高压断路器振声联合故障诊断方法

赵书涛 张 佩 申 路 郭 静

（华北电力大学保定校区电气工程学院 保定 071003）

1 引言

高压断路器是电力系统中最重要的设备之一[1,2]，随着人工智能的发展，神经网络、支持向量机、人工免疫网络等新方法被引入故障诊断的领域，但支持向量机适于解决小样本、高维数、非线性等问题[3-5]。由于高压断路器运行现场环境复杂，采集到的信号若采用传统的时频分析方法，如短时傅里叶分析、Wigner-Ville分布、小波分析等[6,7]，由于这些方法中均包含了基函数固定的积分运算，分析效果不是很理想。经验模式分解（Empirical Mode Decomposition，EMD）和集合经验模式分解（Ensemble Empirical Mode Decomposition，EEMD）对平稳信号和非平稳动态信号的分解都比较有效，但是EMD存在模式混叠现象，EEMD虽然克服了其不足，但如果原始信号的信噪比很低则分解效果仍不理想[8,9]。针对高压断路器振动和声波信号的非线性、非平稳特性，振声联合诊断成为高压断路器机械故障的新兴研究方向[10]，本文提出了一种基于Fast KICA和EEMD断路器振声联合时频分析方法，并结合支持向量机（SVM）将其应用于高压断路器故障诊断。

2 高压断路器振声联合机械故障诊断总体方案

根据振动信号和声波信号具有的非线性、非平稳的特点，断路器振声联合机械故障诊断的总体方案如图1所示。图中系统可以分为监测部分和故障诊断部分。对采集到的声波信号首先进行Fast KICA盲源分离，接着对两种信号同时进行改进EEMD分解提取特征向量输入诊断系统，最后通过支持向量机（SVM）进行故障诊断分析。

图1 断路器机械故障诊断的总体方案Fig.1 The overall scheme of the circuit breaker mechanical fault diagnosis

3 振声联合机械故障诊断方法原理

高压开关动静触头撞击时，伴随着撞击会发生机械振荡运动，同时这种振动发出声波会在空气中传播。因此在理论层面上，声波与振动两者之间是相互联系的，在高压断路器开合闸过程中，两者是同源的，只是传播介质不同。振动信号通过固体传播衰减小，不易受外界干扰。采用压电式加速度传感器采集信号时，虽然传感器灵敏度高，但在振幅较大时信号存在饱和现象，波形存在削顶现象，且电荷累计效应会导致传感器连续高频冲击失效。声波信号在空气中传播易受背景噪声干扰，信噪比低，但其属于非接触式测量，安装方便；另外测量频带宽，能够有效避免饱和及失效现象。综上所述，振动信号衰减小、抗干扰强，压电加速度传感器高灵敏度高，能捕捉信号细微变化，可作为基准信号来剔除声波信号背景噪声；声波信号频带宽，可选择宽频拾音器，避免振动信号失真对诊断结果的影响，二者联合分析可充分发挥各自优势。

3.1 快速核独立分量分析（Fast KICA）

本文引入快速核独立分量分析（Fast KICA）进行非线性信号的盲分离，提高了盲源分离算法处理非线性信号的能力和稳定性。快速核独立分量分析（fast KICA）利用Hilbert-Schmidt独立性判决准则（HSIC）作为衡量变量统计独立性的目标函数，用牛顿类法对目标函数进行优化，极小化该目标函数，获取分离矩阵。并采用不完全Cholesky分解方法来提高计算性能、剔除冗余特征、降低噪声，具有较强的非线性处理能力[11]。

Fast KICA算法的基本计算流程如下：

（1）确定观测数据向量z1, z2,…,zn，和核函数在本文中选用高斯径向基核函数，其定义为

（2）对观测数据向量进行白化预处理，令白化后的观测向量为：

（3）对目标函数 H(X)的Hessian矩阵进行不完全Cholesky估计。

（4）用牛顿类法优化求解分离矩阵。

（5）将分离出来的信号与模板库中的信号进行匹配。

3.2 改进集合经验模式分解EEMD方法

在环境恶劣的情况下断路器分闸过程中的振动信号和声波信号存在噪声强点，同时，由于这两种信号通过介质传播，尤其是声波信号通过空气传播会混入大量的随机噪声，其幅值虽不大，但频率很高，噪声的不断累积会影响信号EEMD分解的准确性。本文采用一种改进的 EEMD方法，在传统 EEMD的分解过程中利用中值滤波器对残余函数进行滤波，虽然残余函数的大小不直接参与后续的故障诊断，但其直接控制整个EEMD的分解过程。中值滤波是一种非线性滤波方法，仅需对滤波器窗口内的信号进行排序处理，其实质是以误差的绝对值之和达到最小来确定滤波器输出响应的方法，滤波器的输出为有序数的中值。对残余函数进行中值滤波不但能有效的去除噪声强点、保护信号变化边界而且可抑制随机噪声和信号的随机起伏性，使残余函数信号的方差减小，更精确地终止 EMD分解过程。改进EEMD的算法流程为：

（1）对含噪的振动和声波信号先用中值滤波法平滑处理。

（2）将一定强度的不同的白噪声分别添加到信号序列中，将添加了白噪声的序列进行 EMD分解即执行步骤3～步骤6，总共进行M次分解。

（3）确定断路器振动和声波信号所有的局部极大值点和局部极小值点。

（4）用三次样条函数拟合成该数据序列的上、下包络线，其均值为平均包络线n(t)。

（5）求出 h(t)=x(t)-n(t)，判断 h(t)是否满足IMF成立的两个条件，如果满足，那么h(t)就是x(t)的第一个IMF分量；否则把重复步骤3～步骤4。

（6）计算残余函数 r(t)=x(t)-h(t)，对残余函数信号用中值滤波法平滑处理，重复步骤 3～步骤 5，直到 r(t)成为一个不可再被分解的单调函数为止。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。

（7）对 M次 EMD分解得到的相应固有模态函数（Intrinsic Mode Function，IMF）逐个求整体平均，作为最终的IMF。计算每个IMF的二维谱熵（一维谱熵、中心频率）。

4 实验分析

采用ZN28A型真空断路器模拟正常、操动机构卡滞和拐臂润滑不足三种状态。振动信号采用L0102T型压电加速度传感器采集，利用磁铁将传感器吸附在在机构箱和中间相触头垂直位置的机构箱表面上。声波传感器采用 502A型拾音器，与断路器非接触式安装。振声联合分析的步骤如下。

4.1 特征向量的提取

（1）对采集到的声波信号用Fast KICA进行盲源处理：分析断路器开合闸过程中常见的信号分别为现场工作人员的语音、打雷的声音和断路器分闸的声波，经随机生成的矩阵混合生成三路混合信号。然后利用Fast KICA方法实现这三路信号的分离，本实验过程如图2所示。分离后的声波信号与模板库中的信号进行匹配，可以得到解混声波1是断路器分闸的声波，解混声波2是打雷的声音，解混声波3是现场工作人员的语音。从实验结果可以看出该方法可以有效的实现这三路信号的分离。

图2 声波信号的Fast KICA处理Fig.2 Fast KICA acoustic signal processing

（2）本实验选定所加白噪声的幅值是原始信号标准差的0.1倍，EEMD分解次数为50次。正常状态分闸振动和声波信号的改进EEMD分解后的IMF分量如图3所示，二维谱熵见表1。

表1 正常状态改进EEMD分解后的能量熵Tab.1 Improved EEMD decomposition energy entropy in normal state

4.2 基于支持向量机的故障识别

（1）确定选用的支持向量机模型和核函数，本实验中模型选用C-SVC，核函数选用径向基函数。

（2）初始化设置模型参数，寻优得c=0.01，λ= 25.1202。

（3）SVM分类，测试模型准确率。

实验一：测试单振动信号与单声波信号联合诊断的正确率。

将待识别的 30组声波信号和振动信号作为测试样本，对应编号见表2，其中包括10个正常、10个操动机构卡滞和10个拐臂润滑不足故障样本。将样本输入该诊断模型，测试结果如图 4所示。图 4中类别标签数字3、6、9分别为正常状态、操动机构卡滞状态和拐臂润滑不足状态，从图中可见，第8组数据（操动机构卡滞故障）错判为拐臂润滑不足故障，分类准确率为96.67%。其误判为拐臂润滑不足的原因是第8组数据（操动机构卡滞故障）由于断路器所处环境恶劣，采集到的声波信号存在大量噪声，导致了在振声联合诊断时发生了误判。优化Fast KICA盲源处理的分离矩阵，去除恶劣天气下的背景噪声，可降低误判可能性。

图3 正常状态分闸振动和声波信号的IMF分量Fig.3 IMF component of the brake vibration and acoustic signals in normal state

表2 待测状态类型的样本编号Tab.2 Sample number of status types to be tested

图4 测试样本分类图Fig.4 Test sample classification map

实验二：测试振声联合诊断与单一信号诊断的诊断性能。

采用“一对其余”的策略，选用径向基函数（RBF）作为诊断模型中各SVM分类器的核函数，按照断路器机械故障的频发性及危害性原则确定各故障的诊断顺序。实验中，随机选取正常状态、操动机构卡滞和拐臂润滑不足各20组作为训练集，再各选取 20组用来测试分类效果。采用基于 Fast KICA和改进EEMD的断路器时频分析方法，并结合支持向量机（SVM）诊断高压断路器故障，本节研究的诊断模型有如下五种：

（1）单振动与单声波信号联合诊断：采集每个样本的振动信号和声波信号组，信号数量一共 120组。

（2）单振动信号诊断：取样本振动信号60组。

（3）双振动信号诊断：将两个传感器安装在机构箱和中间相触头垂直线的顶端和底端的机构箱表面上。每一个样本采集两组信号共120组。

（4）单声波信号诊断：取样本声波信号60组。

（5）双声波信号诊断：在断路器两侧50cm处，非接触安装两个 502A拾音器，每一个样本采集两组声波信号共120组。

振声联合诊断与单一信号诊断性能对比实验结果见表3。

表3 振声联合诊断与单一信号诊断性能（正确率）对比Tab.3 Vibration acoustic joint diagnosis and single signal diagnosis performance(accuracy)

由实验一和实验二可得出以下结论：

（1）由实验一可知单振动与单声波信号的联合诊断正确率为96.67%，具有较好的诊断性能。

（2）由实验二可知这五种诊断模型都能将正常状态从故障状态中完全分离出来。

（3）单振动和双振动信号诊断的诊断结果正确率相同，单声波信号诊断比双声波信号诊断的在拐臂润滑不足状态的正确率低 5%，如此可知，对于单一信号，增大信号的数量并不能使诊断正确率显著提高。

（4）对于故障状态的诊断，在信号数量相同的情况下，信号振声联合诊断的正确率明显要好于单一信号的诊断。

4.3 IMF个数对分类正确率的影响

支持向量机方法中，需要适当选择特征向量。本实验中特征向量维数为选取的 IMF的个数的四倍。从图5可以看出，改进EEMD的分类正确率要明显高于EEMD，最高为97.00%，EEMD的分类正确率高于EMD，最高为94.38%，EMD的最高分类率为 74.50%。原因在于采用 EEMD分解能够消除EMD分解中存在的模式混合问题，改进 EEMD不但能消除模式混叠同时能有效抑制原始信号中的噪声。由于全部16个IMF才能充分反映断路器每种状态的信号特征，因此其分类正确率高于采用部分IMF作为特征向量的情况。

图5 分类正确率与IMF个数间的关系Fig.5 Classification accuracy and the relationship between the number of IMF

5 结论

本文将Fast KICA和改进EEMD运用到高压断路器振动和声波信号特征向量提取中，同时运用粒子群优化方法对支持向量机模型参数寻优，最后利用SVM很好地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，具有良好的诊断效果。但是由于振声联合诊断机械故障的方法使检测信号的数量和处理量都成倍增加，导致了分类时间长，相关问题仍有待进一步研究。由于实验条件的限制，本文只研究了两种故障类型，工程应用中，断路器故障诊断十分复杂，还需要采集更多的现场数据并进一步综合考虑其他故障类型下情况来完善振声联合诊断的实用性。

[1] 孙来军, 胡晓光, 纪延超. 基于支持向量机的高压断路器机械状态分类[J]. 电工技术学报, 2006, 08:53-58.Sun Laijun, Hu Xiaoguang, Ji Yanchao. Mechanical fault classification of high voltage circuit breakers based on support vector machine[J]. Transactions of China Electrometrical Society, 2006, 08: 53-58.

[2] 吴振升, 王玮, 黄梅, 等. 基于相空间重构的高压断路器振动信号特征分析[J]. 现代电力, 2006,23(1): 10-14.Wu Zhensheng, Wang Wei, Huang Mei, et al. Analysis of characteristics of vibration signals in high-voltage circuit breakers based on phase space reconstruc-tion[J]. Modern Electric Power, 2006, 23(1): 10-14.

[3] 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, 8(8): 85-89.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, 8(8): 85-89.

[4] 陈涛. 一种新的支持向量机混合集成算法[J]. 科学技术与工程, 2012, 12(21): 5312-5315.Chen Tao. A new hybrid SVM ensemble algorithm[J].Science Technology and Engineering, 2012, 12(21):5312-5315.

[5] Meng Yongpeng, Jia Shenli, Shi Zongqian, et al. The detection of the closing moments of a vacuum circuit breaker by vibration analysis[J]. IEEE Transactions on Power Delivery, 2006, 21(2): 652-658.

[6] 赵海龙, 王芳, 胡晓光. 小波包一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.Zhao Hailong, Wang Fang, Hu Xiaoguang. Application of wavelet packet-energy spectrum mechanical fault diagnosis of high voltage circuit breakers[J]. Power System Technology, 2004, 28(6): 46-48.

[7] 王增才, 王树梁, 任锴胜, 等. 基于 EEMD 的提升机天轮轴承故障诊断方法[J]. 煤炭学报, 2012,37(4): 689-694.Wang Zengcai, Wang Shuliang, Ren Kaisheng, et al.Research on the method of hoist head sheave bearing fault diagnosis based on EEMD[J]. Journal of China Coal Society, 2012, 37(4): 689-694.

[8] 董绍江, 汤宝平, 张焱. 基于最优匹配跟踪算法的单通道机械信号盲源分离[J]. 振动工程学报, 2012,25(6): 724-731.Dong Shaojiang, Tang Baoping, Zhang Yan. Blind source separation of single-channel mechanical signal based on optimal matching pursuit algorithm[J]. Journal of Vibration Engineering, 2012, 25(6): 724-731.

[9] Lei Yaguo, He Zhengjia, Zi Yanyang. Application of the EEMD method to rotor fault diagnosis of rotating machinery[J]. Mechanical Systems and Signal Processing, 2009, 23: 1327-1338.

[10] 李建鹏. 基于振—声联合分析的高压断路器机械故障诊断研究[D]. 保定: 华北电力大学, 2012.

[11] Shen H, Jegelka S, Gretton A. Fast kernel-based independent component analysis[J]. IEEE Transactions on Signal Process, 2009, 57(9): 202-857.