结构简单，可以准确判断出电磁斥力机构高压真空断路器中出现的机械故障，相比传统的小波包分解和经验模态分解，有效提升了故障分类准确率。

附图说明

图1为本发明实施例中的高压真空断路器检测方法流程图。

图2为本发明实施例中电磁斥力机构高压真空断路器振动信号测试平台结构示意图。

图3为本发明实施例中在电磁斥力机构高压真空断路器振动信号测试平台测得的正常状态和五种故障下位置1和位置2的振动信号图；从左至右从上到下依次为：正常信号，控制回路电压过低，控制回路电压过高，控制回路电阻增大，缓冲器卡涩，基座固定螺丝松动。

图4a为本发明实施例中应用s变换处理位置1振动信号的等高线图。

图4b为本发明实施例中应用s变换处理位置2振动信号的等高线图。

图5a为本发明实施例中应用能量熵提取位置1不同状态三组振动信号特征量后的折线图。

图5b为本发明实施例中应用能量熵提取位置2不同状态三组振动信号特征量后的折线图。

图6a为本发明实施例中应用gs-svm模型进行电磁斥力机构高压真空断路器机械故障诊断的结果图。

图6b为本发明实施例中应用pca-gs-svm模型进行电磁斥力机构高压真空断路器机械故障诊断的结果图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

结合图1，对本发明所述的一种高压真空断路器机械故障诊断方法的步骤进行具体说明，包括以下步骤：

步骤一、建立电磁斥力机构高压真空断路器实验平台，模拟5种故障，分别为：故障1-控制回路电压过低(85％额定电压)、故障2-控制回路电压过高(110％额定电压)、故障3-控制回路电阻增大(模拟线圈老化)、故障4-缓冲器卡涩、故障5-基座固定螺丝松动。综合分析断路器不同位置的振动信号后，选择位置1、位置2安装加速度传感器采集振动信号，如图2所示。文中数据采集器采用tektronix示波器，采样速率设置为1mhz，采样时间为100ms，共获取6种状态下120组振动信号数据。

步骤二、将获取的同一组中两个不同位置的振动信号分别进行s变换(ist)，得到时频域内的二维复数时频矩阵，对该复数时频矩阵求模，得到s变换模矩阵(stmm)；

现有s变换表达式为：

其中，h(t)为输入信号，τ为位移因子，ω(t,f)为高斯窗函数，其表达式为：

为改善现有s变换时频分辨率固定的缺点，引入调节因子δ＝kf+h。δ代表高斯窗一个标准偏差内的傅里叶正弦曲线周期的数目。δ减小，高斯窗内的正弦曲线周期的数减小，则高频段频率分辨率降低；反之，δ增大，则低频段时间分辨率降低。其中参数k和h共同控制高斯窗的窗宽，k增加，高频段频率分辨率上升，时间分辨率下降；h增加，低频段的时间分辨率提高。从而高斯窗函数的表达式变为：

由此得到的s变换(ist)的表达式为：

振动信号经s变换处理后得到的结果为一个二维复矩阵，其行向量表示时间，列向量表示频率。

步骤三、提取特征量：

将s变换模矩阵分别按照行和列划分为n段和m段，得到n×m个时频块，求取每个时频块的归一化能量：计算每个时频块的能量qij，并做归一化处理得到eij，然后求取s变换能量熵：计算改进s变换能量熵ti和fj，得到特征向量s＝[t1,…,tn,f1,…,fm]，将位置1和位置2的能量熵s1和s2共同作为特征量z。

对同一组中两个不同振动信号分别进行分析处理后，对s变换得到的二维复矩阵进行求模得到s变换模矩阵(stmm)，将stmm分别按照行和列划分为10段，则stmm被划分为10×10个时频块。对每一个时频块求能量qij，公式为：

qij＝∑|aij|²,i＝1,2,...,10；j＝1,2,...,10

其中aij表示每个时频块中所有元素的幅值。然后求每个时频块的归一化能量eij：

eij＝qij/q

其中q为所有时频块的能量总和。最后可求得s变换能量熵ti和fj：

其中ti表示时域能量熵，fj表示频域能量熵。则振动信号特征量s＝[t1,…,t10,f1,…,f10]。

步骤四、将前述位置1和位置2的stmm能量熵s1和s2共同作为特征量z；以c-svc模型作为支持向量机(svm)模型，采用径向基函数(rbf)作为分类器核函数，分别通过网格搜索算法(gs)和粒子群算法(pso)两种算法进行参数寻优，得到pca-svm训练模型，输入60组预测数据，进行故障诊断。

结合图6a～6b，阐述本发明的电磁高压真空断路器故障诊断方法诊断效果。图6a为应用gs-svm模型进行电磁斥力机构高压真空断路器机械故障诊断的结果图，图6b为应用pca-gs-svm模型进行电磁斥力机构高压真空断路器机械故障诊断的结果图，具体如表一所示。

表一不同分类器使用ist能量熵的故障分类结果

结合图6a和表一可以看出，四种模型的分类准确率都比较高，达到了90％以上，其中pca-gs-svm达到了100％的准确率。使用pca降维后，三种参数寻优算法的效率都得到了提升，但pso的分类准确率都有所下降。究其原因，pca虽然降低了数据的维数，但同时也损失了部分有效信息，而pso模型相比gs模型比较复杂，因而这部分损失的有效信息对pso的影响大于gs，所以其故障分类准确率降低。

为了显示本发明的优越性，将小波包分解(wpd)能量熵和希尔伯特-黄变换(hht)能量熵作为输入向量进行故障诊断。小波基函数选取db10小波进行7层小波包分解，选取第七层小波的前八个分量计算能量熵；计算hht的前八个固有模态函数的能量熵。诊断结果见表二。

表二

结合表二可以看出，虽然使用wpd能量熵也取得了较好的诊断效果，但使用ist能量熵作为输入向量时，诊断模型的准确率和运行时间均优于使用wpd能量熵。而hht能量熵的诊断效果很差。另外，ist相比wpd和hht的另一个优点是可以直观地看出振动信号在时频平面的分布，并且可以根据信号特点选择合适的k和h，改善了标准s变换时频分辨率固定的缺点，也避免了小波包分解选择小波基函数的困难。

如图4所示，本发明所提出的s变换方法可以直观地看出信号在时频平面的能量分布，时频分辨率较高，受噪声干扰较小。

如图5所示，本发明所提出的不同状态振动信号ist能量熵可区分度较高，相同状态下振动信号ist能量熵一致性较好，适于作为分类器输入向量，有利于提升故障诊断准确率。