基于振动信号的交流中压真空断路器故障诊断技术研究

机械故障是断路器发生的主要故障之一,因此机械状态监测对断路器安全稳定运行至关重要。断路器开断过程中的振动信号包含了丰富的机械特征,可以通过提取振动信号而对设备进行机械故障诊断的研究。文中针对某12 kV交流中压真空断路器,通过自制的断路器在线监测装置采集断路器正常及故障状态下的振动信号,使用短时能量法、总能量分析法及信息熵法对振动信号分析处理。该装置能够捕捉到振动事件的特征信息,区分出正常与故障状态,为断路器机械故障在线诊断技术的实现提供了依据。     

低压断路器振动特性分析与合闸同期性研究

针对低压断路器的机械特性,采用小波分解法对其振动信号进行分析。根据电动操作机构及低压断路器合闸动作的时序关系,以驱动电机电流信号作为时间标识,有效地提取了合闸振动信号。提出小波包能量谱分析低压断路器合闸同期性研究,在小波包对振动合闸信号细节分解基础上,采用小波包重构提取合闸振动主频带信号特征,由此构造合闸同期性状态特征矢量,并应用BP神经网络建立三相合闸不同期故障的识别模型。在断路器基座横梁安装单个加速度传感器,实验模拟了DW15—1600低压断路器的四种同期性状态振动信号,仿真结果表明,本文提出的振动信号小波包能量谱与神经网络相结合的方法,可有效地分析低压断路器合闸同期性。     

基于振动信号小波包提取和短时能量分析的高压断路器合闸同期性的研究

该文提出了一种分析高压断路器合闸同期性的新方法将小波包提取算法和短时能量分析方法相结合，利用小波包分解与重构原理将断路器合闸振动信号分解到不同频段中，并对代表高频冲击信号的分解系数进行重构，然后运用短时能量分析方法对重构后的信号进行分析，辨识出合闸变位点。通过对三相合闸过程的分析，得出三相同期性。通过MATLAB仿真分析和实验结果验证了该方法的有效性。     

基于振动信号的超程变化情况下断路器刚分刚合时刻识别方法研究

在断路器的长期使用过程中,由于触头磨损、螺丝松动等原因,超程将会发生改变,断路器刚分刚合时刻的确定具有较大难度。刚分刚合时刻的判断方法在超程变化情况下的准确性还未有人研究。文中以12 kV交流中压真空断路器为研究对象,搭建了断路器机械状态离线测试试验平台。在模拟多种超程量的条件下,对断路器分合闸过程中的触头换位信号与振动信号进行同步采集,采用短时能量法对振动信号进行处理,准确分析出断路器换位信号提取的分合闸时刻与振动信号提取的特征量间的对应关系。利用振动信号替代换位信号,通过对断路器分合闸过程振动信号的提取,准确判断刚分刚合时刻,获得分合闸时间。测试试验结果表明,该方法在超程改变情况下对分合闸时刻的判断误差在0.5 ms以内,提高了断路器在超程变化时机械数据的准确性,为断路器机械状态的在线监测提供了依据。     

基于分形理论的低压断路器三相合闸同期性振动信号特征分析

在综述现有断路器机械故障振动信号研究方法的基础上,提出了一种经验模态分解(EMD)和分形理论相结合的方法用于提取低压断路器振动信号的特征量,并以典型的三相合闸不同期性低压断路器故障为对象,研究了EMD结合分形维数的故障振动信号特征分析,且给出以分形维数均方根作为故障特征量的实验仿真数据结果。首先,利用EMD方法对低压断路器的振动信号进行分解,得到若干个本征模态函数(IMF);其次,对振动信号以及各IMF分量求分形维数及其均方根,作为低压断路器振动信号的特征量。通过对低压断路器三相合闸不同期性模拟故障振动信号处理,对比其不同状态下的分形维数及其均方根的变化规律,表明该方法不仅可作为低压断路器三相同期性故障诊断的判据,且可应用于断路器其他各类机械故障的振动信号特征的提取分析。     

基于振动信号特征的高压断路器机械故障诊断技术研究

以ZW-32型永磁机构断路器为研究对象,搭建了断路器动作时振动信号监测平台,采集了操动机构常见故障状态下的振动数据。利用小波包—特征熵提取了振动信号特征值,并建立了基于相关向量机原理的操动机构故障诊断模型,实现了对断路器振动状态的在线监测及故障类型的智能辨别。试验结果表明,该方法具有较高的故障识别能力,对实现断路器机械状态的在线监测与故障诊断有一定的工程实用价值。     

交流中压真空断路器机械特性在线监测装置的研制

在断路器所有故障中,机械故障占有相当大的比重,对其机械特性在线监测具有重要现实意义。文中针对某12 kV交流中压真空断路器,以分合闸线圈电流信号、角位移信号及振动信号为监测对象,研制了一种以STM32F407为主控芯片、搭载RT-Thread实时操作系统的交流中压真空断路器机械特性在线监测装置。该装置采用HNC-661霍尔电流传感器捕获分合闸线圈电流,判断断路器分合闸的动作起始时刻;在低电位处采用WDD35D4-5kΩ角位移传感器替代直线位移传感器间接测量动触头的位移曲线,有效避免了直线位移传感器在高电位处的隔离问题;利用ADXL001-70BEZ振动传感器采集断路器动作过程的振动信号,经短时能量法处理后提取出断路器刚分刚合时刻的振动事件,并在此基础上进行机械参数计算。该装置完成机械特性参数计算后可实现液晶显示、数据上传功能,实现了对断路器机械特性的在线监测。经过与机械特性测试仪对比测试,该装置的机械特性监测数据稳定可靠。     

基于支持向量机与特征降维的直流断路器机械故障诊断技术研究

直流断路器机械故障诊断算法是直流断路器机械状态在线监测系统的核心部分。文中进行了直流断路器机械故障模拟实验,采集不同故障下的线圈电流及振动信号,对其进行特征提取后,将电流特征、振动短时能量特征、小波包频带能量特征排列组合,利用支持向量机构建故障诊断模型。文中使用主成分分析法及Relief-F算法对不同特征组合降维,进一步分析特征组合降维后的诊断效果,并通过K-Fold交叉验证算法评估单一特征和特征组合训练输出的诊断模型选取分类性能最优的诊断模型。     

采用HHT振动分析的低压断路器合闸同期辨识

利用振动信号辨识三相合闸不同期故障,应解决有效的振动信号消噪及其故障特征提取方法.提出一种希尔伯特-黄变换(HHT)的低压断路器振动信号分析方法,采用经验模态分解(EMD)有效地提取反映振动信号局部特性的本征模态函数(IMF)分量,以前5阶IMF分量表征振动信号特性且起到信号消噪作用.通过时域特征分析,得出振动信号的峭度和均方值可作为判别机械特性的辅助特征指标.提出前5阶IMF分量能量比及峭度、均方值为特征向量,建立粒子群优化径向基(PSO-RBF)神经网络的低压断路器合闸不同期故障识别模型.实验与仿真结果表明,基于单个传感器振动特性,综合采用时域分析、EMD分解、粒子群优化神经网络等人工智能的合闸同期性故障识别效果良好,为断路器故障尤其是三相合闸同期性振动分析提供了一种新的诊断方法.     

智能断路器在线监测系统研究

智能断路器是电力系统中最重要的设备之一,其稳定可靠性对于电网运行有重大意义。在分析智能断路器振动信号检测原理的基础上,提出了一种基于虚拟仪器技术的在线监测与故障诊断系统。该系统利用Labview编程实现人机界面,完成对测量数据的存储、显示和分析处理,由数据信号处理模块和传感器模块构成现场监测单元,完成对断路器机械参数、分合闸电流信号和振动信号的采集、传输。实验结果表明,该系统能实时反映智能断路器机械运行状态,具有人机交互友好、功能齐全和可靠性高等特点,实现了断路器在线监测系统预期的功能。     

基于双谱与双流卷积神经网络的断路器故障诊断

高压断路器操动机构的振动信号包含了断路器运行状态的重要信息,对操动机构工作状态的诊断辨识十分重要。针对振动信号随机、非平稳的复杂特性,提出了一种基于双谱分析和双通道流浅层卷积神经网络的断路器故障诊断方法。对振动信号进行双谱分析和小波分析,分别提取2D双谱矩阵以及1D小波频带能量作为双流卷积神经网络的双通道特征;对断路器模拟实验采集到的五种工况下的振动信号进行有监督训练。结果表明,双谱分析能够抑制高斯噪声、保留操动机构不同工况下主要峰值形态特征并融合小波频带能量特征,所提模型训练迭代5次即可达到98.33%的高识别精度,实现断路器操动机构的故障诊断辨识。     

断路器机械振动信号特征值提取方法分类性能研究

以ZW45-12型单稳态永磁机构断路器为研究对象,通过搭建数据采集平台得到断路器正常合闸状态、分闸弹簧单根脱落和机构卡涩3种不同运行状态信号数据,利用模糊C聚类分析算法比较短时傅里叶变换、小波包能量熵和希尔伯特—黄变换3种特征提取方法的性能。通过对比研究,得出采用小波包变换方法得到的时频熵向量具有最佳的类可分性能。     

基于CEEMDAN与样本熵的高压断路器机械故障诊断

依据高压断路器振动信号特性,提出一种自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与样本熵相结合的高压断路器故障特征提取方法。首先利用CEEMDAN将分闸振动信号分解成一系列内禀模态函数(intrinsic mode function,IMF),然后利用相关系数法与归一化能量筛选包含信号主要特征信息的前7阶IMF分量,求取其样本熵作为特征量,最后采用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)分类器,对断路器不同故障类型进行分类识别。实验结果表明该特征提取方法能准确提取振动信号特征量,输入PSO-SVM诊断高压断路器故障能取得良好的效果。     

基于SO-PAA-GAF和AdaBoost集成学习的高压断路器故障诊断

针对在小样本和复杂工况下高压断路器故障诊断识别精度不高的问题,提出一种基于振动信号处理和Ada Boost集成学习的高压断路器故障诊断方法。首先,搭建高压断路器实验平台并采集8种工况下的分闸振动信号。其次,对振动信号进行绝对值处理后,使用分段聚合近似(piecewise aggregate approximation, PAA)进行分段平均,将输出的新序列采用格拉姆角场(Gramian angular field, GAF)转换成图片,并使用Relief F方法对提取的高维图片特征进行重要度排序。最后,将保留的重要特征输入到Ada Boost集成学习模型进行故障诊断,并用蛇优化算法确定最优PAA分段步长和输入分类器特征数量,以进一步提高故障诊断精度。通过分析多种信号处理方式及分类模型可知,图片信号和Ada Boost集成学习模型能够有效处理振动信号并准确判断故障类型,为准确、可靠地诊断高压断路器故障提供了新途径。     

Vibration signal analysis for condition monitoring of puffer‐type high‐voltage circuit breakers using wavelet transform

Nowadays, the goals of electrical supply utilities are to reduce equipment failures, extend service life, increase equipment reliability, and reduce their related operating and maintenance costs. The high‐voltage circuit breaker is an important element in the electrical network. In order to determine or to detect abnormal conditions inside a circuit breaker, powerful vibration analytical techniques have been proposed. In this paper, a vibrational analysis is carried out by analyzing the signal in the time–frequency domain under no‐load switching operations with a commercially available high‐voltage puffer‐type circuit breaker without opening its major parts. Vibration of the circuit breaker poles, operating mechanism, and various monitored parameters were recorded under normal and variable operating conditions. Moreover, a synthetic mechanical damage introduced deliberately is also investigated. The experimental result indicates that mechanical defects can be detected by analyzing the vibration signal. © 2011 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法

为可靠地进行万能式断路器机械故障诊断,在基于振动信号故障诊断的基础上,提出了一种多特征融合与改进量子粒子群(QPSO)优化的相关向量机(RVM)相结合的万能式断路器分合闸故障振声诊断方法。首先,对振声信号进行小波包软硬阈值结合去噪预处理,并利用互补总体经验模态分解算法对处理后的振声信号进行分解,提取固有模态函数能量系数、样本熵、功率谱熵,并组成多特征参数;然后,通过组合核函数核主元分析对多特征参数降维,并将其特征融合组成特征向量作为RVM的输入,解决单一特征识别断路器分合闸故障的低准确率和低稳定性;最后,利用改进QPSO优化分类模型参数,建立基于RVM的次序二叉树模型对断路器故障进行辨识。实验结果表明,该方法能有效提升不同故障状态下诊断结果的可靠性。     

基于振动信号经验模态分解及能量熵的高压断路器故障识别

为了准确地检测出高压断路器的故障类型,笔者首次将经验模态分解(EMD)方法引入高压断路器的振动信号分析当中,并提出将EMD分解得到的固有模态函数(IMF)能量熵值作为表征断路器故障类型的新特征向量。为了证实该分析方法的有效性,笔者在实验室的110 kV SF6断路器上进行了模拟实验,提取了正常和故障状态下振动信号的IMF能量熵值特征向量,并以此作为径向基神经网络的输入向量。最后,引入置信度的概念,对径向基神经网络的输出结果进行评价。该方法基于实验室研究取得了较好的识别效果,并为基于振动信号的断路器故障识别提供了一条新的思路。     

低压断路器振动特性分析及其故障诊断研究

以低压断路器三相不同期故障为对象,首先,利用经验模态分解(EMD)方法,将振动信号分解为若干本征模态函数(IMF),经频谱分析确定前四阶IMF分量作为振动信号特性,并起到振动信号消噪作用;其次,利用分形理论对前四阶IMF分量求取关联维数,以表征低压断路器三相合闸不同期的故障特征;最后,引入极端学习机(ELM)建立三相合闸不同期故障识别模型。试验与仿真结果表明,基于EMD及分形理论的ELM模型可有效区分三相不同期故障。根据上述故障诊断原理,该方法对低压断路器其他故障类型的诊断具有适用性。     

S_Kohonen网络在断路器故障识别中的应用

针对断路器操动机构常见故障问题,提出将改进的Kohonen网络对断路器典型故障进行诊断研究。首先,在某试验基地建立断路器监测实验平台,模拟操动机构典型故障。然后,分析采集到的合闸振动信号,采用3层小波包变换对降噪后的振动信号进行分解,得到各频段能量占总能量的百分比,利用粗糙集理论对特征参数进行知识约简,降低特征参数的维数。最终保留第1-4及第7频段。将保留的5个特征参数归一化处理后组成特征向量输入到S_Kohonen网络,对故障类型进行识别。实验结果表明,故障识别效果较好,且置信度高。     

DW45万能式断路器结构改进探讨

通过对DW45万能式断路器的结构创新,提高原DW45万能式断路器的额定短时耐受电流能力。这确保配电系统中主开关的工作稳定性与可靠性,能满足高可靠性智能配电系统实现全电流范围选择性保护的需要。