高压断路器机械振动信号特征提取及故障诊断研究

摘要

我国发电装机容量和发电量均为世界第一，且近些年仍然在不断增长。在电力系统容量增长的情况下，必然导致高电压开关等设备数量增加。高压断路器在区域性电网中是最重要的开关设备之一，具有保护、隔离功能，在电力系统中承担着控制和保护双重任务，其安全可靠运行具有至关重要的作用。
　　高压断路器的机械振动信号含有丰富信息，包含大量的设备状况。在高压断路器操作过程中监测断路器动作过程中的机械振动信号，能识别出断路器的机械故障种类或机械状态。黑龙江地区冬季酷寒，高压断路器工作条件恶劣，个别故障时有发生，而为了保证用电安全，断路器动作频率非常低，检修数据有限，造成诊断模型难以建立;另外高压断路器台间差异大，以固定断路器建立的模型普适性差，需提高模型的泛化能力。
　　本文针对ZW32-12型真空高压断路器振动信号采集与故障诊断问题进行了研究。搭建了信号采集平台，提出了基于小波包-关联维数、EEMD(总体平均经验模态分解，Ensemble Empirical Mode Decomposition)-特征熵的高压断路器特征提取理论方法并进行了仿真分析，采用神经网络和支持向量机对特征量进行识别，考察特征量的有效性和泛化性。论文的主要工作和成果如下:
　　(1)搭建了高压断路器信号采集平台。该平台在搭建过程中充分考虑了寒区冬季寒冷的特点，选用的传感器考虑了温度特性。平台主要采集高压断路器操动机构机械振动信号，并同时能够采集行程/速度信号、合分闸线圈电流信号以及断路器开断电流信号等;平台控制管理系统软件由C++Builder结合Matlab开发，现场测试硬件电路由DSP（数字信号处理器，Digital Signal Process）及外设电路组成，管理单元和现场测试单元间的数据由CAN(控制器局域网络，Controller Area Network)总线传输。
　　(2)建立了基于小波包-关联维数的高压断路器特征向量提取模型。先对去噪后的振动信号进行三层小波包分解，然后将分解后的信号系数进行重构;利用时延法重构相空间，由C-C算法确定延迟时间，改进的虚假临近法确定嵌入维数;然后利用G-P(Garsesrger-Procacai)算法计算关联维数;最后将得到的关联维数作为识别的特征向量。同时进行了仿真与实际应用分析，在断路器自身润滑不足时间延迟、螺丝松动和缓冲器弹簧无效超行程三种故障状态下验证。试验结果表明，通过该方法能够有效地获取高压断路器振动信号的特征。
　　(3)建立了基于EEMD-特征熵的高压断路器特征向量提取模型。先对降噪后信号进行EEMD分解，挑选主要的前4个本征模态函数IMF(Intrinsic Mode Function)，进行Hilbert变换，得到各自解析信号并求取各自解析信号的包络;然后对各解析信号包络沿时间轴等分成m段，计算各段能量并归一化，最终得到EEMD-特征熵向量。分别采用了EMD(经验模态分解，Empirical Mode Decomposition)和EEMD对振动信号进行了特征提取并通过仿真实验进行比较，结果可看出EEMD解决了采用EMD时的模态混叠现象。
　　(4)针对高压断路器动作样本少，识别模型泛化率差的特点，探索最优分类方法。将小波包-关联维数，EEMD-特征熵两种特征量分别作为样本，分别采用了BP(反向传播模型，Back Propagation)神经网络、粒子群优化的BP神经网络、RBF(径向基函数，Radial Basis Function)神经网络、小波神经网络、支持向量机(Support Vector Machine，SVM)等几种方法进行分类识别。实验室数据分类结果显示，小波包-关联维数特征量在SVM分类下，识别率最高，部分状态达到100％;EEMD-特征熵特征量在几种分类方法下识别正确率相差不大，都达到90％以上。现场识别结果中发现，由于黑龙江地区冬季气候严寒，润滑不足时间延迟、弹簧机构失效等故障容易发生。

目录

摘要

1 绪论

1．1 课题研究的背景意义

1．1．1 课题的选题背景

1．1．2 课题研究的目的

1．1．3 课题研究的意义

1．2．1 国外研究现状

1．2．2 国内研究现状

1．3 高压断路器机械故障信息提取和特征识别方法

1．3．1 特征提取方法

1．3．2 故障识别方法

1．4．1 本文主要工作

1．4．2 本文的技术路线

2 高压断路器信号采集平台的建立及预处理

2．1 高压断路器

2．2 采集平台总体方案

2．3．1 传感器选择

2．3．2 现场数据采集单元

2．3．3 后台控制单元

2．4 系统软件

2．4．1 现场下位机软件

2．4．2 后台控制上位机软件

2．5 采集信号的预处理

2．5．1 阈值去噪

2．5．2 机械振动信号的去噪处理

2．6 本章小结

3 基于小波包-关联维数的高压断路器振动信号特征提取

3．1 小波变换

3．1．1 连续小波变换

3．1．2 离散二进小波变换

3．1．3 多尺度分析

3．2 小波包

3．3 相空间重构

3．3．1 相空间重构基本思想

3．3．2 延迟时间的选取

3．3．3 嵌入维数的选取

3．4 关联维数

3．4．1 分形维数的分类

3．4．2 关联维数的定义

3．4．3 G-P算法

3．5．2 小波包-关联维数的特征提取应用分析

3．6 本章小结

4 基于EEMD-特征熵的高压断路器振动信号特征提取

4．1．1 经验模态分解

4．1．2 总体平均经验模态分解

4．2 希尔伯特变换

4．3 信息熵

4．4 基于EEMD-特征熵特征的提取方法与实例分析

4．4．2 EMD-特征熵提取方法的应用分析

4．4．3 EEMD-特征熵提取方法的应用分析

4．5 本章小结

5 基于神经网络和支持向量机的高压断路器故障识别

5．1 神经网络

5．1．1 BP神经网络

5．1．2 小波神经网络

5．1．3 RBF神经网络

5．1．4 粒子群优化算法

5．2 支持向量机

5．2．1 最大间隔分类支持向量机

5．2．2 软间隔分类支持向量机

5．2．3 基于核的支持向量机

5．2．4 支持向量机的多类分类问题

5．3 基于神经网络的高压断路器故障诊断分类

5．3．1 基于BP神经网络的分类

5．3．2 基于RBF神经网络的分类

5．3．3 基于小波神经网络的分类

5．3．4 基于神经网络的未知样本分类

5．4 基于支持向量机的高压断路器故障诊断分类

5．4．1 支持向量机多分类策略

5．4．2 基于支持向量机多分类的故障识别

5．4．3 基于支持向量机的未知样本分类

5．5 本章小结

结论

参考文献

攻读学位期间发表的学术论文

攻读学位期间的科研成果

致谢

声明