基于改进S变换的高压真空断路器机械故障诊断方法研究*

肖鹏斌,韦云清

(1.海军装备部,甘肃 兰州 730000; 2.甘肃省航空电作动重点实验室,甘肃 兰州 730000)

0 引 言

近年来,高压真空断路器在电力系统中得到了广泛的应用和发展。但同时,电力系统也对其机械开关及操动机构的快速性、可靠性和经济性方面提出了更高的要求。因此,一种应用在高压真空断路器中的新型电磁斥力机构成为研究热点[1]。而目前对电磁斥力机构的研究主要集中在机械结构的设计和改进方面,忽略了其故障问题。国际大电网会议(CIGRE)对高压设备可靠性的国际调查报告中指出,80%的高压电力设备故障出现在操动机构上[2]。因此有必要对电磁斥力机构中出现的机械故障进行监测和诊断,而利用振动信号对高压断路器进行机械故障诊断已取得了较多成果[3-6]。但目前的这些方法均存在缺陷,如:传统的小波包分解不具有自适应性,存在基函数选择困难的问题,并且受噪声影响较大;经验模态分解具有自适应性但存在边界效应和模态混叠等现象,影响特征量的有效性。

S变换(ST)由Stockwell[7]在1996年提出。作为小波变换和短时傅立叶变换的继承和发展,ST采用高斯窗函数且窗宽与频率的倒数成正比,免去了窗函数的选择并改善了窗宽固定的缺陷,在电能质量扰动分析领域得到广泛应用[8]。然而,ST中固定的高斯窗函数限制了其应用效果。为此,Mansinha等[9]提出广义S变换(GST)。但无论ST还是GST,都无法在全时段兼顾频率分辨率和时间分辨率。因此学者周竹生等[10]提出一种S变换改进方法,即含可变因子的广义S变换,进一步提高非平稳信号的时频分辨率。笔者通过改进S变换对高压真空断路器的振动信号进行分解,利用支持向量机进行故障分类,使针对断路器机械故障诊断的准确率达到更高水平。

1 改进S变换

标准ST的表达式为:

(1)

式中:h(t)为输入信号;ω(τ-t,f)为高斯窗函数;τ为位移因子。

由于控制高斯窗在时轴上位置,高斯密函数表达式为:

(2)

高斯窗函数的窗宽因子σ被定义为频率f的倒数。为改善ST时频分辨率固定的缺点,将窗宽因子定义为σ=δ/|f|。其中,δ为频率f的线性函数,其表达式为:

δ=kf+h

(3)

其中,参数k和h共同控制高斯窗的窗宽,k增加,高频段频率分辨率上升,时间分辨率下降;h增加,低频段的时间分辨率提高。从而高斯窗函数的表达式变为:

(4)

由此得到的改进S变换(IST)的表达式为:

e-(τ-t)2f2/2(kf+h)2e-i2πftdt

(5)

当k=0,h=1时,IST即退化为标准ST。振动信号经IST处理后得到的结果为一个二维复矩阵,其行向量表示时间,列向量表示频率。对该二维复矩阵求模后即可得到IST模矩阵(ISTMM),从中可以提取特征量作为支持向量机输入向量,进而用于电磁斥力机构机械故障诊断。

2 特征量提取

小波包能量熵在高压断路器故障诊断领域的应用已经较为广泛[11]。文章参考小波包能量熵的思想,提出一种改进S变换能量熵提取方法。

首先将ISTMM分别按照行和列划分为N段,则ISTMM被划分为N×N个小的时频块。对每一个时频块求能量Qij,计算公式为:

Qij=∑|Aij|2,i=1,2,...,N;j=1,2,...,N

(6)

式中:Aij表示每个时频块中所有元素的幅值。然后求每个时频块的归一化能量Eij:

Eij=Qij/Q

(7)

式中:Q为所有时频块的能量总和。最后可求得S变换能量熵Ti和Fj:

(8)

(9)

式中:Ti为时域能量熵;Fj为频域能量熵。则振动信号特征量S=[T1,...,TN,F1,...,FN]。由此可得到基于改进S变换和支持向量机的高压真空断路器机械故障诊断流程如图1所示。

图1 高压真空断路器机械故障诊断流程图

3 高压真空断路器故障诊断

3.1 故障模拟及数据处理

建立电磁斥力机构高压真空断路器实验平台,模拟电磁斥力机构中的正常信号和5种故障信号:类别1-正常信号;类别2-控制回路电压过低(线圈充电电压降为85%额定电压);类别3-控制回路电压过高(线圈充电电压升至105%额定电压);类别4-控制回路电阻增大(模拟线圈老化);类别5-缓冲器卡涩;类别6-基座固定螺丝松动。综合分析断路器不同位置的振动信号后,选择位置1、位置2安装加速度传感器采集振动信号,如图2所示。

图2 振动信号实验测试平台

两个位置传感器对断路器各个故障敏感度不同,将两个位置振动信号的特征量共同作为分类器的输入向量能够取得更好的故障诊断效果。文章数据采集器采用示波器,采样速率设置为1 MHz,采样时间为100 ms,则每组数据共100 000个采样点,最高频率为500 kHz。每种状态采集10组数据,其中5组作为训练样本,5组作为预测样本,位置1、2正常状态下振动信号如图3所示。

图3 正常状态下振动信号

按照公式(5),选取不同的k和h计算改进S变换。经大量测试后,取k=h=1,分别得到位置1、2正常状态下振动信号在8 000～25 000采样点、频率范围为0～20 kHz的改进S变换结果,如图4所示。从图中可以清楚地看出振动信号在时频平面的能量分布。

图4 正常状态下振动信号改进S变换结果

3.2 特征量提取结果

根据前文所述的特征量提取方法,观察原始振动的时域波形和快速傅里叶变换(FFT)频谱后发现,振动信号的能量集中在8 000～25 000采样点0～20 kHz频率范围之间,因此将8 000～25 000采样点、频率范围为0～20 kHz分别分为10段,计算得到位置1正常状态和五种故障状态下的IST能量熵。位置1和位置2正常状态下三组数据的对比如图5所示。

图5 正常状态下三组数据对比

由图5可以看出不同状态下的特征量可区分度较高,相同状态下特征量一致性较好,可以作为SVM的输入向量进行故障诊断。

3.3 基于主成分分析-支持向量机的故障诊断

主成分分析(PCA)是一种使用最广泛的数据降维算法[12]。首先将前述位置1和位置2的STMM能量熵S1和S2共同作为特征量Z,之后对Z进行PCA降维,得到输入向量X;SVM采用C-SVC模型并使用径向基函数(RBF)作为分类器核函数,分别通过网格搜索算法(GSA)、粒子群算法(PSO)、遗传算法(GA)三种优化算法进行参数寻优,得到SVM故障诊断模型。图6给出了GSA-SVM模型、PCA-GSA-SVM模型的预测结果。

图6 模型预测结果

不同诊断模型以IST能量熵作为输入向量,得到的故障分类结果如表1所列。从表中可以看出,在未使用PCA降维的情况下,GA-SVM模型表现最佳,达到了100%的分类准确率,但分类效率最低,使用了5.771 061 s完成分类。使用PCA降维后,三种参数寻优算法的效率都得到了提升,而PCA-GSA-SVM则是达到了100%的分类准确率。但PCA-PSO-SVM和PCA-GA-SVM模型的分类准确率都有所下降。究其原因,PCA虽然降低了数据的维数,但同时也损失了部分信息,而PSO和GA参数寻优模型都很复杂,因此PCA降维后的分类效果很难保证。综合分类准确率和效率可以看出,PCA-GSA-SVM为最优模型。

表1 不同分类器使用IST能量熵的故障分类结果

为了显示文章提出的改进S变换的优越性,将小波包能量熵作为输入向量进行故障诊断,小波基函数选取db10小波进行7层小波包分解,选取第七层小波的前八个分量计算能量熵,诊断结果如表2所列。对比表1、2可以看出,虽然使用小波包能量熵也取得了较好的诊断效果,但使用IST能量熵作为输入向量时,诊断模型的准确率和运行时间均优于使用小波包能量熵。另外,IST相比小波包的另一个优点是可以直观地看出振动信号在时频平面的分布,并且可以根据信号特点选择合适的k和h,改善了标准S变换时频分辨率固定的缺点,也避免了小波包分解选择小波基函数的困难。

表2 不同分类器使用小波包能量熵的故障分类结果

4 结 论

文章对标准S变换进行了改进,参考小波包能量熵思想,从改进S变换模型矩阵中提取能量熵作为特征量输入SVM模型进行电磁斥力机构高压真空断路器机械故障诊断。研究结果表明。

(1) 提出的IST时频分辨率高,振动信号经过IST后可直观看出信号在时频平面的能量分布,且不同状态下的可区分度较高。

(2) 提出的故障诊断模型取得了较好的诊断效果,其中GA-SVM和PCA-GSA-SVM均达到了100%的准确率,并且准确率和效率均优于传统的小波包能量熵,为小样本下高压真空断路器机械故障诊断提供了一种新的思路。