高压断路器机械故障振动诊断的分析

2017-05-11党永乐张艺

中国设备工程 2017年5期

关键词：机械故障断路器故障诊断

党永乐，张艺

（1.内蒙古电力（集团）有限责任公司阿拉善电业局，内蒙阿拉善 750306；2.内蒙古电力（集团）有限责任公司巴彦淖尔电业局，内蒙古巴彦淖尔 015000）

高压断路器机械故障振动诊断的分析

党永乐1，张艺2

（1.内蒙古电力（集团）有限责任公司阿拉善电业局，内蒙阿拉善 750306；2.内蒙古电力（集团）有限责任公司巴彦淖尔电业局，内蒙古巴彦淖尔 015000）

机械故障在高压断路器中一直以来都是较为重要的一项问题。通常机械故障主要包含了润滑不良、触头磨损和螺丝松动等问题。这些问题都可以通过监测断路器动作过程中的振动信号来进行故障的识别，以便于能将故常问题有效排除。本文主要对高压断路器机械故障振动诊断进行了分析。

高压断路器；机械故障；振动诊断；分析

近年来我国的科学技术得到了迅猛的发展，高压断路器机械故障诊断逐渐受到了重视，并开始采取各种措施进行研究和分析。当前在信号采集方面已经比较成熟化，但在研究的过程中还需要不断的对诊断方法进行研究，从而找到最为科学的方式。下文将对高压断路器机械故障诊断的分析进行详细的讨论和研究（图1）。

图1

1 高压断路器机械故障及产生的原因

高压断路器的内部状态是十分复杂的，一种故障表现可能对应着多种内部的状态。同时，机构的某一种状态特征发生变化对应的故障也可能不是唯一的故障，可能还有很多来自其他部位的影响因素。一般来说常见的操动机构包含电磁操动机构、弹簧操动机构和液压操动机构。不同的操动机构失效现象又可以划分为拒动和误动两种。

1.1 电磁操动机构断路器故障

电磁操动断路器的异常问题发生可以分为拒合和拒分两种，误动包括了合后即分和无信号自分两种。合后即分主要是合闸维持支架复位太慢或者断面变形，滚轮轴扣入支架深度太少等。无信号自分则表示的分闸回路绝缘有损所造成的直流两点接地，以及继电器节点因振动误闭合等导致的电磁操动误动，从而发生无信号自分。

1.2 弹簧操动机构断路器故障分类

首先是拒动。第一种形式是铁心不启动，二次回路接触不良，连接螺丝松动等造成的。第二种是铁心已启动，四连杆不动。主要是因为受力过死点距离较大、扣合面硬度不足、变形等问题所导致的。此外还有四连杆动作，牵引杆不动作。

其次是拒分。第一种是铁心不启动，熔丝熔断，二次回路连接松动；第二种是铁心已启动，锁钩或者分闸四连杆未得到释放。第三种则是锁钩或四连杆动作，但机构连板系统不动。

2 特征提取

从断路器振动信号中进行特征的提取可以得到综合性的时间和频率等信息，从而明确各项指数。相对应的可以将这些特征提取方式分为时域法、频域法、数据序列法。通过常见的集中方式来进行不同的组合。时域法主要指的是通过直接方式来对时域振动信号中的时间和波形等方面的变化进行分析。当断路器机械发生故障以后再进行相应的诊断，最终能够得出相应的短时能量法。这种方式主要就是将断路器中的振动信号进行转换，然后通过不同的感应方式来进行准确的判断。最终根据故障的类型和故障发生的实际情况进行判断。例如细化频谱分析和模态分析等。数字序列法分析主要将重点放在通过少量的数据直接得到数字模型的方式上，并不是数据的具体物理意义，例如积分参数法和分形方法等。

3 高压断路器机械故障诊断

基本的故障诊断方式主要可以分为基于规则、基于模型和基于案例的三种方式进行。为了能进一步的对机械故障进行判断，可以将这几种方式进行结合使用。在断路器故障诊断领域中，基于规则的故障识别方式，主要是通过专业的知识来对故障系统当中的确实问题进行判断。但由于在实际应用的过程中专业知识的整体能力不足，因此这种方法的应用是比较少的。在模型基础上进行的检测方式主要要求对断路器系统中的故障有正确的认识，然后在了解故障的基础上才能进一步的诊断。此外，基于案例基础上的检测方式主要是通过原有的案例和当前的故障之间进行对比分析，从而达到分析问题和解决故障的目的。高压断路器的早期诊断过程中往往使用相关系数和偏差测试等方式来进行计算，但近年来随着科学技术的发展和人工智能的进步，神经网络和人工免疫网络等也逐渐的发展，这就使得对高压断路器的故障诊断效果得到明显的提升。

3.1 动态时间规整

动态时间规整算法就是利用时间规整函数方式来对两个时间之间的相似度进行判断。这种方式往往对计算机的内存消耗比较大。在实际的应用过程中，首先需要选择一个较为正常的状态下来进行振动信号收集，并以此作为主要的信号标准，然后对诊断信号进行进一步的调整，等到信号频率相同的情况下说明调整有效。当前阶段这种方式已经得到了广泛的应用，后期经过相关研究人员通过信号平均取值等方式，对动态时间规整算法的性能进行了进一步的调整，从而促使对故障的诊断效果得到了提升。

3.2 神经网络

神经网络如果单纯的从理论上进行分析，可能会无限的逼近非线性系统，然后进一步的对故障问题进行分析和分类。神经网络本身带有一定的抗噪性能，并且有着比较高的泛化能力。但与此同时神经系统中也存在着一定的问题及缺陷，那就是其需要更多的样本作为支持，在局部范围内也有着收敛现象。在不同的状态下提取的调整向量作为主要的神经网络进行输入，状态类型编码作为神经网络的主要输出，使用合适的网络类型进行即可构成所需分类器。

3.3 人工免疫网络

利用模拟生物免疫系统进行人工免疫系统的自动化划分，这样的方式当中具有较强的学习能力。在进行训练的时候，应当将故障样本当做最为关键的网络抗原，并在此基础上进行构造初始抗体的构建，并在多次迭代以后的抗体集选出。在故障的诊断过程中，与没有进行分类的样本最为邻近的数个抗体集将直接的决定着样本的属性，并且也能进行故障类型的分析。将人工免疫网络引入到断路器的机械状态分类当中去，最终能实现较好的效果。这种方式可以说能有效的为断路器的振动诊断研究提供一种最新的思路和方向，在日后也需要对此进行详细的讨论和研究。

3.4 支持向量机

支持向量机主要是在统计学习的方式上所形成的一种分类方式，主要的核心思想就在于通过函数的方式对样本进行直接性的映射，促使其映射到高为特征空间上。这种方式比较适合应用在小样本问题当中，对于多种类型的分类处理应用起来就较为复杂。高压断路器振动诊断属于小样本多分类问题，因此是比较适合进行应用的。在进行应用的过程中应当注意要选择合适的特征向量，来作为支持向量机的数量，并且可以使用“一对其余”的策略来进行状态分类，以便于取得较好的识别效果。