断路器故障特征提取及识别方法研究

南方电网文山供电局 李开平 窦体权

断路器的机械结构在动作过程中会产生包含丰富信息的振动信号，并且这种振动信号在断路器各部件间进行传播时不会发生太大的损耗，十分有助于传感器的高效捕捉，除此之外，还可灵活的选择传感器的安装点，为安装提供便利。因此，在对断路器的机械故障进行诊断时，利用振动信号这一方式十分常见。

目前振动信号的采集技术已较为完善，目前研究的重点相对集中在如何对信号进行分析和处理。通常情况下，经振动信号检测装置采集到的数据维数较高，而相应的机械状态的内在维数较低，两者之间并不统一。因此，断路器故障特征提取指的是通过利用各种方法，在低维的特征子空间将振动信号检测装置采集到的高维数据进行反映，然后从中提取特征向量；而断路器故障识别，即在低维的特征子空间中通过分类器进行分类[1]。在研究初期，常见的分析方法有人工神经网络、时域包络法、短时谱等。随着研究的深入，还发现了多种新型的数学工具在研究中的应用。

总体上来说，断路器的故障诊断对研究的发展具有重大意义，一方面优化完善原有的传统研究方法，另一方面还引进了如支持向量机、小波分析、分形方法等新方法，为相关研究奠定了坚实的基础[2]。

1 特征提取方法

随着社会的发展，数字信号处理方法被普遍应用于信号的特征提取上。通过分析测量数据，不仅能提取具有明确物理意义的时频特征，如时间、频奉等，除此之外，对无明确物理意义的数据序列特征，如分形维数等同样可以进行提取。

1.1 时域法

时域法是指在时间域内直接对采集数据的分析，主要研究系统的动态性能，能够将如幅值等特征参量的指标提取[3]。

短时能量法。简称STE，这种方法在使用时需先将数据进行平方变换，然后利用窗函数滤波获取能量函数序列，从而深入研究分析。相较于其他传统方法还具有信噪比较高的优点。除此之外，将短时能量法与分辨系数等参数结合，还能应用到提取振动事件的幅值和起始时刻等信息的变化情况。

包络分析。通常情况下，信号包络会随着振动信号的改变相应发生变化，当振动信号发生突变时相应的信号包络随之发生显著变化。因此，常常通过包络分析进行振动事件的信息提取。我国西安交大的著名学者张国钢等人在分析采集数据时通过经验模态分解，将较好时间分辨率的模态分量进行提取，再利用分量包络提取时间信息，最后将其与标准值比对，从而完成断路器的故障诊断。

1.2 频域法

频域法并不在时间域内直接对采集数据进行分析，而是将其由时域转换到频域，之后有针对的分析各频率成分，从而完成断路器的故障诊断。

模态分析。一般来说，在振动激励的作用下机械结构往往会表现出一定的动态特性，因此能够通过模态分析法分析，从而提取阻尼比、固有频率等特性，完成故障诊断。

包络谱分析。为了将振动信号的包络在频域内进行表示，能够通过包络谱分析法分析。不仅一方面能够从频域角度表述信号特征提高特异性，另一方面还能更精确的诊断断路器故障。

1.3 时频法

时频法同样不在时间域内对采集数据直接进行分析，而是将其转换到时频域，然后从时域和频域两方面同时进行分析，从而完成故障诊断。通常时频法在断路器的机械故障诊断中被广泛使用，这是因为其相较于时域法和频域法诊断更全面，不仅能保留信号中的局部特征，且在进行非平稳振动信号的分析时更具优势[4]。

经验模态分解。简称为EMD，被普遍应用于非平稳信号的分析。这是由于EMD具有一定的自适应性，在进行信号分析时，能将其分解为不同的模态分量从而突显局部特征。重庆大学的陈伟根等通过这一方法对信号进行分析处理后，进一步求解各分量的能量熵，以此对特征量进行构造后进行断路器故障诊断。

小波分析。简称WT，其具备时频分辨率可变的特性，能够在伸缩、平移等操作下，将小波母函数构建成小波基，以此达到时频局部变换的目的。哈工大著名学者胡晓光等人通过小波分解及重构实现了振动信号去噪的效果。

1.4 数据序列法

数据序列法主要是分析采集到的数据序列。通过这种方式能够直接获得代表数据特征的数值或数学模型，并不要求具有明确的物理意义。

分形方法。1982年此领域著名学者Mandelbrot提出分形理论，研究几何的自相似性方面受到广泛应用。一般来说，系统的状态与分形维数间是相对应的，就同一台断路器而言，其信号的分形维数会随着机械状态的不同而差异较大，而状态相同时其维数则会保持相对稳定状态。北京交大的吴振升等相关学者在小波变换分析的基础上对信号的分形维数进行提取，并以此作为特征量诊断断路器故障。

信息熵。通常情况下，数据的复杂度将会影响到信息熵的大小，因此信息熵能够度量信号的复杂程度。在这一方法的研究上，陈伟根等通过WPD计算出各频带的信息熵，将其数据序列进行量化，从而有助于更直观的反映与表达。

2 故障识别方法

总体来说，在断路器的故障诊断上，除提取振动信号外还需进一步分析提取其特征向量，以此完成对断路器故障的诊断。如今在故障诊断系统使用最为广泛的是基于统计与人工智能算法二者。系统能对比已有故障与待诊断故障的特征，从比对结果中找出其异同，以此实现断路器故障诊断的目的。一般来说，基于统计与人工智能算法二者主要包括了协方差法、动态时间规整法、支持向量机等[5]。

协方差。利用这一方法进行两个不同变量的误差分析时，能够在整体上进行综合性的评估，而方差则是指两个变量相同的这一特殊情况。清华大学的黄瑜珑等在进行断路器的故障识别研究中应用这一方法进行分析，结果表明，在断路器不同状态下协方差会根据区域的不同分类。

动态时间规整。简称DTW算法，指的是通过动态规整函数对两个数据序列进行对比分析，从而获取两者之间的相似性关系。DTW算法在幅值、时间等特征量方面灵敏度高。国外学者RundeM等人通过DTW算法，对待处理和正常状态下的振动信号进行比对分析，从二者幅值、时间等特征量的差异来判断断路器的状态情况。

支持向量机。简称为SVM算法，核函数会对这一算法的分类效果产生影响，数据序列在核函数的映射下，至高维特征空间并进行分类，适用于二分类问题。相对来说，断路器在正常状态下很少发生合闸动作，因此常用支持向量机算法进行断路器故障识别。