高 偉， 楊耿杰， 郭謀發(fā)， 徐麗蘭， 陳永往

(1. 福州大學(xué)電氣工程與自動化學(xué)院， 福建 福州 350116； 2. 國網(wǎng)福建漳州市供電有限公司， 福建 漳州 363000；3. 國網(wǎng)福建晉江市供電有限公司， 福建 泉州 362200)

采用振動信號二維特征向量聚類的配電開關(guān)機械狀態(tài)識別新方法

高 偉1， 楊耿杰1， 郭謀發(fā)1， 徐麗蘭2， 陳永往3

(1. 福州大學(xué)電氣工程與自動化學(xué)院， 福建 福州 350116； 2. 國網(wǎng)福建漳州市供電有限公司， 福建 漳州 363000；3. 國網(wǎng)福建晉江市供電有限公司， 福建 泉州 362200)

配電開關(guān)動作產(chǎn)生的振動信號具有非線性非平穩(wěn)特性， 蘊含機械狀態(tài)信息. 提出一種基于振動信號二維特征向量和模糊K均值聚類的配電開關(guān)機械狀態(tài)識別新方法. 利用HHT帶通濾波對配電開關(guān)振動信號進行時頻分解， 分別求取各子頻帶信號的能量值和重心頻率， 得到振動信號的二維特征向量作為反映配電開關(guān)的機械狀態(tài)的特征量. 提取配電開關(guān)在正常、 底座螺絲松動、 機械結(jié)構(gòu)卡澀及卸掉A相觸頭絕緣拉桿等4種典型狀態(tài)實測振動信號的二維特征向量做模糊K均值聚類， 結(jié)果表明， 所提取的特征向量能有效地表征配電開關(guān)的機械狀態(tài).

配電開關(guān)； 機械狀態(tài)； 振動信號； 二維特征向量； HHT帶通濾波； 模糊K均值聚類

0 引言

開關(guān)電氣故障如觸頭接觸不良等， 大多由操作機構(gòu)失靈、 切換不到位等機械故障引起[1]. 統(tǒng)計表明， 約80%的開關(guān)故障由機械特性不良所造成[2-3]. 對開關(guān)常見的機械故障狀態(tài)如機械結(jié)構(gòu)卡澀、 彈簧或螺絲松動等進行監(jiān)測、 診斷， 可為開關(guān)設(shè)備狀態(tài)檢修提供有效的狀態(tài)量.

開關(guān)動作所產(chǎn)生的振動信號蘊含有機械狀態(tài)信息， 機械狀態(tài)的改變將導(dǎo)致振動信號的變化， 利用振動信號進行高壓斷路器機械故障診斷的研究由來已久[3-6]. 一般利用振動信號的有效特征量識別機械狀態(tài)， 而開關(guān)振動信號具有非周期、 非平穩(wěn)變化特點， 如何提取振動信號的有效特征量對開關(guān)機械故障診斷至關(guān)重要. 已有文獻大多在振動信號的幅值上提取其特征量， 如頻譜熵、 時頻能量熵等[7-10]， 這些特征量實質(zhì)上均為一維信息， 僅反映振動信號能量集中程度， 無法反映其能量集中的位置， 具有一定的局限性. 另外， 針對配電開關(guān)設(shè)備的相關(guān)研究文獻較少.

提取振動信號能量及其重心頻率作為其特征量， 提出一種基于振動信號二維特征向量模糊聚類的配電開關(guān)機械狀態(tài)識別新方法. 對振動信號作HHT帶通濾波， 提取振動信號的能量、 重心頻率等二維特征向量. 該向量可同時反映振動信號能量集中程度及能量集中位置， 較為全面地刻畫了振動信號的時頻特征. 利用模糊K均值聚類(FKM)[11]實現(xiàn)配電開關(guān)不同機械狀態(tài)的識別. 對中壓SF6絕緣環(huán)網(wǎng)負荷開關(guān)模擬常見的機械故障， 測取相應(yīng)的振動信號， 分析結(jié)果表明, 該方法能有效地識別配電開關(guān)的不同機械狀態(tài).

1 配電開關(guān)振動信號的時頻分解方法

希爾伯特-黃變換(簡稱HHT)是一種具有完全自適應(yīng)性的時頻分析算法， 包括經(jīng)驗?zāi)B(tài)分解(簡稱EMD)和Hilbert變換, 適合于分析非周期非平穩(wěn)信號[3， 12-14]. HHT需考慮采樣頻率、 數(shù)據(jù)窗、 邊界條件及模態(tài)混疊等問題. EMD的模態(tài)混疊與信號的頻率特性和EMD算法本身有關(guān). 正態(tài)分布的白噪聲經(jīng)EMD后， 信號內(nèi)均勻分布的各頻率被規(guī)則地分解到各階IMF內(nèi)， 且前一階IMF的頻率是后一階IMF的兩倍， EMD類似于一個有效的二進制濾波器組. 人為地在原始信號中加入正態(tài)分布的白噪聲， 可使混合信號的尺度均勻分布在時頻空間內(nèi)， 有效消除EMD產(chǎn)生的模態(tài)混疊現(xiàn)象. 基于此， Huang等[15]提出了集合經(jīng)驗?zāi)B(tài)分解的方法， 通過將信號預(yù)白化， 提高HHT分析的準(zhǔn)確性.

配電開關(guān)動作信號經(jīng)集合經(jīng)驗?zāi)B(tài)分解后， 得到各階固有模態(tài)函數(shù)(簡稱IMF)分量， 提取各階IMF分量中所有同頻率點的瞬時值進行重構(gòu)， 可得到原始振動信號的某個頻率分量. 通過帶通濾波亦可重構(gòu)出不同頻帶內(nèi)的原始振動信號分量， 該濾波方法稱為HHT帶通濾波[3， 16-17]. 其步驟如下：

1) 對配電開關(guān)振動信號進行集合經(jīng)驗?zāi)B(tài)分解， 得到各階IMF分量和趨勢分量.

2) 求各階IMF分量的Hilbert時頻譜， 得到各階IMF分量所對應(yīng)的瞬時頻率.

3) 逐次對每階IMF分量的瞬時頻率進行判斷， 若此頻率不在選定頻帶的范圍內(nèi)， 則將此時刻對應(yīng)的IMF分量置零.

4) 將經(jīng)處理后的各階IMF分量累加， 得到選定頻帶范圍內(nèi)的振動信號分量.

5) 繼續(xù)求得振動信號在其他頻帶內(nèi)的分量.

2 配電開關(guān)振動信號二維特征向量求取方法

設(shè)一維振動信號時間序列{x(n)|n=1, 2, …,N}， 以Δf為平均帶寬， 經(jīng)一次HHT帶通濾波重構(gòu)得L個子頻帶分量； 每個子頻帶分量， 以Δf′為平均帶寬， 進行二次HHT帶通濾波得M個二次重構(gòu)分量. 其中:L等于振動信號的頻帶范圍與一次HHT帶通濾波帶寬的比值，M等于一、 二次HHT帶通濾波的帶寬比值. 再分別按下列算式求得能量值和重心頻率.

由于各個特征值的幅值大小不一， 為便于各振動信號的特征向量進行比較， 對能量和重心頻率作歸一化處理， 轉(zhuǎn)換為無單位的值.

將這k個振動信號的能量值和重心頻率按下式組合成一個新矩陣Ef作為配電開關(guān)機械狀態(tài)二維特征向量矩陣. 每一行代表一個振動信號的特征， 每兩列組成該振動信號一個頻段的二維特征， 由此構(gòu)成k×2L的矩陣. 由于同時反映了配電開關(guān)振動信號能量值大小和重心頻率的變化， 二者互為補充， 相比于用一維特征量表征配電開關(guān)振動信號， 二維特征向量可更好地體現(xiàn)振動信號的時頻分布特征.

圖1 振動信號二維特征向量提取算法流程框圖 Fig.1 Extracting flow of 2-D feature vector

振動信號的二維特征向量與開關(guān)操作振動模式有關(guān)， 當(dāng)振動模式相對穩(wěn)定時， 分解后的二維特征向量較為接近； 若檢測到的二維特征向量與正常狀態(tài)下出現(xiàn)較大偏差， 表明該開關(guān)的振動模式發(fā)生了變化， 機械狀態(tài)可能出現(xiàn)異常[3].k個振動信號二維特征向量提取算法流程如圖1所示.

3 配電開關(guān)振動信號檢測及特征量提取

3.1 配電開關(guān)振動信號檢測

配電開關(guān)狀態(tài)檢測系統(tǒng)由加速度傳感器、 信號采集裝置和信號分析軟件組成， 如圖2所示. 加速度傳感器的頻率響應(yīng)范圍為0.5～6 000 Hz， 靈敏度為100 mV·(m·s-2)-1， 量程為50 m·s-2， 滿量程時輸出電壓為5 V； 信號采集裝置由NI的數(shù)據(jù)采集模塊6211搭建， 信號分析軟件采用Matlab和LabVIEW開發(fā). 對中壓SF6負荷開關(guān)動作進行實驗， 加速度傳感器安裝在最靠近振動源的開關(guān)操動機構(gòu)主軸附近， 如圖3所示. 檢測配電開關(guān)在正常狀態(tài)、 底座螺絲松動、 機械結(jié)構(gòu)卡澀及卸掉A相觸頭絕緣拉桿等情況下的大量合閘振動信號， 振動信號幅值為加速度傳感器輸出電壓值的大小.

圖2 振動信號檢測系統(tǒng) 圖3 加速度傳感器安裝位置Fig.2 Vibration signal detection system Fig.3 Installation location of acceleration sensor

3.2 配電開關(guān)振動信號二維特征量提取

當(dāng)開關(guān)發(fā)生分合閘操作， 振動信號出現(xiàn)急劇變化， 為消除傳感器零漂影響， 設(shè)定啟動閾值為3.3 V. 信號幅值超過閾值時， 截取啟動前后0.1 s(其中啟動前7.5 ms)時長的振動信號， 作為待分析信號. 由文[3]可知， 信號頻率主要分布在0～20 kHz范圍. 對截取的信號做集合經(jīng)驗?zāi)B(tài)分解， 并以2 kHz帶寬將信號劃分成10個頻帶， 通過HHT帶通濾波進行一次重構(gòu)， 得到10個子頻帶的重構(gòu)分量. 對一次重構(gòu)分量再進行二次HHT帶通濾波， 取二次帶通濾波的頻帶寬度為0.4 kHz， 則每個子頻帶重構(gòu)分量可得到5個二次帶通濾波重構(gòu)分量， 由這5個二次帶通濾波重構(gòu)波形可提取1個能量值和1個重心頻率， 將其作為各二次重構(gòu)分量的二維特征向量， 則1個振動信號可提取10個二維特征向量. 對配電開關(guān)在底座螺絲松動和卸掉A相觸頭絕緣拉桿等情況下的合閘振動信號各取3組數(shù)據(jù)， 提取其二維特征向量， 可得圖4所示的分布圖， 6組數(shù)據(jù)的二維特征向量通過不同顏色或符號加以區(qū)別.

圖4 二維特征向量分布圖Fig.4 Scattergram of 2-D feature vector

由圖4可看出， 配電開關(guān)底座螺絲松動和卸掉A相觸頭絕緣拉桿這兩種機械故障狀態(tài)的二維特征在低頻部分能量較大， 高頻部分能量較小， 接近于零； 在第1、 6、 7、 8、 9重構(gòu)頻帶能量差異明顯， 第2重構(gòu)頻帶重心頻率差異明顯. 二維特征向量不僅反映了配電開關(guān)振動信號的能量集中程度， 同時直觀反映了其能量集中的位置， 兩者互相補充， 可較為全面地描述信號時頻特征的變化情況.

為識別配電開關(guān)在正常狀態(tài)、 底座螺絲松動、 機械結(jié)構(gòu)卡澀及卸掉A相觸頭絕緣拉桿等4種情況下的振動信號， 每種狀態(tài)各取3組作為樣本， 再取2組任意狀態(tài)數(shù)據(jù)作為待檢數(shù)據(jù). 編號如下： 1～3為正常狀態(tài)， 4～6為底座螺絲松動， 7～9為機械結(jié)構(gòu)卡澀， 10～12為卸掉A相觸頭絕緣拉桿， 13～14為測試數(shù)據(jù). 求取這14組數(shù)據(jù)的能量值El和重心頻率Fg， 分別如下所示.

4 基于FKM聚類的配電開關(guān)機械狀態(tài)識別

4.1 FKM聚類

模糊聚類算法常用于開關(guān)振動信號特征量識別， 其中多采用模糊C均值聚類(fuzzy C-mean, FCM)， 識別效果較好[18-19]. 但FCM在應(yīng)用中存在一些不足， 如算法對初值敏感， 不同的初值可能得到不同的聚類結(jié)果， 甚至無解.

模糊K均值聚類[11]是一種基于模糊劃分、 非監(jiān)督動態(tài)聚類方法， 相比于FCM聚類， 該算法可人為輸入將待分類的n個向量xj(j=1, 2, …,n)分成k類的初始模糊隸屬度矩陣U(1)， 彌補了FCM的不足.

4.2 配電開關(guān)機械狀態(tài)識別

將振動信號的二維特征向量表征配電開關(guān)振動模式， 并通過逐步建立相應(yīng)的振動指紋庫， 為配電開關(guān)機械故障診斷奠定基礎(chǔ). 通過對正常狀態(tài)、 底座螺絲松動、 機械結(jié)構(gòu)卡澀和卸掉A相觸頭絕緣拉桿等4種情況下開關(guān)合閘振動信號二維特征向量的FKM聚類識別， 驗證本文所提方法的有效性.

將式(6)、 式(7)按式(5)組合成一個新矩陣Ef, 將Ef作為FKM聚類的輸入， 已知樣本狀態(tài)有4種， 設(shè)置FKM聚類數(shù)目為4， 初始模糊隸屬度矩陣U(1)如下式所示：

其中： 各已知狀態(tài)的隸屬度均取0.7， 表示對應(yīng)狀態(tài)已知， 而待驗狀態(tài)1、 2的隸屬度取0.1， 表示對應(yīng)狀態(tài)未知. 取加權(quán)指數(shù)m=2， 迭代中止因子ε=10-5， 最大迭代次數(shù)kmax=100. 迭代收斂后， 得到隸屬度矩陣如下式所示.

表1 FKM分類結(jié)果Tab.1 Classification results of FKM

U為4×14的矩陣， 行號對應(yīng)狀態(tài)類別， 列號對應(yīng)樣本編號，U中的元素表征每個樣本屬于相應(yīng)狀態(tài)類別的隸屬度， 隸屬度越大屬于該狀態(tài)類別的概率越高. 根據(jù)U中元素最大值出現(xiàn)的位置獲得表1的分類結(jié)果： 樣本1～3同屬一類， 為正常狀態(tài)； 10～12同屬一類， 為底座螺絲松動狀態(tài)； 待驗樣本13和樣本4～6同屬一類， 判別為底座螺絲松動狀態(tài)； 待驗樣本14與樣本7～9同屬一類， 判別為機械結(jié)構(gòu)卡澀狀態(tài)， 以上判定結(jié)果和實際狀態(tài)一致.

5 結(jié)語

1) 由振動信號的能量及重心頻率構(gòu)成其時頻二維特征向量， 兩者互相補充， 可較為全面地描述信號時頻特征的變化.

2) 通過兩次HHT帶通濾波， 每個振動信號均得到多個二維特征向量， 該向量可更有效地反映振動信號的復(fù)雜特性.

3) 不同機械故障類型振動信號的FKM聚類識別驗證了振動信號二維特征向量的有效性， 為配電開關(guān)機械故障診斷指紋庫的建立提供了一種有效手段.

[1] 趙彤， 李慶民， 陳平. OLTC振動信號特征提取的動力學(xué)分析方法[J]. 電工技術(shù)學(xué)報， 2007， 22(1)： 41-46.

[2] 楊凌霄， 朱亞麗. 基于概率神經(jīng)網(wǎng)絡(luò)的高壓斷路器故障診斷[J]. 電力系統(tǒng)保護與控制， 2015， 43(10): 62-67.

[3] 郭謀發(fā)， 徐麗蘭， 繆希仁， 等. 采用時頻矩陣奇異值分解的配電開關(guān)振動信號特征量提取方法[J]. 中國電機工程學(xué)報， 2014， 34(28)： 4 990-4 997.

[4] 常廣， 王毅， 王瑋. 采用振動信號零相位濾波時頻熵的高壓斷路器機械故障診斷[J]. 中國電機工程學(xué)報， 2013， 33(3)： 155-162.

[5] 黃建， 胡曉光， 鞏玉楠. 基于經(jīng)驗?zāi)B(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(xué)報， 2011， 31(12)： 108-113.

[6] 孫來軍， 胡曉光， 紀延超. 一種基于振動信號的高壓斷路器故障診斷新方法[J]. 中國電機工程學(xué)報， 2006， 26(6)： 157-161.

[7] 彭文季， 羅興锜. 基于小波包分析和支持向量機的水電機組振動故障診斷研究[J]. 中國電機工程學(xué)報， 2006， 36(24)： 164-168.

[8] 龐爾軍， 王曉龍， 于虹. 基于虛擬儀器技術(shù)的振動測試分析系統(tǒng)[J]. 機床與液壓， 2014， 42(7)： 171-173.

[9] 李斌， 李爽， 魯旭臣. 高壓斷路器機械特性振動信號特征提取和故障診斷方法研究[J]. 高壓電器， 2015， 51(10): 138-144.

[10] 周翔， 王豐華， 傅堅， 等. 基于混沌理論和K-means聚類的有載分接開關(guān)機械狀態(tài)監(jiān)測[J]. 中國電機工程學(xué)報， 2015， 35(6)： 1 541-1 548.

[11] 周宏偉， 周玉光， 關(guān)添升， 等. 基于模糊k均值的變壓器分接開關(guān)故障診斷[J]. 吉林大學(xué)學(xué)報(信息科學(xué)版)， 2015， 33(6): 719-722.

[12] HUANG N E， SHEN Z， LONG S R，etal. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London, Series A: Mathematical, Physical and Engineering Sciences， 1998， 454(1 971)： 903-995.

[13] VINCENT H T， HU S J， HOU Z. Damage detection using empirical mode decomposition method and a comparison with wavelet analysis[C]// Proceedings of the Second International Workshop on Structure Health Monitoring. California: Stanford University， 1999： 891-900.

[14] HUANG N E， SHEN Z， LONG S R. A new view of nonlinear water waves: the Hilbert spectrum[J]. Annual Review of Fluid Mechanics， 1999， 31(1)： 417-457.

[15] WU Z H, HUANG N E. Ensemble empirical mode decomposition: a noise-assisted data analysis method[J]. Advances in Adaptive Data Analysis, 2009, 1(1): 1-41.

[16] 郭謀發(fā)， 劉世丹， 楊耿杰. 采用Hilbert譜帶通濾波和暫態(tài)波形識別的諧振接地系統(tǒng)故障選線新方法[J]. 電工電能新技術(shù)， 2013， 32(3)： 67-74.

[17] 李建鵬， 趙書濤， 夏燕青. 基于雙譜和希爾伯特-黃變換的斷路器故障診斷方法[J]. 電力自動化設(shè)備， 2013， 33(2): 115-119； 125.

[18] 梅飛， 梅軍， 鄭建勇， 等. 粒子群優(yōu)化的KFCM及SVM診斷模型在斷路器故障診斷中的應(yīng)用[J]. 中國電機工程學(xué)報， 2013， 33(36)： 134-141.

[19] 劉長良， 武英杰， 甄成剛. 基于變分模態(tài)分解和模糊C均值聚類的滾動軸承故障診斷[J]. 中國電機工程學(xué)報， 2015， 35(13)： 3 358-3 365.

Anovelmechanicalstateidentificationmethodfordistributionswitchbasedonvibrationsignal2-Dfeaturevectorwithclusteringalgorithm

GAO Wei1， YANG Gengjie1， GUO Moufa1， XU Lilan2， CHEN Yongwang3

(1. College of Electrical Engineering and Automation, Fuzhou University, Fuzhou, Fujian 350116, China；2. State Grid Fujian Zhangzhou County Electric Power Supply Co. Ltd., Zhangzhou, Fujian 363000, China；3. State Grid Fujian Jinjiang County Electric Power Supply Co. Ltd., Quanzhou, Fujian 362200, China)

Vibration signals of distribution switches that contain mechanical information are characterized by nonlinearity and nonstationarity. Thus, A novel mechanical state identification method for distribution switch based on vibration signal 2-D feature vector with fuzzy K-mean clustering algorithm was proposed in this paper. Taking advantage of HHT band-pass filter, vibration signals would be decomposed in time and frequency domain in order to obtain each sub-band reconstructed signal’s energy and center frequency as the 2-D feature vector, which could represent the mechanical state for distribution switch. FKM clustering was applied to these 2-D feature vectors of observed vibration signals in four typical conditions including normal states, screw loosing states， mechanical structure clamping stagnation states and relieved insulated pull rod of phase A contacts states. Results show that the feature quantity can represent the mechanical state of distribution switch accurately and effectively.

distribution switch; mechanical state; vibration signal; 2-D feature vector; HHT band-pass filter; FKM clustering

10.7631/issn.1000-2243.2017.05.0674

1000-2243(2017)05-0674-07

TM77

A

2016-04-12

楊耿杰(1966-)， 教授， 主要從事電力系統(tǒng)分析研究， 80201931@qq.com

福建省自然科學(xué)基金資助項目(2016J01218)； 福建省教育廳科研資助項目(JA15086)

(責(zé)任編輯： 沈蕓)