基于振动信号的高压断路器在线监测系统设计*

孙 抗， 刘永超， 郭景蝶， 师文文

(河南理工大学 电气工程与自动化学院，河南 焦作 454000)

0 引 言

高压断路器是电力系统中数量巨大且十分重要的设备[1]，真空断路器的机械故障占全部故障的80%以上[2]，因此，对其进行机械故障在线监测具有重要的现实意义。断路器的振动信号[3]是一系列操作机构动作碰撞产生的，蕴含了丰富的机械状态信息，因此，可以反映出断路器操作机构的状态信息。振动信号的时域和频域响应特性，揭示了断路器操作机构各个部件的动作信息，各个振动事件出现的顺序不变[4]，断路器机械状态的改变会导致振动信号的变化，可以通过采集的振动信号对断路器进行机械特性分析。对于提前发现潜在的隐患故障具有重大意义。

本文利用断路器动作时产生的振动信号对断路器进行故障在线监测。对振动信号进行特征向量的提取(小波包特征熵、总体经验模态分解(ensemble empirical mode decomposition,EEMD)特征熵、时域特征分量)，然后运用距离判别法对特征向量进行分类，从而达到机械状态识别的效果，诊断出其机械故障，并给出具体的建议，对电力系统安全稳定运行具有重要意义。

1 总体方案设计

高压真空断路器机械特性检测系统主要由传感器及调理电路、数据采集电路、LabVIEW平台三部分组成。主要功能是获取断路器机械操作机构动作时的振动信号，并将其传输至计算机进行去噪、特征提取、故障诊断。首先加速度传感器测量出断路器的振动信号，PCI8192采集卡对传感器进行采样并传输至LabVIEW，然后在LabVIEW内通过调用MATLAB对振动信号进行处理，最后将结果送到LabVIEW前面板，给出具体故障类型以及检修建议。

2 硬件设计与实现

2.1 振动传感器

选用YD37加速度传感器，频率测量范围为1～10kHz，灵敏度为0.001Vm/s2，线性度小于等于1%，输出电压范围为-5～+5V。选用GD21恒流源供电并消除其直流偏置。振动信号传输采用双绞线方式以防止噪声对信号的干扰。传感器应该安装在具有较大振动强度、较大信噪比的关键部位。本系统将加速度传感器安装于断路器的底座，采用金属固持胶粘合的方式固定传感器，不仅不会破坏高压开关柜及断路器的壁体结构，同时又避免了不必要的磁性环境对YD37造成干扰，在保证良好的测量准确度和可靠性情况下，将安装工作量降至最低，具有极强的实用性和便捷性。

2.2 电源模块

为保证系统可靠工作，采用KDYA—DG75—24型开关电源，经KDYA—DG75—24将220V交流转变为24V的直流电，为GD21供电。

2.3 数据采集卡

采用PCI8192采集卡采集振动信号，基本参数为：AD分辨率16位，AD采样率最高250kHz，4个同步采集通道，输入范围为-10～10V。数据采集卡采用连续采集触发模式，对振动信号进行采集、截取、保存。采样率为25kHz,由接口上传至计算机，实现对振动信号的高速采集和存储。

3 软件设计和实现

软件包括5个功能：数据截取、数据存储、特征提取、故障诊断和知识库的建立。

3.1 数据截取与存储

数据采集卡自启动即开始采集数据，但在有效的振动信号前后存在很多冗余信号，降低了对信号分析的可能性，增加了计算时间，对振动信号进行截取，保留有效振动数据是十分必要的。将振动信号写入Excel文件中备份，以备数据库的建立。由LabVIEW编写的程序流程如图1所示，将振动信号截取得到更加有效合适的信号，更加有利于信号的特征提取及故障诊断。

图1 数据截取界面流程

3.2 振动信号的特征提取和故障诊断

为保证特征向量对不同故障类型的灵敏性，结合小波包能量熵，EEMD及时域特征构建稳定的特征向量。

3.2.1小波包特征熵的求取

小波包分析可以对信号的低频和高频同时进行多尺度分解提供更加完整的信息[5,6]。在断路器故障诊断中，当断路器出现故障时断路器各个频率成分的能量混乱度发生变化，可以通过求取每个分量的能量熵作为判别断路器状态的依据[7]。系统采用db10小波对振动信号进行3层分解，具体步骤如下：

1)首先对振动信号s(t)进行3层小波包分解，分别提取第3层从低频到高频的所有频率成分s0(t)～s7(t)的特征。

2)采用Hilbert方法求取每个分量的包络

(1)

式中H(si(t))为分量si(t)所对应的Hilbert变换。

3)将求取的包络信号Ai(t)进行分段处理，按照等时间分段方式分为N段并求取每段的能量值

(2)

4)计算每个分量能量熵

(3)

3.2.2EEMD特征熵的求取

EEMD通过添加白噪声使振动信号在不同尺度上具有连续性，避免模式混叠现象的发生[8～11]。过程如下：

1)将正态分布的高斯白噪声n(t)加入到采集的振动信号s(t)中得到s′(t);

2)将s′(t)进行EMD分解得到不同的本征模态函数(IMF)分量ci(t),i=1,2,…，N;

3)重复步骤(1)～步骤(2)n次，每次加入随机分布的正态高斯白噪声;

4)将所有分解得到的IMF分量进行平均，使n足够大确保添加的白噪声的和趋近于0，可以得到信号s(t)经过EEMD后的分量。

5)按照式(1)～式(3)计算振动信号的EEMD能量熵。

EEMD过程中选定白噪声幅值为原始信号标准差的0.05倍，EEMD分解次数为50次。为了舍去部分状态信息表述较弱的分量，保留前5个分量。求取IMF1～IMF5的包络信号并对其进行等时间分段的方式分为17段，求取每段的能量并最终求取每个IMF分量的能量熵。

3.2.3时域特征量的求取

系统小波包分解图形即信号处理结果，如图2所示。

图2 小波包分解各个分量

系统EEMD处理结果如图3。

图3 EEMD各个分量

断路器发生故障时，时域信号的幅值将会发生变化，通过描述信号时域波形的特征可以反映信号的时域信息。由于高压断路器动作属于冲击性动作，针对其振动信号的特点，考虑到时域特征参数的影响，选择3个时域特征向量分别为信号均方根值、斜度、峭度，以达到兼顾敏感性与稳定性的效果。

3.3 故障诊断

较普遍使用的故障诊断方法有支持向量机、灰色关联度、贝叶斯、K均值聚类、距离判别法等。将上述方法依次用于本系统，寻得适用于本系统的判别方法。结果如表1所示。可知，距离判别法更加适用于本次实验研究。

表1 使用不同诊断方法诊断结果

3.4 知识库建立

系统先将数据导入MATLAB中离线计算出数据库，再导入LabVIEW中作为故障诊断的依据。为保证诊断正确率，系统将每次求取的特征向量写入数组中，以便实时更新丰富训练样本，以保证模式识别的正确性。

4 数据采集与故障诊断实例

将本系统应用于ZN63A—12型真空断路器，其操作机构为弹簧机构。利用已搭建的振动信号采集系统对其进行测量。数据采集卡采样频率为10 kHz。前面板如图4所示，给出原始振动信号、特征向量T=[T1,T2,T3]和具体诊断结果及检修建议。

图4 上位机在线监测界面

为寻求适合于本试验对象的数据处理方法，首先采集93组振动数据，其中包括36组正常状态下的振动信号，30组传动机构卡涩状态下的振动信号，27组基座螺丝松动状态下的振动信号。使用软硬不同的木块垫在转动机构一侧模拟断路器卡涩故障，松动基座的部分螺丝模拟基座松动故障。对样本进行小波包去噪，求取小波包特征熵、EEMD特征熵和时域特征向量，后将其使用距离判别法进行判别分析。随机在93组信号中选取30组正常信号，24组卡涩信号，21组松动信号作为训练样本，剩余的每组6个信号作为测试样本，结果如表2所示。

表2 使用距离判别法诊断不同特征向量结果

可知，93组数据中只有4组数据判别错误，正确率达到95.7 %，达到试验要求。

5 结束语

以ZN63A—12型真空断路器为研究对象，搭建了基于振动信号的断路器机械状态在线监测系统。选择了相应的传感器、电源模块、数据采集卡，并编写了数据采集、数据截取、数据保存、特征提取及故障诊断软件，搭建了一套完整的基于振动信号的在线监测系统。系统能够有效地通过断路器动作时产生的振动信号判别出断路器的机械状态，其人机交互界面提供了良好的用户体验，操作简单，具有广泛的应用前景。

研究仍存在一些不足之处，可通过引入多路断路器信息提高断路器的诊断准确率，如将分合闸电流，触头行程、振动信号相互结合综合判断出断路器的机械状态或状态变化趋势。

[1] 张 扬,刘艳丽.PSO优化BP神经网络的串联故障电弧识别方法[J].传感器与微系统,2016，35(7)：22-25.

[2] 常 广,张振乾,王 毅.高压断路器机械故障振动诊断综述[J]．高压电器,2011,47(8):85-90．

[3] 林燕侠.高压断路器机械特性故障诊断研究[J].电力系统保护与控制,2011,39(15): 80-83.

[4] 赵 洋,刘汉宇,曾庆军.高压真空断路器机械特性在线监测系统研制[J].高压电器,2009,45(6):91-95.

[5] 印 嘉,吴建德,王晓东,等.基于小波包能量谱的往复式隔膜泵故障诊断研究[J].传感器与微系统,2012,31(10):45-47.

[6] 丁晓喜,何清波.基于WPD和LPP的设备故障诊断方法研究[J].新型工业化,2013,3(7):89-93.

[7] 陈伟根，邓邦飞.小波包能谱熵与神经网络在断路器故障诊断中的应用[J].重庆大学学报,2008,31(7):744-748.

[8] 董文智,张 超.基于EEMD能量熵和支持向量机的轴承故障诊断[J].机械设计与研究,2011,27(5):53-56.

[9] 周 智,朱永生,张优云,等.基于EEMD和共振解调的滚动轴承自适应故障诊断[J].振动与冲击,2013,32(2):76-80.

[10] 侯高雁,吕 勇,肖 涵,等.基于EEMD自适应形态学在齿轮故障诊断中的应用[J].振动与冲击,2014,33(18):145-148.

[11] 丁国君,王立德,申 萍,等.基于EEMD能量熵和LSSVM的传感器故障诊断[J].传感器与微系统,2013,32(7):22-25.