基于SVM的低压直流断路器故障诊断研究

蔡昌俊，王 竞，高 劲，刘 兰，闫雅斌，陈崇琨

(1.广州地铁集团有限公司，广州 510000；2.武汉船用电力推进装置研究所，武汉 430064)

0 引言

现在低压直流断路器应用非常广泛，特别是城轨交通馈线直流断路器750 V/1 500 V的低压等级。该低压直流断路器负责将母线电压提供给牵引机车使用。因此研究低压直流断路器故障诊断很有意义[1-3]。

低压直流断路器作为一种复杂的机电设备，故障类型有很多。通过测试发现：低压直流断路器在发生故障时或者出现劣化时，断路器的机械特征和分合闸线圈电流波形特征会发生变化[4]。融合这些特征可以实现断路器故障诊断。

文献[5]针对高压断路器采用SVM提取振动信号和电流信号特征，并进行了准确的故障诊断。文献[6]对高压断路器的振动和声音信号进行了研究，最后采用SVM进行故障诊断。文献[7]研究了EMD和elman结合实现了对断路器机械信号的故障诊断。文献[8]研究了基于深度神经网络的高压断路器故障识别算法。文献[9]研究了基于数学形态学和小波包分解的高压断路器机械状态监测和诊断。文献[10]研究了基于EEMD和马氏距离的高压断路器机械故障诊断研究。总结发现：应用断路器振动信号、线圈电流、声音等可以实现断路器故障诊断，但是对高压断路器特征研究的较多，对于低压等级直流断路器故障特征及其诊断方法研究较少。

城轨交通牵引变电站直流低压断路器，它的机械结构、动态特性、劣化特性、故障状态等与高压断路器不同。本文以城轨交通牵引变电站低压直流断路器为研究对象，设计了低压直流断路器在线监测系统采集该断路器在分合闸过程中的振动信号和线圈电流信号，提取特征量后，利用SVM实现了该低压直流断路器的故障诊断。

1 牵引变电站低压直流断路器信号监测与特征提取

牵引变电站低压直流断路器应用在地铁变电所，分合闸比较频繁，从断路器日常分合过程中监测电气量和机械量，有助于提前发现断路器的隐患，实现故障诊断。

1.1 牵引变电站直流断路器特征信号采集系统

搭建牵引变电站直流断路器振动信号和线圈电流信号采集系统如图1所示。分合闸线圈电流分别通过2个霍尔传感器采集分合闸线圈的电流信号，振动信号采用加速度传感器实现测量，安装位置如图1所示。

图1 直流断路器特征信号监测诊断系统框图

整个系统包括3个部分：直流断路器本体部分、信号采集传输部分、分析诊断部分。

1.2 断路器信号特征提取

该直流断路器采集的信号是：线圈电流信号和振动信号。

1.2.1 分合闸线圈电流信号特征提取

在离线状态下测量直流断路器合分闸线圈电流分别如图2、3所示。

图2 合闸线圈电流原始波形

图3 分闸线圈电流原始波形

从图2～3可以看出，测量的线圈电流杂波较多，经过低通滤波和平滑处理后的线圈电流信号如图4～5所示。

图4 合闸线圈电流滤波后波形

图5 合闸线圈电流滤波后波形

由图4～5可知，点(I1,t1)是合闸线圈电流极大值点，此时断路器合闸铁芯还在继续运动，但是di/dt=0。此后di/dt<0，电流开始减小。同理分闸线圈电流波形中点(I3,t3)表示分闸铁芯已经停止运动，I3是分闸线圈的稳态电流值，t3为表征分闸时间。本文基于线圈电流波形的实际物理意义采用极值法提取线圈电流得到特征向量组为Kc=[t1t2t3I1I2I3]，将Kc作为断路器故障诊断的部分依据。

1.2.2 振动信号特征提取

图6为直流断路器工作过程中采集的振动信号。可以看出，振动信号是一组随机非平稳信号，普通的提取时域曲线包络特征的方法是不行的，因此选取短时能量法处理振动信号得到如图7所示。

图6 原始振动信号

图7 短时能量法提取振动信号特征点

从图6～7可以看出，短时能量法可以提取出断路器振动发生的时刻和能量值，并且与时域波形是一一对应的，因此选取振动特征向量Kv=(T1T2E1E2)为断路器故障诊断的部分依据。

2 基于支持向量机(SVM)的直流断路器故障诊断

2.1 低压直流断路器典型故障研究

为了研究低压直流断路器的故障诊断，在实验条件下针对该型直流断路器的机械结构故障和电气故障进行了模拟：正常条件下、分合闸线圈电压波动、分合闸线圈老化、储能反力弹簧异常、机械轴断裂等。以掌握该低压直流断路器出现典型故障后机械信号和线圈电流信号出现不同特征，进而实现故障诊断。采集直流断路器在上述的多种故障条件下的线圈电流波形和振动波形如图8～16所示。

图8 电压波动故障下合闸时电流波形和振动波形

从图8可以看出：当发生了合闸线圈电压波动时，线圈电流和振动波形都发生了明显变化。当合闸线圈电压跌落时，线圈电流下降，对动铁芯吸力降低，使得铁芯速度变慢，因此发生动静触头发生碰撞和合闸完成的时间都边长；线圈稳态电流值减小。反之，当电压升高时，情况与电压跌落相反。

图10 合闸线圈老化故障电流波形和振动波形

图9为分闸线圈电压波动时，线圈电流波形和断路器振动信号。从图9可以看出，分闸线圈电压波动对分闸线圈电流和振动与合闸情况类似，此处不再赘述。在试验前，测量合闸线圈电阻值为23.6 Ω，分闸线圈电阻值为3.4 Ω，通过给分合闸线圈串联电阻值以模拟该直流断路器在长时间工作后，分合闸线圈出现老化的情况。测得该情况下分合闸时电流波形和振动信号如图10～11所示。

当断路器合闸时该反力弹簧储能，当断路器分闸时该弹簧立即释能，使断路器及时断开。通过调整该弹簧的长度，来调节弹簧的储能大小。测得该情况下分合闸时电流波形和振动信号如图12～13所示。

图13 反力弹簧故障下分闸时电流波形和振动波形

从图8～13可以看出：当断路器出现某种故障时，线圈电流信号和振动信号的某些特征值会发生变化，如时间点、电流值、短时能量值等。当线圈电源电压升高时，线圈稳态电流上升，线圈电磁铁对动铁心吸力增强，使得铁心更快到达稳态，实现分闸或合闸，因此特征值(I1，I2，I3)均增大，而时间值(t1，t2，t3)均减小且振动信号特征值也发生变化，反之，当线圈电压降低时，与电压升高完全相反；当线圈老化而阻值变大时，特征值变化与线圈电压下降故障相似；当反力弹簧变短时，弹簧储能增大，使得铁芯速度变快，铁心始动电流减小，因此电流值和时间值均减小；除此之外，还模拟了机械轴断裂时断路器分合闸，分闸电磁铁铁芯间隙变大，轴承间隙变大，合闸锁扣卡涩等故障。

2.2 SVM基本原理与故障诊断

近年来，机械设备系统故障诊断需求急剧升高，基于统计学习理论发展的起来的支持向量机(SVM, support vector machine)为解决有样本下的最优解这一难题提供了途径[11-14]，特别在台湾大学林智仁开发设计LIBSVM工具包可以有效、快速实现SVM模式识别和回归分析，是机械故障诊断的进一步发展。

(1)

图14 最优分类面

图14中，ω为最优超平面的法向量；b为阈值。

本文SVM诊断过程如下：将特征向量Kv作为训练集和测试集，采用训练集的特征参数来训练模型，得到支持向量机分类模型后，将测试集的特征参数输入此模型，判断断路器的故障状态。由于分合闸区别很大，故障诊断将分闸故障和合闸故障分开诊断。具体步骤如下：

1)选取300组分闸特征值作为训练集，其中有48组为正常分闸，252组为模拟故障特征值，对每条特征向量赋予故障标签：0.正常；1.分闸电压85%；2.分闸电压95%；3.分闸电压115%；4.分闸电阻3.8 Ω；5.分闸电阻4 Ω；6.分闸电阻4.4 Ω；7.反力弹簧+2 mm；8.反力弹簧-2 mm；9.反力弹簧-4 mm；10.分闸电磁铁间隙变大；11.机构卡涩；12.轴断裂。

2)选取C类支持向量机分类模型C-SVC，以径向基函数(RBF)作为分类模型的核函数。

3)以300组分闸特征训练集的特征参数及对应故障标签进行训练，寻找到最优参数C(惩罚因子)和g(核参数)，进而得到针对这12类特征的最优分类模型。

4)采用步骤3)得到的训练好的12类特征的最优分类模型，对73组分闸故障测试集进行分类，分类结果见图15～18。

图15 采用Kv和SVM分闸故障分类结果

3 试验结果与分析

由图15可知，该方法可以准确地区分正常和故障，并且对于电压渐变、线圈老化渐变也能明显区分开，故障分类准确率为91.78%(67/73)。

为了进一步研究特征向量的排列组合与SVM结合对故障诊断结果的影响，选取[KcKv]作为特征向量组，再次重复上述步骤1)～4)对分闸故障测试集进行分类，结果见图16。

图16 采用[Kc Kv]和SVM分闸故障分类结果

从图16可以看出，将电流特征值和振动特征值融合共同诊断故障，故障分类准确率为97.26%(71/73)，故障诊断的准确率大大提高。结合图15～16可知：多信号特征值融合有利于提高故障诊断的准确率。

同理，采用相同步骤对合闸故障进行诊断。选取390组合闸特征值作为训练集，其中有77组为正常合闸，313组为模拟故障的合闸特征值，对每条合闸特征向量赋予故障标签：0.正常；1.合闸电压85%；2.合闸电压95%；3.合闸电压105%；4.合闸电压115%；5.合闸电阻26.1 Ω；6.合闸电阻28 Ω；7.合闸电阻30.3 Ω；8.合闸电阻34 Ω；9.反力弹簧+2 mm；10.反力弹簧-2 mm；11.反力弹簧-4 mm；12.合闸锁扣卡涩；13.机构卡涩；14.轴断裂。

采用同样的诊断方法，选取短时能量法获取的特征向量Kv对合闸故障测试集(92组)进行分类，分类结果如图17所示。

图17 采用Kv和SVM合闸故障分类结果

从图17可以看出：将Kv作为特征向量时，对断路器合闸故障进行诊断，故障诊断准确率为95.65%(88/92)。同理选取[KcKv]作为特征向量组，再次重复上述步骤1)～4)对合闸故障测试集进行分类，结果见图18。

图18 采用[Kc Kv]和SVM合闸故障分类结果

从图18可以看出：将电流特征向量加入合闸故障诊断特征向量中，可以提高合闸故障诊断结果98.91%(91/92)。

结合图15～18得：1)SVM在断路器样本数据量不大的条件下可以很好的实现该直流断路器故障诊断，不但可以区别正常和故障状态，而且可以对渐变的故障也有很好的分类效果，故障诊断准确率在90%以上；2)将电流特征向量与振动信号特征向量融合后，再进行同样的故障诊断，可以提升故障诊断准确率。

4 结束语

本文对牵引变电站低压直流断路器故障诊断展开研究。首先搭建低压直流断路器在线监测实验平台采集了低压直流断路器正常工况与分合闸线圈跌落、分合闸线圈老化、机构卡涩或断裂等多种典型工况下的分合闸线圈电流信号和振动信号。然后通过对振动信号滤波、去除趋势项、短时能量法提取振动特征；此外还对电流信号滤波、提取极值点提取电流特征。最后采用支持向量机(SVM)算法对上述14类合闸工况和12类分闸工况进行训练并诊断。通过以上研究得到以下结论：1)当该低压直流断路器工作状态改变时，监测到的电流波形和振动波形发生明显变化;2)采用信号处理的方法来提取电流波形和振动的特征参数，可将复杂的非平稳的时域波形处理降维得到几个特征参数，且每个特征参数都能够反映原始变量的大部分信息;3)SVM故障分类方法可以有效识别断路器的典型故障，准确率较高;4)将电流特征和振动特征融合，可以进一步提高故障识别准确率。