呂學(xué)賓，田 鵬，孫忠凱，張建華，袁 強

（1.國網(wǎng)山東省電力公司，山東 濟南 250001；2.國網(wǎng)山東省電力公司棗莊供電公司，山東 棗莊 277020）

0 引言

隔離開關(guān)廣泛應(yīng)用于電力系統(tǒng)中，其運行狀態(tài)直接影響電力系統(tǒng)的安全和穩(wěn)定［1］。敞開式高壓隔離開關(guān)暴露在空氣中，經(jīng)過長時間的風(fēng)吹日曬容易造成銹蝕和污濁，從而引起操動機構(gòu)卡澀等一系列的機械和電氣故障［2］。研究表明隔離開關(guān)操動機構(gòu)的機械故障是其主要故障來源［3］。為保持電力系統(tǒng)的穩(wěn)定和安全運行，有必要開展隔離開關(guān)操動機構(gòu)的在線狀態(tài)監(jiān)測技術(shù)研究。

國內(nèi)外開展了基于多種設(shè)備信號的分析和狀態(tài)監(jiān)測技術(shù)方法，如基于電機電流信號、操作扭矩、設(shè)備溫升以及振動信號［4］等方法，其中利用高壓隔離開關(guān)操動機構(gòu)的振動信號可實現(xiàn)非介入式故障診斷，實時高效地掌控隔離開關(guān)的運行狀態(tài)，逐漸成為學(xué)術(shù)界的研究熱點［5］。隔離開關(guān)在分合閘過程中會產(chǎn)生大量的振動信號，并且由于分閘與合閘的行程不同，其振動信號也有細(xì)微差別。高壓隔離開關(guān)操動機構(gòu)在分合閘過程中產(chǎn)生的振動包含隔離開關(guān)操動機構(gòu)各個部件工作時的狀態(tài)信息，以故障特征為指標(biāo)，通過機器學(xué)習(xí)算法可對其運行狀態(tài)進行評估，最終實現(xiàn)對隔離開關(guān)的故障診斷［6-9］。同時振動傳感器可以安裝在隔離開關(guān)的操動機構(gòu)箱內(nèi)和固定裝置上，實時采集振動信號，不會影響隔離開關(guān)的機械特性，也不需要其退出運行，具有很好的工程價值［10］。

對于振動信號等不穩(wěn)定信號的分解處理，常采用的方法有小波變換（Wavelet Transform，WT）、經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）、變分模態(tài)分解（Variational Mode Decomposition，VMD）等［11-13］。但小波變換缺乏自適應(yīng)性；經(jīng)驗?zāi)B(tài)分解常出現(xiàn)模態(tài)混疊的問題，無法可靠地分解信號；變分模態(tài)分解算法難以確定合適的模態(tài)分解個數(shù)和懲罰因子。

在故障診斷方面，神經(jīng)網(wǎng)絡(luò)診斷和支持向量機均在隔離開關(guān)的故障診斷中得到了廣泛應(yīng)用［14］。在處理小樣本分類方面仍需一定改進。

針對高壓隔離開關(guān)操動機構(gòu)振動信號處理問題，利用自適應(yīng)鯨群優(yōu)化算法對傳統(tǒng)的VMD 算法進行改進，將變分模態(tài)分解的參數(shù)K和α作為位置函數(shù)代入鯨群優(yōu)化算法尋找最優(yōu)的參數(shù)解，為提高鯨群優(yōu)化算法的效率，人工構(gòu)造適應(yīng)度函數(shù)作為鯨群優(yōu)化算法的迭代指標(biāo)，實現(xiàn)鯨群優(yōu)化算法的自適應(yīng)迭代尋優(yōu)；為提高支持向量機的分類性能，針對故障診斷中存在模糊和隨機樣本的問題，將支持向量機作為弱分類器輸入自適應(yīng)增強（Adaptive Boosting，AdaBoost）模型，通過加權(quán)迭代得到強分類器，實現(xiàn)操動機構(gòu)的不同運行狀態(tài)的識別，提高了故障診斷的能力。為驗證所提方法的有效性，選擇某220 kV隔離開關(guān)進行實驗，結(jié)果證明所提方法能夠有效診斷出隔離開關(guān)不同狀態(tài)。

1 改進VMD信號分解算法

1.1 VMD信號分解原理

針對不穩(wěn)定振動信號的分解處理，以VMD 算法為主體，用自適應(yīng)鯨群算法優(yōu)化VMD 算法的主要參數(shù)模態(tài)分解個數(shù)K和懲罰因子α，達(dá)到最優(yōu)的信號分解效果。VMD 通過迭代搜尋變分模型的最優(yōu)解確定每個分量的中心頻率和帶寬，從而能夠自適應(yīng)地實現(xiàn)信號的頻域剖分及各分量的有效分離［15］。

式中：f為輸入信號；uk為第k個固有模態(tài)分量內(nèi)涵模態(tài)分量（Intrinsic Mode Functions，IMF）；ωk為第k個IMF 的頻率中心；δ（t）為沖激函數(shù)；t為時間。

構(gòu)造增廣函數(shù)求解變分模型最優(yōu)解，其表達(dá)式為［16］

用ωk代替ω將原式寫成積分形式，最終得到各模態(tài)分量的表達(dá)式為［17］

影響VMD 分解效果最主要的參數(shù)是模態(tài)分解個數(shù)K和懲罰因子α。K太小會導(dǎo)致當(dāng)信號突變不夠明顯時無法徹底分解，而K太大則會產(chǎn)生多余分量，增加無用的計算量；α?xí)绊懩B(tài)函數(shù)頻率中心的位置，對最終的分解效果產(chǎn)生影響［18］。隔離開關(guān)的機械振動信號具有隨機性，人為預(yù)設(shè)難以準(zhǔn)確地找到合適的變分模態(tài)分解參數(shù)，本文采用自適應(yīng)鯨群優(yōu)化算法（Adaptive Whale Optimization Algorithm，AWOA）進行參數(shù)K和α的優(yōu)化選取，引入包絡(luò)熵和相關(guān)系數(shù)構(gòu)造適應(yīng)度函數(shù)觀測參數(shù)優(yōu)化的效果并作為鯨群算法是否停止迭代的判據(jù)。

1.2 自適應(yīng)鯨群優(yōu)化算法

鯨群優(yōu)化算法（Whale Optimization Algorithm，WOA）是基于種群的智能位置尋優(yōu)算法，文獻(xiàn)［19］提出了一種基于鯨群覓食行為的自適應(yīng)啟發(fā)式鯨群聚類優(yōu)化算法，將該算法與粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）比較后，表明該算法可以成功地用于數(shù)據(jù)聚類。將變分模態(tài)分解的參數(shù)K和α作為位置函數(shù)代入鯨群優(yōu)化算法尋找最優(yōu)的參數(shù)解，為提高鯨群優(yōu)化算法的效率，將人工構(gòu)造適應(yīng)度函數(shù)作為鯨群優(yōu)化算法的迭代指標(biāo)，實現(xiàn)鯨群優(yōu)化算法的自適應(yīng)迭代尋優(yōu)。

1）螺旋包圍捕食。將初始化領(lǐng)頭鯨的位置作為當(dāng)前群體中的最優(yōu)捕獵位置，所有鯨魚將圍繞領(lǐng)頭鯨的位置逐步對獵物進行螺旋包圍，逐步靠近最優(yōu)解，位置更新的公式為［20］：

式中：D為當(dāng)代群體中待求解個體與隨機個體之間的距離；C為擺動因子，C=2r，其中r為0～1 之間的隨機數(shù)；X*（j）為領(lǐng)頭鯨位置；j為當(dāng)前迭代次數(shù)；X（j）為其余鯨魚位置；X（j+1）為下一代群體中的個體位置；A為收斂因子，A=2ar-a，a=2-（2j/Nd），其中Nd為最大迭代次數(shù)。

2）構(gòu)筑氣泡網(wǎng)捕食。捕食過程中還須計算其余個體的位置及其與領(lǐng)頭鯨之間的距離，其余個體會圍繞領(lǐng)頭鯨不斷螺旋上升并吐出氣泡對獵物進行捕食，此過程中位置更新公式為：

式中：h為對數(shù)螺旋形常數(shù)；l為［-1，1］中的隨機數(shù)；D′為當(dāng)代鯨魚個體與領(lǐng)頭鯨之間的距離。

鯨群在捕食過程中螺旋包圍捕食和構(gòu)筑氣泡網(wǎng)捕食是同步進行的，因此本文將兩種捕食方式的概率均設(shè)置為50%，鯨魚位置公式更新為

式中：p為［-1，1］之間的隨機數(shù)。

3）捕獲后再搜索捕食。當(dāng)鯨群成功捕獲食物后，若此時收斂因子 |A|＞1，鯨魚個體將脫離領(lǐng)頭鯨進行個體隨機搜索捕食，該隨機搜索機制可以避免鯨群算法陷入局部最優(yōu)；若 |A|＜1 鯨魚個體將繼續(xù)跟隨領(lǐng)頭鯨進行螺旋包圍捕食和構(gòu)筑氣泡網(wǎng)捕食，搜索過程中位置更新公式為：

式中：Xrand為鯨魚個體隨機捕食位置。

鯨群算法通過3 種捕食方式更新領(lǐng)頭鯨和其余個體的最優(yōu)位置，隨著迭代的進行，不斷逼近最優(yōu)解。若設(shè)置迭代次數(shù)過大，會增加無用的計算量，若設(shè)置迭代次數(shù)過小，則無法輸出正確的全局最優(yōu)解［21］。本文將鯨群算法應(yīng)用于VMD 的參數(shù)選取，同時將每次迭代后的優(yōu)化參數(shù)輸入VMD，從VMD 分解后的信號中提取包絡(luò)熵和相關(guān)系數(shù)分量構(gòu)造適應(yīng)度函數(shù)，并以兩次迭代之間適應(yīng)度函數(shù)的差值作為迭代是否停止的判據(jù)，引入該判據(jù)能精確省時地停止迭代，避免了人為設(shè)置最大迭代次數(shù)帶來的弊端。

包絡(luò)熵是將各模態(tài)函數(shù)作Hilbert 變換后，對得到的包絡(luò)信號進行信息熵形式計算得到的熵值，其值越大，模態(tài)函數(shù)越稀疏，包含的信息越少；值越小，模態(tài)函數(shù)包含的信息就越多。用包絡(luò)熵的大小反映模態(tài)函數(shù)的稀疏特性即VMD 分解效果，包絡(luò)熵的求取為

式中：h（i）為模態(tài)函數(shù)Hilbert 變換后的包絡(luò)信號；pi為歸一化值；Ep為包絡(luò)熵；N為包絡(luò)信號圖的點數(shù)。

相關(guān)系數(shù)表示變量之間的相關(guān)性，模態(tài)分量與原信號的相關(guān)系數(shù)越大，兩者相關(guān)性越強，VMD 分解效果越好。相關(guān)系數(shù)求取為

式中：cov 為協(xié)方差運算；σ為方差運算；xIMFi(t)為第i個模態(tài)分量；xi(t)為原信號。

構(gòu)造適應(yīng)度函數(shù)Lj表征VMD 的分解效果和鯨群優(yōu)化算法的優(yōu)化效果。VMD 分解效果越好即鯨群優(yōu)化后的參數(shù)越好，Lj的值越大。

式中：Lj為優(yōu)化后的適應(yīng)度函數(shù)值；Epj為式（14）求得的優(yōu)化后的包絡(luò)熵；ρj為式（15）求得的優(yōu)化后的相關(guān)系數(shù)。自適應(yīng)鯨群優(yōu)化算法的流程如圖1所示。

圖1 自適應(yīng)鯨群優(yōu)化算法流程Fig.1 Flow of AWOA algorithm

1.3 改進VMD信號分解算法

將參數(shù)K和α設(shè)定為隨機初始領(lǐng)頭鯨位置，設(shè)定K的范圍為［5～15］，α的范圍為［500，1500］，根據(jù)標(biāo)準(zhǔn)鯨群算法，擬定最大迭代次數(shù)80 次，將|Lj-Lj-1|≤10-5作為迭代是否停止的判據(jù)。經(jīng)自適應(yīng)鯨群優(yōu)化算法迭代55 次后滿足迭代停止條件并停止迭代，輸出全局最優(yōu)解，此時最優(yōu)位置為K=6.12，α=971.4?？梢钥吹揭氲袚?jù)減少了25次重復(fù)優(yōu)化運算，提高了算法的效率，并且用適應(yīng)度函數(shù)值實時表征鯨群算法的優(yōu)化效果，避免其陷入局部最優(yōu)。重復(fù)進行20 次自適應(yīng)鯨群優(yōu)化算法對參數(shù)［K，α］的尋優(yōu)，將20 次迭代結(jié)束后輸出的最優(yōu)領(lǐng)頭鯨位置取均值得到VMD 算法的最優(yōu)參數(shù)K取6，即VMD 分解后包含6 個IMF 分量。懲罰因子α取972，獲得最優(yōu)的模態(tài)函數(shù)中心頻率。經(jīng)自適應(yīng)鯨群優(yōu)化算法對VMD 參數(shù)尋優(yōu)后得到新的AWOA-VMD 算法。迭代過程中適應(yīng)度函數(shù)值的變化如圖2 所示。

圖2 自適應(yīng)鯨群優(yōu)化算法收斂Fig.2 Convergence of AWOA algorithm

2 操動機構(gòu)振動信號特征識別與分類

2.1 振動信號特征參量提取

能量熵表示能量在空間中分布的均勻程度，隔離開關(guān)操動機構(gòu)在不同狀態(tài)下的能量分布是不同的，采用能量熵作為特征參量能夠正確區(qū)分隔離開關(guān)的不同運行狀態(tài)。用AWOA-VMD 算法處理振動信號后，計算各IMF 分量的能量熵值，將其作為特征參量構(gòu)造操動機構(gòu)振動特征參量矩陣。

為求得各IMF 分量的能量熵，須先對其進行平均分段處理。對某個IMF 分量每段的能量熵值計算為

式中：An（t）為第n個IMF 的包絡(luò)；ti-1、ti分別為第i段的開始時刻和結(jié)束時刻i=1，2，3，…，R，其中R為分段數(shù)。最終確定將各IMF 分量分成10 段后求取能量熵，將Q（i）歸一化后記為δ（i），表達(dá)式為

將δ（i）代入能量熵公式完成計算，能量熵的表達(dá)式為

2.2 基于AdaBoost-SVM 的狀態(tài)分類

AdaBoost 方法可通過融合加權(quán)提高弱分類算法的性能。先對所有樣本輔以一個抽樣權(quán)重（通常初始權(quán)重設(shè)定為均勻分布），在此樣本上訓(xùn)練一個分類器，對樣本分類后得到這個分類器的誤差率，誤差越大賦予分類器的權(quán)重就越小。針對分錯的樣本增大其抽樣權(quán)重，并根據(jù)其誤差率重新計算權(quán)重，依次迭代最終得到多個弱分類器加權(quán)融合的強分類器。給出N個帶標(biāo)簽的樣本{(x1,y1),(x2,y2),…,(xN,yN)}，其中xN為樣本特征向量，yN為對應(yīng)標(biāo)簽且yN∈｛-1，1｝，ωi為第i個樣本的權(quán)重，初始樣本權(quán)值為ωi=1/N，迭代次數(shù)為m。算法步驟為：

1）將初始特征參量輸入SVM 得到第j個初始弱分類器為

2）計算弱分類器Rj的分類誤差Eerr為

3）根據(jù)其分類誤差調(diào)整第j個樣本的權(quán)重系數(shù)ωj為

4）依據(jù)權(quán)重系數(shù)大小，重新分配各樣本權(quán)重并對樣本分布進行調(diào)整

式中：Cj為通化系數(shù)。若某次樣本分布與上次相同，則退出循環(huán)，否則繼續(xù)循環(huán)。

5）獲得組合強分類器為

式中：sign 為符號函數(shù)；T為弱分類器的個數(shù)。

3 振動信號處理及故障診斷步驟

利用AWOA-VMD 算法分解信號并提取特征參量，將特征參量輸入AdaBoost-SVM 分類器進行狀態(tài)識別，完成對隔離開關(guān)的故障診斷。故障診斷步驟如圖3 所示。

圖3 隔離開關(guān)故障診斷流程Fig.3 Process of isolating switch fault diagnosis

1）將壓電式振動傳感器放置在對應(yīng)位置采集不同運行狀態(tài)下隔離開關(guān)操動機構(gòu)的振動信號，采樣頻率設(shè)定為50 kHz，采樣時間設(shè)定為15 s。最終采集了30 組隔離開關(guān)正常信號、30 組傳動機構(gòu)卡澀信號和30 組輔助開關(guān)螺絲松動信號。

2）用AWOA-VMD 分解信號后計算隔離開關(guān)在不同工況下6 個IMF 分量的能量熵值并構(gòu)造特征參量矩陣。

3）將每組數(shù)據(jù)下步驟2）中生成的特征參量矩陣輸入經(jīng)過AdaBoost 算法融合加權(quán)優(yōu)化的支持向量機強分類器以確定隔離開關(guān)的運行狀態(tài)。

4 試驗驗證及分析

以220 kV 高壓隔離開關(guān)為研究對象，人為模擬隔離開關(guān)常見的輔助開關(guān)螺絲松動和傳動機構(gòu)卡澀2 種故障，與正常運行狀態(tài)進行共計3 種狀態(tài)、每種狀態(tài)各15 次分合閘信號采集的實驗。振動傳感器現(xiàn)場一次實驗采集3 路信號，第1 路為電機電流信號，用單交流電流鉗表采集，當(dāng)上位機接收到電機電流信號時啟動采集系統(tǒng)，第2、第3 路通道開始采集；第2 路為輔助開關(guān)螺絲處的機械振動信號，第3 路為操動機構(gòu)箱背板中心處的機械振動信號，該兩路信號均用磁吸式加速度傳感器采集，采集時間總長15 s。

4.1 振動信號處理對比

隔離開關(guān)在分合閘過程中會產(chǎn)生大量的振動信號，并且由于分閘與合閘的過程不同，其振動信號也有細(xì)微差別。以分閘為例，在一次分閘動作中，操動電機首先接收到啟動電流信號，行程開關(guān)打開后操動機構(gòu)帶動主開關(guān)開始分閘，在分閘過程中輔助開關(guān)會打開以輔助操動機構(gòu)箱內(nèi)的主軸轉(zhuǎn)動，在最后刀閘收起時行程開關(guān)關(guān)閉，一次分閘動作結(jié)束。在此次分閘動作中全程存在明顯的振動信號。

正常運行、輔助開關(guān)螺絲松動和傳動機構(gòu)卡澀3 種狀態(tài)在輔助開關(guān)打開這一事件下的時間節(jié)點和振動幅度均互不相同，因此選取隔離開關(guān)正常工況下分閘過程中輔助開關(guān)動作這一關(guān)鍵事件進行分析。此時輔助開關(guān)螺絲處的振動信號如圖4 所示。

在選取VMD 算法中的參數(shù)K和α?xí)r采用自適應(yīng)鯨群算法進行了20 次尋優(yōu)后取平均值，最終得到最佳參數(shù)為K=6、α=972。VMD 和集合經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition，EEMD）均是對EMD 的改進，為驗證AWOA-VMD 的優(yōu)勢，以隔離開關(guān)正常狀態(tài)為例，對比AWOA-VMD 算法和EEMD算法的分解效果。為更直觀地比較兩種算法，先后采用EMD 算法和AWOA-VMD 算法對圖4 信號分解后，將兩種算法下分解得到的各IMF 分量轉(zhuǎn)換為頻域分析，EMD 頻譜如圖5 所示，AWOA-VMD 頻譜如圖6 所示。

圖5 EMD頻譜Fig.5 EMD spectrum

圖6 AWOA-VMD頻譜Fig.6 AWOA-VMD spectrum

由圖5 和圖6 可知，EEMD 分解后第1、3、6 個IMF 分量沒有獨立突出的中心頻率，模態(tài)分量之間出現(xiàn)頻譜重疊，存在模態(tài)混疊現(xiàn)象。并且各模態(tài)分量的最高頻率為5 000 Hz，難以滿足高頻振動信號的分解需求。而經(jīng)AWOA-VMD 處理獲得的IMF 分量中心頻率相互獨立，信號大部分都圍繞在中心頻率周圍，模態(tài)分量之間沒有頻譜重疊，不存在模態(tài)混疊現(xiàn)象。各模態(tài)的最高頻率為10 000 Hz，因此AWOA-VMD 分解高頻信號的能力更強，更適用于對隔離開關(guān)機械振動信號的處理。

4.2 信號特征提取

隨機選擇3 組正常信號、3 組輔助開關(guān)螺絲松動信號與3 組傳動機構(gòu)卡澀信號組成的小數(shù)據(jù)樣本，經(jīng)AWOA-VMD 分解后由式（17）—式（19）計算得到3 種工況下每個IMF 分量包含的能量熵均值，表1 列出了30 組正常工況、螺絲松動、傳動機構(gòu)卡澀3 種工況下的AWOA-VMD 能量熵均值的計算結(jié)果。

表1 隔離開關(guān)AWOA-VMD能量熵值Table 1 Energy entropy value of isolation switch AWOA-VMD

由表1 可知隔離開關(guān)在相同狀態(tài)下的能量熵相差較小，而不同狀態(tài)下的能量熵具有比較明顯的差別。熵值大小體現(xiàn)了信號的均勻度，隔離開關(guān)在正常情況下信號相對穩(wěn)定，而在故障情況下信號會出現(xiàn)不同程度的局部波動，因此在正常工況下能量熵的大小會整體高于故障情況，可以看到實測信號的能量熵符合上述理論。

4.3 故障狀態(tài)識別

獲取的故障樣本為由30 組正常信號、30 組輔助開關(guān)螺絲松動信號與30 組傳動機構(gòu)卡澀信號組成的小數(shù)據(jù)樣本，如表2 所示。支持向量機具有較強的小樣本分類性能，但由于隔離開關(guān)故障具有很強的隨機性，單純用支持向量機進行分類診斷達(dá)不到很高的精確度。沿用AdaBoost 方法將支持向量機作為弱分類器經(jīng)過加權(quán)融合后得到精確度更高的強分類器。

表2 測試集樣本Table 2 Test set samples

將能量熵作為特征參量輸入AdaBoost-SVM 分類器，特征參量共90 組數(shù)據(jù)，其中1～30 組為正常狀態(tài)，31～60 組為輔助開關(guān)螺絲松動狀態(tài)，61～90 組為傳動機構(gòu)卡澀狀態(tài)。將隔離開關(guān)正常、松動及卡澀狀態(tài)的類別標(biāo)簽分別記為1、2、3，在90 組特征數(shù)據(jù)中選取60 組（20 組正常數(shù)據(jù)、20 組松動數(shù)據(jù)、20 組卡澀數(shù)據(jù)）用于訓(xùn)練，其余30 組用于測試。測試結(jié)果如圖7 所示。

圖7 AdaBoost-SVM 識別結(jié)果Fig.7 Identification results of AdaBoost-SVM

由圖7 可知，10 組正常工況信號和10 組螺絲松動故障信號的分類全部正確，10 組傳動機構(gòu)卡澀故障信號出現(xiàn)了一處誤判。診斷正確率超過96%，診斷效果較好。

為對比驗證，用EEMD 算法分解原信號后計算各模態(tài)的能量熵值作為特征參量分別輸入SVM和AdaBoost-SVM 進行訓(xùn)練和測試，同時將AWOA-VMD 算法分解后的信號進行同樣的提取特征參量操作后輸入SVM 訓(xùn)練和測試，將以上3種方法的識別準(zhǔn)確率與所提出方法的識別準(zhǔn)確率進行對比驗證。表3 為不同故障診斷方法識別準(zhǔn)確率的比較結(jié)果。表明所提出的信號分解方法和狀態(tài)識別方法均優(yōu)于當(dāng)前常用的振動信號分解和狀態(tài)識別方法，能夠?qū)Ω綦x開關(guān)進行準(zhǔn)確的故障識別。

表3 不同故障診斷方法識別準(zhǔn)確率Table 3 Recognition accuracy of different fault diagnosis methods

5 結(jié)束語

為解決隔離開關(guān)故障診斷缺乏即時性、便利性、可靠性等問題，采用新式故障診斷方法，將隔離開關(guān)操動機構(gòu)的振動信號作為源信號，采用自適應(yīng)鯨群算法優(yōu)化參數(shù)后的AWOA-VMD 算法分解該信號并提取其能量熵值，將熵值作為特征參量輸入AdaBoost-SVM 強化分類器，最終得到較好的分類效果。

所提出的故障診斷方法具有一定普適性，針對電力系統(tǒng)中大量設(shè)備的機械故障均可采集其振動信號后處理分析，只是對于不同電力設(shè)備，其振動頻率范圍會有所不同，須提前確定好采樣率、振動傳感器的型號等以實現(xiàn)各設(shè)備振動信號的有效采集。該診斷方法具有一定的工程實際意義，可進行推廣應(yīng)用。