基于EMD和SVM的高压断路器机械故障诊断方法研究

陈朋永，赵书涛，李建鹏，陈云飞

(1．华北电力大学 新能源电力系统国家重点实验室，河北 保定 071003;2．河北省电力公司检修分公司，河北 石家庄 050070;3．河南省电力公司鹤壁市供电局，河南 鹤壁 458000)

0 引言

高压断路器作为电力系统中起控制和保护作用的关键设备，其动作可靠性极为重要。但是断路器结构复杂、部件繁多且封闭性很强，获取状态参量比较困难[1]。声波信号携带了断路器的运行状态信息，适合高电压、强电磁环境。文献[2]介绍了超声波检测断路器绝缘缺陷并进行定位的方法。文献[3]阐述了超声波在线检测开关柜局部放电的基本原理及方法。但是耦合在导体上的超声探头对设备绝缘具有破坏性，而且超声波传播速度随绝缘老化变化很快，造成测量数据可比性较差[4]。

断路器在开、闭动作过程中需要较大的操作功，储能装置的动作、传动机构的冲击、零部件的摩擦和碰撞等引起的20 kHz以内的声波非常明显，且此频段声波测量具有优良的非接触特性。声波信号中蕴含着丰富的设备状态信息，分析声波信号的变化能够发现传动机构卡涩、润滑不足等机械故障。目前，高压断路器的可听频段声波诊断尚处于探索阶段，且声波信号受外界干扰较大，可用于故障分析的数据样本很少[5]，尚没有成熟、通用的处理方法。对声波信号的时频特性进行深入分析，探索合理的信号特征提取方法是全面评估断路器状态的关键问题之一。

EMD是处理非线性、非平稳时间序列的方法。断路器声波信号的EMD分解结果–固有模态函数 (intrinsic mode function，IMF)反映信号中内嵌的简单振荡模式，这种分解是自适应的，因而更能反映故障的本质信息。文献[6]利用振动信号诊断断路器机械故障，直接采用EMD分解求取IMF分量能量熵作为特征向量，对信号的频变不敏感，影响到缓冲器有多余无效撞击等故障的识别。同时反映信号的时变和频变需要合理地对信号进行分段，本文提出了等时间分段的特征提取方法。SVM通过结构风险最小原理来提高泛化能力，很好地解决了传统智能诊断方法中非线性、局部极小值、小样本等难题，能最大限度地挖掘数据中隐含的分类知识[7]。将 SVM应用到断路器的故障诊断中，解决了断路器声波信号样本少的困扰。

1 断路器分闸声波信号

高压断路器操动过程中，产生包含断路器运行状态信息的声波信号，声波信号的变化反映了断路器机械状态的变化。断路器在分闸过程中，多个部件按照特定的逻辑顺序启动、运动和制动，伴随产生一系列声波，声波经过衰减、反射和叠加，最终进入声波采集系统。以ZN28A型真空断路器 (配弹簧操动机构)分闸为例，采集正常和故障下的分闸声波信号，如图1所示。

图1 分闸声波信号Fig.1 Acoustic signal of break-brake

T0时刻，断路器接到分闸指令，分闸线圈通电产生电磁力推动铁芯顶杆;T1为分闸脱扣电磁铁铁芯与连杆机构撞击时刻，对应一个较微弱的声波信号;T2为连杆机构解裂时刻，分闸储能机构释放能量，分闸弹簧开始驱动传动机构及触头系统运动;T3为主触头分离时刻，触头运动到头，制动缓冲在分闸位置，此时也产生较强烈的声波信号;T4时刻分闸完成。整个过程可分成3个阶段:T1～T2阶段为分闸前期，T2～T3阶段为分闸中期，T3～T4阶段为分闸后期。

不同状态下，分闸过程中声波信号的时间、频率和能量发生变化，单凭人耳无法区分声波信号的变化，很难发现断路器操动中的各类故障。只有对声波信号的变化进行定量分析，才能判断断路器运行状态，发现其存在的隐患或故障，进一步确定故障类型。

根据高压断路器分闸过程的物理特点，对分闸声波信号进行分段:将正常状态下分闸声波信号的T1，T2，T3，T4作为时间基准，将不同测试状态 (如图1中的拐臂润滑不足状态)的分闸声波信号也按此时间基准分为分闸前期、分闸中期、分闸后期三个阶段。

2 EMD分解和IMF包络

2.1 EMD分解

高压断路器分闸声波信号是一种非平稳信号，经过EMD分解后，可以得到包含不同特征时间尺度的多个IMF分量。

EMD分解过程如下:

(1)确定断路器分闸声波信号x(t)所有的局部极大值点和局部极小值点。

(2)利用三次样条差值函数分别将所有的局部极值点连接起来形成上、下包络线。

(3)上、下包络线的平均值记为m(t)，求出c(t)=x(t)－m(t)，判断c(t)是否满足IMF成立的两个条件，即:极值点个数和过零点个数相等或相差最多不超过一个;在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线平均值为零。如果满足，那么c(t)就是x(t)的第一个IMF分量，把c(t)从x(t)中分离出来，得到残余函数r(t)=x(t)－c(t);否则把c(t)作为原始数据，重复步骤1～3。

(4)重复步骤1～3，直到 r(t)成为一个单调函数不能再从中提取满足IMF条件的分量时，循环结束。

由此，原信号x(t)可以表示为1个残余函数和n个IMF分量之和:

正常状态分闸前期、分闸中期、分闸后期声波信号经过EMD分解后如图2所示，共得到5个IMF分量，从上到下依次为 IMF1～IMF5。针对某一时间点来说，IMF分量依次包含从高频到低频的频率成分，可以反映信号的瞬时频率分布情况。

图2 正常状态IMF分量Fig.2 IMF component of normal state

2.2 计算IMF包络

信号的突变信息通常体现在信号的包络中，Hilbert变换是机械故障诊断中常用的提取信号包络的方法[8]。首先对分闸声波信号IMF分量进行零均值化处理，然后进行Hilbert变换，得到解析信号:

式中:i为复数虚部标示;y(t)为c(t)的 Hilbert变换，则c(t)的包络信号为

正常状态各阶段声波信号的IMF包络如图3所示，从上到下依次为IMF1～IMF5包络。信号包络含有高压断路器的运行状态信息，其能量分布可以反映断路器声波信号的时间、频率和能量变化。

图3 正常状态IMF包络Fig.3 IMF envelope of normal state

3 等时间分段能量熵

3.1 等时间分段

高压断路器出现机械故障时，不同频带内声波信号的能量会发生变化[9，10]，声波信号某一点或连续几点发生变化时，必然引起IMF包络能量的重新分布。IMF包络的等时间分段能量熵可以量化反映信号的变化，利用分闸各阶段声波信号的等时间分段判断润滑不足、操作延迟等机械故障。

对分闸声波信号进行等时间分段:将正常状态分闸前期、分闸中期和分闸后期三个阶段分别做等时间分段，提取分段时间点作为时间基准，测试状态各阶段信号分别按此时间基准分段。

正常状态分闸声波信号时频分析如图4所示(频率已做归一化处理)，可以发现分闸中期频带最宽，0～3 000 Hz，能量较大，分闸前期和分闸后期频带范围较窄，能量较小。为了更加敏感地反映各阶段不同频带声波信号的能量分布变化，分闸前期和分闸后期可以较少分段，分闸中期较多分段。经过多次试验比较，分闸前期等时间分5段，分闸中期等时间分12段，分闸后期等时间分8段。

分闸前期等时间分段如图5所示，断路器状态发生改变，分闸声波信号随之产生变化。将正常状态下分闸前期声波信号等时间分成5段，提取分段时间点 t0，t1，t2，t3，t4，t5作为时间基准，将不同测试状态 (如图5拐臂润滑不足状态)分闸前期也按此时间基准分为5段。分闸中期、分闸后期等时间分段方法与分闸前期相同，仅分段数目不同。

图4 分闸声波时频分析Fig.4 Time-frequency analysis of break-brake acoustic signal

图5 分闸前期等时间分段Fig.5 Equal time section of break-brake early

3.2 计算等时间分段能量熵

为了获得断路器声波信号随时间和频率变化的规律，将信息熵引入IMF包络能量分布分析当中[11]。信息熵是在一定状态下定位系统的一种信息测度，可以估计信号的复杂性，如式 (4)所示

式中:p(x)为联合概率密度函数。仿照信息熵计算公式，基于IMF包络的能量熵计算公式如式(5)。

式中:Ei为IMF包络的能量。分段能量熵是对信号能量分布均匀程度的一种度量，可以反映断路器声波信号的时变和频变，频变和时变又恰恰表征了断路器的运行状态。

以分闸前期为例，计算等时间分段能量熵如下。

(1)分闸前期经过等时间分5段后做EMD分解，提取信号包络，利用式 (6)计算各分段能量，图6为拐臂润滑不足分闸前期各分段能量。

式中:f(x)为IMF包络;i=1，2…5为 IMF分量数;j=1，2…5 为分段数;tj，tj－1分别为其中一段的时间分界点。

图6 拐臂润滑不足分闸前期等时间分段Fig.6 Equal time section of turn arm insufficient lubrication break-brake early

(2)各分段IMF包络的能量归一化如式(7):

(3)根据能量熵理论，等时间分段能量熵为

(4)形成等时间分段能量熵:

分闸中期、分闸后期的等时间分段能量熵计算方法与分闸前期相同，仅分段数目不同。

4 SVM原理

SVM的基本思想是建立一个超平面作为决策面，该决策面不但能将所有训练样本正确分类，而且使训练样本中离分类面最近的点到分类面的距离最大。在线性不可分情况下，引入松弛变量εi和惩罚因子c进行推广，则超平面约束条件为

最优分类面为

通过引入内积核函数K(xi·xj)可以将非线性问题转化为高维空间中的线性问题，相应的判别函数为

SVM在小样本故障诊断中的分类性能优于神经网络分类器，将 G作为 SVM的输入，利用“一对其余”策略进行断路器机械故障诊断。采用3个支持向量机对正常状态、拐臂润滑不足、缓冲器有多余无效撞击和其余故障进行三级分类训练和识别，如图7所示。首先采用一个支持向量机 (SVM1)进行第一级分类训练，将断路器正常状态和非正常状态 (拐臂润滑不足、缓冲器有多余无效撞击、其余故障)分开，正常时SVM1输出1，故障时SVM1输出 －1;再采用第二个支持向量机 (SVM2)进行第二级分类训练，对拐臂润滑不足、缓冲器有多余无效撞击和其余故障进行分类，若为拐臂润滑不足故障，SVM2输出1，否则输出－1;再采用第三个支持向量机(SVM3)进行第三级分类，若为缓冲器有多余无效撞击故障，SVM3输出1，否则输出－1。

图7 三级分类原理Fig.7 Principle of level 3 classification

5 实验分析

在实验室中采集ZN28A型真空断路器正常、拐臂润滑不足、缓冲器有多余无效撞击三种状态下各40组分闸声波信号，其中20组用于SVM的训练，20组用于测试。各状态下断路器分闸声波信号按照第1～3节所述的等时间分段能量熵计算方法，得到每个样本的25维能量熵G。

利用SVM进行状态分类的核心思想，是通过核函数将低维空间中的非线性问题变为高维空间中的线性问题。本实验采用径向基核函数 (radial basis function，RBF)，惩罚因子 c和核函数参数g是SVM的2个重要参数，对于SVM诊断的准确率和泛化能力影响很大。常用的参数寻优方法有遗传算法、网格法和粒子群法，本实验选用遗传算法确定最优的参数c，g。

将待识别的60个声波信号作为测试样本，对应编号如表1所示，其中包括20个正常，20个拐臂润滑不足故障，20个缓冲器有多余无效撞击故障样本。利用训练好的3个支持向量机进行分类，从表2的测试结果来看，可以完全区分正常状态和非正常状态;第27组数据 (拐臂润滑不足故障)被判断为其余故障;第46组数据(缓冲器有多余无效撞击故障)错判为拐臂润滑不足故障。

表1 待测状态类型编号Tab．1 For the state type numbers

表2 SVM分类结果Tab．2 Classification results of SVM

6 结论

断路器操动中声波信号的变化能体现断路器运行状态。基于EMD的等时间分段方法，可以反应声波信号的时间、频率和能量变化。SVM很好的解决了断路器状态识别中的小样本、高维数和非线性等实际问题。实验结果表明，EMD和SVM相结合的诊断方法，对于断路器的正常状态和典型故障具有良好的诊断效果。工程实际中，断路器故障诊断十分复杂，声波分析法还需要更多的现场数据，充实知识库中的评价标准，提高诊断的实用性。

[1]张国钢，王宏伟，汤翔，等．基于 EMD方法的高压断路器液压机构振动信号分析[J]．高压电器，2008，44(3):193－197．

[2]胡涛，刘海峰，杜大全．550kV罐式断路器局部放电在线检测[J]．高压电器，2008，44(4):378－390．

[3]王培义，朱伯涛．开关柜局部放电超声波在线检测技术的应用[J]．河北电力技术，2010，29(6):26－27．

[4]潘亮亮，赵书涛，李宝树．基于声波信号分析的电气设备故障诊断新方法[J]．电力自动化设备，2009，29(8):87－90．

[5]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，2011，31(12):108 － 113．

[6]孙来军．振动信号小波包特征熵的时变与频变特性分析[J]．高电压技术，2007，33(8):146－149．

[7]孔英会，蔡维，何伟．基于特征组合的SVM电能质量扰动信号分类[J]．华北电力大学学报，2010，37(4):72－77．

[8]孙金宝，朱永利，刘丽轻，等．基于EMD的绝缘子泄漏电流去除噪声研究[J]．华北电力大学学报，2010，37(6):1 －5．

[9]陈伟根，范海炉，王友元，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．

[10]赵海龙，王 芳，胡晓光．小波包－能量谱在高压断路器机械故障诊断中的应用[J]．电网技术，2004，28(6):46－48．

[11]陈伟根，邓帮飞，杨 彬．基于振动信号经验模态分解及能量熵的高压断路器故障识别[J]．高压电器，2009，45(2):90－94．