基于声振联合特征熵的断路器故障诊断方法

赵书涛，王亚潇，李沐峰，孙会伟

(华北电力大学 电气与电子工程学院,河北 保定 071003)

基于声振联合特征熵的断路器故障诊断方法

赵书涛，王亚潇，李沐峰，孙会伟

(华北电力大学 电气与电子工程学院,河北 保定 071003)

针对断路器机械故障复杂、诊断困难的现状，提出了一种基于声振联合分析的断路器故障诊断方法。利用小波包和特征熵理论对采集到的振动和声音信号进行分解和特征提取，故障状态与正常状态之间的差异由特征熵矩阵之间的偏差来反映。将形成的特征熵矩阵作为支持向量机的输入特征向量，对断路器的卡涩和螺丝松动故障进行了分类识别，并与传统的单一信号故障诊断方法进行了比较。结果表明：以声振联合特征熵矩阵作为输入的支持向量机，在分类的效果上明显优于单信号，更适合在断路器故障识别中应用。

支持向量机；断路器；特征熵矩阵；单一信号；故障识别

0 引 言

断路器作为电力系统中必不可少的保护和控制设备[1,2]，利用振动信号分析进行故障诊断一直是科研人员研究的热点问题。2001年胡晓光教授等提出基于小波变换的信号奇异性检测理论处理振动信号，利用多层小波分解包络的模极大值计算奇异性指数作为反应故障诊断的特征参数[3]；2004年赵海龙等利用小波包-能量熵分析振动信号，利用各尺度上模极大值的传递性计算奇异性指数作为特征参数[4]。这些方法都是从振动信号中提取特征参数，然后通过神经网络分析断路器状态。但是在实际使用中会出现很多问题，如振动信号通常采用压电式加速度传感器采集，虽然灵敏度高，但在振幅较大时存在饱和现象，波形存在削顶现象，且电荷累积效应会导致传感器连续高频冲击失效[5]；神经网络的分类能力受样本数量限制很大，训练耗时过长，容易陷入局部极值点，无法收敛[1]。

文献[5]提出一种声振联合诊断方法，其中声波信号的获得采用非接触式测量方式，安装方便；而且声音信号的测量频带宽，可以有效避免饱和和失效现象。如何利用声音和振动信号的各自优势是诊断故障时要面对的问题。

断路器带电运行中分合闸操作次数很少，导致可用于断路器故障诊断样本少。支持向量机[6-8]较神经网络相比，很重要的一个优点是仅需少量学习样本就可获得较好的分类结果，适合于不能反复实验获取足够多样本数据的场合。

本文提出了一种声振联合分析断路器故障诊断新方法，首先利用信号同源性将声音和振动信号进行时标对位，再利用小波包，分解声音和振动信号，分别提取信号的时域和频域特征熵，形成反映断路器现有状态的特征熵矩阵，以特征熵矩阵作为支持向量机的输入进行分类。将分类结果与单一振动信号和单一声音信号的分类结果进行了对比。实验结果表明，声振联合分析方法的准确度较单一信号分析有了明显提高。

1 声振时标对位

断路器操作时产生剧烈的本体振动，并伴随发出同源的声波信号。声、振传感器安装位置、信号传播距离和传输介质不同，通过同步采集卡获得的声振信号时间上有差异，声音滞后振动信号ΔT,如图1所示。

图1 声音滞后振动信号ΔT示意图Fig.1 Sound lag vibration signal ΔT

利用声音和振动信号在断路器操作开始时发生剧烈变化的特点，运用能量突变法和包络线点斜率最大的特性寻找声振信号畸变最大时间点，即断路器动触头运动起始时间。

将声音振动信号按时间段等分为T0、T1、…、Ti，计算每段能量为E0、E1、…Ei，利用能量差的突变Ei-Ei-1找出发生畸变的时间段。取发生畸变的振动和声音信号包络线计算各点斜率，比较切线斜率之差，判断具体起始时间点，则ΔT为声音起始时间减去振动起始时间。将声音信号提前ΔT与振动信号对齐。

2 特征参数的提取

将时标对位后的信号进行希尔伯特变换[9]：

(1)

式中：signal(t)为时标对位后的信号，Hilbert(t)为时标对位后信号的Hilbert变换，虽然Hilbert变换可以完全保留信号的各个特征，但数据量大时，存在耗时过长，不适用于在线监测等实时性高的检测系统。本文提出一种改进的方案，来满足实时性，又不损失太多信号特征。首先利用db3小波基将获取到的声音信号和振动进行分解，并在第三层的8个节点上分别重构节点信号；其次，将每个节点信号以每20点为一组，找出每组信号中极大值点，并以此构成8个新的节点。将新形成的8个节点的信号做希尔伯特变换。如图2和图3所示，仅列出前四个节点的波形。

首先利用断路器正常状态的声音、振动信号依公式(1)分别求取第三层各节点信号x(n)的希尔伯特变换。根据小波包特征熵的定义[1]，分别提取正常状态信号小波包分解第3层的8个节点的小波包能量熵，组成时域状态下的能量熵矩阵

图2 小波包分解后的前四个节点Fig.2 The first four nodes of wavelet packet decomposition

图3 小波包分解后前四个节点希尔波特变换Fig.3 Hilbert transform of the first four nodes wavelet packet decomposition

(2)

式中：Evi，i=0,1,2…,7和Esi，i=0,1,2…,7分别代表振动信号的能量熵向量和声音信号能量熵向量。如果小波包分解层数较多，各节点所对应频段较窄，导致对振动频率过于敏感；如果分解层数较少，各节点所对应各频段较宽，则其对振动频率反应迟钝，不利于状态的判断。这里是在多次试验的基础上选择了分解分层，获得8个结点。

将分段后的各节点信号x(n)进行离散Fourier变换为X(ω)，功率谱定义P(ω)=|X(ω)|2/N，变换后的功率谱为P={P1，P2，…，Pn}。经过小波包分解的得到的各分量所处的频段不同，其功率谱是各节点分量在各自频段上的划分，由能量守恒定律可知，各节点分量的平均能量为

(3)

式中:WPDi(n)为小波包分解各节点信号分量;N为WPDi(n)分量的长度

由此式可以定义功率谱熵为

(4)

功率谱矩阵为

(5)

时域能量熵和频域功率谱熵分别反应了各节点在时域和频域上的特征情况，无法从时频整体来进行反映。时频谱是一种可以反映信号幅值在整个频率段随时间和频率变换的一个矩阵，包含着信号的大量特征。矩阵的奇异值是其固有属性，对小波包变换的时频谱进行奇异值分解，求得空间熵为

3 实验分析

本文选用由Chih-Chung Chang and Chih-Jen Lin开发的 LIBSVM (A Library for Support Vector Machines)工具箱[10]，它可以解决一对多分类和回归等问题。由于断路器本身的故障样本较少，故支持向量机在运行的过程中会将这些小样本全部当作支持向量。故在选取样本时应尽量选取典型信号，避免出现无法判断的情况。

以ZN65-12真空断路器做测试，振动传感器安装在断路器外壳基座上，声音传感器安装在距离断路器外壳10 cm的固定基座上。在无负载的情况下，在与动触头刚性相连的联动处使用物体卡住，模拟联动轴卡涩故障；松动某相基座的螺丝钉，模拟基座螺丝钉松动状态。以安装在分合闸线圈上的电流传感器作为采集信号的触发信号，对以上两种故障分别连续动作两次，测得4组信号。

首先利用声振同源性对齐振动和声音信号，其次利用小波变换对采集到的数据进行软阈值去噪[4]处理，经过多次试验对比后声音信号选取的阈值为0.1，振动信号选取阈值为0.4，去噪结果如图4所示。按照第2节提到的熵概念，分别提取每节点信号的特征熵形成式(2)、(5)、(7)所示的熵矩阵。能量熵矩阵计算结果见表1和表2。

图4 去噪后的正常状态信号波形Fig.4 Sound and vibration signal denoising

观察能量熵向量表可以发现，不同故障的不同信号在相同时间段所含有的能量是有较大差距的，故障1的信号1和2的振动信号在Ev2到Ev5都低于正常值，从Ev6开始接近正常值；而在声音信号中表现为整体信号能量熵波动较正常信号大，起始能量熵值超过正常值，后在Es6段出迅速下落最后恢复正常。故障2的信号1和2的振动信号，整体处于比较平稳的状态，正常信号的在Ev5至Ev8的起伏较大；而声音信号能量熵值较正常信号较大，且基本平稳。使用LIBSVM支持向量机分析工具箱，在Matlab环境内采用“one-against-one”策略将二分类向量机等效为多分类向量机，并以此来进行样本训练。将同一种状态的振动和声音信号作为两种属性输入支持向量机，作为一种组合，其余状态作为一种组合，形成三个支持向量机，最终结果由分类距离最大的向量机决定。向量机的输入为15×16矩阵，训练目标矩阵15×3。在目标矩阵中定义转动轴卡涩故障为1，基座螺丝钉松动为2，无故障为3。选择径向基函数作为核函数，gama=0.33 ,其他参数为默认值，结果如表3所示。

为比较单信号和声振信号联合在故障诊断中的特性差别，同时列出使用相同的振动信号和声音在同样参数的LIBSVM进行训练和测试，结果如表4和表5所示。

表1 振动信号能量熵

表2 声音信号能量熵

表3 声振信号联合特征熵支持向量机部分样本测试结果

表4 声音信号支持向量机样本测试结果

Tab.4 The test results of sound signal in support vector machine

SVM结果正常信号/总数故障信号1/总数故障信号2/总数样本总数预测类型正确数量3/34/66/613/15正确率100%66 67%100%86 67%

表5 振动信号支持向量机样本测试结果

Tab.5 The test results of vibration signal in support vector machine

SVM结果正常信号/总数故障信号1/总数故障信号2/总数样本总数预测类型正确数量2/36/66/614/15正确率66 67%100%100%93 33%

表3、表4和表5耗时基本相同，但是从测试结果看，声振联合构成属性矩阵的支持向量机准确性为100%，而振动信号构成属性矩阵的支持向量机准确性为93.33%，声音信号构成属性矩阵的支持向量机准确性为86.67%。试验结果表明，特征熵矩阵的提取十分有效，其形成的特征熵矩阵作为输入变量比较容易分类，单一信号形成的特征矩阵分类效果较差。直接表明了基于声振联合特征熵矩阵的支持向量机具有优异的性能，更加适合于断路器故障诊断。

4 结 论

声振联合分析断路器机械故障具有一定优势，支持向量机针对断路器操作这种小样本采样数据更有效。本文基于小波包和能量特征熵理论，通过比较声振联合和单一信号对分类结果的影响，确定了声振联合作为输入的支持向量机更加适用于断路器的故障识别。

本文方法在应用于工程实际时还需考虑：(1)特征熵提取所消耗的时间是否过长，能否用于实时在线检测系统； (2)可以采用大量已知的样本对支持向量机进行测试和学习，提高泛化能力。

[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，2006，21(8)：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．

[3] 胡晓光，戴景民，纪延超，等．基于小波奇异性检测的高压断路器故障诊断[J]．中国电机工程学报，2001，21(5)：67-70．

[4] 孙来军, 胡晓光, 纪延超. 改进的小波包-特征熵在高压断路器故障诊断中的应用[J]. 中国电机工程学报, 2007, 27(12): 103-108.

[5] 赵书涛, 张佩, 申路, 等. 高压断路器振声联合故障诊断方法[J]. 电工技术学报, 2014, 29(7): 216-221.

[6] 丁世飞,齐丙娟,谭红艳. 支持向量机理论与算法研究综述[J]. 电子科技大学学报,2011,40(1):2-10.

[7] 郭创新,朱承治,张琳,等. 应用多分类多核学习支持向量机的变压器故障诊断方法[J]. 中国电机工程学报,2010,30(13):128-134.

[8] 张学工. 关于统计学习理论与支持向量机[J]. 自动化学报,2000,26(1)：32-42.

[9] RUNDE M，OTTESEN G E，SKVBERG B，et al．Vibration analysis for diagnostic testing of circuit breakers[J]．IEEE Transactions on Power Delivery，1996，11(4):1816-1823．

[10] CHANG C C, LIN C J. LIBSVM: A library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2007, 2(3): 389-396.

Breaker Fault Diagnosis with Sound and Vibration Characteristic Entropy

ZHAO Shutao,WANG Yaxiao, LI Mufeng, SUN Huiwei
(School of Electrical and Electronic Engineering, North China Electric Power University, Baoding 071003, China)

Mechanical fault of breakers is complex and difficult for diagnosis. Fault diagnosis method of breaker based on sound and vibration analysis is proposed in this paper. The collected vibration and sound signal are decomposed and feature extraction of them has been done by wavelet packet and characteristic entrophy. Deviations of characteristic entrophy matrices demonstrate differences between fault state and normal state. Taking the characteristic entrophy matrix as the input feature vector of support vector machine (SVM), problems such as jamming and fault of loosed screw can be classified and recognized. And a comparison between the proposed method and single-signal fault diagnosis has been done. The results show that if sound and vibration characteristic entropy matrix are taken as the input SVM, it will do a better job in classification than single signal and it is suitable for fault recognition of breaker.

SVM; breaker; characteristic entropy matrix; single signal; fault recognition

2016-03-23.

10.3969/j.ISSN.1007-2691.2016.06.04

TM835

A

1007-2691(2016)06-0020-05

赵书涛 (1968-)，男，教授，研究方向为电气设备在线监测与故障诊断；王亚潇 (1989-)， 男，硕士研究生，研究方向为电气设备在监测与故障诊断。