陳朋永，趙書濤，李建鵬，陳云飛

(1．華北電力大學 新能源電力系統(tǒng)國家重點實驗室，河北 保定 071003;2．河北省電力公司檢修分公司，河北 石家莊 050070;3．河南省電力公司鶴壁市供電局，河南 鶴壁 458000)

0 引言

高壓斷路器作為電力系統(tǒng)中起控制和保護作用的關鍵設備，其動作可靠性極為重要。但是斷路器結構復雜、部件繁多且封閉性很強，獲取狀態(tài)參量比較困難[1]。聲波信號攜帶了斷路器的運行狀態(tài)信息，適合高電壓、強電磁環(huán)境。文獻[2]介紹了超聲波檢測斷路器絕緣缺陷并進行定位的方法。文獻[3]闡述了超聲波在線檢測開關柜局部放電的基本原理及方法。但是耦合在導體上的超聲探頭對設備絕緣具有破壞性，而且超聲波傳播速度隨絕緣老化變化很快，造成測量數(shù)據(jù)可比性較差[4]。

斷路器在開、閉動作過程中需要較大的操作功，儲能裝置的動作、傳動機構的沖擊、零部件的摩擦和碰撞等引起的20 kHz以內的聲波非常明顯，且此頻段聲波測量具有優(yōu)良的非接觸特性。聲波信號中蘊含著豐富的設備狀態(tài)信息，分析聲波信號的變化能夠發(fā)現(xiàn)傳動機構卡澀、潤滑不足等機械故障。目前，高壓斷路器的可聽頻段聲波診斷尚處于探索階段，且聲波信號受外界干擾較大，可用于故障分析的數(shù)據(jù)樣本很少[5]，尚沒有成熟、通用的處理方法。對聲波信號的時頻特性進行深入分析，探索合理的信號特征提取方法是全面評估斷路器狀態(tài)的關鍵問題之一。

EMD是處理非線性、非平穩(wěn)時間序列的方法。斷路器聲波信號的EMD分解結果–固有模態(tài)函數(shù) (intrinsic mode function，IMF)反映信號中內嵌的簡單振蕩模式，這種分解是自適應的，因而更能反映故障的本質信息。文獻[6]利用振動信號診斷斷路器機械故障，直接采用EMD分解求取IMF分量能量熵作為特征向量，對信號的頻變不敏感，影響到緩沖器有多余無效撞擊等故障的識別。同時反映信號的時變和頻變需要合理地對信號進行分段，本文提出了等時間分段的特征提取方法。SVM通過結構風險最小原理來提高泛化能力，很好地解決了傳統(tǒng)智能診斷方法中非線性、局部極小值、小樣本等難題，能最大限度地挖掘數(shù)據(jù)中隱含的分類知識[7]。將 SVM應用到斷路器的故障診斷中，解決了斷路器聲波信號樣本少的困擾。

1 斷路器分閘聲波信號

高壓斷路器操動過程中，產生包含斷路器運行狀態(tài)信息的聲波信號，聲波信號的變化反映了斷路器機械狀態(tài)的變化。斷路器在分閘過程中，多個部件按照特定的邏輯順序啟動、運動和制動，伴隨產生一系列聲波，聲波經過衰減、反射和疊加，最終進入聲波采集系統(tǒng)。以ZN28A型真空斷路器 (配彈簧操動機構)分閘為例，采集正常和故障下的分閘聲波信號，如圖1所示。

圖1 分閘聲波信號Fig.1 Acoustic signal of break-brake

T0時刻，斷路器接到分閘指令，分閘線圈通電產生電磁力推動鐵芯頂桿;T1為分閘脫扣電磁鐵鐵芯與連桿機構撞擊時刻，對應一個較微弱的聲波信號;T2為連桿機構解裂時刻，分閘儲能機構釋放能量，分閘彈簧開始驅動傳動機構及觸頭系統(tǒng)運動;T3為主觸頭分離時刻，觸頭運動到頭，制動緩沖在分閘位置，此時也產生較強烈的聲波信號;T4時刻分閘完成。整個過程可分成3個階段:T1～T2階段為分閘前期，T2～T3階段為分閘中期，T3～T4階段為分閘后期。

不同狀態(tài)下，分閘過程中聲波信號的時間、頻率和能量發(fā)生變化，單憑人耳無法區(qū)分聲波信號的變化，很難發(fā)現(xiàn)斷路器操動中的各類故障。只有對聲波信號的變化進行定量分析，才能判斷斷路器運行狀態(tài)，發(fā)現(xiàn)其存在的隱患或故障，進一步確定故障類型。

根據(jù)高壓斷路器分閘過程的物理特點，對分閘聲波信號進行分段:將正常狀態(tài)下分閘聲波信號的T1，T2，T3，T4作為時間基準，將不同測試狀態(tài) (如圖1中的拐臂潤滑不足狀態(tài))的分閘聲波信號也按此時間基準分為分閘前期、分閘中期、分閘后期三個階段。

2 EMD分解和IMF包絡

2.1 EMD分解

高壓斷路器分閘聲波信號是一種非平穩(wěn)信號，經過EMD分解后，可以得到包含不同特征時間尺度的多個IMF分量。

EMD分解過程如下:

(1)確定斷路器分閘聲波信號x(t)所有的局部極大值點和局部極小值點。

(2)利用三次樣條差值函數(shù)分別將所有的局部極值點連接起來形成上、下包絡線。

(3)上、下包絡線的平均值記為m(t)，求出c(t)=x(t)－m(t)，判斷c(t)是否滿足IMF成立的兩個條件，即:極值點個數(shù)和過零點個數(shù)相等或相差最多不超過一個;在任意時刻，由局部極大值點形成的上包絡線和由局部極小值點形成的下包絡線平均值為零。如果滿足，那么c(t)就是x(t)的第一個IMF分量，把c(t)從x(t)中分離出來，得到殘余函數(shù)r(t)=x(t)－c(t);否則把c(t)作為原始數(shù)據(jù)，重復步驟1～3。

(4)重復步驟1～3，直到 r(t)成為一個單調函數(shù)不能再從中提取滿足IMF條件的分量時，循環(huán)結束。

由此，原信號x(t)可以表示為1個殘余函數(shù)和n個IMF分量之和:

正常狀態(tài)分閘前期、分閘中期、分閘后期聲波信號經過EMD分解后如圖2所示，共得到5個IMF分量，從上到下依次為 IMF1～IMF5。針對某一時間點來說，IMF分量依次包含從高頻到低頻的頻率成分，可以反映信號的瞬時頻率分布情況。

圖2 正常狀態(tài)IMF分量Fig.2 IMF component of normal state

2.2 計算IMF包絡

信號的突變信息通常體現(xiàn)在信號的包絡中，Hilbert變換是機械故障診斷中常用的提取信號包絡的方法[8]。首先對分閘聲波信號IMF分量進行零均值化處理，然后進行Hilbert變換，得到解析信號:

式中:i為復數(shù)虛部標示;y(t)為c(t)的 Hilbert變換，則c(t)的包絡信號為

正常狀態(tài)各階段聲波信號的IMF包絡如圖3所示，從上到下依次為IMF1～IMF5包絡。信號包絡含有高壓斷路器的運行狀態(tài)信息，其能量分布可以反映斷路器聲波信號的時間、頻率和能量變化。

圖3 正常狀態(tài)IMF包絡Fig.3 IMF envelope of normal state

3 等時間分段能量熵

3.1 等時間分段

高壓斷路器出現(xiàn)機械故障時，不同頻帶內聲波信號的能量會發(fā)生變化[9，10]，聲波信號某一點或連續(xù)幾點發(fā)生變化時，必然引起IMF包絡能量的重新分布。IMF包絡的等時間分段能量熵可以量化反映信號的變化，利用分閘各階段聲波信號的等時間分段判斷潤滑不足、操作延遲等機械故障。

對分閘聲波信號進行等時間分段:將正常狀態(tài)分閘前期、分閘中期和分閘后期三個階段分別做等時間分段，提取分段時間點作為時間基準，測試狀態(tài)各階段信號分別按此時間基準分段。

正常狀態(tài)分閘聲波信號時頻分析如圖4所示(頻率已做歸一化處理)，可以發(fā)現(xiàn)分閘中期頻帶最寬，0～3 000 Hz，能量較大，分閘前期和分閘后期頻帶范圍較窄，能量較小。為了更加敏感地反映各階段不同頻帶聲波信號的能量分布變化，分閘前期和分閘后期可以較少分段，分閘中期較多分段。經過多次試驗比較，分閘前期等時間分5段，分閘中期等時間分12段，分閘后期等時間分8段。

分閘前期等時間分段如圖5所示，斷路器狀態(tài)發(fā)生改變，分閘聲波信號隨之產生變化。將正常狀態(tài)下分閘前期聲波信號等時間分成5段，提取分段時間點 t0，t1，t2，t3，t4，t5作為時間基準，將不同測試狀態(tài) (如圖5拐臂潤滑不足狀態(tài))分閘前期也按此時間基準分為5段。分閘中期、分閘后期等時間分段方法與分閘前期相同，僅分段數(shù)目不同。

圖4 分閘聲波時頻分析Fig.4 Time-frequency analysis of break-brake acoustic signal

圖5 分閘前期等時間分段Fig.5 Equal time section of break-brake early

3.2 計算等時間分段能量熵

為了獲得斷路器聲波信號隨時間和頻率變化的規(guī)律，將信息熵引入IMF包絡能量分布分析當中[11]。信息熵是在一定狀態(tài)下定位系統(tǒng)的一種信息測度，可以估計信號的復雜性，如式 (4)所示

式中:p(x)為聯(lián)合概率密度函數(shù)。仿照信息熵計算公式，基于IMF包絡的能量熵計算公式如式(5)。

式中:Ei為IMF包絡的能量。分段能量熵是對信號能量分布均勻程度的一種度量，可以反映斷路器聲波信號的時變和頻變，頻變和時變又恰恰表征了斷路器的運行狀態(tài)。

以分閘前期為例，計算等時間分段能量熵如下。

(1)分閘前期經過等時間分5段后做EMD分解，提取信號包絡，利用式 (6)計算各分段能量，圖6為拐臂潤滑不足分閘前期各分段能量。

式中:f(x)為IMF包絡;i=1，2…5為 IMF分量數(shù);j=1，2…5 為分段數(shù);tj，tj－1分別為其中一段的時間分界點。

圖6 拐臂潤滑不足分閘前期等時間分段Fig.6 Equal time section of turn arm insufficient lubrication break-brake early

(2)各分段IMF包絡的能量歸一化如式(7):

(3)根據(jù)能量熵理論，等時間分段能量熵為

(4)形成等時間分段能量熵:

分閘中期、分閘后期的等時間分段能量熵計算方法與分閘前期相同，僅分段數(shù)目不同。

4 SVM原理

SVM的基本思想是建立一個超平面作為決策面，該決策面不但能將所有訓練樣本正確分類，而且使訓練樣本中離分類面最近的點到分類面的距離最大。在線性不可分情況下，引入松弛變量εi和懲罰因子c進行推廣，則超平面約束條件為

最優(yōu)分類面為

通過引入內積核函數(shù)K(xi·xj)可以將非線性問題轉化為高維空間中的線性問題，相應的判別函數(shù)為

SVM在小樣本故障診斷中的分類性能優(yōu)于神經網絡分類器，將 G作為 SVM的輸入，利用“一對其余”策略進行斷路器機械故障診斷。采用3個支持向量機對正常狀態(tài)、拐臂潤滑不足、緩沖器有多余無效撞擊和其余故障進行三級分類訓練和識別，如圖7所示。首先采用一個支持向量機 (SVM1)進行第一級分類訓練，將斷路器正常狀態(tài)和非正常狀態(tài) (拐臂潤滑不足、緩沖器有多余無效撞擊、其余故障)分開，正常時SVM1輸出1，故障時SVM1輸出 －1;再采用第二個支持向量機 (SVM2)進行第二級分類訓練，對拐臂潤滑不足、緩沖器有多余無效撞擊和其余故障進行分類，若為拐臂潤滑不足故障，SVM2輸出1，否則輸出－1;再采用第三個支持向量機(SVM3)進行第三級分類，若為緩沖器有多余無效撞擊故障，SVM3輸出1，否則輸出－1。

圖7 三級分類原理Fig.7 Principle of level 3 classification

5 實驗分析

在實驗室中采集ZN28A型真空斷路器正常、拐臂潤滑不足、緩沖器有多余無效撞擊三種狀態(tài)下各40組分閘聲波信號，其中20組用于SVM的訓練，20組用于測試。各狀態(tài)下斷路器分閘聲波信號按照第1～3節(jié)所述的等時間分段能量熵計算方法，得到每個樣本的25維能量熵G。

利用SVM進行狀態(tài)分類的核心思想，是通過核函數(shù)將低維空間中的非線性問題變?yōu)楦呔S空間中的線性問題。本實驗采用徑向基核函數(shù) (radial basis function，RBF)，懲罰因子 c和核函數(shù)參數(shù)g是SVM的2個重要參數(shù)，對于SVM診斷的準確率和泛化能力影響很大。常用的參數(shù)尋優(yōu)方法有遺傳算法、網格法和粒子群法，本實驗選用遺傳算法確定最優(yōu)的參數(shù)c，g。

將待識別的60個聲波信號作為測試樣本，對應編號如表1所示，其中包括20個正常，20個拐臂潤滑不足故障，20個緩沖器有多余無效撞擊故障樣本。利用訓練好的3個支持向量機進行分類，從表2的測試結果來看，可以完全區(qū)分正常狀態(tài)和非正常狀態(tài);第27組數(shù)據(jù) (拐臂潤滑不足故障)被判斷為其余故障;第46組數(shù)據(jù)(緩沖器有多余無效撞擊故障)錯判為拐臂潤滑不足故障。

表1 待測狀態(tài)類型編號Tab．1 For the state type numbers

表2 SVM分類結果Tab．2 Classification results of SVM

6 結論

斷路器操動中聲波信號的變化能體現(xiàn)斷路器運行狀態(tài)。基于EMD的等時間分段方法，可以反應聲波信號的時間、頻率和能量變化。SVM很好的解決了斷路器狀態(tài)識別中的小樣本、高維數(shù)和非線性等實際問題。實驗結果表明，EMD和SVM相結合的診斷方法，對于斷路器的正常狀態(tài)和典型故障具有良好的診斷效果。工程實際中，斷路器故障診斷十分復雜，聲波分析法還需要更多的現(xiàn)場數(shù)據(jù)，充實知識庫中的評價標準，提高診斷的實用性。

[1]張國鋼，王宏偉，湯翔，等．基于 EMD方法的高壓斷路器液壓機構振動信號分析[J]．高壓電器，2008，44(3):193－197．

[2]胡濤，劉海峰，杜大全．550kV罐式斷路器局部放電在線檢測[J]．高壓電器，2008，44(4):378－390．

[3]王培義，朱伯濤．開關柜局部放電超聲波在線檢測技術的應用[J]．河北電力技術，2010，29(6):26－27．

[4]潘亮亮，趙書濤，李寶樹．基于聲波信號分析的電氣設備故障診斷新方法[J]．電力自動化設備，2009，29(8):87－90．

[5]黃建，胡曉光，鞏玉楠．基于經驗模態(tài)分解的高壓斷路器機械故障診斷方法[J]．中國電機工程學報，2011，31(12):108 － 113．

[6]孫來軍．振動信號小波包特征熵的時變與頻變特性分析[J]．高電壓技術，2007，33(8):146－149．

[7]孔英會，蔡維，何偉．基于特征組合的SVM電能質量擾動信號分類[J]．華北電力大學學報，2010，37(4):72－77．

[8]孫金寶，朱永利，劉麗輕，等．基于EMD的絕緣子泄漏電流去除噪聲研究[J]．華北電力大學學報，2010，37(6):1 －5．

[9]陳偉根，范海爐，王友元，等．基于小波能量與神經網絡的斷路器振動信號識別方法[J]．電力自動化設備，2008，28(2):29－32．

[10]趙海龍，王 芳，胡曉光．小波包－能量譜在高壓斷路器機械故障診斷中的應用[J]．電網技術，2004，28(6):46－48．

[11]陳偉根，鄧幫飛，楊 彬．基于振動信號經驗模態(tài)分解及能量熵的高壓斷路器故障識別[J]．高壓電器，2009，45(2):90－94．