本發(fā)明涉及一種高壓斷路器狀態(tài)監(jiān)測與故障診斷，尤其是一種高壓真空斷路器的故模式識別方法。
背景技術(shù)：
：高壓真空斷路器屬于高壓開關(guān)設(shè)備的一種，其作用是響應(yīng)控制命令，投入或切除負(fù)載或者線路，保證電力系統(tǒng)的安全可靠運行。隨著電力系統(tǒng)的裝機(jī)容量不斷增加，配備的斷路器也不斷增多。真空斷路器由于其結(jié)構(gòu)簡單，穩(wěn)定運行時間長，近年來被廣泛使用。永磁機(jī)構(gòu)指的是斷路器的操作機(jī)構(gòu)是永磁結(jié)構(gòu)的，由于其力學(xué)特性與斷路器的分合閘過程比較吻合，且價格便宜，近年來被廣泛應(yīng)用到斷路器操作機(jī)構(gòu)中。然而，在運行過程中，隨著時間的推移以及周圍環(huán)境的影響，設(shè)備難免會變形老化，或者使用者操作不當(dāng)，極有可能發(fā)生故障。因此，研究永磁機(jī)構(gòu)高壓真空斷路器的故障模式識別方法具有重要的意義。國內(nèi)外針對高壓斷路器的故障研究時間比較長，從最早的預(yù)防性實驗開始，到設(shè)備的定期檢修與狀態(tài)檢修，以及設(shè)備的狀態(tài)監(jiān)測與預(yù)警，過渡到了在設(shè)備的故障診斷。斷路器故障診斷方法研究的比較多，專利文獻(xiàn)《基于分合閘線圈電流的斷路器操作機(jī)構(gòu)故障診斷專家系統(tǒng)》（CN104360263A）利用專家系統(tǒng)的知識對斷路器分合閘線圈電流的特征信息進(jìn)行管理分析，診斷操作機(jī)構(gòu)故障；專利文獻(xiàn)《一種基于多信息融合的永磁機(jī)構(gòu)真空斷路器故障診斷方法》（CN104181460A）融合多種狀態(tài)信息，提取狀態(tài)信息的特征值作為模型輸入，訓(xùn)練學(xué)習(xí)相關(guān)向量機(jī)故障診斷模型，該技術(shù)對斷路器的故障監(jiān)測狀態(tài)類型比較豐富。然而上述現(xiàn)有技術(shù)至少存在以下技術(shù)不足。（1）監(jiān)測信息量單一，多種參量同時監(jiān)測又沒有考慮到信息冗余問題。（2）由于現(xiàn)場有干擾，特征量不易準(zhǔn)確提取，現(xiàn)有技術(shù)未涉及到有效的特征提取方法，缺乏對特征量準(zhǔn)確性的驗證。（3）難以捕獲設(shè)備故障時的狀態(tài)信息，故障數(shù)據(jù)樣本缺乏，數(shù)據(jù)不豐富。（4）故障分析方法針對性不強(qiáng)，且難以建立對應(yīng)的故障識別數(shù)學(xué)模型。由于對高壓斷路器故障的研究存在多種問題，導(dǎo)致缺乏有效的故障數(shù)據(jù)處理方法，存在著故障識別不夠準(zhǔn)確的技術(shù)問題。技術(shù)實現(xiàn)要素：針對現(xiàn)有技術(shù)存在的不足，本發(fā)明旨在解決永磁機(jī)構(gòu)高壓真空斷路器故障信息獲取不全面，故障模式識別準(zhǔn)確率低的問題，并提供一種永磁機(jī)構(gòu)高壓斷路器故障模式識別方法。本發(fā)明的問題是通過如下措施來解決的。一種永磁機(jī)構(gòu)高壓真空斷路器故障模式識別方法，所述方法包括故障狀態(tài)信息分類方法、狀態(tài)信息特征提取方法和故障分類識別方法；所述故障狀態(tài)信息分類方法，包括控制回路狀態(tài)信息方法、機(jī)械狀態(tài)信息方法及真空滅弧室狀態(tài)信息方法；所述控制回路狀態(tài)信息包括合閘線圈電流、分閘線圈電流和儲能電容電壓；所述機(jī)械狀態(tài)信息包括斷路器分合閘過程中的時間特性、行程特性、速度特性與振動特性；所述真空滅弧室狀態(tài)信息包括波紋管狀態(tài)、觸頭電磨損與真空度；其中，所述時間特性包括合閘時間、分閘時間、合閘不同期、分閘不同期、合閘彈跳時間和觸頭動作時間；所述行程特性包括觸頭行程、觸頭開距、觸頭超行程和觸頭反彈幅值；所述速度特性包括剛合速度、剛分速度、合閘最大速度、分閘最大速度、合閘平均速度和分閘平均速度；所述振動特性是斷路器分合閘時動觸頭連桿底端的加速度特性；所述狀態(tài)信息特征提取方法，包括時域信號特征提取方法與頻域信號特征提取方法；所述時域信號特征提取方法是通過選取信號中值濾波秩、求取波峰波谷的閾值和寬度，在一定范圍內(nèi)對信號波形起始點、拐點與穩(wěn)定點三個參數(shù)進(jìn)行遍歷尋優(yōu)，得到最優(yōu)解；所述頻域信號特征提取方法是通過小波分解信號并利用分層閾值降低噪聲，最后重構(gòu)信號，再利用小波包分解之后，求取每一波段上的能量譜作為特征量；所述故障分類識別方法是基于支持向量機(jī)增量學(xué)習(xí)的故障模式識別方法，具體方法步驟如下：1）歸一化故障特征數(shù)據(jù)，并將數(shù)據(jù)隨機(jī)分為A、B、C3組數(shù)據(jù)，建立故障特征數(shù)據(jù)樣本；2）利用支持向量機(jī)分類算法訓(xùn)練數(shù)據(jù)A得到分類模型M1，利用支持向量機(jī)增量學(xué)習(xí)算法訓(xùn)練數(shù)據(jù)B得到模型M2；3）利用數(shù)據(jù)C驗證模型M1與M2的準(zhǔn)確性。其中，所述支持向量機(jī)增量學(xué)習(xí)算法是將新增故障樣本與原有故障樣本結(jié)合，重新訓(xùn)練支持向量機(jī)分類器，得到新的故障分類識別模型。本發(fā)明上述一種永磁機(jī)構(gòu)高壓真空斷路器故障模式識別方法的實施，與現(xiàn)有技術(shù)相比，其優(yōu)點與有益效果在于：本方法首先將高壓真空斷路器故障狀態(tài)信息分成三大類，對每一類故障分類識別，解決了單一狀態(tài)量監(jiān)測信息不全面與多參量監(jiān)測存在信息冗余的矛盾；第二是在特征提取時運用了參數(shù)尋優(yōu)的思想，避免了噪聲干擾，提高了監(jiān)測信號特征量提取的準(zhǔn)確性與有效性；第三是將支持向量機(jī)與增量學(xué)習(xí)相結(jié)合，識別永磁機(jī)構(gòu)高壓真空斷路器常見故障。充分利用小樣本數(shù)據(jù)來訓(xùn)練模型，提高了故障識別的泛化能力，并通過學(xué)習(xí)新增數(shù)據(jù)不斷豐富樣本庫，可將分類識別精度提高到90%以上。附圖說明圖1是本發(fā)明斷路器合閘線圈電流波形及特征量。圖2是本發(fā)明斷路器分閘線圈電流波形及特征量。圖3是本發(fā)明斷路器儲能電容電壓波形及特征量。圖4是本發(fā)明斷路器合閘位移波形及特征量。圖5是本發(fā)明斷路器分閘位移波形及特征量。圖6是本發(fā)明斷路器分閘時振動信號。圖7是本發(fā)明斷路器分閘時振動信號的功率譜。圖8是本發(fā)明基于支持向量機(jī)的增量學(xué)習(xí)算法步驟。具體實施方式下面對本發(fā)明的具體實施方式作出進(jìn)一步的說明。實施一種永磁機(jī)構(gòu)高壓斷路器故障模式識別方法的技術(shù)方案，包括三方面內(nèi)容，即故障狀態(tài)信息分類、狀態(tài)信息特征提取、故障分類識別方法。所述的故障狀態(tài)信息分類包括：控制回路狀態(tài)信息、機(jī)械狀態(tài)信息、真空滅弧室狀態(tài)信息。所述的控制回路狀態(tài)信息包括合閘線圈電流、分閘線圈電流、儲能電容電壓。所述的機(jī)械狀態(tài)信息包括斷路器分合閘過程中的時間特性、行程特性、速度特性與振動特性。所述的時間特性，包括6個部分，具體定義如下：合閘時間：合閘線圈從有電流時刻到動靜觸頭完全接合的時刻；分閘時間：分閘線圈從有電流的時刻到動靜觸頭剛好分離時刻；合閘不同期：從第一個觸頭完成合閘的時刻到最后一個觸頭完成合閘時刻；分閘不同期：從第一個觸頭完成分閘的時刻到最后一個觸頭完成分閘時刻；合閘彈跳時間：觸頭從合閘剛好接觸的時刻到動靜觸頭穩(wěn)定接合的時刻；觸頭動作時間：從觸頭開始運動到運動停止時的時間。所述的行程特性，包括4個部分，具體定義如下：觸頭行程：運動過程中動觸頭之間的最大距離；觸頭開距：穩(wěn)態(tài)下動靜觸頭之間的距離；觸頭超行程：觸頭行程與開距之間位置差（從所有相觸頭都接觸開始到合閘穩(wěn)定位置為止之間的位移量之差）；觸頭反彈幅值：分閘過程中的最大振幅為分閘反彈幅值。所述的速度特性，包括6個部分，具體定義如下：剛合速度：合閘時動靜觸頭接觸之前10ms內(nèi)速度的平均值；剛分速度：分閘時動靜觸頭分離之后10ms內(nèi)速度的平均值；合閘最大速度：合閘時間段內(nèi)動觸頭運動的最大速度；分閘最大速度：分閘時間段內(nèi)動觸頭運動的最大速度；合閘平均速度：動觸頭在合閘階段段內(nèi)速度的平均值；分閘平均速度：分閘期間段內(nèi)動靜觸頭從剛分開的時刻到剛好停止的時刻這一時間段內(nèi)速度的平均值；所述的振動特性，是斷路器分合閘時動觸頭連桿底端的加速度特性；所述的真空滅弧室狀態(tài)信息包括波紋管狀態(tài)、觸頭電磨損與真空度；所述的狀態(tài)信息特征提取方法包括時域信號特征提取方法與頻域信號特征提取方法；所述的時域信號特征提取方法主要是提取信號波形起始點、拐點與穩(wěn)定點，其特征在于：通過選取信號中值濾波秩、求取波峰波谷的閾值和寬度，在一定范圍內(nèi)對三個參數(shù)進(jìn)行遍歷尋優(yōu)，得到最優(yōu)解。所述的頻域信號主要指的是振動信號，其特征提取方法具體特征在于：通過小波分解信號并利用分層閾值降低噪聲，最后重構(gòu)信號，再利用小波包分解之后，求取每一波段上的能量譜作為特征量。所述的故障分類識別方法是一種基于支持向量機(jī)增量學(xué)習(xí)的故障模式識別方法，其特征在于：具體由以下步驟實現(xiàn)：歸一化故障特征數(shù)據(jù)，并將數(shù)據(jù)隨機(jī)分為A、B、C共3組數(shù)據(jù)，建立故障特征數(shù)據(jù)樣本；利用支持向量機(jī)分類算法訓(xùn)練數(shù)據(jù)A得到分類模型M1，利用支持向量機(jī)增量學(xué)習(xí)算法訓(xùn)練數(shù)據(jù)B得到模型M2；利用數(shù)據(jù)C驗證模型M1與M2的準(zhǔn)確性。所述的增量學(xué)習(xí)算法是將新增故障樣本與原有故障樣本結(jié)合，重新訓(xùn)練支持向量機(jī)分類器，得到新的故障分類模型。下面本發(fā)明以ZNY1-6(10)/630-12.5永磁機(jī)構(gòu)高壓真空斷路器為例，結(jié)合附圖對具體實施方式作出進(jìn)一步的詳細(xì)說明。選擇霍爾電流傳感器與霍爾電壓傳感器分別測量斷路器分合閘動作時控制回路的合閘線圈電流信號、分閘線圈電流信號與儲能電容電壓信號。選擇拉線位移傳感器測量分合閘時的位移信號與振動傳感器測量分合閘時的振動信號。按照時域信號特征提取方法，提取附圖1、附圖2、附圖3、附圖4及附圖5中每一曲線標(biāo)注的坐標(biāo)為特征量。具體包括以下步驟：步驟1：對原始信號中值濾波，主要影響濾波效果的參數(shù)為中值濾波秩。其中，中值濾波秩是用于計算中值的元素數(shù)；步驟2：求取濾波后的波峰與波谷，影響參數(shù)為閾值和寬度。閾值是可以去除過小的波峰和波谷的限度，寬度是指擬合方法所用窗口的寬度；步驟3：確定中值濾波秩、閾值、寬度三個參數(shù)范圍，在范圍內(nèi)遍歷所有數(shù)據(jù)組合，使得到的坐標(biāo)在有效范圍內(nèi)，且找到個數(shù)最少，即求最優(yōu)解。按照頻域信號特征提取方法，提取附圖6中振動信號三層小波包分解之后的功率譜作為振動信號的特征量。特征提取步驟如下：步驟1：小波分解信號并利用分層閾值降低噪聲，最后重構(gòu)信號；步驟2：對重構(gòu)后的信號進(jìn)行小波包3層分解，得到8段頻率下的信號；步驟3：求取信號在每一頻段內(nèi)的功率，將歸一化之后的功率譜作為振動信號的特征量。利用一臺0~200V的交流調(diào)壓器改變交流輸入電壓，模擬永磁機(jī)構(gòu)控制回路交流輸入電壓故障；在主回路中串聯(lián)接入相應(yīng)阻值的電阻模擬回路由于線圈老化導(dǎo)致電阻增加的故障；通過在傳動拐臂轉(zhuǎn)軸上施加反作用力，模擬鐵芯卡澀故障；通過調(diào)節(jié)分閘彈簧與連桿連接處螺絲的松緊，模擬彈簧松動故障。建立了故障特征數(shù)據(jù)樣本，具體包括：分別提取每一故障時的特征量，對上述4種故障各提取50組數(shù)據(jù)。同時提取了5組正常情況下的特征量作為對照組數(shù)據(jù)。將特征量歸一化后并分組，對每種故障數(shù)據(jù)隨機(jī)均勻抽取20組作為模型訓(xùn)練數(shù)據(jù)，組別記為A。再隨機(jī)均勻選10組作為增量學(xué)習(xí)數(shù)據(jù)，組別記為B。另外20組作為模型驗證數(shù)據(jù)，組別記為C。通過K-CV交叉驗證尋求C-SVC支持向量機(jī)模型中的最佳參數(shù)，其核函數(shù)為RBF，首先需要對模型參數(shù)進(jìn)行選擇，即錯誤懲罰因子C和RBF函數(shù)中的gamma參數(shù)g。尋找最佳的(C，g)參數(shù)對，使得分類器的分類效果最優(yōu)。具體尋優(yōu)過程為：選擇C、g的參數(shù)范圍，將范圍構(gòu)成的二維空間內(nèi)所有的(C，g)構(gòu)成參數(shù)對，并將訓(xùn)練集數(shù)據(jù)作為原始數(shù)據(jù)，求得此組參數(shù)對下分類模型的平均分類準(zhǔn)確率，選取準(zhǔn)確率高的(C，g)參數(shù)對即為最優(yōu)參數(shù)對。利用支持向量機(jī)算法訓(xùn)練第A組數(shù)據(jù)，采用C-SVC作為訓(xùn)練模型，K-CV交叉驗證作為參數(shù)尋優(yōu)方法，徑向基函數(shù)RBF作為核函數(shù)，最終的分類決策函數(shù)為：（1）式中，f（x）是分類結(jié)果，sgn為決策函數(shù)映射，w是超平面的法向量，γ是核函數(shù)中的參數(shù)，xi是支持向量，x是輸入特征量，b是偏置。利用增量學(xué)習(xí)算法訓(xùn)練數(shù)據(jù)B組數(shù)據(jù)，具體步驟如下：步驟1：訓(xùn)練歷史樣本A，得到分類器ψ1與支持向量SVa；步驟2：分類器ψ1與新增樣本B聯(lián)合訓(xùn)練得到不能正確區(qū)分的樣本集E；步驟3：將SVa與E結(jié)合重新訓(xùn)練得到新的ψ2和SVb；步驟4：取SVa與SVb的并集作為新的訓(xùn)練集，對錯分樣本重新訓(xùn)練，直到?jīng)]有錯分樣本為止；步驟5：將新訓(xùn)練的分類器ψ與支持向量SV作為最終分類結(jié)果。得到具體模型如下表：上表1訓(xùn)練模型參數(shù)表上表1中model1為支持向量機(jī)分類模型，model2為增量學(xué)習(xí)分類模型，w為支持向量的系數(shù)，與表3、4中的參數(shù)model.sv_coef相對應(yīng)；γ即參數(shù)g；xi表示支持向量，與表中model.SVs相對應(yīng)；x表示輸入待預(yù)測向量；b代表偏置，是參數(shù)model.rho的負(fù)數(shù)。更優(yōu)的，將C組數(shù)據(jù)分別代入支持向量機(jī)與增量學(xué)習(xí)分類模型，對比兩種模型的準(zhǔn)確率。如下表2所示，原始數(shù)據(jù)訓(xùn)練出的模型對于正常情況與供電異常故障各有一次沒有準(zhǔn)確識別，增量學(xué)習(xí)模型對各個故障全部識別準(zhǔn)確。表2模型準(zhǔn)確率對比類別正確樣本數(shù)準(zhǔn)確率初始數(shù)據(jù)訓(xùn)練模型1890%增量學(xué)習(xí)數(shù)據(jù)訓(xùn)練模型20100%由上述模型識別準(zhǔn)確率對比表可以得出，通過支持向量機(jī)增量學(xué)習(xí)算法可以有效提高故障分類準(zhǔn)確性，該方法對處理小樣本故障數(shù)據(jù)具有極強(qiáng)的泛化能力與針對性。實施結(jié)果表明，將高壓真空斷路器故障有效分類，并針對每一類故障確定相應(yīng)的監(jiān)測狀態(tài)信息，可以有效避免數(shù)據(jù)冗余的問題。所用的狀態(tài)信息特征提取方法可以避免信號干擾，并能有效反映故障特征信息。本發(fā)明運用在斷路器故障診斷中，有效解決了故障監(jiān)測信息獲取不全面，故障識別準(zhǔn)確率低的問題，為狀態(tài)檢修提供指導(dǎo)，提高了設(shè)備運行的經(jīng)濟(jì)性與安全性。當(dāng)前第1頁1 2 3