浅谈有关高压断路器振声联合故障的诊断方法

王建平

摘要：根据现有高压断路器机械的故障诊断方案不足，本文就高压断路器发生振声联合故障提出一种新的诊断方法。此方法基于改进集合经验模式分解（EEMD），利用核独立分量（fast KIcA）對采集到的声波信号进行分析核对盲源进行分离处理，并对处理后的声波信号以及振动信号进行EEMD处理。再对每一个分解后产生的固有模态函数（IMF）进行二维谱熵求解，再以此二维谱熵矩阵为基础对矩阵进行变换，作为其支持向量机的特征向量的输入识别断路器机械的状态。可以发现，振声联合分析方法可以有效提高高压断路器机械诊断的正确和可使用性。

关键词：高压断路器；振声数据级融合；振声特征级融合；改进 EEMD 分解；改进 BEEMD 分解；支持向量机

高压断路器在电力系统中能够起到控制和保护的关键作用，一旦设备出现问题，可能会引起很大的损失，因此高压断路器需要进行定时的检查和定期故障诊断。现在人工智能技术飞速发展，神经网络、人工免疫网络和向量机等一系列新型方法开始被应用于常规或高级机械故障的诊断。神经网络具有一定泛化抗噪能力，但在进行实际的操作时会出现多样本的情况，导致使用存在局限性；但人工免疫网络稳定性和学习能力都较强，使用过程中，其输入的样本种类数量较多并且模型实际诊断十分复杂，计算量巨大且浪费时长。同时，一些小规模的、非线性关系以及高纬度的问题是适合用向量机解决的。

高压电路器的故障诊断难就难在实际运行环境可能十分复杂。而运用振动声波信号是明显表现出非线性和不稳定性的。经验和集合经验模式对故障的诊断和分解都有一定的有效性。但是EMD在使用时可能出现模式混叠，EEMD解决了这方面的问题，若原始信号信噪比较低，分解效果依然不够明显。

1 高压断路器振声联合机械故障诊断总体方案

振动信号有非线性和稳定性较差的特性。应用加速度振动传感器和声波传感器对高压断路器分闸的声波信号和振动进行采集工作。振动信号可以用L0102T压电加速度传感器来进行采集，为使其依附到机构箱和中间触头的竖直部位的机构箱的表层上，可利用磁铁作用吸引传感器。采集声波信号可以用502A型拾音器，然后与断路器进行非接触安装。

研究结果表明，振动信号有着非线性和不稳定性、冲击响应大和响应迅速的特点；声波的特点是噪音组成大、频率宽、重复性低。由此，提出了断路器振声联合机械诊断方法是振声特征级进行融合的特征故障诊断方法，还有数据级进行融合的优良诊断方法。

2 振声联合高压断路器故障诊断方法

2.1 振声特征级进行融合联合高压断路器故障诊断

外界环境处于劣势时，断路器在分闸时就会造成较强的振动信号和声波信号。特别注意大量随机的噪点会在空气传播的过程中混入声波信号，即使幅值小但频率是较高的，仍然影响故障的诊断。特征级融合诊断的方法实施原理如下：同时进行采集振动信号和声波信号，利用相关快速核独立分量分析对所收集的声波信号进行处理非线性的粗略分离。Fast KICA是可以去除无关的特征、并且降低噪音的，非线性信号的辨处能力是很强的。通过处理将断路器分合闸施行过程中混入的无关声波，可能是人声、自然声音以及短路去分着的声波，最后从采集到的混合原始声波中充分有效分离出来。

而混入的无关声波等一些噪音信号的幅度一般较小、频率较大。这些噪声堆积越多，对分解的准确度和完成度影响越大。中值滤波器可以用来对传统EEMD分解的过程中所残余的函数实行滤波工作，精准完成EMD的分解过程，来更好地控制完整的EEMD 分解过程，本文提出的EEMD算法设计为：

（1）具有一定强度的噪音分别排列到信号序列中以便多次进行EMD分解。

（2）高压断路器分闸的过程中收集到了振动信号和声波信号，在其中找到局部极大值点还有局部极小值点。

（3）然后拟合该次数据序列的前后包络线，确立平均包络线，精确计算信号和包络线之间的差距，反复多次执行这步，一直到这差值达到能使IMF成立的两个条件。

（4）运算残余函数，对差运用中值滤波法进行平滑化处理。高效去消除噪声极强点、保护信号易变的信号边界并且抑制信号和噪声的随机，使得残余函数的方差值减小。重复多次3、4步骤一直到残余函数成为不能再次进行分解的单调函数。

（5）EMD经多次分解可得到对应的IMF，从而根据得到的整体平均值求得最终的IMF。

（6）运算各个IMF的二维谱熵（一维谱熵、中心频率）。

2.2 振声数据级进行融合对高压断路器故障的诊断方案

用同收集的方法采集高压断路器的分闸振动和声波信号，但采集到的信号因为环境和传感器的影响仍然在时间上存在差异，声波信号一般是稍落后于其振动信号的，那么将所采集的声波信号进行适量移动，到振动信号振声之前。联合图像。

二维经验集合模态分解（BEEMD）是直接应用EMD和希尔伯特黄变换方法（HHT）到处理二维数据中，分解改进就是用改进版EEMD对所有维度数据进行的分解，依据可比的最小尺度对对应的IMF进行最后的合并重组。

二维EEMD分解改进后 是以EEMD为基础的，相应的设计流程如下：

（1）BEEMD首先认为振声联合图像也就是振动和声波信号联合而成的二维的空间数据是简单两个维度的一维序列组合的。

（2）然后EMMD分解所有一维片段序列，重构近似尺度片段，相似于IMF的二维分量随之产生。

（3）进一步分解新二维分量，此时BEEMD会联合并集合两个各异的维度。

（4）依据最小尺度合并的原理将经以上步骤得到的这些分量合并，最后运算得其能量熵。

2.3 支持向量机基础下的故障识别

（1）找寻确立合适的支持向量机模型和核函数，可以使用CSVC，或者选择径向基函数。

（2）设置初始化模型参数。

（3）SVM分类后进行测试模型的准确率然后识别相关发生的实验故障。

3 结语

本文立足于Fast KICA、改进经验集合模态分解和改进后的二维经验聚合模态分解，将其应用到高压断路器对振声联合机械的问题故障诊断方案中，再采用粒子群优化（PSO）后的支持向量机模型来诊断故障。现实情况下，是需要收集更多的现实现场数据来深入探究其他故障问题概况来增强振声联合诊断的在当下的实用性。

参考文献：

[1]张佩，赵书涛，申路，等.基于改进EEMD的高压断路器振声联合故障诊断方法[J].电力系统保护与控制，2014，（8）：7781.

[2]赵书涛，张佩，申路，等.高压断路器振声联合故障诊断方法[J].电工技术学报，2014，29（7）：216221.